用自适应遗传算法训练人工神经网络

《用自适应遗传算法训练人工神经网络》由会员上传分享，免费在线阅读，更多相关内容在行业资料-天天文库。

1、用自适应遗传算法训练人工神经网络摘要：本文给出了一种能和网络结构一一对应的、合适的染色体编码方法。用物种入侵的遗传算法训练人工神经网络。在入侵过程中，遗传算法自适应地调整交叉算子和变异算子。同时提出了一种根据平均适应度值确定入侵物种规模的方法，并详细描述了算法步骤。最后通过实验证明了本文算法的有效性和优越性。关键词：遗传算法；自适应；人工神经网络；编码TRAININGARTIFICLALNEURALNETWORKBYINVADINGADAPTIVEGENETICALGORITHMAbstract：Asuitablechromosomeen

2、codingmethod,whichcouldcorrespondwiththenetworkonebyone,wasproposed.Thespeciesinvasiongeneticalgorithmwasusedtotrainartificialneuralnetworks.Intheinvadingprocess,thegeneticalgorithmadjustsadaptivelycrossingoperationandmutationoperation.Amethodbasedontheaveragefitnessvalue

3、swasproposedtodeterminethescaleofinvasionspecies,andadetaileddescriptionofthealgorithmstepswasgiven.Finally,thevalidityandsuperiorityofthealgorithmareprovedbytheexperimentalresults．Keywords：geneticalgorithm;adaptive;artificialneuralnetwork;coding引言用遗传算法来设计和训练人工神经网络已被证实能有效

4、地解决很多问题。很多学者针对染色体编码与网络对应问题都提出了自己的方法。有的先用GA（GeneticAlgorithm）训练人工神经网络的权值和阈值，然后用LM(Leven-bergMarquardt)算法处理，得到较好的效果；有的用改进交叉变异算子的遗传算法优化神经网络；也有的直接用遗传算法优化神经网络参数；还有的用遗传算法和BP(BackPropagation)算法同时训练网络；文章[1]中提出混沌搜索自适应入侵遗传算法训练网络参数，但没有对网络结构优化。生物中存在种群入侵，入侵的种群带来新的物种——新的网络拓扑结构，促进个体进化；不

5、同物种之间的杂交能产生更适应环境的个体，加速个体进化速度。根据这一特点，文章给出一种染色体编码方法，使染色体很好地与网络对应并适应相同物种和不同物种间个体的交叉，并给出了交叉和变异算子。本文提出的算法能优化网络权值、阈值以及网络拓扑结构。1基于入侵自适应遗传算法的网络优化采用三层前向神经网络，对其结构(指网络隐层节点数)以及权值、阈值进行优化，使网络节点数最佳，权值、阈值落在全局最优区域。1.1染色体编码就具体问题而言，网络输入层节点数及输出层节点数都已确定，其隐层节点数不确定。图1是图2网络对应的染色体编码。两隐层节点阈值之间的等位基因

6、表示前一隐层节点与输入层之间连接权值，权值为0表示无连接．输出层节点也是如此。图1染色体编码图2网络结构1.2物种入侵过程以及入侵物种的生成1.2.1入侵过程在网络输入层和输出层节点数确定的情况下，将隐层节点数相同而权值和阈值不同的网络看作同一物种，仅将隐层节点数不相等的网络看作不同物种．在网络训练中，先形成一种或几种物种，每一代都产生新物种入侵，与已有物种竞争，优胜劣汰。1.2.2入侵物种生成根据经验公式随机生成正整数k使得。接着随机生成一个实数序列长度为N，N根据式(1)计算，其中k是隐含层节点数，是输入层节点数，是输出层节点数。(1

7、)假设根据式(1)随机生成的实数序列为：，则入侵物种个体染色体编码为。1.3适应度函数式(2)为网络性能评价函数。Xi是单个个体，s_sum是样本总数，ei是单个样本网络输出误差平方，c是常数(0

8、中适应度函数值较大的，随着个体适应度值增大而减小。适应度值大的个体在较小的范围内进行搜索，避免搜索的波动性，保护适应度值大的个体，加快算法的搜索速度。(7)不同物种间的交叉算子：设交叉的两个体