最新遗传算法在bp神经网络优化中的应用.docxVIP

遗传算法在BP神经网络优化中的应用 2O 世纪80年代后期，多机器人协作成为一种新的机器人应用形式日益引 起国内外学术界的兴趣与关注。一方面，由丁任务的复杂性，在单机器人难以完 成任务时，人们希望通过多机器人之间的协调与合作来完成。 另一方面，人们也 希望通过多机器人间的协调与合作，来提高机器人系统在作业过程中的效率。 1943年，Maeullocu和Pitts 融合了生物物理学和数学提出了第一个神经元模 型。从这以后，人工神经网络经历了发展、停滞、再发展的过程，时至今日正走 向成熟，在广泛领域里得到了应用，其中将人工神经网络技术应用到多机器人协 作成为新的研究领域。本文研究通过人工神经网络控制多机器人完成协作搬运的 任务-3 J，并应用遗传算法来对神经网络 进行优化。仿真结果表明，经过遗传 算法优化后的搬运工作效率显著提高，误差降低。 1人工神经网络ANN）的基本原理和结构 人工神经网络（Artiifcial Neural Network , ANN））是抽象、简化与模拟大 脑神经结构的计算模型，乂称并行分布处理模型J。ANN由大量功能简单且具有 自适应能力的信息处理单元一一人工神经元按照大规模并行的方式通过一定的 拓扑结构连接而成。ANNK扑结构很多，其中采用反向传播（Back-Propa- gation , BP）算法的前馈型神经网络（如下图1所示）,即BP人工神经网络，是人工神经网 络中最常用、最成熟的神经网络之一 。 BP网络模型处理信息的基本原理是：输入信号 x;通过中间节点（隐层点）作用 丁出节点，经过非线形变换，产生输出信 Yk,网络训练的每个样本包括输入向 量x和期望输出量T,网络输出值Y与期望输出值T之间的偏差，通过调整输 入节点与隐层节点的联接强度取值 w;;和隐层节点与输出节点之间的联接强度 Y以及阈值，使误差沿梯度方向下降，经过反复学习训练，确定与最小误差相 对应的网络参数（权值和阈值），训练即告停止。此时经过训练的神经网络即能 对类似样本的输入信息，自行处理输出误差最小的经过非线形转换的信息。 2遗传算法的基本原理和步骤 遗传算法(Geneitc Algoirthm , GA浅似于自然进化，通过作用于染色体上 的基因寻找好的染色体来求解问题 J。与自然界相似，遗传算法对求解问题的本 身一无所知，它所需要的仅是对算法所产生的每个染色体进行评价， 并基于适应 值来选择染色体，使适应性好的染色体有更多的繁殖机会。在遗传算法中，通 过随机方式产生若十个所求解问题的数字编码 ，即染色体，形成初始群体；通 过适应度函数给每个个体一个数值评价， 淘汰低适应度的个体，选择高适应度的 个体参加遗传操作，经过遗传操作后的个体集合形成下一代新的种群。对这个新 种群进行下一轮进化。这就是遗传算法的基思想。 遗传算法的步骤为： 初始化群体； 计算群体上每个个体的适应度值 ； 按由个体适应度值所决定的某个规则选择 将进入下一代的个体； 按概率P。进行交义操作； 按概率P进行突变操作； 没有满足某种停止条件，则转第(2)步，否则进入第(7)步； 输出种群中适应度值最优的染色体作为问题的满意解或最优解 。程序的停止 条件最简单的有如下两种情况：(1)完成了预先给的进化代数则停止 ;(2)种群 中的最优个体在连续若十代没有改进或平均适应度在连续 若十代基本没有改 进时停止。 为了改善BP神经网络学习算法易陷入局部极小的缺陷，本文采用遗传算法 来优化BP神经网络的性能。首先采用遗传算法来优化BP神经网络的权值和阈值， 然后将这些优化值赋给网络得到优化的 BP神经网络，最后用仿真数据评估该优 化网络的性能。数值仿真结果表明：经遗传算法优化 BP神经网络能有效地避免 原始BP神经网络容易出现的局部极小，且具有收敛速度快和精度高等优点。 前 馈神经网络(BP模型)是目前神经网络领域研究最多应用最广的网络模型。其 非线性逼近能力是它博得宵睐的主要原因，而 BP算法作为前馈网络的主要学习 算法，则无可争议的对其推广应用起了举足轻重的促进作用。 BP算法因其简单、 易行、计算量小、并行性强等优点，是目前神经网络训练采用最多也是最为成熟 的训练算法之一。然而，由BP算法是一种梯度下降搜索方法，因而不可避免地 存在固有的不足，如易陷入误差函数的局部极值点，而且对于较大搜索空间、多 峰值和不可微函数也不能有效搜索到全局极小点，而遗传算法则是克服这一不足 的有效解决方法，主要是因为遗传算法是一种全局优化搜索算法， 因而能够避开 局部极小点，而且在进化过程中也无需提供所要解决问题的梯度信息。 遗传算法优化BP神经网络 1遗传算法优化BP神经网络算法流程 利用遗传算法来训练神经网络的大部分工作是预先固定好网络的拓扑， 而后用遗 传算法优化神经网络的权重。进