📄 ann+ga.cpp
字号:
#include <stdio.h>
#include <stdlib.h>
#include <time.h>
#include <math.h>
#include <ctype.h>
#include <iostream.h>//输入输出流
#include <iomanip.h> //控制输入输出的宽度
#include <fstream.h>// 文件流
//#include <string.h>
//定义控制参数
#define N 81 //学习样本个数
#define IN 1 //输入层神经元数目
#define HN 4 //隐层神经元数目
#define ON 1 //输出层神经元数目
#define POPSIZE 50 //定义种群的大小
#define NVARS (IN*HN+HN*ON+HN+ON) //定义参数的个数
#define Z 200009 //保存旧权值
//随机数发生器的宏定义
#define rdint(i) (rand()%(int)(i))//产生随机整数0~i之间
#define rdft() ((double)rdint(16384)/(16383.0))//产生随机实数0~1之间
#define rnd(a,b) (rdint((int)(b)-(int)(a)+1)+(int)(a))//产生a~b之间的随机整数
double evaluate(double *prms);
double P[IN]; //单个样本输入数据
double T[ON]; //单个样本教师数据
double W[HN][IN]; //输入层至隐层权值，初始化时使用
double V[ON][HN]; //隐层至输出层权值，初始化时使用
double Ww[HN][IN]; //输入层至隐层权值，网络训练时使用
double Vv[ON][HN]; //隐层至输出层权值，网络训练时使用
double X[HN]; //隐层的净输入
double Y[ON]; //输出层的输入
double H[HN]; //隐层的输出
double O[ON]; //输出层的输出
double YU_HN[HN]; //隐层的阈值，初始化时使用
double YU_ON[ON]; //输出层的阈值，初始化时使用
double YU_H[HN]; //隐层的阈值，网络训练时使用
double YU_O[ON]; //输出层的阈值，网络训练时使用
double err_m[N]; //第m个样本的总误差
double a; //输出层至隐层的学习效率
double b; //隐层至输入层学习效率
double alpha;//动量因子
int flag=0;//标志位，用于标识是否进行总体样本误差的权值调整
double out[N][ON];//网络输出
static double pc=0.9,pm=0.15;
static int location[POPSIZE+1]; //排序后的个体的位置
static int gen; //当前代数
static int maxgen; //最大代数
static int change=0; //适应性没有改进的代数
int v=0,u=0,uu=0,vv=0;
static double maxlsquare=-1.0e50,minlsquare=1.0e50;//,fx;
static double pc1=0.9,pc2=0.6,pm1=0.1,pm2=0.001;
static double pmt1,pmt2;
//定义一个放学习样本的结构
struct {
double input[IN]; //网络训练的输入数据
double teach[ON]; //网络训练的教师数据
}Study_Data[N];//学习样本
//定义用来保存每次计算的权值和阈值的结构
struct {
double old_W[HN][IN]; //保存HN-IN旧权！
double old_V[ON][HN]; //保存ON-HN旧权！
double old_YU_HN[HN];
double old_YU_ON[ON];
}Old_WV[Z];
struct individual //定义基因，种群中的一个个体
{
double chrom[NVARS]; //定义需整定的网络参数数组，即相关的权值和阈值组成的数组
double lsquare; //个体的评价度,存放的是评价函数的返回值，即误差平方和的大小
double r; //个体的相关系数
int fitness; //相关适应度
};
static individual newpop[POPSIZE+1]; //新种群
static individual oldpop[POPSIZE+1]; //老种群
//保存旧权值的函数
saveWV(int m,double *chrom0) //m代表计算次数，即第m次运算后得到的权值和阈值
{
int k=0;
// cout<<"WV"<<endl;
for(int i=0;i<HN;i++)
{
for(int j=0;j<IN;j++)
{
Old_WV[m].old_W[i][j] = chrom0[k++];
// cout<<Old_WV[m].old_W[i][j]<<" ";
}
// cout<<endl;
}
for(int ii=0;ii<ON;ii++)
{
for(int jj=0;jj<HN;jj++)
{
Old_WV[m].old_V[ii][jj] =chrom0[k++];
// cout<<Old_WV[m].old_V[ii][jj]<<" ";
}
// cout<<endl;
}
for(int l=0;l<HN;l++)
{
Old_WV[m].old_YU_HN[l]=chrom0[k++];
// cout<<Old_WV[m].old_YU_HN[l]<<" ";
}
// cout<<endl;
for(int ll=0;ll<ON;ll++)
{
Old_WV[m].old_YU_ON[ll]=chrom0[k++];
// cout<<Old_WV[m].old_YU_ON[ll]<<" ";
}
// cout<<endl;
// getchar();
return 1;
}
//用于确定数组选择区域函数，通过快速排序法实现，（二分法排序）
//locat数组中保存排序后的各个元素在原来数组中的位置，即原先的下标值
void quick_sort(double *item,int left,int right,int *locat) //<号升序>号降序
//item：需排序的数组，left：数组的下标下界，
//right：数组的下标上界，locat：数组中各元素在原数组中的位置
//求最大值则用升序，求最小值用降序
{
double fa,fb;
int i,j,k;
i=left;j=right;
fa=item[(left+right)/2];
do{
while((item[i]>fa)&&(i<right))i++; //降序排列
while((fa>item[j])&&(j>left))j--;
if(i<=j)
{
fb=item[i];
item[i]=item[j];
item[j]=fb;
k=locat[i];
locat[i]=locat[j];
locat[j]=k;
i++;j--;
}
}while(i<=j);
if(left<j) quick_sort(item,left,j,locat);
if(i<right)quick_sort(item,i,right,locat);
}
void quick_sort_all(double *item,int left,int right,int *locat) //<号升序>号降序
//item：需排序的数组，left：数组的下标下界，
//right：数组的下标上界，locat：数组中各元素在原数组中的位置
//求最大值则用升序，求最小值用降序
{
double fa,fb;
int i,j,k;
i=left;j=right;
fa=item[(left+right)/2];
do{
while((item[i]<fa)&&(i<right))i++; //升序排列
while((fa<item[j])&&(j>left))j--;
if(i<=j)
{
fb=item[i];
item[i]=item[j];
item[j]=fb;
k=locat[i];
locat[i]=locat[j];
locat[j]=k;
i++;j--;
}
}while(i<=j);
if(left<j) quick_sort_all(item,left,j,locat);
if(i<right)quick_sort_all(item,i,right,locat);
}
void quick_sort_length(double *item,int left,int right,int *locat) //<号升序>号降序
//item：需排序的数组，left：数组的下标下界，
//right：数组的下标上界，locat：数组中各元素在原数组中的位置
//求最大值则用升序，求最小值用降序
{
double fa,fb;
int i,j,k;
i=left;j=right;
fa=item[(left+right)/2];
do{
while((item[i]>fa)&&(i<right))i++; //降序排列
while((fa>item[j])&&(j>left))j--;
if(i<=j)
{
fb=item[i];
item[i]=item[j];
item[j]=fb;
k=locat[i];
locat[i]=locat[j];
locat[j]=k;
i++;j--;
}
}while(i<=j);
if(left<j) quick_sort_length(item,left,j,locat);
if(i<right)quick_sort_length(item,i,right,locat);
}
void normalfitness(individual *pop) //参数是种群数组newpop[]等
{
double fit[POPSIZE];
int i;
double fitsum=0.0,fitave;
for(i=0;i<POPSIZE;i++)
{
fit[i]=pop[i].lsquare; //个体的适应性
location[i]=i;
fitsum+=fit[i];
}
fitave=fitsum/POPSIZE;
quick_sort(fit,0,POPSIZE-1,location); //降序排列
for(i=0;i<POPSIZE;i++)
{
pop[location[i]].fitness=2*(i+1); //重新计算适应度，计算后原先误差大的将变小
//因初始适应度是用评价函数的返回值表示的，而评价函数返回的是误差，
//故原先的适应度大的表示实际误差大，实际的适应性较差
//规格化运算后，适应度的值正比地 反映了该个体的适应程度
pop[i].r=POPSIZE*fabs(pop[i].lsquare-fitave);
// printf(" r=%lf ",pop[i].r);
// if((i+1)%5==0)printf("\n");
}
//getchar();
}
///////////////////////////
//初始化权、阈值子程序/////
///////////////////////////
initial()
{
//隐层权、阈值初始化//
//srand( (unsigned)time( NULL ) ); //以时间函数作为随机数种子数
// cout<<"intial"<<endl;
for(int i=0;i<HN;i++)
{
for(int j=0;j<IN;j++)
{ W[i][j]= (double)((rand()/32767.0)*2-1);
// cout<<W[i][j]<<" ";
}
// cout<<endl;
// 初始化输入层到隐层的权值，随机模拟0 和 1 -1
//32767是rand()函数的最大值0x7fff
}
for(int ii=0;ii<ON;ii++)
{
for(int jj=0;jj<HN;jj++)
{
V[ii][jj]= (double)((rand()/32767.0)*2-1); //初始化隐层到输出层的权值，随机模拟0 和 1 -1
// cout<<V[ii][jj]<<" ";
}
// cout<<endl;
}
for(int k=0;k<HN;k++)
{
YU_HN[k] = (double)((rand()/32767.0)*2-1); //隐层阈值初始化 ,-1到1之间
// cout<<YU_HN[k]<<" ";
}
// cout<<endl;
for(int kk=0;kk<ON;kk++)
{
YU_ON[kk] = (double)((rand()/32767.0)*2-1); //输出层阈值初始化 ,-1到1之间
// cout<<YU_ON[kk]<<" ";
}
// cout<<endl;
return 1;
}//子程序initial()结束
void initpop(void)
{
int i,j,k,q,p,ii,jj,kk;
int qq=0;
for(p=0;p<POPSIZE;p++)
{
initial();
q=0;
for(i=0;i<HN;i++)
for(j=0;j<IN;j++)
oldpop[p].chrom[q++]=W[i][j];
for(ii=0;ii<ON;ii++)
for(jj=0;jj<HN;jj++)
oldpop[p].chrom[q++]=V[ii][jj];
for(k=0;k<HN;k++)
oldpop[p].chrom[q++]=YU_HN[k];
for(kk=0;kk<ON;kk++)
oldpop[p].chrom[q++]=YU_ON[kk];
oldpop[p].lsquare=evaluate(oldpop[p].chrom);//用评估函数的返回值作为个体的适应度
oldpop[p].fitness=0;
}
// cout<<"initpop"<<endl;
// qq=0;
// for(int rr=0;rr<NVARS;rr++)
// {
// cout<<oldpop[0].chrom[qq++]<<" ";
// if((rr+1)%3==0)cout<<endl;
// }
// cout<<endl;
normalfitness(oldpop);//确定个体的选择位置和规格化适应度
oldpop[POPSIZE]=oldpop[location[POPSIZE-1]];
}
//初始化函数：
void initialize(void)
{
srand((unsigned )time(NULL)); //初始化随机函数发生器
location[POPSIZE]=POPSIZE;
initpop(); //初始化种群
}
//获取训练样本数据
double lengthin,lengthout,maxin,minin,maxout,minout;
GetTrainingData()
{
ifstream GetTrainingData ( "训练样本.txt", ios::in );
int m,i,j;
double maxinput,mininput,maxoutput,minoutput;
for(m=0;m<N;m++)
{
for(i=0;i<IN;i++)
{
GetTrainingData>>Study_Data[m].input[i]; //取得输入数据
//cout<<Study_Data[m].input[i]<<endl;
}
for(j=0;j<ON;j++)
{
GetTrainingData>>Study_Data[m].teach[j]; //取得输出数据
//cout<<Study_Data[m].teach[j]<<endl;
}
//getchar();
}
// 数据进行归一化处理开始
maxinput=Study_Data[0].input[0];
mininput=Study_Data[0].input[0];
maxoutput=Study_Data[0].teach[0];
minoutput=Study_Data[0].teach[0];
for ( m=0; m<N;m++)
{
for( i=0;i<IN;i++)
{
if (Study_Data[m].input[i]>maxinput)
maxinput=Study_Data[m].input[i];
if (Study_Data[m].input[i]<mininput)
mininput=Study_Data[m].input[i];
}
for(j=0;j<ON;j++)
{
if (Study_Data[m].teach[j]>maxoutput)
maxoutput=Study_Data[m].teach[j];
if (Study_Data[m].teach[j]<minoutput)
minoutput=Study_Data[m].teach[j];
}
//cout<<maxoutput<<" "<<minoutput<<endl;
}
for( m=0;m<N;m++)
{
for( i=0;i<IN;i++)
{
Study_Data[m].input[i]=(Study_Data[m].input[i]-mininput)/(maxinput-mininput);
}
for( j=0;j<ON;j++)
{
Study_Data[m].teach[j]=(Study_Data[m].teach[j]-minoutput)/(maxoutput-minoutput);
// cout<<Study_Data[m].teach[j]<<endl;
}
// getchar();
}
//数据归一化结束
maxin=maxinput;
minin=mininput;
maxout=maxoutput;
minout=minoutput;
lengthin=maxinput-mininput;
lengthout=maxoutput-minoutput;
GetTrainingData.close();
return 1;
}
////////////////////////////////
////第m个学习样本输入子程序///
///////////////////////////////
input_P(int m)
{
for (int i=0;i<IN;i++)
{ P[i]=Study_Data[m].input[i];
//cout<<P[i]<<" ";
}
//getchar();
//获得第m个样本的数据
return 1;
}//子程序input_P(m）结束
/////////////////////////////
////第m个样本教师信号子程序//
/////////////////////////////
input_T(int m)
{
for (int k=0;k<ON;k++)
T[k]=Study_Data[m].teach[k];
return 1;
}//子程序input_T(m)结束
/////////////////////////////////
//隐层各单元输入、输出值子程序///
/////////////////////////////////
H_I_O(){
double sigma;
int i,j;
for (j=0;j<HN;j++){
sigma=0.0;
for (i=0;i<IN;i++)
sigma+=Ww[j][i]*P[i];//求隐层内积
X[j]=sigma - YU_H[j];//求隐层净输入，为什么减隐层的阀值(有公式可证明)
H[j]=1.0/(1.0+exp(-X[j]));//求隐层输出 siglon算法
}
return 1;
}//子程序H_I_O()结束
///////////////////////////////////
//输出层各单元输入、输出值子程序///
///////////////////////////////////
O_I_O()
{
double sigma;
for (int k=0;k<ON;k++){
sigma=0.0;
for (int j=0;j<HN;j++){
sigma+=Vv[k][j]*H[j];//求输出层内积
}
Y[k]=sigma-YU_O[k]; //求输出层净输入
O[k]=1.0/(1.0+exp(-Y[k]));//求输出层输出
}
return 1;
}//子程序O_I_O()结束
////////////////////////////////////
//输出层至隐层的一般化误差子程序////
////////////////////////////////////
double d_err[ON];
double d_err_total[ON];
Err_O_H(int m)
{
double abs_err[ON];//每个样本的绝对误差都是从0开始的
double sqr_err=0;//每个样本的平方误差计算都是从0开始的
for (int k=0;k<ON;k++)
{
abs_err[k]=T[k]-O[k];//求第m个样本下的第k个神经元的绝对误差
sqr_err+=(abs_err[k])*(abs_err[k]);//求第m个样本下输出层的平方误差
d_err[k]=abs_err[k]*O[k]*(1.0-O[k]);//d_err[k]输出层各神经元的一般化误差
// d_err_total[k]+=d_err[k];
}
err_m[m]=sqr_err/2;//第m个样本下输出层的平方误差/2=第m个样本的均方误差
return 1;
}//子程序Err_O_H(m)结束
////////////////////////////////////
//隐层至输入层的一般化误差子程序////
////////////////////////////////////
double e_err[HN];
double e_err_total[HN];
Err_H_I()
{
double sigma=0.0;
for (int j=0;j<HN;j++)
{
sigma=0.0;
for (int k=0;k<ON;k++)
{
sigma+=d_err[k]*Vv[k][j];//我认为是加权和 +=
}
e_err[j]=sigma*H[j]*(1-H[j]);//隐层各神经元的一般化误差
// e_err_total[j]+=e_err[j];
}
return 1;
}//子程序Err_H_I()结束
////////////////////////////////////////////////////////
//输出层至隐层的权值调整、输出层阈值调整计算子程序//////
////////////////////////////////////////////////////////
Delta_O_H(int n)
{
// if(n<=1)
// {
for (int k=0;k<ON;k++){
for (int j=0;j<HN;j++)
{
//if(flag==1)
// Vv[k][j]+=a*d_err_total[k]*H[j];//a*d_err[k]*H[j];//输出层至隐层的权值调整
// else
Vv[k][j]+=a*d_err[k]*H[j];
}
// if(flag==1)
// YU_O[k]+=a*d_err_total[k];//a*d_err[k];//输出层至隐层的阈值调整
// else
YU_O[k]+=a*d_err[k];
}
// }
/* else
{
for (int k=0;k<ON;k++){
for (int j=0;j<HN;j++)
{
// if(flag==1)
// Vv[k][j]+=a*d_err_total[k]*H[j]+alpha*(Vv[k][j]-Old_WV[(n-1)].old_V[k][j]);//a*d_err[k]*H[j];//输出层至隐层的权值调整
// else
Vv[k][j]+=a*d_err[k]*H[j]+alpha*(Vv[k][j]-Old_WV[(n-1)].old_V[k][j]);
}
// if(flag==1)
// YU_O[k]+=a*d_err_total[k]+alpha*(YU_O[k]-Old_WV[(n-1)].old_YU_ON[k]);//a*d_err[k];//输出层至隐层的阈值调整
// else
YU_O[k]+=a*d_err[k]+alpha*(YU_O[k]-Old_WV[(n-1)].old_YU_ON[k]);
}
}*/
⌨️ 快捷键说明
复制代码
Ctrl + C
搜索代码
Ctrl + F
全屏模式
F11
切换主题
Ctrl + Shift + D
显示快捷键
?
增大字号
Ctrl + =
减小字号
Ctrl + -