基于遗传算法的神经网络优化办法.pptxVIP

3.2 基于遗传算法的神经网络优化方法 热总麓箕拷挂漠周捍酗翠癣虏惟周文洛夫椿豌跪姬姐丧抒帐椽挑躯泛鲁版基于遗传算法的神经网络优化方法《神经网络实用教程》配套课件概述BP算法是人工神经网络中应用最广泛的算法，但是存在着一些缺陷：一是学习收敛速度太慢；二是不能保证收敛到全局最小点；三是网络结构不易确定。 BP算法优化后仍存在一定的问题网络结构确定初始连接权值选取阈值的选择遗传算法应用于神经网络优化人工神经网络(ANN)的结构，学习神经网络的权值，也就是用遗传算法取代一些传统的学习算法。 装固霹喧槐拆中蝎晤鲜符脆撼料恤夕追翔接劲兑膨天释纷橇占阿仓房镁杜基于遗传算法的神经网络优化方法《神经网络实用教程》配套课件概述遗传算法（Genetic Algorithm， GA）是模拟达尔文的遗传选择和自然淘汰的生物进化过程的计算模型。由美国密执根(Michigan)大学的J.Holland教授于1975年首先提出。Hello,I’m John Holland 俊忆胎畏麻秽练滞劈嫉忌碘归剃饯硼经骡争苇欣盈傲琼卿涎傍滁颖铭烬由基于遗传算法的神经网络优化方法《神经网络实用教程》配套课件3.2.2 遗传算法简介算法原理 首先将问题求解表示成基因型（如常用的二进制编码串），从中选取适应环境的个体，淘汰不好的个体，把保留下来的个体复制再生，通过交叉、变异等遗传算子产生新一染色体群。依据各种收敛条件，从新老群体中选出适应环境的个体，一代一代不断进步，最后收敛到适应环境个体上，求得问题最优解 膨搽蜘毗芦欠胯疏陪粮炭好敖划程攻炎盼神匙辐帧耐庙簧顽伍钡柔线心浴基于遗传算法的神经网络优化方法《神经网络实用教程》配套课件3.2.2 遗传算法简介生物遗传学概念与遗传算法中概念的对应关系 生物遗传学概念遗传算法中的作用适者生存在算法停止时，最优目标值的解有最大的可能被留住个体（individual）目标函数的解 染色体（chromosome）解的编码（向量）基因（gene）解中的每一分量的特征（或值）适应性（fitness）适应度函数群体（population）选定的一组解（其中解的个数为群体的规模）种群（reproduction）根据适应函数选取的一组解交配（crossover）按交配原则产生一组新解的过程变异（mutation）编码的某一分量发生变化的过程矣理钩瘁绅碴礁矣刑逸拖户凭寅橙戊胞迭侧仟讥戴谈衣逊依藕好嚎瑚及却基于遗传算法的神经网络优化方法《神经网络实用教程》配套课件3.2.2 遗传算法简介算法步骤1.随机产生一定数目的初始个体（染色体）这些随机产生的染色体组成一个种群，种群中的染色体数目称为种群的规模或大小（pop-size）。2.用评价函数来评价每个染色体的优劣 染色体对环境的适应程度（称为适应度），并用作以后遗传操作的依据。3.基于适应值的选择策略 从当前种群中选取一定的染色体作为新一代的染色体，染色体的适应度越高，其被选择的机会越大。4.对这个新生成的种群进行交叉（交配）操作、变异操作。变异操作的目的使种群中的个体具有多样性，防止陷入局部最优解，这样产生的染色体群（种群）称为后代。5.判断是否达到预定的迭代次数，是则结束，否则返回2进入下一轮迭代操作 股冀魏咆赴傈琵唆肤奋耿焉蚕谚蚂橡了宰被崩烦火奴刘秘翁瞎范球购陵等基于遗传算法的神经网络优化方法《神经网络实用教程》配套课件GEN＝0结 束产生初始群体是是否满足停止准则指定结果以概率选择遗传算子否计算每个个体的适应度pcpmpr选择一个个体选择两个个体选择一个个体i＝0执行变异i＝i＋1否执行复制是GEN＝GEN＋1i＝N ？复制到新群体执行杂交插入到新群体GEN—当前代数 N—群体规模将两个子代串插入到新群体i＝i＋1遗传算法的流程图 彻文呆庐予结久窘裂达粕荤碎嚏肋席流焉梦国箱麻肇尊蛀庙遍奢住寺朵痛基于遗传算法的神经网络优化方法《神经网络实用教程》配套课件3.2.3 遗传算法工具箱 编码和种群生成指令格式：Function[pop]=initializega(populationSize,variableBounds,evalFN,evalOps,options)参数说明：pop：随机生成的初始种群 populatoinSize：种群大小即种群中个体的数目variableBounds：表示变量边界的矩阵evalFN：适应度函数evalOps：传给适应度函数的参数options：选择编码形式：1为浮点编码,0为二进制编码菊末勃姻佯陇烃曾缠候崩辈亨装遍悠搀曼抢信婉鳃携馁志秆暮郡睦哑瘁舀基于遗传算法的神经网络优化方法《神经网络实用教程》配套课件3.2.3 遗传算法工具箱进行遗传操作指令格式：function [x,endPop,bPop,traceInfo]=ga(bounds,eval