【正文】 江西理工大學 2022 屆本科生畢業(yè)設(shè)計（論文）摘 要隨著科學技術(shù)的發(fā)展，各學科交叉滲透，利用遺傳算法用于解決傳統(tǒng)計算所遇到的尋找最優(yōu)解或準優(yōu)解顯得尤為重要。因此，研究能在搜索過程中自動獲得和積累有關(guān)搜索空間的知識，并能自適應(yīng)地控制搜索過程，從而得到最優(yōu)解或準有解的通用搜索算法一直是令人矚目的課題。遺傳算法經(jīng)實踐證明特別有效的算法。本課題將在對神經(jīng)網(wǎng)絡(luò)、遺傳算法等進行基礎(chǔ)理論研究的前提下，注重對遺傳算法的C語言實現(xiàn)進行研究，同時對GA在優(yōu)化和神經(jīng)網(wǎng)絡(luò)訓練等方面的應(yīng)用和實現(xiàn)進行較深入的探討。本文闡述了將遺傳算法用于神經(jīng)網(wǎng)絡(luò)權(quán)值學習和訓練的原理和方法，并詳述了神經(jīng)網(wǎng)絡(luò)權(quán)值學習和訓練中遺傳算法的具體實現(xiàn)過程。關(guān)鍵詞：遺傳算法；神經(jīng)網(wǎng)絡(luò)；繁殖；交叉；變異；適應(yīng)度江西理工大學 2022 屆本科生畢業(yè)設(shè)計（論文）ABSTRACTWith the development of science and technology, infiltrated the various disciplines, the traditional use of geic algorithms for solving encountered calculation to find the optimal solution or quasioptimal solution is very important. Therefore, the study can be automatically in the search process and the accumulation of knowledge of the search space, and can adaptively control the search process, thereby yielding the optimal solution or the quasisolvability of the general search algorithm has been a remarkable subject. GA proven particularly effective method. This issue will be on neural works, geic algorithms and basic premise of theory, focusing on the C language implementation of geic algorithm research, while GA optimization and neural work training in the areas of application and implementation of more indepth . In this paper, geic algorithm neural work weight learning and training principles and methods, and detailed study of neural work weights and training in the specific realization of geic algorithmKey words: geic algorithm。 neural work。 fitness。 crossover 。mutation breeding。江西理工大學 2022 屆本科生畢業(yè)設(shè)計（論文）畢業(yè)設(shè)計（論文）原創(chuàng)性聲明和使用授權(quán)說明原創(chuàng)性聲明本人鄭重承諾：所呈交的畢業(yè)設(shè)計（論文），是我個人在指導教師的指導下進行的研究工作及取得的成果。盡我所知，除文中特別加以標注和致謝的地方外，不包含其他人或組織已經(jīng)發(fā)表或公布過的研究成果，也不包含我為獲得 及其它教育機構(gòu)的學位或?qū)W歷而使用過的材料。對本研究提供過幫助和做出過貢獻的個人或集體，均已在文中作了明確的說明并表示了謝意。作 者 簽 名：　　 　 　　 日　 期：　　 　 　　 指導教師簽名：　　 　 　　 日 　　期：　　 　 　　 使用授權(quán)說明本人完全了解 大學關(guān)于收集、保存、使用畢業(yè)設(shè)計（論文）的規(guī)定，即：按照學校要求提交畢業(yè)設(shè)計（論文）的印刷本和電子版本；學校有權(quán)保存畢業(yè)設(shè)計（論文）的印刷本和電子版，并提供目錄檢索與閱覽服務(wù)；學校可以采用影印、縮印、數(shù)字化或其它復制手段保存論文；在不以贏利為目的前提下，學?？梢怨颊撐牡牟糠只蛉績?nèi)容。作者簽名：　　 　 　　 日　 期：　　 　 　　 江西理工大學 2022 屆本科生畢業(yè)設(shè)計（論文）學位論文原創(chuàng)性聲明本人鄭重聲明：所呈交的論文是本人在導師的指導下獨立進行研究所取得的研究成果。除了文中特別加以標注引用的內(nèi)容外，本論文不包含任何其他個人或集體已經(jīng)發(fā)表或撰寫的成果作品。對本文的研究做出重要貢獻的個人和集體，均已在文中以明確方式標明。本人完全意識到本聲明的法律后果由本人承擔。作者簽名： 日期： 年 月 日學位論文版權(quán)使用授權(quán)書本學位論文作者完全了解學校有關(guān)保留、使用學位論文的規(guī)定，同意學校保留并向國家有關(guān)部門或機構(gòu)送交論文的復印件和電子版，允許論文被查閱和借閱。本人授權(quán)　　 　 　大學可以將本學位論文的全部或部分內(nèi)容編入有關(guān)數(shù)據(jù)庫進行檢索，可以采用影印、縮印或掃描等復制手段保存和匯編本學位論文。涉密論文按學校規(guī)定處理。作者簽名： 日期： 年 月 日導師簽名： 日期： 年 月 日江西理工大學 2022 屆本科生畢業(yè)設(shè)計（論文）目 錄第一章 緒論 ..............................................4 遺傳算法的產(chǎn)生及特點 .................................4 遺傳算法的發(fā)展及其應(yīng)用 ...............................5 本課題的選題背景 .....................................5 本課題研究目的與意義 .................................6第二章 神經(jīng)元網(wǎng)絡(luò)及 BP 算法 ...............................7 神經(jīng)網(wǎng)絡(luò)概述 ........................................7 神經(jīng)元的數(shù)學模型 ....................................7 BP 學習算法 ..........................................9 BP 算法的原理 ........................................9第三章遺傳算法 ...........................................153．1 遺傳算法概述 .......................................15 遺傳算法的步驟 ......................................16 編碼問題 ........................................16 選擇 ............................................17 交叉 ............................................18 變異 ............................................19 全局最優(yōu)收斂 ....................................19第四章 遺傳算法在神經(jīng)網(wǎng)絡(luò)中的應(yīng)用 .......................21 遺傳算法與神經(jīng)網(wǎng)絡(luò)的結(jié)合 ............................21江西理工大學 2022 屆本科生畢業(yè)設(shè)計（論文） 遺傳算法訓練神經(jīng)網(wǎng)絡(luò) C 語言實現(xiàn) ......................22 用遺傳算法訓練神經(jīng)網(wǎng)絡(luò)的要求 ....................22 遺傳算法訓練神經(jīng)網(wǎng)絡(luò) C 語言實現(xiàn) ..................24 結(jié)果分析 ...........................................35第五章 結(jié)束語 .......................................38參考文獻： ...........................................39第一章 緒論BP網(wǎng)(Back Propagation Network)是目前應(yīng)用最為廣泛的神經(jīng)網(wǎng)絡(luò)，具有相當強的輸入輸出映射能力．但是，由于BP算法的基本思想是最小二乘法，采用的是梯度搜索技術(shù)，難免存在收斂速度慢、局部極小等問題。神經(jīng)網(wǎng)絡(luò)和遺傳算法都是比較先進的計算方法，它們已成功地應(yīng)用于工業(yè)、經(jīng)濟管理、交通運輸、工業(yè)設(shè)計等領(lǐng)域，解決了許多問題。但是神經(jīng)網(wǎng)絡(luò)權(quán)值訓練和學習過程的復雜和長期性，特別是神經(jīng)網(wǎng)絡(luò)易有訓練過度的缺點，這些都大大影響了神經(jīng)網(wǎng)絡(luò)的更廣泛普及和應(yīng)用。遺傳算法是一種高效和計算簡單的優(yōu)化算法，它完全可以應(yīng)用于神經(jīng)網(wǎng)絡(luò)權(quán)值的訓練和學習中，提高神經(jīng)網(wǎng)絡(luò)的學習效率和學習速度，減輕網(wǎng)絡(luò)學習過度的問題，為神經(jīng)網(wǎng)絡(luò)的更廣泛應(yīng)用奠定基礎(chǔ)。 遺傳算法的產(chǎn)生及特點遺傳算法是根據(jù)生物進化思想而啟發(fā)得出的一種全局優(yōu)化算法，并且遺傳算法是模擬達爾文的遺傳選擇和自然淘汰的生物進化過程的計算模型。它的思想源于生物遺傳學和適者生存的自然規(guī)律，是具有“生存＋檢測”的迭代過程的搜索算法。遺傳算法以一種群體中的所有個體為對象，并利用隨機化技術(shù)指導對一個被編碼的參數(shù)空間進行高效搜索。其中，選擇、交叉和變異構(gòu)成了遺傳算法的遺傳操作；參數(shù)編碼、初始群體的設(shè)定、適應(yīng)度函數(shù)的設(shè)計、遺傳操作設(shè)計、控制參數(shù)設(shè)定五個要素組成了遺傳算法的核心內(nèi)容。 作為一種新的全局優(yōu)化搜索算法，遺傳算法以其簡單通用、魯棒性強、適于并行處理以及高效、實用等顯著特點，在各個領(lǐng)域得到了廣泛應(yīng)用，取得了良好效果，并逐漸成為重要的智能算法之一。江西理工大學 2022 屆本科生畢業(yè)設(shè)計（論文）遺傳算法作為一種快捷、簡便、容錯性強的算法，在各類結(jié)構(gòu)對象的優(yōu)化過程中顯示出明顯的優(yōu)勢。與傳統(tǒng)的搜索方法相比，遺傳算法具有如下特點：搜索過程不直接作用在變量上，而是在參數(shù)集進行了編碼的個體。此編碼操作，使得遺傳算法可直接對結(jié)構(gòu)對象（集合、序列、矩陣、樹、圖、鏈和表）進行操作。搜索過程是從一組解迭代到另一組解，采用同時處理群體中多個個體的方法，降低了陷入局部最優(yōu)解的可能性，并易于并行化。采用概率的變遷規(guī)則來指導搜索方向，而不采用確定性搜索規(guī)則。對搜索空間沒有任何特殊要求（如連通性、凸性等） ，只利用適應(yīng)性信息，不需要導數(shù)等其它輔助信息，適應(yīng)范圍更廣。遺傳算法具有許多獨特的優(yōu)點:1．遺傳算法從問題解的中集開始嫂索，而不是從單個解開始。這是遺傳算法與傳統(tǒng)優(yōu)化算法的極大區(qū)別。傳統(tǒng)優(yōu)化算法是從單個初始值迭代求最優(yōu)解的；容易誤入局部最優(yōu)解。遺傳算法從串集開始搜索，覆蓋面大，利于全局擇優(yōu)。2．遺傳算法求解時使用特定問題的信息極少，容易形成通用算法程序。由于遺傳算法使用適應(yīng)值這一信息進行搜索，并不需要問題導數(shù)等與問題直接相關(guān)的信息。遺傳算法只需適應(yīng)值和串編碼等通用信息，幾乎可處理任何問題。 3．遺傳算法有極強的容錯能力遺傳算法的初始串集本身就帶有大量與最優(yōu)解甚遠的信息；通過選擇、交叉、變異操作能迅速排除與最優(yōu)解相差極大的串；這是一個強烈的濾波過程；并且是一個并行濾波機制。故而，遺傳算法有很高的容錯能力。4．遺傳算法中的選擇、交叉和變異都是隨機操作，而不是確定的精確規(guī)則。這說明遺傳算法是采用隨機方法進行最優(yōu)解搜索，選擇體現(xiàn)了向最優(yōu)解迫近，交叉體現(xiàn)了最優(yōu)解的產(chǎn)生，變異體現(xiàn)了全局最優(yōu)解的覆蓋。5．遺傳算法具有隱含的并行性。遺傳算法在操作上具有高度的并行性,許多研究人員都在探索在并行機和分布式系統(tǒng)上高效執(zhí)行遺傳算法的策略。對分布并行遺傳算法的研究表明,只要通過保持多個群體和恰當控制群體間的相互作用來模擬并行執(zhí)行過程,即使不使用并行計算機,也能提高算法的執(zhí)行效率。 遺傳算法的發(fā)展及其應(yīng)用遺傳算法（Geic Algorithm）是一類借鑒生物界的進化規(guī)律（適者生存，優(yōu)勝劣汰遺傳機制）演化而來的隨機化搜索方法。它是由美國的 教授 1975 年首先提出，其主要特點是直接對結(jié)構(gòu)對象進行操作，不存在求導和函數(shù)連續(xù)性的限定；具有內(nèi)在的隱并行性和更好的全局尋優(yōu)能力；采用概率化的尋優(yōu)方法，能自動獲取和指導優(yōu)化的搜索空間，自適應(yīng)地調(diào)整搜索方向，不需要確定的規(guī)則。遺傳算法的這些性質(zhì)，已被人們廣泛地應(yīng)用于組合優(yōu)化、機器學習、信號處理、自適應(yīng)控制和人工生命等領(lǐng)域。它是現(xiàn)代有關(guān)智能計算中的關(guān)鍵技術(shù)。 遺傳算法是模擬達爾文的遺傳選擇和自然淘汰的生物進化過程的計算模型。它的思想源于生物遺傳學和適者生存的自然規(guī)律，是具有“生存＋檢測”的迭代過程的搜索算法。遺傳算法以一種群體中的所有個體為對象，并利用隨機化江西理工大學 2022 屆本科生畢業(yè)設(shè)計（論文）技術(shù)指導對一個被編碼的參數(shù)空間進行高效搜索。其中，選擇、交叉和變異構(gòu)成了遺傳算法的遺傳操作；參數(shù)編碼、初始群體的設(shè)定、適應(yīng)度函數(shù)的設(shè)計、遺傳操作設(shè)計、控制參數(shù)設(shè)定五個要素組成了遺傳算法的核心內(nèi)容。 作