使用遗传算法优化前向神经网络 matlab代码，数据纯输入

在MATLAB中使用遗传算法优化前向神经网络（Feedforward Neural Network, FNN），通常涉及到以下几个步骤：

1. **定义问题**：首先需要明确你要解决的问题，比如回归、分类等，并准备训练数据集。

% 假设你有一个训练数据集 X_train 和对应的标签 y_train
X_train = ...; % 输入特征矩阵
y_train = ...; % 目标变量向量

2. **初始化神经网络结构**：创建一个简单的FNN模型，包括隐藏层的节点数和激活函数。

numInputs = size(X_train, 2);
numOutputs = length(unique(y_train));
net = feedforwardnet(hiddenLayerNodes); % hiddenLayerNodes是你想优化的节点数
net.LearningRule = 'trainlm'; % 使用Levenberg-Marquardt学习规则

3. **编码解码**：将网络的权重参数作为遗传算法的个体。可以使用二进制编码或其他编码方式。

encodingFcn = @(params) double(params) * (-1)^rand(size(params)); % 对参数进行编码
decodingFcn = @(ind) real(ifft(double(ind))); % 将编码后的基因解码为网络参数

4. **定义遗传算法**：设置种群大小、交叉概率、变异概率等参数。

popSize = ...; % 种群大小
maxGenerations = ...; % 最大迭代次数
crossProb = ...; % 交叉概率
mutateProb = ...; % 变异概率

5. **实现遗传算法**：运用MATLAB的`ga`函数进行优化。

options = gaoptimset('Display', 'iter'); % 显示进度信息
[bestParams, bestFitness] = ga(@evalNetwork, net.Learnables, [], [], [], [], encodingFcn, decodingFcn, popSize, maxGenerations, crossProb, mutateProb, options);

6. **评估和调整**：通过`evalNetwork`函数评估每个参数组合的性能，如损失函数值。

function fitness = evalNetwork(params)
    net.Learnables = decodingFcn(params); % 解码参数到网络
    [netLoss, ~] = net.train(X_train, y_train); % 训练并获取损失
    fitness = -netLoss; % 遗传算法倾向于最小化损失，所以这里取负值
end