【正文】 = objfun(bs2rv(Chrom, FieldD))。 0 0]。 0 0。 1000 1000。 % 優(yōu)化代數 % 指定編碼方式，變量范圍，交叉方式 FieldD = [LIND LIND。 % 設置交叉率 MUTR = 。 % 種群數目 GGAP = 。 % 染色體長度 NVAR = 2。 MATLAB遺傳算法工具箱使用 遺傳算法工具箱 MATLAB Geic Algorithm Toolbox 旨在提供設計允許遺傳算法的環(huán)境，和神經網絡工具箱一樣，遺傳算法工具箱也提供了一套基于 MATLAB的函數供開發(fā)者使用，利用該工具箱，可大大節(jié)省開發(fā)時間。演化的代數主要取決于代表問題解得收斂狀態(tài)，末代種群眾最佳個體作為問題的最優(yōu)近似解。這樣經過上述的過程形成了第一代的種群。初始種群經過選擇操作，適應度較高的 8號和 6號個體分別復制出 2個，使硬度較低的 2號和 3號遭到淘汰，接下來按一定的概率選擇了 4對父個體分別完成交叉操作，在隨機確定的“ /”位置實行單點交叉生成 4對子個體。 實現：模仿生物變異的遺傳操作，對于二進制的基因碼組成的個體種群，實現基因碼的小概率翻轉，即達到變異目的 變異 父體 1： 0 0 0 1 0 1 0 1 1 子體 1： 0 0 0 0 0 1 0 1 1 變異操作 遺傳算法的進化過程示意 一般而言，一個世代的簡單進化包括了適應度的選擇和再生、交叉和變異操作。因為種群個體數是有限的，經過若干代交叉操作，因為源于一個較好祖先的子個體逐漸充斥整個種群額現象，問題會導致過早收斂，當然，最后獲得的個體不能代表問題的最優(yōu)解。類似地完成其他個體的交叉操作。首先要計算適應度：（ 1）按比例計算適應度，（ 2）基于排序的適應度計算。 解碼 —— 從遺傳子型到邊現型的映射。 編碼 —— DNA中的遺傳信息在一個長鏈上按一定的模式排列，也即進行了遺傳編碼。這個過程又稱基因的重組。 復制 —— 細胞在分裂時，遺傳物質 DNA通過復制而轉移到新生的細胞中，新的細胞繼承了舊的細胞的基因。 生物進化理論和遺傳學基本概念 選擇 —— 指決定以一定的概率種群中選擇若干個體的操作。對于生存環(huán)境的適應程度較高的物種將獲得更高的繁殖機會。如：如人從猿人進化到今天富有智慧的現代人，這一個過程就是進化過程。 生物進化理論和遺傳學基本概念 進化 —— 生物在其延續(xù)生存的過程中，逐漸適應其生存的環(huán)境，使得其品質不斷得到改良，這種生命的現象稱為進化。有時個體的集合也稱為個體群。 種群 —— 染色體是帶有特征的個體的集合稱為種群。 個體 —— 指染色體帶有特征的實體。 （ 4）遺傳算法強調概率轉化規(guī)則，而不是確定的轉換規(guī)則。 （ 2）遺傳算法按并行方式搜索一個種群數目的點，而不是單點。由于遺傳算法不依賴于被優(yōu)化對象數學模型，不需要導數信息，屬于全局多點隨機搜索算法，因此，目前被廣泛應用于各種復雜優(yōu)化中?；蛲蛔兒突蚪徊婵僧a生更適應于環(huán)境的后代。每個基因有特殊的位置并控制某種特殊性質。 Mendel遺傳學說最重要的是基因遺傳原理。物種每個個體的基本特征由后代所繼承，但后代又會產生一些異于父代的新變化。 Darwin進化論最重要的是適者生存原理。通過改進學習訓練算法，可在同等的收斂要求下，獲得較高的精度 如果輸入模式與訓練樣本偏離較大，則網絡可能得出錯誤的結論。 實例 2 基于神經網絡的變壓器故障診斷 ANN設計 實例 2 基于神經網絡的變壓器故障診斷 實例 2 基于神經網絡的變壓器故障診斷 在實驗測試中，收集了 30組變壓器樣本，并隨機取出 20組樣本用于神經網絡訓練，其余的樣本作為仿真。當考慮正常情況也作為一種類型時。其特征量為 H2， CH{， C2H4， C2H2， C2H6，這樣點數 N為 5的網絡輸入層定，如圖 3所示。 實例 2 基于神經網絡的變壓器故障診斷 ANN設計 網絡輸入層節(jié)點數就是一個模式所包含的特征量數。因此，很有必要探索一種更方便、更可靠的診斷方法，以提高診斷的正確率．由于神經網絡(ANN)具有并行處理、學習和記憶、非線性映射、自適應能力和魯棒性等固有性質，使其非常適合應用在電氣故障診斷領域。 %仿真 A=sim(,P) ％計算仿真誤差 E=TA SSE=sse(E) 實例 2 基于神經網絡的變壓器故障診斷 電力變壓器的安全運行對保證供電的可靠性具有重要的意義，現有的實驗方法中，油中溶解氣體 (DGA)分析對設備的早期潛伏性故障較為敏感。 %訓練的代數 =。 =。 %每 10代顯示一次 =。 ]39。 。 。 。 。 1。 0。 0。 1。 P= [ 0。 左邊是訓練過程誤差曲線，橫坐標是訓練代數，縱坐標是誤差，該曲線是訓練過程中自動產生的； 右邊是實際輸出與目標輸出負荷曲線 ,橫坐標是小時，縱坐標是負荷，注意負荷已經被正規(guī)化了。 左邊是訓練過程誤差曲線，橫坐標是訓練代數，縱坐標是誤差，該曲線是訓練過程中自動產生的； 右邊是實際輸出與目標輸出負荷曲線 ,橫坐標是小時，縱坐標是負荷，注意負荷已經被正規(guī)化了。 解釋： 設置訓練的代數 =。 解釋：設置訓練速率 =。 實例 1 神經網絡在負荷預測中的應用 訓練網絡前，必須設置訓練參數， MATLAB神經網絡設置訓練參數示例如下： =10。歸一化的方式很多， MATLAB中也有歸一化函數可對數據進歸一化和反歸一化 實例 1 神經網絡在負荷預測中的應用 實例 1 神經網絡在負荷預測中的應用 MATLAB實現函數=newff(minmax(P),[10,12],{‘ tansig’ ,‘ logsig’ },‘trainlm’ ) 含義： Newff:建立 BP神經網絡結構函數 參數的意思指該網絡隱含層、輸出層神經元數目分 別為 10個與 12個； 傳遞函數分別為正切 S函數與對數 S函數； 訓練函數選取增加動量項的 BP算法； minmax(P)指定輸入樣本的范圍，使得網絡初始權值 合理化。為了避免神經元的飽和性 ,在確定輸入和輸出變量后 ,應對其進行歸一化處理 ,將數據處理為一定范圍之間。即最高、最低氣溫和天氣特征，可以通過天氣預報得到預測日的最高、最低氣溫和天氣特征 (晴天、陰天、雨天 ) ，可以用 0、 、 1 分別表示晴天、陰天、雨天，將預測當天的氣象特征作為網絡的輸入變量，這樣輸入變量 P就是一個 15 維的向量 ,即 n = 15； 目標向量就是預測日當天的 12個負荷值，即輸出變量 T為一個 12維的向量， m = 12。 神經網絡在電力系統(tǒng)應用實例 實例 1：短期電力負荷預測 實例 2：變壓器故障診斷 實例 1 神經網絡在負荷預測中的應用 問題描述 以廣東某城市的 2023年 7月 20日到 7月 30日的負荷值以及 2023年 7月 21日到 7月 31日的氣象特征狀態(tài)作為網絡的訓練樣本，來預測 7月 31日的電力負荷為例 實例 1 神經網絡在負荷預測中的應用 日期 7月 20日 7月 21日 7月 22日 7月 23日 7月 24日 7月 25日 電力負荷 氣象特征 — — — 0 0 1 0 廣東某地區(qū) 7月 20日 — 25日 24小時電力負荷表 實例 1 神經網絡在負荷預測中的應用 日期 7月 26日 7月 27日 7月 28日 7月 29日 7月 30日 7月 31日 電力負荷 氣象特征 0 0 1 0 0 廣東某地區(qū) 7月 26日 — 31日 24小時電力負荷表 實例 1 神經網絡在負荷預測中的應用 1. 學習樣本的分析與處理 在預測日的前一天中，每隔 2個小時對電力負荷進行一次測量，這樣一天可以得到 12組負荷數據，將前一天的實時負荷數據作為網絡的樣本數據 。訓練過程會顯示誤差隨代數的變化。 使用 MATLAB神經網絡工具箱 第四步 點擊 train進入 training parameters頁設置訓練參數，主要包括訓練代數、允許誤差、顯示頻度等。 本節(jié)主要介紹 NNTOOL圖形工具，神經網絡程序設計見 。 ? ? ?exf ??? 1 1 使用 MATLAB神經網絡工具箱 MATLAB神經網絡工具箱大大降低了開發(fā)各種神經網絡應用的難度。如果在調整進入平坦區(qū)后，設法壓縮神經元的凈輸入，使其輸出退出轉移函數的飽和區(qū)，就可改變誤差函數的形狀，從而使調整脫離平坦區(qū)。 BP網絡的限制與不足及改進 BP神經網絡 1 改進 引入陡度因子 —— 防止飽和 誤差曲面上存在著平坦區(qū)。 （ 2）如果平方誤差在權值更新后減少，則權值更新被接受，而且學習速度將乘以一個大于 1的因子。目前，大多數 BP算法中都增加了動量項，以至于有動量項的 BP算法成為一種新的標準算法。為了提高訓練速度，可以在權值調整公式中加一動量項，其中 a為動量系數： 動量項反映了以前積累的調整經驗。由此點向各方向變化均使誤差增加，以致于使訓練無法逃出這一局部極小值。對于復雜的網絡，其誤差函數為多維空間曲面，就像一個碗，其碗底是最小值點。 BP網絡的限制與不足及改進 BP神經網絡 1 不足 局部極小值 BP 算法可以使網絡權值收斂到一個解，但它并不能保證所求為誤差超平面的全局最小解，很可能是一個局部極小解。在網絡的訓練過程中，當其權值調得過大，可能使得所有的或大部分神經元的加權總和偏大，這使得激活函數的輸入工作在 S型轉移函數的飽和區(qū)，從而導致其導數非常小，從而使得對網絡權值的調節(jié)過程幾乎停頓下來?？刹捎米兓膶W習速率或自適應的學習速率加以改進。1fe iij ??? ???212skkikii we ? BP神經網絡 誤差反向傳播 （ 3）隱含層的權值變化： 對從第 j個輸入到第 i個輸出的權值有 ： 其中： （ 4）隱含層的閾值變化： ijib ?? ??? 1 BP網絡的限制與不足及改進 BP神經網絡 1 不足 需要較長的訓練時間 對于一些復雜的問題， BP算法可能要進行幾小時甚至更長的時間的訓練。39。2)2( fatkkki ???? ? kikkkikkkikifatbaaEbEb?????????????????????????39。2fe kki ??其中： ?：學習速率，過大容易震蕩，過小調整過慢； ：訓練樣本對目標輸出； ：神經網絡實際輸出； ：輸出層神經元傳遞函數的導數； kt ka239。 k j i ia2隱含層 輸出層 輸入層 P ijW kiW BP網絡學習 BP神經網絡 信息的正向傳遞 （ 1）隱含層中第 i個神經元的輸出為 ： ???????? ?? ??rjijiji bpwfa111111,2,1 si ??（ 2）輸出層第 k個神經元的輸出為 ?????????? ??1121222sikikik bawfa2,2,1 sk ??（ 3）定義誤差函數為 ： ? ? ? ?221221, ????skkk atBWE BP網絡學習 ? ? ikiikkkikkkikiaafatwaaEwEw11222222239。 反向傳播