基于遗传算法的神经网络设计本科生毕业设计_说明.docxVIP

摘要 随着科学技术的发展，各学科的交叉渗透，利用遗传算法寻找传统计算中遇到的最优解或准最优解显得尤为重要。因此，研究能够在搜索过程中自动获取和积累关于搜索空间的知识，并能自适应地控制搜索过程以获得最优解或准解的通用搜索算法的研究一直是一个引人注目的话题。遗传算法是已被证明特别有效的算法。本课题将在对神经网络和遗传算法进行基础理论研究的前提下，重点研究遗传算法的C语言实现，同时对应用和实现进行更深入的探讨遗传算法在优化和神经网络训练中的应用。 .阐述了将遗传算法应用于神经网络权重学习与训练的原理和方法，详细介绍了遗传算法在神经网络权重学习与训练中的具体实现过程。 关键词：遗传算法；神经网络;再生产;交叉;突变;健康 目录 TOC \o 1-3 \h \z \u 第 1 章 引言 4 1.1遗传算法的产生与特点 4 1.2遗传算法的发展及其应用 5 1.3选题背景 5 1.5本研究的目的和意义 6 第2章神经元网络与BP算法 7 2.1神经网络概述 7 2.2神经元的数学模型 7 2.3 BP学习算法 9 BP算法原理 9 第 3 章 遗传算法 15 3 . 1遗传算法概述 15 3.2遗传算法第 16步 3.2.1编码问题 16 3.2.3选择 17 3.2.4跨界 18 3.2.5变化 19 3.2.6全局最优收敛 19 第 4 章 遗传算法在神经网络中的应用 21 4.1遗传算法与神经网络的结合 21 4.2遗传算法训练神经网络C语言实现 22 4.2.1用遗传算法训练神经网络的要求 22 4.2.3遗传算法训练神经网络C语言实现 24 4.3结果分析 35 第 5 章 结论 38 参考文献： 39 第一章简介 BP网络（Back Propagation Network）是目前应用最广泛的神经网络，具有很强的输入输出映射能力。但是，由于BP算法的基本思想是最小二乘法，采用梯度搜索技术，难免会出现收敛速度慢、局部极小等问题。神经网络和遗传算法是比较先进的计算方法，已经成功应用于工业、经济管理、交通运输、工业设计等领域，解决了很多问题。然而，神经网络权重训练和学习过程的复杂性和长期性，特别是神经网络过度训练的缺点，极大地影响了神经网络的更广泛的推广和应用。遗传算法是一种高效且计算简单的优化算法。可以充分应用于神经网络权值的训练和学习，提高神经网络的学习效率和学习速度，减少过度网络学习的问题，提高神经网络的性能。为广泛应用奠定基础。 1.1 遗传算法的产生与特点 遗传算法是一种受生物进化思想启发的全局优化算法，遗传算法是一种模拟达尔文遗传选择和自然淘汰的生物进化过程的计算模型。它的思想来源于生物遗传和适者生存的自然规律，是一种具有“生存+检测”迭代过程的搜索算法。遗传算法以群体中的所有个体为目标，并使用随机化技术来指导对编码参数空间的有效搜索。其中，选择、交叉和变异构成了遗传算法的遗传运算；参数编码、初始种群设置、适应度函数设计、遗传运算设计、控制参数设置五个要素构成了遗传算法的核心内容。遗传算法作为一种新的全局优化搜索算法，以其简单通用、鲁棒性强、适合并行处理、高效实用等优点被广泛应用于各个领域。成为重要的智能算法之一。 遗传算法作为一种快速、简单、容错的算法，在各种结构对象的优化过程中表现出明显的优势。与传统的搜索方法相比，遗传算法具有以下特点：搜索过程不直接作用于变量，而是编码在参数集中的个体。这种编码操作使遗传算法能够直接对结构对象（集合、序列、矩阵、树、图形、链接和列表）进行操作。搜索过程从一组解迭代到另一组解，同时处理组内多个个体的方法降低了陷入局部最优解的可能性，易于并行化。概率转移规则用于指导搜索方向，而不是确定性搜索规则。对搜索空间没有特殊要求（如连通性、凸性等），只使用自适应信息，不需要导数等其他辅助信息，自适应范围更广。 遗传算法有许多独特的优势： 1.遗传算法从一个问题的解决方案集合开始，而不是单个解决方案。 这是遗传算法与传统优化算法的巨大区别。传统的优化算法迭代地从单个初始值中寻找最优解；很容易陷入局部最优解。遗传算法从字符串集合开始搜索，覆盖范围大，有利于全局选择。 2.遗传算法使用很少的特定问题信息来解决，很容易形成通用的算法程序。 由于遗传算法使用适应度值的信息进行搜索，因此不需要与问题直接相关的信息，例如问题的导数。遗传算法只需要适应值和字符串代码等一般信息，几乎可以处理任何问题。 3. 遗传算法具有高度容错性 遗传算法的初始字符串集本身有很多离最优解相去甚远的信息；通过选择、交叉、变异操作，可以快速剔除与最优解相差很大的字符串；这是一个强大的过滤过程；并行过滤机制。因此，遗传算法具有较高