浅谈遗传算法与人工神经网络的结合.pdfVIP

2012年第41卷第6期 轻纺工业与技术 35 浅谈遗传算法与人工神经网络的结合 双聂 琼T、 (新疆大学，新疆 乌鲁木齐 830046) 摘【要】主要阐述遗传算法(简称GA)和人工神经网络(简称ANN)的特点，并说明遗传算法与人工神经网络结合的 必要性，同时对今后的研究前景作了具体的展望。 关【键词】遗传算法GA；人工神经网络ANN；结合 Doi：10．3969~．issn．2095-0101．06．012 中图分类号：TS103．7 文献标识码：A 文章编号：2095—0101(2012)06一OH)35—03 l-3 遗传算法同时进行解空间的多点搜索。传统的优 O 引 言 化算法往往从解空间的一个初始点开始搜索，这样容易 遗传算法 (GeneticAlgofthms，简称GA)是一种进化 陷入局部极值点。遗传算法进行群体搜索，而且在搜索 算法，其基本原理是仿效生物界中的 “物竞天择、适者生 的过程中引入遗传运算，使群体可以不断进化。这些是 存”的演化法则。它把 自然界 优“胜劣汰 ，适者生存”的生 遗传算法所特有的一种隐含并行性。 物进化原理引入优化参数形成的编码串联群体中，按照 1．4 遗传算法使用概率搜索技术。遗传算法属于一种 所选择的适应度函数并通过遗传中的选择、交叉和变异 自适应概率搜索技术，其选择、交叉、变异等运算都是以 对个体进行筛选 ，使适应度值好的个体被保留，适应度 一 种概率的方式来进行的，从而增加了其搜索过程的灵 差的个体被淘汰，新的群体既继承了上一代的信息，又 活性。实践和理论都已证明了在一定的条件下遗传算法 优于上一代。这样反复循环，直至满足条件。由于它不受 总是以概率 1收敛于问题的最优解。 搜索空间限制性假设条件的约束，不必要求诸如连续 2 遗传算法的实现 性、可微性和单峰性等假设，以及其固有的并行性 ，因此 作为一种稳健、高效的优化算法已被广泛应用于各个领 遗传算法通过模拟 自然环境中的遗传和进化过程， 域。 从而形成一种全局自适应优化概率搜索算法。遗传算法 中，决策变量x组成了问题的解空间。对问题最优解的 1 遗传算法的特点 搜索是通过对染色体x的搜索过程来进行的，从而所 遗传算法是一类可用于复杂系统优化计算的鲁棒 有的染色体x就组成了问题的搜索空间。遗传算法的 性搜索算法，与其他一些优化算法相比，主要有下面几 运算过程也是一个反复迭代过程，第t代群体记做 P 个特点。 (t)，经过一代遗传和进化后 ，得到第t+l代群体，它们也 1．1 遗传算法以决策变量的编码作为运算对象。传统 是由多个个体组成的集合，记做P(t+1)。遗传算法中最 的优化算法直接利用决策变量的实际值本身进行优化 优解的搜索过程也是模仿生物的进化过程，通过染色体 计算；但遗传算法不是直接以决策变量的值 ，而是以决 之间的交叉和变异来完成。通过所谓的遗传算子作用于 策变量的某种形式的编码为运算对象，从而可以很方便 群体P(t)中，进行遗传操作，从而得到新一代群体 P(t+ 的引入和应用遗传操作算子。 1)