水资源系统分析第8章人工神经网络与遗传算法.pptVIP

以河北保定市气象局02年为例。 从3月到11月接收数值预报产品齐全的共有159天，用前109天的资料作为网络训练样本。50天为检验样本。 拟合结果：经过两万多次的训练，总体预报误差达到了4.0以下。终止训练后。这109天中共有降水日27天，其中小雨20天，中雨6天，大雨以上降水一次。训练结束时27天降水全部报出，量级也全部正确，只是空报两次小雨过程，历史拟合率达到27/29=93%。 检验结果：在试报的50天中共有降水8次，其中大雨2次，漏一次，一次报中雨。中雨3次，报对2次，漏一次。3次小雨，一次报中雨，漏2次。另空报2次小雨，定性准确率4/10=40%。 启发式算法-遗传算法 遗传算法的基本思想是基于Darwin进化论和Mendel的遗传学说的。 Darwin进化论最重要的是适者生存原理。 Mendel遗传学说最重要的是基因遗传原理。基因形式包含在染色体内，经过存优去劣的自然淘汰，适应性高的基因结构得以保存下来。 遗传算法是模拟生物自然遗传和进化过程而形成的一种自适应全局优化概率搜索方法。 每代中都保留一组候选解，并按某种指标从解群中选取较优的个体，利用遗传算子(选择、交叉和变异)对这些个体进行组合，产生新一代的候选解群，重复此过程，直到满足某种收敛指标为止。 种群 编码 适应度 复制与变异 进化 求下列一元函数的最大值： 基因型：1000101110110101000111 (2) 初始群体的产生 遗传算法是对群体进行的进化操作，需要给其淮备一些表示起始搜索点的初始 群体数据。 本例中，群体规模的大小取为4，即群体由4个个体组成，每个个体可通过随机 方法产生。 如：011101，101011，011100，111001 (3) 适应度汁算 遗传算法中以个体适应度的大小来评定各个个体的优劣程度，从而决定其遗传 机会的大小。适应度函数值越大，解的质量越好。适应度函数是遗传算法进化过程的驱动力，也是进行自然选择的唯一标准，它的设计应结合求解问题本身的要求而定。 本例中，目标函数总取非负值，并且是以求函数最大值为优化目标，故可直接 利用目标函数值作为个体的适应度。 (4) 选择运算 遗传算法使用选择运算来实现对群体中的个体进行优胜劣汰操作：选择运算(或称为复制运算)把当前群体中适应度较高的个体按某种规则或模型遗传到下一代群体中。一般要求适应度较高的个体将有更多的机会遗传到下一代群体中。 选择算子 选择操作的任务就是按某种方法从父代群体中选取一些个体，遗传到下一代群体。SGA中选择算子采用轮盘赌选择方法。 基本思想是：个体被选中的概率与其适应度函数值大小成正比。设群体大小为n ，个体i 的适应度为 Fi，则个体i 被选中遗传到下一代群体的概率为： (5) 交叉运算 交叉运算是遗传算法中产生新个体的主要操作过程，它以某一概率相互交换某 两个个体之间的部分染色体。交叉运算是遗传算法区别于其他进化算法的重要特征，它在遗传算法中起关键作用，是产生新个体的主要方法。 SGA采用单点交叉的方法，其具体操作过程是： ? 先对群体进行随机配对； ? 其次随机设置交叉点位置； ? 最后再相互交换配对染色体之间的部分基因。 (6) 变异运算 变异运算是对个体的某一个或某一些基因座上的基因值按某一较小的概率进行改变，它也是产生新个体保持种群多样性的一种操作方法。 本例中，我们采用基本位变异的方法来进行变异运算，其具体操作过程是： 首先确定出各个个体的基因变异位置，下表所示为随机产生的变异点位置， 其中的数字表示变异点设置在该基因座处； 然后依照某一概率将变异点的原有基因值取反。 遗传算法不是直接作用在参变量集上, 而是利用参变量集的某种编码； 遗传算法不是从单个点， 而是在群体中从一个点开始搜索； 遗传算法利用适应值信息, 无需导数或其它辅助信息； 遗传算法利用概率转移规则, 而非确定性规则。 * * 网络的拓扑结构 x1 o1 输出层 隐藏层 输入层 x2 o2 om xn … … … … W V * * 3.2.4 基本的BP算法 样本集：S = {(X1,Y1),(X2,Y2),…,(Xs,Ys)} 基本思想 ： 逐一地根据样本集中的样本(Xk,Yk)计算出实际输出Ok和误差测度E1，对W(1) ，W(2) ，…，W(L)各做一次调整，重复这个循环，直到∑Ep