基于自适应遗传算法优化bp神经网络

《基于自适应遗传算法优化bp神经网络》由会员上传分享，免费在线阅读，更多相关内容在学术论文-天天文库。

1、第36卷第9期信息化研究Vo1．36No．92010年9月InformatizationResearchSep．2010基于自适应遗传算法优化BP神经网络李辉，蔡敏，陈斌(海军指挥学院浦口分院，江苏省南京市211800)摘要：传统的BP算法具有简单可塑的优点，但是存在着容易陷入局部极值、收敛速度慢等无法克服的缺陷。遗传算法是一种全局搜索算法，具有很强的全局搜索能力。因此，文中设计了一种自适应遗传算法优化BP神经网络的方法，并通过对数字信号的实例仿真，证明了经过改进优化后的BP神经网络具有很好的应用前景。关键词：遗传算

2、法；神经网络；优化；仿真中图分类号：TP183体按单点或多点进行交换重组。变异即是以一定概率O引言改变染色体某点的状态，若选用二进制编码，只需要将遗传算法和神经网络都是将生物学原理应用于科变异点按位取反即可。变异操作一般选取范围是交叉学研究的仿生学理论成果，由于它们具有极强的解决概率为0．5～1．0，变异概率为0．005—0．1，对具体问问题的能力，近年来引起了众多科研人员和工程人员题应通过反复试验来选取适合的交叉概率和变异概的兴趣和关注⋯。但神经网络和遗传算法作为传统率。的算法，不仅计算量大，消耗时间多，而且还需要

3、专家第五，计算新产生种群的适应度值，根据适应度的进行校验4。。因此，为了充分利用两种算法的优势，值进行评价，若由满足问题的解则结束；否则选择最优弥补两者之间的缺陷，本文采用了相结合的思想。的种群(数目与开始产生种群数相等)作为新一代的种群。1遗传算法与神经网络第六，直到种群的最优个体目标函数值足够小或1．1遗传算法是达到规定的迭代次数。遗传算法是建立在自然选择和自然遗传学机理基础上的迭代自适应概率性搜索算法。该算法最早是由美国HollandJn于1975年发表的论文“自然和人工系统的适配”中提出的_5J。按照达尔文的

4、自然选择学说，生物的变异一般是不定向的，只有能适应环境的变异类型才能生存下来产生后代，而那些与环境不相适应的变异类型就会被淘汰。遗传算法是基于自然选择和基因遗传学原理的搜索方法，简单的遗传算法由复制、交叉、变异3个算子组成，其一般的操作流程如图1遗传算法模型下引：首先，初始化种群，在参数空间中随机产生一组群1．2神经网络体，群体大小一般为染色体长度的2～3倍。神经网络的研究己断断续续经历了60多年。20其次，编码，可以采取二进制编码，也可以是实数世纪80年代，是神经网络系统理论发展的黄金时期。编码，视具体情况而定。由

5、于计算机的集成度已达极限状态，单数值计算的智第三，复制，根据个体的适应度值来决定应复制的能水平与人脑相比，仍有很大的差距，这样一来，神经个数。每个个体被复制一次或多次，适应值越大，复制网络系统理论重新受到重视。多种模型、算法和应用率越高。问题被提出，最具标志性的人物是美国加州工学院的第四，进行交叉和变异操作，交叉即是将一对染色物理学家JohnHopfield提出了模仿人脑的神经网络模型，即著名Hopfield模型。其基本模型如图2所示。收稿日期：2010-06·17；修回日期：2010-07-01。·36·第36卷第

6、9期李辉，等：基于自适应遗传算法优化BP神经网络·研究与设计．输出输入图2神经网络模型近年来，神经网络引起了许多研究人员和研究机构的热情，大量的理论与应用研究成果涌现在各种刊物。但随着研究的深入，神经网络也暴露了很多缺图3遗传神经网络模型陷：a)计算开销大，收敛速度慢，对于复杂问题和规b)评价函数，，=1÷1_U(其中or⋯为每次训ma模较大的神经网络，训练时间较长；练结束后的均方差最大值)；b)不能保证学习结果收敛到全局最小点；c)算子选择，本文采用一种自适应的选择交叉和C)训练结果与样本数据顺序有关；变异概率的算

7、法，其数学描述如式(1)、式(2)：d)网络结构一旦确定就很难迅速增加新的待识1P=(1)别类型等。11-12遗传神经网络P=一+1．0(2)1TC遗传算法的局部搜索能力较差，但把握搜索过程其中c。，C>0为常数；△为“早熟度”，用来评价总体的能力较强；而神经网络正好相反，其算法经常会种群是否早熟的指标，其计算公式为A：F一⋯，导致陷入局部最小值。所以可以通过两者的结合来弥其中F⋯表示种群中个体适应度的最大值，F⋯表示补各自的缺陷。其结合主要表现在2个方面：个体适应度大于整体平均适应度的个体的平均适应a)辅助式结合，

8、例如用遗传算法对数据进行预处度。理，然后用神经网络求解问题；d)神经网络采用BP网络。b)合作式结合，即利用遗传算法和神经网络共同3．2仿真实例求解问题，比如用遗传算法优化神经网络权重或者网首先利用遗传算法优化BP网络权值，群体规模络结构。选择为10，采用轮盘式选择，交叉概率为0．3，变异概本文先用遗传算法优化权值，然后利用优化了初率为0．02