基于遗传算法的BP神经网络在汇率预测中的应用研究（Matlab代码实现）

 

目录

1 遗传算法

2 实数编码的遗传算法与神经网络的结合

3 运行结果

4 参考文献

5 Matlab代码实现

---

1 遗传算法

(1）遗传算法（Genetic Algorithms， GA）是一种全局寻优搜索算法，它通过将问题编码为由基因组成的染色体，然后通过模拟自然界的进化过程，对染色体的适应性进行选择、交叉、变异操作，经过不断的循环处理从而产生代表问题解的染色体。GA具有很强的鲁棒性，由于GA针对问题编码的染色体进行操作，隔离了问题本身的特性，所以具有广泛的适应性。同时由于算法从多初始点开始并行操作，可防止搜索过程收敛于局部极值。另一方面，交叉算子的使用是GA不同于盲目搜索与完全随机搜索、它是一种在当前最优的基础上构造更优解的过程，因此具有一定的启发式搜索和梯度搜索效率高的优点。GA通过群体实现搜索过程，使它不同于单点搜索，且易于并行化，从而提高算法的效率。
(2）遗传算法的一般描述。首先确定染色体(即个体)的编码形式，确定计算染色体适应值的函数，确定群体规模N，杂交率Pc，变异率Pm 等参数。然后可进行编程计算。
更详细总结见：

2 实数编码的遗传算法与神经网络的结合

用遗传算法训练神经网络可以采用二进制编码或实数编码。考虑到本文的神经网络规模较大，本文采用实数编码,步骤如下:

(6）重复(3). (4) . (5）直到下一代群体满为止。使用GA反复优化神经网络的权值，计算当前群体中个体的适应值，得到适应值最大的个体 bestpop.
(7)对 bestpop进行解码，此时得到的参数组合已经充分接近最佳参数组合、在此基础上用BP算法进行学习，得到网络的最优权值。
(8)用得到的最优权值进行模拟（预测)。

  部分代码：

function error = objfun_BP(x,inputnum,hiddennum,outputnum,net,inputn,outputn)
%该函数用来计算适应度值
%x          input     个体
%inputnum   input     输入层节点数
%outputnum  input     隐含层节点数
%net        input     网络
%inputn     input     训练输入数据
%outputn    input     训练输出数据
 
%error      output    个体适应度值
 
%提取
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);
 
 
%网络进化参数
net.trainParam.epochs=20;
net.trainParam.lr=0.1;
net.trainParam.mc = 0.8;%动量系数，[0 1]之间
net.trainParam.goal=0.01;
net.trainParam.show=100;
net.trainParam.showWindow=0;
 
%网络权值赋值
net.iw{1,1}=reshape(w1,hiddennum,inputnum);
net.lw{2,1}=reshape(w2,outputnum,hiddennum);
net.b{1}=reshape(B1,hiddennum,1);
net.b{2}=B2;
 
%网络训练
net=train(net,inputn,outputn);
 
an=sim(net,inputn);
error=sum(abs(an-outputn));

3 运行结果

 

 

 

 

 

 

4 参考文献

部分理论引用网络文献，如有侵权请联系删除。

[1]惠晓峰,胡运权,胡伟.基于遗传算法的BP神经网络在汇率预测中的应用研究[J].数量经济技术经济研究,2002(02):80-83.

5 Matlab代码实现