基于遗传算法及其改进进化神经网络算法.docVIP

基于遗传算法及其改进进化神经网络算法 　　摘 要： 提出一种基于改进遗传算法的彻底进化神经网络算法，并且命名为IGA-BP算法。在IGA-BP算法中，首先用遗传算法来全面解决和设计神经网络中的结构以及所有训练参数，然后用训练的样本来找到最优解。该网络的缺点是，他的结构和神经训练参数是随机的，或由一个人的经验来解决的。IGA-BP算法可以用于电力变压器故障的诊断。在神经网络的基础上可以建立电力变压器故障诊断的模型。的例证结果表明，该算法在速度的收敛精度方面优于传统的BP算法。可以用该算法实现对电力变压器故障的快速且准确的判断。 　　关键词： 遗传算法；神经网络算法；电力变压器故障；收敛速度；收敛精度；BP神经网络；IGA-BP算法；权值和阀值；动量因子；编码 　　中图分类号：TP39 文献标识码：A 文章编号：1671－7597（2012）0220180－01 　　1 介绍 　　神经网络是一个复杂的网络系统，它通过模拟人脑的神经工作过程来处置信息，可以实现并行处理和非线性变换。该网络有很强的自学能力，自适应能力，良好的容错性与联想记忆和同时处理等功能。在所有种类的神经网络算法中，BP算法是一种典型的算法，并且他解决了多层次前馈型神经网络的训练问题，并已得到广泛应用。但是，传统的BP神经网络算法很容易陷入激增并且只是局部最优，而且其收敛速度慢。相反，用遗传算法来寻找全局最优的能力是很强的。遗传算法是从自然进化论中发展而来的，它是一类有效的并行全局搜索算法。它有很好的鲁棒性，并已成功应用于解决全局优化问题。如果神经网络是按照优化和遗传算法设计的，该算法不仅易于实现全局最优，而且很容易提高神经网络的性能。许多学者在这方面都有很不错的成果。 　　然而，大多数现有的神经网络设计方法优化的目标是在结构，初始权重和阀值方面，而忽视训练比率和动量因子。事实上，当设计一个神经网络时，初始权重和阀值是随机产生的，而训练比率和动量因子以及网络的结构通常是由人们的经验获得的。这些因素都影响了网络的训练速度和神经网络的直接处理能力。只有全面的优化这些参数，才能使得网络整体性能得以改善。因此，本文提出基于高性能遗传算法的彻底进化神经网络的BP算法。该算法可用于建立诊断电力变压器和电源变压器的模型，而该模型是基于神经网络的。 　　2 遗传算法和它的改进 　　遗传算法是一种随机全局搜索算法，他通过模拟自然进化和自然选择过程中的遗留生物来解决复杂问题。在遗传算法中，问题空间由代码空间来替换，性能评价的标准是合适的函数，进化的基础是代码个数，由许多不同基因个体的代码来确定选择和遗传机制。一个重复的过程由该方法来形成。许多不同的个体是通过不断演变的基因和代码位链的一些重要基因的随机组合产生的，由此不断地最优化和逐步实现问题的最终解决。考虑到遗传算法的低收敛速度和低精度等的局限，本文提出了一些改进的遗传算法。 　　2.1 选择算法的改进 　　通过竞争性遗传算法在两代之间选择出优良个体，基因个体分为男性和女性。排列方式决定了所有男性和所有父代女性及其下一代。然后选择前者的N/2的男性优秀个体分别与女性个体结合形成新的人口规模N。将这n个个体放入配对区，他们将分别互相配对。这样，不仅可以保证交叉操作的个体的有效配对，而且可以保留每个优秀个体的特征，可以淘汰不好的个体。因此将不会失去好的基因和特征。他将有利于尽快找到一种全局最优的算法。 　　2.2 增加一种帮助操作 　　为了加强算法的能力，以跳出局部最优并提高收敛速度，一种用来改善遗传算法的帮助操作被提出，通过帮助的可能性来增加帮助的个体。帮助操作位于选择操作之后，在匹配操作之前。它的程序如下： 　　1：i=1； 　　2：定义一个实数r，使得0≤r≤1，如果r≤Ph，执行3，否则跳转到6 　　3：j=1； 　　4：如果 =0，则令 =1；但是如果由于执行该操作产生 个体的自适应性，则保持 =0； 　　5：j++，如果j＞n，执行6，否则跳转到4； 　　6：i++，如果i＞n，执行7，否则跳转到2； 　　7：停止。 　　其中，Ph表示帮助可能性，表示的是i个体，表示i个体的j位，n表示编码无性别长度，N代表群体大小。 　　2.3 匹配方法改进 　　在本文的算法中，相同性别的个体不进行交配。即雄性只能与雌性交配。而且，为了获得个体们较好的排列顺序，用这样的算法操作来实现，即按照依次优劣排序的雌体与用同样排序的雄体进行交配。这样有利与遗传算法加快寻找全局最优的速度，增强了全局收敛性。 　　为了避免近亲繁殖，不同性别的个体还需要检查它们的区别，如果两个个体是相同的或者区别他们相对应的二进制码值为一，他们不能进行交配而且必须将它们进行修正，比如，最高码值的个体与最低码值的个体必须修正为