未經遗传算法和神经网络优化的BP神经网络建模
1、
2、
3、
5、
6、
遗传算法和神经网络优化的BP鉮经网络建模
1、
2、
4、
5、
6、
7、
9、
运行后使用遗传算法和神经网络改进前后误差的对比图:
1、未经遗传算法和神经网络优化的BP神经网络建模
%找出训练数据和预测数据
%%网絡得到数据反归一化
2、遗传算法和神经网络优化的BP神经网络建模
%选连样本输入输出数据归一化
%% 遗传算法和神经网络参数初始化
%进化代数即迭代次数
%交叉概率选择,0和1之间
%变异概率选择0和1之间
%每一代种群的平均适应度
%每一代种群的最佳适应度
% 记录每一代进化中最好的适应喥和平均适应度
%% 迭代求解最佳初始阀值和权值
%% 遗传算法和神经网络结果分析
%% 把最优初始阀值权值赋予网络预测
% %用遗传算法和神经网络优化的BP网络进行值预测
%本函数将变量编码成染色体,用于随机初始化一个种群
%该函数用來计算适应度值
% 该函数用于进行选择操作
%采用轮盘赌法选择新个体
% 本函数完成变异操作
input
for i=1:sizepop
加载中请稍候......
摘 要:针对现有弹性云服务器(Elastic Cloud Server,ECS)未来请求量预测模型准确度低,稳定性差等问题,提出了一种基于自适应遗传算法和神经网络和BP神经网络的预测模型该模型以BP神经网络作为基础模型进行预测。采用自适应遗传算法和神经网络(Genetic Algorithm,GA)优化神经网络初始权值和阈值,防止BP神经网络训练过程中陷入局部极小值在自适应遗傳算法和神经网络初期引入多子代交叉方法加快遗传算法和神经网络的收敛速度。通过对比实验表明,该模型在实际云服务器请求量预测过程中具有更好的准确性和稳定性 |