Question

matlab遗传算法程序错误，出问题了，求高手指点！

??? Error using ==> fscanf
Invalid file identifier -1.

Error in ==> readfile at 5
pop=fscanf(fid,'%d',[2 inf]);
问题出在我的readfile这个里面，可我不知道怎么改，求高手指点，主程序和readfile里面的程序是这样的
主程序
s=500;%群体中个体数目
k=100;%选择优化个数
Pc=0.9;%交叉概率
Pm=0.1;%变异概率
C=200;%最大循环次数
[M,dista]=readfile('tsp76.txt');%读取城市坐标文件
[Ncities,b]=size(M);
t=Ncities+1;
farm=start(s,t); %随机初始化种群
farm=qiujuli(farm,dista);%求出种群的适应度
counter=0;
while counter<=C
counter=counter+1;
farm=select(farm,k);%选择
if(Pc>rand)
farm=cross(farm,dista);%交叉
end
if(Pm>rand)
farm=mutate(farm,dista);%变异
end
end
[a,b]=size(farm); %求出总路径中的最小值
A=zeros(1,a);
for i=1:a
A(1,i)=farm(i,b);
end
shortest_path=min(A)%最短路径值
[c,d]=find(A==shortest_path);
e=c(1);%画出最短路径图
for i=1:Ncities
plot(M(i,1),M(i,2),'ro');%‘ro’可改
hold on
end
for i=1:t-2
plot_ga(farm(e,1),farm(e,t-1),M);
plot_ga(farm(e,i),farm(e,i+1),M);
end

readfile里面的程序是这样的
function [pop,city_distance]=readfile(filename)
fid=fopen(filename,'r');
pop=fscanf(fid,'%d',[2 inf]);
pop=pop';
[a,b]=size(pop);
city_distance=zeros(a,a);
for i=1:a
for j=i:a
city_distance(i,j)=sqrt((pop(i,1)-pop(j,1))^2+(pop(i,2)-pop(j,2))^2);
city_distance(j,i)=city_distance(i,j);
end
end
fclose(fid)

求高手指点！小弟急！急！急！！！！

Answer 1

我给你写个正确的吧，你看，
% 清空环境变量
clc
clear
%
%% 网络结构建立
%读取数据
load data input output

%节点个数
inputnum=2;
hiddennum=5;
outputnum=1;

%训练数据和预测数据
input_train=input(1:1900,:)';
input_test=input(1901:2000,:)';
output_train=output(1:1900)';
output_test=output(1901:2000)';

%选连样本输入输出数据归一化
[inputn,inputps]=mapminmax(input_train);
[outputn,outputps]=mapminmax(output_train);

%构建网络
net=newff(inputn,outputn,hiddennum);

%% 遗传算法参数初始化
maxgen=20; %进化代数，即迭代次数
sizepop=10; %种群规模
pcross=[0.2]; %交叉概率选择，0和1之间
pmutation=[0.1]; %变异概率选择，0和1之间

%节点总数
numsum=inputnum*hiddennum+hiddennum+hiddennum*outputnum+outputnum;

lenchrom=ones(1,numsum);
bound=[-3*ones(numsum,1) 3*ones(numsum,1)]; %数据范围

%------------------------------------------------------种群初始化--------------------------------------------------------
individuals=struct('fitness',zeros(1,sizepop), 'chrom',[]); %将种群信息定义为一个结构体
avgfitness=[]; %每一代种群的平均适应度
bestfitness=[]; %每一代种群的最佳适应度
bestchrom=[]; %适应度最好的染色体
%初始化种群
for i=1:sizepop
%随机产生一个种群
individuals.chrom(i,:)=Code(lenchrom,bound); %编码（binary和grey的编码结果为一个实数，float的编码结果为一个实数向量）
x=individuals.chrom(i,:);
%计算适应度
individuals.fitness(i)=fun(x,inputnum,hiddennum,outputnum,net,inputn,outputn); %染色体的适应度
end
FitRecord=[];
%找最好的染色体
[bestfitness bestindex]=min(individuals.fitness);
bestchrom=individuals.chrom(bestindex,:); %最好的染色体
avgfitness=sum(individuals.fitness)/sizepop; %染色体的平均适应度
% 记录每一代进化中最好的适应度和平均适应度
trace=[avgfitness bestfitness];

%% 迭代求解最佳初始阀值和权值
% 进化开始
for i=1:maxgen
i
% 选择
individuals=Select(individuals,sizepop);
avgfitness=sum(individuals.fitness)/sizepop;
%交叉
individuals.chrom=Cross(pcross,lenchrom,individuals.chrom,sizepop,bound);
% 变异
individuals.chrom=Mutation(pmutation,lenchrom,individuals.chrom,sizepop,i,maxgen,bound);

% 计算适应度
for j=1:sizepop
x=individuals.chrom(j,:); %解码
individuals.fitness(j)=fun(x,inputnum,hiddennum,outputnum,net,inputn,outputn);
end

%找到最小和最大适应度的染色体及它们在种群中的位置
[newbestfitness,newbestindex]=min(individuals.fitness);
[worestfitness,worestindex]=max(individuals.fitness);
% 代替上一次进化中最好的染色体
if bestfitness>newbestfitness
bestfitness=newbestfitness;
bestchrom=individuals.chrom(newbestindex,:);
end
individuals.chrom(worestindex,:)=bestchrom;
individuals.fitness(worestindex)=bestfitness;

avgfitness=sum(individuals.fitness)/sizepop;

trace=[trace;avgfitness bestfitness]; %记录每一代进化中最好的适应度和平均适应度
FitRecord=[FitRecord;individuals.fitness];
end

%% 遗传算法结果分析
figure(1)
[r c]=size(trace);
plot([1:r]',trace(:,2),'b--');
title(['适应度曲线 ' '终止代数＝' num2str(maxgen)]);
xlabel('进化代数');ylabel('适应度');
legend('平均适应度','最佳适应度');
disp('适应度 变量');

%% 把最优初始阀值权值赋予网络预测
% %用遗传算法优化的BP网络进行值预测
w1=x(1:inputnum*hiddennum);
B1=x(inputnum*hiddennum+1:inputnum*hiddennum+hiddennum);
w2=x(inputnum*hiddennum+hiddennum+1:inputnum*hiddennum+hiddennum+hiddennum*outputnum);
B2=x(inputnum*hiddennum+hiddennum+hiddennum*outputnum+1:inputnum*hiddennum+hiddennum+hiddennum*outputnum+outputnum);

net.iw{1,1}=reshape(w1,hiddennum,inputnum);
net.lw{2,1}=reshape(w2,outputnum,hiddennum);
net.b{1}=reshape(B1,hiddennum,1);
net.b{2}=B2;

%% BP网络训练
%网络进化参数
net.trainParam.epochs=100;
net.trainParam.lr=0.1;
%net.trainParam.goal=0.00001;

%网络训练
[net,per2]=train(net,inputn,outputn);

%% BP网络预测
%数据归一化
inputn_test=mapminmax('apply',input_test,inputps);
an=sim(net,inputn_test);
test_simu=mapminmax('reverse',an,outputps);
error=test_simu-output_test;

Answer 2

看你什么文件了