%% ***********************************用遗传算法优化的BP网络进行值预测***********************************

%% 1、数据准备 
% 随机生成2000组三维随机数(x1,x2,x3)，并计算对应的输出y=x1^2+x2^2+x3*3，前1500组数据作为训练数据input_train，后500组数 据作为测试数据input_test。
N=2000;  %数据总个数
M=1500;  %训练数据
for i=1:N
    input(i,1)=-5+rand*10;  %rand()返回一个在区间 (0,1) 内均匀分布的随机数。
    input(i,2)=-5+rand*10;
    input(i,3)=-5+rand*10;
end
output=input(:,1).^2+input(:,2).^2+input(:,2).*2;
save tdata input output

%% 2、main（遗传算法主程序）
tic
clear;
clc;
load tdata.mat
inputnum=3;  % 输入层神经元个数
hiddennum=5; % 隐藏层神经元个数
outputnum=1; % 输出层神经元个数
input_train=input(1:1500,:)';  % 训练集x
input_test=input(1501:2000,:)';%  测试集x
output_train=output(1:1500)';  %训练集y
output_test=output(1501:2000)';% 测试集y
[inputn,inputps]=mapminmax(input_train);   % 归一化到-1~1
[outputn,outputps]=mapminmax(output_train);
net=newff(inputn,outputn,hiddennum,{'tansig','purelin'},'trainlm'); %%{'tansig','purelin'}为默认的激活函数（没记错的话，有兴趣的话可以试着进行调整，trainlm为默认的训练算法，Levenberg-Marquart算法)

%% 遗传算法参数初始化
maxgen=10;                        % 进化代数，即迭代次数
sizepop=30;                       % 种群规模
pcross=0.3;                       % 交叉概率选择，0和1之间
pmutation=0.1;                    % 变异概率选择，0和1之间

numsum=inputnum*hiddennum+hiddennum+hiddennum*outputnum+outputnum;  % 总共要学习的参数
lenchrom=ones(1,numsum);  % 初始化       
bound=[-3*ones(numsum,1) 3*ones(numsum,1)];    % 数据范围
individuals=struct('fitness',zeros(1,sizepop), 'chrom',[]);  % 将种群信息定义为一个结构体 
avgfitness=[];                      % 每一代种群的平均适应度
bestfitness=[];                     % 每一代种群的最佳适应度
bestchrom=[];                       % 适应度最好的染色体

for i=1:sizepop                                     % 随机产生一个种群
    individuals.chrom(i,:)=Code(lenchrom,bound);    % 编码
    x=individuals.chrom(i,:);                       % 计算适应度
    individuals.fitness(i)=fun(x,inputnum,hiddennum,outputnum,net,inputn,outputn);   %染色体的适应度
end

[bestfitness bestindex]=min(individuals.fitness);
bestchrom=individuals.chrom(bestindex,:);     % 最好的染色体
avgfitness=sum(individuals.fitness)/sizepop;  % 染色体的平均适应度                              
trace=[avgfitness bestfitness];               % 记录每一代进化中最好的适应度和平均适应度

for num=1:maxgen
    % 选择  
    individuals=select(individuals,sizepop);   
    avgfitness=sum(individuals.fitness)/sizepop; 
    % 交叉  
    individuals.chrom=Cross(pcross,lenchrom,individuals,sizepop,bound);  
    % 变异  
    individuals.chrom=Mutation(pmutation,lenchrom,individuals,sizepop,num,maxgen,bound);      
    % 计算适应度   
    for j=1:sizepop  
        x=individuals.chrom(j,:); % 个体 
        individuals.fitness(j)=fun(x,inputnum,hiddennum,outputnum,net,inputn,outputn);     
    end  
    % 找到最小和最大适应度的染色体及它们在种群中的位置
    [newbestfitness,newbestindex]=min(individuals.fitness);
    [worestfitness,worestindex]=max(individuals.fitness);
    % 代替上一次进化中最好的染色体
if bestfitness>newbestfitness
        bestfitness=newbestfitness;
        bestchrom=individuals.chrom(newbestindex,:);
    end
    individuals.chrom(worestindex,:)=bestchrom;
    individuals.fitness(worestindex)=bestfitness;
    avgfitness=sum(individuals.fitness)/sizepop;
    trace=[trace;avgfitness bestfitness]; % 记录每一代进化中最好的适应度和平均适应度
 end

figure(1)
[r c]=size(trace);

plot([1:r]',trace(:,1),'r--',[1:r]',trace(:,2),'b-*');
title(['适应度曲线  ' '终止代数＝' num2str(maxgen)]);
xlabel('进化代数');
ylabel('适应度');
legend('平均适应度','最佳适应度');
%disp('适应度变量');


%% 把最优初始阀值权值赋予网络预测
x=bestchrom;
w1=x(1:inputnum*hiddennum);
B1=x(inputnum*hiddennum+1:inputnum*hiddennum+hiddennum);
w2=x(inputnum*hiddennum+hiddennum+1:inputnum*hiddennum+hiddennum+hiddennum*outputnum);
B2=x(inputnum*hiddennum+hiddennum+hiddennum*outputnum+1:inputnum*hiddennum+hiddennum+hiddennum*outputnum+outputnum);

net.iw{1,1}=reshape(w1,hiddennum,inputnum);  % 表示输入层与隐含层间的连接权值
net.lw{2,1}=reshape(w2,outputnum,hiddennum); % 表示隐含层与输出层间的连接权值
net.b{1}=reshape(B1,hiddennum,1);            % 表示隐含层的阈值
net.b{2}=reshape(B2,outputnum,1);            % 表示输出层的阈值

%% BP网络训练
% 网络参数
net.trainParam.epochs=100;
net.trainParam.lr=0.1;
net.trainParam.goal=0.00001;

net.divideParam.trainRatio = 75/100;    % 默认训练集占比
net.divideParam.valRatio = 15/100;      % 默认验证集占比
net.divideParam.testRatio = 15/100;     % 默认测试集占比

% 网络训练
[net,per2]=train(net,inputn,outputn);

%% BP网络预测
% 数据归一化
inputn_test=mapminmax('apply',input_test,inputps);
an=sim(net,inputn_test);
test_simu=mapminmax('reverse',an,outputps);
error=test_simu-output_test;

figure(2)
plot(test_simu,':og','LineWidth',1.5)
hold on
plot(output_test,'-*','LineWidth',1.5);
legend('预测输出','期望输出')
grid on
set(gca,'linewidth',1.0);
xlabel('X 样本','FontSize',15);
ylabel('Y 输出','FontSize',15);
set(gcf,'color','w')
title('GA-BP Network','Color','k','FontSize',15);

toc