《基于遗传算法的神经网络优化方法.ppt》由会员分享，可在线阅读，更多相关《基于遗传算法的神经网络优化方法.ppt（13页珍藏版）》请在三一文库上搜索。
1、3.2 基于遗传算法的神经网络优化方法,淀吊汛伎赊丢抓伦琼团涉押凶幌槛庄泌蒸票搭柄肉乖昔械嘘浦财烛澈枕颁基于遗传算法的神经网络优化方法神经网络实用教程配套课件,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。,汤碟绳颁巾鱼译青唐怪险戮扎骡苦仙调榨缀邹戚斧膀族鼻舜克炉翌贬啪竭基于遗传算法的神经网络优化方
2、法神经网络实用教程配套课件,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。,Hello,Im John Holland,彼区以巳涝篆久互肘升子编麻矾壕陡加持沪孕袒橡驴邢琵惋柿颂丽锚居丢基于遗传算法的神经网络优化方法神经网络实用教程配套课件,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
3、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,省饶粗扒琐踞串惫信霜吵撒朴遭拆拥睁狈张畏盖齿该活佯掠傣韧裤凶示金基于遗传算法的神经网络优化方法神经网络实用教程配套课件,3.2.2 遗传算法简介,生物遗传学概念与遗传算法中概念的对应关系,爱痛措角人俞袋瞬憨叶柯长徽训撇囚撤颧扫胎磨赃谤旧败秸陋锣便照脂焉基于遗传算法的神经网络优化方法神经网络实用教程配套课件,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
4、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,跨杨讳昔袭衡尾脯肘珊强屈掩睹庆恫粹裸凝胳革币楚朔寺缔怎魔恶总破箭基于遗传算法的神经网络优化方法神经网络实用教程配套课件,遗传算法的流程图,隐润拒票宽塘辽傲盖幅遥咙销镑懂撑
5、肝希轿撑帛遁揩观俗居怎起栖城容案基于遗传算法的神经网络优化方法神经网络实用教程配套课件,3.2.3 遗传算法工具箱,编码和种群生成 指令格式： Functionpop=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,拽千托升妙辨沪羽征识诵坏放
6、泡耙诡钮泞磊牟彤胆议溪脂洼泰枷下永铸作基于遗传算法的神经网络优化方法神经网络实用教程配套课件,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 Bou
7、nds：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,堑付膨辆牢糜境厩鞘鼠县词亭甫桶圭侗密普篇松狗情地姿脱极服搓孟誓欠基于遗传算法的神经网络优化方法神经网络实用教程配套课件,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
8、、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。,烘勘替窑又仿掘邀榆补龄隶孜年钵辆瑶嘴葵痈茹慑诊筛找龋伎杏祭烦龚朱基于遗传算法的神经网络优化方法神经网络实用教程配套课件,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
9、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,凋穆誉气皖射炽疮夜言氯把匪纽厢坝惋圈蓟岿粥幌拴仑福键骨姐隐渡列单基于遗传算法的神经网络优化方法神经网络实用教程配套课件,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,歇指处沿吁请笛些做诣茎祭闽房殆檬哦素吹卯峰忱姓坡定廖逝髓陷纬已螟基于遗传算法的神经网络优化方法神经网络实用教程配套课件,谢谢！,蜡忽卸珠裸戚拯涅斤叮摹檄砒衔录秽汞赞惠霹催苞啸蓄错遥舅疗粳爵廖急基于遗传算法的神经网络优化方法神经网络实用教程配套课件,