2 基于遗传算法的神经网络优化方法.ppt

3.2 基于遗传算法的神经网络优化方法 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。 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。 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 3.2.2 遗传算法简介 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 遗传算法的流程图 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 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,evalFN,evalOps,startPop,opts, termFN,termOps,selectFN,selectOps,xOverFNs,xOverOps,mutFNs,mutOps) 参数说明： （1）输出参数 X：求得的最优解 endPop：得到的最终种群 bPop：最优种群的搜索轨迹 traceInfo：每代的最优值和均值矩阵 （2）输入参数 Bounds：代表变量上下界的矩阵 startPop：可以从初始化函数中得到的初始解矩阵 evalFN：适应度函数 termFN：终止函数的名称 termOps：终止函数的参数 selectFN：选择函数名 selectOpts：选择参数 xOverFNS：交叉函数名 xOverOps：交叉参数 mutFNs：变异函数名 mutOps：变异参数 3.2.4 用遗传算法优化神经网络权值的学习过程 以2.3.2中的BP网络为例，其遗传算法学习权值步骤如下 1）初始化种群P 包括交叉规模、交叉概率Pc、突变概率Pm以及权值初始化 2）计算每一个个体评价函数，并将其排序，可按下式概率值选择网络个体 为个体 的适应度，可用误差平方和来衡量，即 以交叉概率Pc对个体 和 进行交叉操作，产生新个体 和 ，没有进行交叉操作的个体直接进行复制。 3.2.4 用遗传算法优化神经网络权值的学习过程 4）利用变异概率Pm突变产生 的新个体 。 5）将新个体插入到种群P中，并计算新个体的评价函数。 6）判断算法是否结束。如果找到了满意的个体或已经达到最大的迭代次数则结束，否则转3）进入下一轮迭代。 算法结束，如达到预先设定的性能指标后，将最终群体中的最优个体解码即可得到优化后的网络连接权值系数。 用遗传算法优化神经网络的MATLAB实现请参阅4.5.3节 小结 概述 遗传算法简介 遗传算法工具箱函数 用遗传算法优化BP神经网络权值的学习过程 谢谢！ * 智能中国网