基于遗传算法的BP网络优化研究(1)

《基于遗传算法的BP网络优化研究(1)》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、第卷第期山东建材学院学报第页


年月"#$%&’#()&*#&+&)+$,#($+’*+&-,%+’)文章编号：


（


）

基于遗传算法的网络优化研究舒云星，张永胜，郁可（洛阳工业高等专科学校计算机系，河南洛阳

；武汉工业大学计算机系，湖北武汉


；山东工业大学数理系，山东济南

）摘要：将遗传算法（）用于对网络权重的优化，不必结合与优化方式。对其进行参数调整，减少了训练的次数和计算量，且不会造成局部最优，参数影响遗传优化效果的规律得以确定，说明

2、网络及算法概述对神经网络的优化是可行的。关键词：神经网络；优化；调整；遗传算法网络是人工神经网络的重要组成部分，它具中图法分类号：文献标识码：有结构简单、易于实现的特点，故它被广泛应用于故障诊断、模式识别等方面。它利用误差反传训练算算法是最典型的多层神经网络学习算法，通过使全局误差函数最小化过程完成输入到输法〔〕，它在局部搜索时比较成功，但由于网络出的映射。来自训练样本集的学习信号由输入层向大多采用沿梯度下降方向的搜索算法，因而不可避输出层传播，计算网络输出与目标量的误差，计算误免地存在以下问题：首先是当网络用算法进行差信号并由

3、输出层向输入层反向传播，同时逐层修学习时，学习结果对初始权向量异常敏感，不同的初正连接权重，使误差最小化。始权向量值可能导致完全不同的结果；其次是容易〔〕由算法知，对于一个层网络，第
个陷入局部最小；第三是在具体计算过程中，有关参数训练样本，第次训练，各单元的输出分别为：（如训练速率和惯性系数）的选取，只能凭实验和经（）（）（）（）（）
（
），

，验来确定，一旦取值不当，又会引起网络的振荡而不，，⋯，（）能收敛。其中和分别是层单元和层单元的

近年来，一种不同于传

4、统方法的全局优化算法输出；是层单元到层单元的连接权；———遗传算法（，简称）迅速兴（）为转移函数，对于实数值的问题取起。它以高效、实用的特点成功地应用于人工智能〔〕（）（）等诸多领域，取得了良好的效果。因此寻求克服算法不足的思路是采用遗传算法。该算法是根取样本误差函数为（）（）


据遗传演化规律所形成的一种自适应搜索和机器学其中，是
训练样本的目标值；是网


习过程，主要应用于函数优化。由于要维持具有一络的输出值，则由输出层到输入层的误差信号为定

5、规模的群体，遗传算法必须同时处理搜索空间中输出层：（）］（（））（）
［


的若干点，而不象梯度下降算法那样只处理单点，从隐含层：（）（）（）］（（））（）
［


而有助于搜索全局最优点，避免陷入局部最小。这权值修正量为：（）（）（）（）



样就可避免算法的前两个缺点。而遗传算法具考虑到附加冲量项，则第次训练的权值为有的高度并行性，更吸引人们将遗传算法用于神经（（））（（））（（））（（））

6、网络〔〕。本文在将遗传算法引入人工神经网络方（）面做了一些研究，结果表明，该方法能避免训练参数其中，是训练速率系数，是冲量项系数。
的调整，减少计算时间，基本上能够解决网络计如此，相继向网络中输入训练样本，修正权值。算量大的问题，初步探讨了与人工神经网络的往复循环，直到训练误差达到要求为止。收稿日期：
原理及与神经网络的结合基金项目：国家“九五”攻关项目资助（

）第一作者万方数据信息，男，年生，副教授。遗传算法（）是由美国科学家!提出第期舒云星，等：基于遗传算法的!网络优化研究

7、来的，它的主要优点是简单、鲁棒性强，需要解决的得更好，使种群得以优化。问题越复杂，目标越不明确，优越性越大。它模拟自目标函数计算及时间比较然界适者生存，优胜劣汰的进化原则，将问题的解表示成染色体（
），在计算机编程时，通常用优化问题二进制码串表示，每个码称为一个基因，每个染色体优化问题属于最小值问题，可采用如下方法代表问题的一个解。一群染色体构成一个群体或种（）（）群（），它是搜索的空间。在搜索过程中，用适应度函数（）来评价每个染色体的优劣，其值越大（适应度越大），相应染色体代表的

8、解越优。选择适应度大的染色体进行再生（，），通过交换（