神经发生中网络表征效率的控制.docx

M.A. Mitrokhin et al. / Procedia Computer Science 186 (2021) 588–594 PAGE 593 PAGE 594 M.A. Mitrokhin et al. / Procedia Computer Science 186 (2021) 588–594 神经发生中网络表征效率的控制 摘要 本文讨论了一种在模块化网络结构编码中提高进化遗传搜索效率的方法。提出了一种使用通过应用系统的形式装置和修复机制产生的产生规则来展开基因型以形成表型的方法。考虑正向和反向编码技术。该方法结合了遗传代码表示的紧凑性和增加所得网络维数的高级能力。 关键词:进化计算；神经网络；遗传算法；遗传操作；优化；l系统；形式语法 1。 介绍 人工神经网络(ANN)长期以来一直是解决与人工智能(AI)领域相关的问题的流行设备，代表用于自适应类型数据处理和分析的系统。人工神经网络与其他人工智能方法的一个显著区别是，不需要表示可解决问题的数学模型/公式的神经网络，因为神经网络是根据给出的数据自己构建的。不需要向计算环境表示问题模型是另一种解决人工智能问题的方法的特点，即使用生物进化的机制和原理的进化或遗传算法。人工神经网络和遗传算法都被有效地用于解决形式化程度不高的问题，例如，控制、预测和分类，其中替代方案是使用自适应自动化系统或专家小组的工作。遗传算法和人工神经网络相结合形成有效的网络通常被定义为神经发生或神经进化[1，2]。 尽管人工神经网络作为解决人工智能问题的一种手段具有明显的有效性，但其应用需要解决大量的问题，例如[3]: 人工神经网络体系结构的选择； 创建足以解决问题的网络结构；网络培训。 该体系结构定义了特定网络中控制信号传输的连接方法或原理。由于特定类型的网络有不同的功能原理，所以有可能将这些差异减少到参数差异，这将把问题减少到计算复杂性的增加。 创建具有足以解决问题的计算能力的网络结构的问题可以通过两种方法来解决； 首先，选择一个冗余网络，将其简化为最优网络，其中，从人工神经网络运行的第一阶段开始，网络操作(训练、分析)的极限成本值是特征性的； 应用扩展，从某个最小网络开始，其中可以快速创建运行质量不高的有效网络。 网络训练的目的是配置其权重(可能还有传递函数)。实际上，权重的数量可以是数万，这主要表明了过程的复杂性。培训(网络配置)是一个严格定义的过程，仅根据最终的正式标准，从根本上来说，对配置步骤的可能数量没有保证的限制。保证时间的网络培训很难。缺乏对网络最佳训练的信心。训练算法可能会陷入局部极小的陷阱，导致故意的非最优问题解决。 反过来，进化算法的优势提出了关于对进化遗传计算(EGC)技术进行正式和有目的控制的方法的问题。这种数学模型的使用既需要初步问题系统的可计算表示，也需要确保最终解决方案的实施的机制。 我们案例的主要问题是心电图信息的呈现，这需要选择适合任务的人工神经网络特征[4]。一种选择是在基因型中编码网络结构。同时，由于处理大字符串的复杂性，关键的约束因素是最终解决方案的大小。同时，得到的溶液的澄清度是一个积极的点。另一个选择是更强大的字符串处理算法，这不利于清晰度[1，5]。此外，这提出了一个将基因型转化为表型的难题，这需要额外的研究[6-10]。 2。 关于编码和模块化 灵活可配置结构的创建基于标准块的使用。将它们以适当的组合放在一起，就会产生所需的复杂性和可变性。针对不同任务进行扩展可以有效利用其可用资源。因此，您可以获得每个任务的最佳结构。 类似于现有的自然和人工系统，模块化结构的使用具有许多优点。其中，我们注意到易于开发，设计和培训成本可预测，易于修改新任务[2，8，10，11]。然而，在这种情况下，当集成这样的系统时会出现问题，例如，反向传播算法存在困难。当使用没有反向传播算法限制的递归网络时，这变得更加困难。大量实际上几乎无法求解的微分方程描述了这种网络的行为。在制定技术任务的过程中，很少可能预先选择最佳稳定性和网络拓扑。其结果是一种方法，用于评估测试能力和针对项目的独特需求评估可能的网络选项。 在很大程度上，所有的自然结构在构建和发展的各个阶段都使用模块化原则:从脱氧核糖核酸(DNA)中编码片段的发展到不同生物的发展及其进化。 通过与自然界生物的类比，遗传密码只包含创造特定有机体的一般规则。同时，遗传密码和生物体的特定部分之间没有一一对应的关系。这种方法用于遗传搜索过程。在发展和进化中联合和结合的不是最终产生的有机体、碎片和模块，而是它们构建的配方。 EGC的使用，即遗传算法，使我们免于在设计阶段，人们只能凭经验猜测哪个网络最适合解决特定的问题。遗传算法毫无疑问的优势是网络元素的调整(适应性)。可以通过检查单个元素的属性来评估该