遺傳算法優化BP神經網絡前（由于遺傳算法優化BP神經網絡編輯的部分有缺少，故加以補充前）

遺傳算法優化BP神經網絡分為BP神經網絡結構确定、遺傳算法優化和 BP神經網絡預測3個部分。其中,BP神經網絡結構确定部分根據拟合函數輸入輸出參數個數确定 BP神經網絡結構,這樣就可以确定遺傳算法的優化參數個數，進而确定遺傳算法個體的編碼長度。因為遺傳算法優化的參數是 BP神經網絡的初始權值和門檻值,隻要網絡的結構已知，權值和門檻值的個數就已知了。種群中的每個個體都包含了一個網絡所有權值和門檻值,個體通過适應度函數計算個體适應度值,遺傳算法通過選擇、交叉和變異操作找到最優适應度值對應的個體。BP神經網絡預測用遺傳算法得到最優個體對網絡進行初始權值和門檻值的指派,網絡經訓練後預測樣本輸出。神經網絡的權值和門檻值一般是通過初始化為【-0.5,0.5】區間的随機數，這個初始化參數對網絡訓練的影響很大，但是又無法準确獲得，對于相同的初始權重值和門檻值，網絡的訓練結果是一樣的，引入遺傳算法就是為了優化出最優的初始權值和門檻值。

遺傳算法的基本要素包括染色體編碼方法、适應度函數、遺傳操作和運作參數。其中染色體編碼方法是指個體的編碼方法,目前包括二進制法、實數法等。二進制法是指把個體編碼成為一個二進制串,實數法是指把個體編碼成為一個實數串。适應度函數是指根據進化目标編寫的計算個體适應度值的函數,通過适應度函數計算每個個體的适應度值,提供給選擇算子進行選擇。遺傳操作是指選擇操作、交叉操作和變異操作。運作參數是遺傳算法在初始化時确定的參數,主要包括群體大小 M,遺傳代數G,交叉機率Pc和變異機率Pm。（下面都是引用的MATLAB智能算法30個案例裡面的内容，太多了，偷了個懶）

  後面的内容就是遺傳算法優化BP神經網絡部分了。是以整個的整篇部落格由三部分組成，分别是遺傳算法優化BP神經網絡前，遺傳算法優化BP神經網絡，和遺傳算法優化BP神經網絡三部分。由于編輯器的原因在一篇中不能完全顯示出來。