?? ann+ga.cpp
字號:
#include <stdio.h>
#include <stdlib.h>
#include <time.h>
#include <math.h>
#include <ctype.h>
#include <iostream.h>//輸入輸出流
#include <iomanip.h> //控制輸入輸出的寬度
#include <fstream.h>// 文件流
//#include <string.h>
//定義控制參數
#define N 81 //學習樣本個數
#define IN 1 //輸入層神經元數目
#define HN 4 //隱層神經元數目
#define ON 1 //輸出層神經元數目
#define POPSIZE 50 //定義種群的大小
#define NVARS (IN*HN+HN*ON+HN+ON) //定義參數的個數
#define Z 200009 //保存舊權值
//隨機數發生器的宏定義
#define rdint(i) (rand()%(int)(i))//產生隨機整數0~i之間
#define rdft() ((double)rdint(16384)/(16383.0))//產生隨機實數0~1之間
#define rnd(a,b) (rdint((int)(b)-(int)(a)+1)+(int)(a))//產生a~b之間的隨機整數
double evaluate(double *prms);
double P[IN]; //單個樣本輸入數據
double T[ON]; //單個樣本教師數據
double W[HN][IN]; //輸入層至隱層權值，初始化時使用
double V[ON][HN]; //隱層至輸出層權值，初始化時使用
double Ww[HN][IN]; //輸入層至隱層權值，網絡訓練時使用
double Vv[ON][HN]; //隱層至輸出層權值，網絡訓練時使用
double X[HN]; //隱層的凈輸入
double Y[ON]; //輸出層的輸入
double H[HN]; //隱層的輸出
double O[ON]; //輸出層的輸出
double YU_HN[HN]; //隱層的閾值，初始化時使用
double YU_ON[ON]; //輸出層的閾值，初始化時使用
double YU_H[HN]; //隱層的閾值，網絡訓練時使用
double YU_O[ON]; //輸出層的閾值，網絡訓練時使用
double err_m[N]; //第m個樣本的總誤差
double a; //輸出層至隱層的學習效率
double b; //隱層至輸入層學習效率
double alpha;//動量因子
int flag=0;//標志位，用于標識是否進行總體樣本誤差的權值調整
double out[N][ON];//網絡輸出
static double pc=0.9,pm=0.15;
static int location[POPSIZE+1]; //排序后的個體的位置
static int gen; //當前代數
static int maxgen; //最大代數
static int change=0; //適應性沒有改進的代數
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;
//定義一個放學習樣本的結構
struct {
double input[IN]; //網絡訓練的輸入數據
double teach[ON]; //網絡訓練的教師數據
}Study_Data[N];//學習樣本
//定義用來保存每次計算的權值和閾值的結構
struct {
double old_W[HN][IN]; //保存HN-IN舊權！
double old_V[ON][HN]; //保存ON-HN舊權！
double old_YU_HN[HN];
double old_YU_ON[ON];
}Old_WV[Z];
struct individual //定義基因，種群中的一個個體
{
double chrom[NVARS]; //定義需整定的網絡參數數組，即相關的權值和閾值組成的數組
double lsquare; //個體的評價度,存放的是評價函數的返回值，即誤差平方和的大小
double r; //個體的相關系數
int fitness; //相關適應度
};
static individual newpop[POPSIZE+1]; //新種群
static individual oldpop[POPSIZE+1]; //老種群
//保存舊權值的函數
saveWV(int m,double *chrom0) //m代表計算次數，即第m次運算后得到的權值和閾值
{
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;
}
//用于確定數組選擇區域函數，通過快速排序法實現，（二分法排序）
//locat數組中保存排序后的各個元素在原來數組中的位置，即原先的下標值
void quick_sort(double *item,int left,int right,int *locat) //<號升序>號降序
//item：需排序的數組，left：數組的下標下界，
//right：數組的下標上界，locat：數組中各元素在原數組中的位置
//求最大值則用升序，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) //<號升序>號降序
//item：需排序的數組，left：數組的下標下界，
//right：數組的下標上界，locat：數組中各元素在原數組中的位置
//求最大值則用升序，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) //<號升序>號降序
//item：需排序的數組，left：數組的下標下界，
//right：數組的下標上界，locat：數組中各元素在原數組中的位置
//求最大值則用升序，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) //參數是種群數組newpop[]等
{
double fit[POPSIZE];
int i;
double fitsum=0.0,fitave;
for(i=0;i<POPSIZE;i++)
{
fit[i]=pop[i].lsquare; //個體的適應性
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); //重新計算適應度，計算后原先誤差大的將變小
//因初始適應度是用評價函數的返回值表示的，而評價函數返回的是誤差，
//故原先的適應度大的表示實際誤差大，實際的適應性較差
//規格化運算后，適應度的值正比地 反映了該個體的適應程度
pop[i].r=POPSIZE*fabs(pop[i].lsquare-fitave);
// printf(" r=%lf ",pop[i].r);
// if((i+1)%5==0)printf("\n");
}
//getchar();
}
///////////////////////////
//初始化權、閾值子程序/////
///////////////////////////
initial()
{
//隱層權、閾值初始化//
//srand( (unsigned)time( NULL ) ); //以時間函數作為隨機數種子數
// 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;
// 初始化輸入層到隱層的權值，隨機模擬0 和 1 -1
//32767是rand()函數的最大值0x7fff
}
for(int ii=0;ii<ON;ii++)
{
for(int jj=0;jj<HN;jj++)
{
V[ii][jj]= (double)((rand()/32767.0)*2-1); //初始化隱層到輸出層的權值，隨機模擬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); //隱層閾值初始化 ,-1到1之間
// cout<<YU_HN[k]<<" ";
}
// cout<<endl;
for(int kk=0;kk<ON;kk++)
{
YU_ON[kk] = (double)((rand()/32767.0)*2-1); //輸出層閾值初始化 ,-1到1之間
// cout<<YU_ON[kk]<<" ";
}
// cout<<endl;
return 1;
}//子程序initial()結束
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);//用評估函數的返回值作為個體的適應度
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);//確定個體的選擇位置和規格化適應度
oldpop[POPSIZE]=oldpop[location[POPSIZE-1]];
}
//初始化函數：
void initialize(void)
{
srand((unsigned )time(NULL)); //初始化隨機函數發生器
location[POPSIZE]=POPSIZE;
initpop(); //初始化種群
}
//獲取訓練樣本數據
double lengthin,lengthout,maxin,minin,maxout,minout;
GetTrainingData()
{
ifstream GetTrainingData ( "訓練樣本.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]; //取得輸入數據
//cout<<Study_Data[m].input[i]<<endl;
}
for(j=0;j<ON;j++)
{
GetTrainingData>>Study_Data[m].teach[j]; //取得輸出數據
//cout<<Study_Data[m].teach[j]<<endl;
}
//getchar();
}
// 數據進行歸一化處理開始
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();
}
//數據歸一化結束
maxin=maxinput;
minin=mininput;
maxout=maxoutput;
minout=minoutput;
lengthin=maxinput-mininput;
lengthout=maxoutput-minoutput;
GetTrainingData.close();
return 1;
}
////////////////////////////////
////第m個學習樣本輸入子程序///
///////////////////////////////
input_P(int m)
{
for (int i=0;i<IN;i++)
{ P[i]=Study_Data[m].input[i];
//cout<<P[i]<<" ";
}
//getchar();
//獲得第m個樣本的數據
return 1;
}//子程序input_P(m）結束
/////////////////////////////
////第m個樣本教師信號子程序//
/////////////////////////////
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)結束
/////////////////////////////////
//隱層各單元輸入、輸出值子程序///
/////////////////////////////////
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];//求隱層內積
X[j]=sigma - YU_H[j];//求隱層凈輸入，為什么減隱層的閥值(有公式可證明)
H[j]=1.0/(1.0+exp(-X[j]));//求隱層輸出 siglon算法
}
return 1;
}//子程序H_I_O()結束
///////////////////////////////////
//輸出層各單元輸入、輸出值子程序///
///////////////////////////////////
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];//求輸出層內積
}
Y[k]=sigma-YU_O[k]; //求輸出層凈輸入
O[k]=1.0/(1.0+exp(-Y[k]));//求輸出層輸出
}
return 1;
}//子程序O_I_O()結束
////////////////////////////////////
//輸出層至隱層的一般化誤差子程序////
////////////////////////////////////
double d_err[ON];
double d_err_total[ON];
Err_O_H(int m)
{
double abs_err[ON];//每個樣本的絕對誤差都是從0開始的
double sqr_err=0;//每個樣本的平方誤差計算都是從0開始的
for (int k=0;k<ON;k++)
{
abs_err[k]=T[k]-O[k];//求第m個樣本下的第k個神經元的絕對誤差
sqr_err+=(abs_err[k])*(abs_err[k]);//求第m個樣本下輸出層的平方誤差
d_err[k]=abs_err[k]*O[k]*(1.0-O[k]);//d_err[k]輸出層各神經元的一般化誤差
// d_err_total[k]+=d_err[k];
}
err_m[m]=sqr_err/2;//第m個樣本下輸出層的平方誤差/2=第m個樣本的均方誤差
return 1;
}//子程序Err_O_H(m)結束
////////////////////////////////////
//隱層至輸入層的一般化誤差子程序////
////////////////////////////////////
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];//我認為是加權和 +=
}
e_err[j]=sigma*H[j]*(1-H[j]);//隱層各神經元的一般化誤差
// e_err_total[j]+=e_err[j];
}
return 1;
}//子程序Err_H_I()結束
////////////////////////////////////////////////////////
//輸出層至隱層的權值調整、輸出層閾值調整計算子程序//////
////////////////////////////////////////////////////////
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];//輸出層至隱層的權值調整
// 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];//輸出層至隱層的閾值調整
// 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];//輸出層至隱層的權值調整
// 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];//輸出層至隱層的閾值調整
// else
YU_O[k]+=a*d_err[k]+alpha*(YU_O[k]-Old_WV[(n-1)].old_YU_ON[k]);
}
}*/
?? 快捷鍵說明
復制代碼
Ctrl + C
搜索代碼
Ctrl + F
全屏模式
F11
切換主題
Ctrl + Shift + D
顯示快捷鍵
?
增大字號
Ctrl + =
減小字號
Ctrl + -