一边动手一边学习遗传算法(GA)吧💐
首先打开MATLAB中的优化器
了解遗传算法①：模仿生物进化的自然选择过程——
求解无约束和有约束的 非线性优化问题
了解遗传算法②：群体智能算法——
个体：解决问题可能的方案
许多个体组成群体，通过一定更新策略，群体会逐渐向目标进化，从而演化为 最优解
了解遗传算法②：全局最优解——
群体中个体的进化方向不仅是向已知的优解方法，还有一部分会存在随机更新，保持全局搜索的能力。
GA算法在数学建模中的使用
🍹标准优化算法：数学上严格定义的推导，求解速度快，更适合于不复杂的问题，陷入局部最优风险较大。
🍹全局优化求解器：求解不光滑的、高度非线性的、更复杂、传统优化求解器不使用，计算效率低，更易找到全局最优解（目标函数不连续、不可微分、随机或高度非线性）
使用思路：利用GA计算结果作为初始值，再用一种严谨的标准优化算法 😉😉😉
下面来看参数的设置：
混合：利用GA计算结果作为初始值，再用一种标准优化算法，注意存在整数时不能用
视频讲解：https://www.bilibili.com/video/BV1LS4y1e7xW/
BP神经网络
视频讲解：https://www.bilibili.com/video/BV1M5411S746/
是一种按照误差逆向传播算法训练的多层前馈神经网络
属于非线性算法，由输入层、输出层和隐含层构成
优化方向：
- 初始值的优化（权重和偏置）
- 超参数的优化（迭代次数、目标值、学习速率）
- 模型算法层面的优化（神经进化、隐藏层数量）
在满足精度前提下，尽可能减少隐含层数
（1）浅层神经网络样本数据集
GA优化GA优化后的BP神经网络
🐸🐸预测优化
1. 初始权重和偏置的优化——初级
2. 超参数的优化——进化
3. 模型结构的优化——究极
机器学习 | 基于遗传算法的BP神经网络优化算法（附MATLAB代码）
优化算法 | 基于GA的Bp神经网络预测20~21赛季NBA总冠军花落谁家
下面是具体的改进遗传算法优化BP神经网络步骤：https://blog.csdn.net/weixin_46039719/article/details/126657902
（1）初始化BP神经网络，确定网络结构和学习规则，以及遗传算法的染色体长度。
（2）初始化遗传算法的参数（包括迭代次数，种群大小，交叉概率和突变概率等），以及群体选择遗传算法的所需适应度函数。
（3）使用轮盘赌方法选择几条染色体，以满足适应度函数的要求，作为新人口的父系。
（4）通过改变交叉过程和遗传算法的变化，处理男性父母产生新的人口生成。
（5）判断误差是否达到精度，否定的话重新执行（3）（4）步骤，使染色体不断跟新从而使个体不断更新；当达到目标后找到最优染色体并赋值给BP神经网络的初始权重和阈值。
