基于遗传算法的 BP神经网络回归R语言代码

以下是一个基于遗传算法的BP神经网络回归的R语言代码：

library(GA)
library(nnet)

# 生成数据
x <- seq(0, 10, length.out=1000)
y <- sin(x) + rnorm(length(x), sd=0.1)

# 定义BP神经网络
nn <- function(x, y, weights) {
  n <- length(weights)
  w1 <- matrix(weights[1:(n/2)], ncol=2)
  w2 <- weights[(n/2+1):n]
  model <- nnet(x, y, size=2, linout=T, trace=FALSE, maxit=1000, 
                startweights=list(w1=w1, w2=w2))
  pred <- predict(model, x)
  return(sum((y-pred)^2))
}

# 定义适应度函数
fitness <- function(weights) {
  nn(x, y, weights)
}

# 设置GA参数
popSize <- 50
maxGenerations <- 100
elitism <- 1
mutationProb <- 0.01
crossoverProb <- 0.8
chromosomeLength <- 6

# 运行GA
result <- ga(type="real-valued", fitness=fitness, 
             popSize=popSize, maxiter=maxGenerations, 
             elitism=elitism, mutationProb=mutationProb, 
             crossoverProb=crossoverProb, 
             chromosomeLength=chromosomeLength, 
             lower=c(-5,-5,-5,-5,-5,-5), upper=c(5,5,5,5,5,5))

# 输出结果
bestWeights <- result@solution
bestModel <- nnet(x, y, size=2, linout=T, trace=FALSE, maxit=1000, 
                  startweights=list(w1=matrix(bestWeights[1:4], ncol=2), 
                                    w2=bestWeights[5:6]))
plot(x, y)
lines(x, predict(bestModel, x), col="red")

代码中，首先生成了一组随机的数据，然后定义了一个BP神经网络模型和适应度函数。接着设置了GA的参数，包括种群大小、最大迭代次数、精英策略、变异和交叉概率等。最后运行GA，得到最佳权重，并用最佳权重训练出BP神经网络模型，将其与原始数据一起绘制在图中。