目录
1.1 确定输入变量及其寻优范围（13个属性因素，252组）
1.2 确定优化目标，即输出变量（体脂含量指标，单输出，252组）
摘要
通过BP 神经网络确定预测模型后，结合遗传算法GA对身体脂肪含量的影响参数进行寻优，获得身体脂肪含量最低（1/ 体脂含量的值最大）的最佳工艺参数。
1 工艺参数优化问题
?
1.1 确定输入变量及其寻优范围（13个属性因素，252组）
1.年龄（年） [20 100]
2.重量（磅）[115 365]
3.高度（英寸） [25 80]
4.颈围（厘米）[30 60]
5.胸围（厘米）[78 140]
6.腹部2周长（厘米）[65 150]
7.臀围（厘米）[80 150]
8.大腿围（厘米）[45 90]
9.膝围（厘米）[30 50]
10.踝围（厘米）[18 35]
11.二头肌（延长）周长（厘米）[20 50]
12.前臂周长（厘米）[20 40]
13 腕围（厘米）[15 25]
1.2 确定优化目标，即输出变量（体脂含量指标，单输出，252组）
1. 身体脂肪含量
将身体脂肪含量最低的寻优问题，通过对数据取倒数，转换为求解脂肪含量倒数的最大值问题，并求得相应的各个输入变量的最优值。
由于遗传算法具有智能优化算法的随机性特点，每次求得的极大值都不一定是全局最大值，因此，可独立运行30次遗传算法寻优，统计每次寻优的极大值和最佳工艺参数取值，记录在结果表格中。
2 工艺参数优化问题求解的流程设计
在身体脂肪含量的影响参数优化过程中，神经网络训练拟合主要有网络的构建、样本数据训练、身体脂肪含量值（倒数值）预测三步。遗传算法极值寻优部分把训练后的BP神经网络预测体脂含量值（倒数值）作为个体适应度值，经一系列的选择、交叉、变异等遗传操作得出能够使身体脂肪含量最低（倒数值最大）的工艺参数。
工艺参数优化流程图如下，包含BP神经网络训练、测试和遗传算法极值寻优两个部分：
对工艺参数采用实数编码，每个个体由所优化的13个参数组合而成，选用身体脂肪含量的倒数值作为适应度函数，优化目标为求得最佳参数使得适应度值最大。
3 部分代码
3.1 BPNN.m
%% BP主程序
% 清空环境变量
clear, close all
clc
warning off
tic
%% 读取数据
data = xlsread('数据.xlsx', 'Sheet1', 'B2:O253');
tic
% 训练/测试数据
input = data(:,1:end-1);
output= data(:,end);
nwhole=size(data,1);
train_ratio=0.9; %训练集比例
ntrain=round(nwhole*train_ratio);
ntest =nwhole-ntrain;
%% 构建BP网络
%初始化网络结构
hiddennum=10; %隐含层节点个数
net=newff(inputn,outputn,hiddennum,{'tansig','purelin'},'trainlm');% 建立BP模型
% 网络参数
net.trainParam.epochs=1000; % 训练次数
net.trainParam.lr=0.1; % 学习速率
net.trainParam.goal=0.00001; % 训练目标最小误差
net.trainParam.mc=0.01; % 动量因子
3.2 GA.m
%% 使用遗传算法寻优BP输入的工艺参数，目标为求取输出最大及相应的最佳输入参数取值
% 清空环境变量
clear
clc
addpath('gatoolf')
format shortg
%% 遗传算法参数设置
gen = 100; % 最大迭代次数 100-300
popsize = 30; % 种群规模 30-50
S =13; % 自变量个数， 由实际问题确定
bound = [20 115 25 30 78 65 80 45 30 18 20 20 15; % 优化参数的下界 S = 13个， 按实际问题来确定变量范围的下界
100 365 80 60 140 150 150 90 50 35 50 40 25]; % 优化参数的上界 S = 13个， 按实际问题来确定变量范围的下界
%% 初始化种群
4 运行结果
4.1 BP
?
?
4.2 遗传算法和BP结合，极值寻优?
?
?
https://mianbaoduo.com/o/bread/mbd-YZ6WmZdt