【正文】 權(quán)值的獲得 ************/void GetW(void){ int i,j。}/********** 樣本處理函數(shù) ************/void SampleChang(void){ int i。 outputtextreport()。 nextpopulation()。i++) sum += population[i].fitness。 initialpopulation()。 int i。 /*權(quán)值的獲得*/void NetOut(void)。 /*交叉算子*/void mutationoperator(void)。 /*適應(yīng)度計算*/void findbestandworstindividual(void)。 /*產(chǎn)生下代群體*/void evaluatepopulation(void)。 /*樣本輸入數(shù)組*/ float tch_sign。 /*當(dāng)代最差個體*/struct individual currentbest。 /*個體目標(biāo)值*/ double fitness。 /*當(dāng)前遺傳代數(shù)*/int best_index。 /*變異概率（）*/double B=。/*隱層到輸出層權(quán)值*/double o_o[SIZE][OUT]。權(quán)值變異算子：對于子代染色體中的每個權(quán)值輸入位置，變異算子以概率Pm 在初始概率分布中隨機(jī)選擇一個值，然后與該輸入位置上的權(quán)值相加。在 BP 算法中，～ 之間均勻分布的隨機(jī)數(shù)。編碼方式：神經(jīng)網(wǎng)絡(luò)的權(quán)值學(xué)習(xí)是一個復(fù)雜的連續(xù)參數(shù)優(yōu)化問題，本文選擇二進(jìn)制進(jìn)行編碼，神經(jīng)網(wǎng)絡(luò)的各個權(quán)值按一定的順序級聯(lián)為一個長串，串上的每一個位置對應(yīng)著網(wǎng)絡(luò)的一個權(quán)值。首先，在變量多，取值范圍大或無給定范圍時，收斂速度下降；其次，可找到最優(yōu)解附近，但無法精確確定最擾解位置；最后，遺傳算法的參數(shù)選擇尚未有定量方法。3．遺傳算法在網(wǎng)絡(luò)分析中的應(yīng)用遺傳算法可用于分析神經(jīng)網(wǎng)絡(luò)。 (2)參數(shù)化編碼法參數(shù)化編碼采用的編碼較為抽象，編碼包括網(wǎng)絡(luò)層數(shù)、每層神經(jīng)元數(shù)、各層互連方式等信息。 (2)網(wǎng)絡(luò)權(quán)系數(shù)的優(yōu)化用遺傳算法的全局優(yōu)化及隱含并行性的特點提高權(quán)系數(shù)優(yōu)化速度。本文中也是采用遺傳算法優(yōu)化網(wǎng)絡(luò)權(quán)重的方法。其中,進(jìn)行神經(jīng)網(wǎng)絡(luò)的分析是指用遺傳算法來揭示輸入樣本之間的相關(guān)性，從而確定如何對輸入分組進(jìn)行網(wǎng)絡(luò)訓(xùn)練。當(dāng)然，使用 GA 可以把神經(jīng)網(wǎng)絡(luò)的結(jié)構(gòu)優(yōu)化和權(quán)值學(xué)習(xí)合并起來一起求解，但這對計算機(jī)的處理能力要求很高。圖 簡單遺傳算法框圖第四章 遺傳算法在神經(jīng)網(wǎng)絡(luò)中的應(yīng)用 遺傳算法與神經(jīng)網(wǎng)絡(luò)的結(jié)合遺傳算法用于 ANN 的一個方面是用遺傳算法學(xué)習(xí)神經(jīng)網(wǎng)絡(luò)的權(quán)重，也就是用遺傳算法來取代一些傳統(tǒng)的學(xué)習(xí)算法。否則，用經(jīng)過選擇、交叉、變異所得到的新一代群體取代上一代群體，并返回到第 2 步即選擇操作處繼續(xù)循環(huán)執(zhí)行。常用的變異有:基本變異，均勻變異，邊界變異，非均勻變異。同生物界一樣，遺傳算法中變異發(fā)生的概率很低。但是，它能保證算法過程不會產(chǎn)生無法進(jìn)化的單一群體。江西理工大學(xué) 2022 屆本科生畢業(yè)設(shè)計（論文）變異概率 Pm 與生物變異極小的情況一致，所以，Pm 的取值較小，一般取 。啟發(fā)式交叉是一種獨特的交叉算子，其特點為:以目標(biāo)函數(shù)值確定搜索方向:只產(chǎn)生一個后代。2= ax2+(1a)x1隨機(jī)數(shù) a 屬于 [0 ,1]，從而保證了 x39。交叉運(yùn)算是重要的遺傳操作，種群通過交叉產(chǎn)生新的染色體，從而不斷擴(kuò)展搜索空間, 最終達(dá)到全局搜索的目的。一般較少采用多點交叉，因為它影響遺傳算法的在線性能和離線性能。單點交叉(onepoint crossover)又稱一點交叉。 交叉對于選中用于繁殖下一代的個體，隨機(jī)地選擇兩個個體的相同位置，按交江西理工大學(xué) 2022 屆本科生畢業(yè)設(shè)計（論文）叉概率 P。 (2)排序法。(1)標(biāo)定法。Holland 的原始遺傳算法所采用的輪盤算法是一種正比選擇方法，選擇概率正比于染色體的適應(yīng)值。確定采樣的基本思想是:保證最好的染色體被選擇進(jìn)入下一代。整個選擇過程可由兩步完成:(1)確定種群中個體的生存概率。(2)確定采樣。 （3）選擇概率。一般來講，在進(jìn)化的初始階段，宜采用較小的選擇壓力，盡量保持種群個體的多樣性。(2) 適應(yīng)度函數(shù)值大于等于零。另外，為了理論分析的方便，最好保證適應(yīng)度函數(shù)非負(fù)。通常以隨機(jī)方法產(chǎn)生串或個體的集合 bi, i＝1， 2，...n。在很多實際問題中，解本身就是以二維或多維的形式存在的，為了使問題的表達(dá)更直觀，可直接采用多維染色體編碼。如果采用浮點表達(dá)的編碼方法，即每個染色體向量被編碼成一個與解向量相同長度的浮點數(shù)向量，那么，在執(zhí)行上，遺傳空間就是問題空間，染色體直接反映了問題的規(guī)律與特性。利用灰碼編碼方法可以在一定程度上克服上述缺點。但是對于多維、高精度問題，二進(jìn)制編碼就會顯示出一些不足，主要有:①二進(jìn)制編碼不能直接反映出所求問題的本身結(jié)構(gòu)特征。二進(jìn)制編碼是將問題空間的候選解轉(zhuǎn)換為遺傳空間的各位數(shù)值為“0”或“1”的字符串。(二)編碼方法江西理工大學(xué) 2022 屆本科生畢業(yè)設(shè)計（論文）下面介紹幾種常用的遺傳算法編碼技術(shù)。具體為:(1)有意義基因塊的編碼規(guī)則。染色體和候選解一一對應(yīng)。問題空間中的所有點都能作為遺傳空間中的點(染色體)來表現(xiàn)。九、非線性它對應(yīng)遺傳學(xué)中的異位顯性(Epistasis)十、適應(yīng)度(Fitness)表示某一個體對于環(huán)境的適應(yīng)程度。七、串結(jié)構(gòu)空間 SS 在串中，基因任意組合所構(gòu)成的串的集合。 五 、基因位置(Gene Position)一個基因在串中的位置稱為基因位置，有時也簡稱基因位。二、群體(Population)個體的集合稱為群體，串是群體的元素三、群體大小(Population Size)在群體中個體的數(shù)量稱為群體的大小?；蛲蛔兒突螂s交可產(chǎn)生更適應(yīng)于環(huán)境的后代。在環(huán)境變化時，只有那些能適應(yīng)環(huán)境的個體特征方能保留下來。江西理工大學(xué) 2022 屆本科生畢業(yè)設(shè)計（論文）第三章遺傳算法3．1 遺傳算法概述遺傳算法的基本思想是基于 Darwin 進(jìn)化論和 Mendel 的遺傳學(xué)說的。對于沒有隱層的神經(jīng)網(wǎng)絡(luò)，可取 ijiij XY????)(? （236）其中： iY為期望輸出； jX為輸出層的實際輸出；i為輸入層的輸入。 通過多個樣本的反復(fù)訓(xùn)練，同時向誤差漸漸減小的方向?qū)?quán)系數(shù)進(jìn)行修正，以達(dá)最終消除誤差。由于公式 (211)中有江西理工大學(xué) 2022 屆本科生畢業(yè)設(shè)計（論文）)(imiXee Ymiki ???? (224)從而有 md1= (1 1)( Yi) (225)2．如果 km，則該層是隱層。一般取非線性連續(xù)函數(shù)，例如 Sigmoid函數(shù)。下面求 ijWe?；有ijkikiij UeWe????. （214）由于江西理工大學(xué) 2022 屆本科生畢業(yè)設(shè)計（論文） jikjWXWUijikjijijk ???? ????|1)(1 (215)故而 1.???kjUeekiij (216)從而有 1.???????? kjUeWeij Xkiij?? (217)令 kiUekid? （218 ）則有學(xué)習(xí)公式： 1.????kjiij XdW? （ 219）從公式(29)可知在公式(217)中，有其中：η 為學(xué)習(xí)速率，即步長，一般取 01 間的數(shù)。為了說明 BP 算法，首先定義誤差函數(shù) e。在輸出層把現(xiàn)行輸出和期望輸出進(jìn)行比較，如果現(xiàn)行輸出不等于期望輸出，則進(jìn)入反向傳播過程。隱層雖然和外界不連接．但是，它們的狀態(tài)則影響輸入輸出之間的關(guān)系。BP 算法是目前最廣泛用的神經(jīng)網(wǎng)絡(luò)學(xué)習(xí)算法之一，在自動控制中是最有用的學(xué)習(xí)算法。在多層網(wǎng)絡(luò)中．它只能改變最后權(quán)系數(shù)。BP 算法是為了解決多層前向神經(jīng)網(wǎng)絡(luò)的權(quán)系數(shù)優(yōu)化而提出來的；所以，BP算法也通常暗示著神經(jīng)網(wǎng)絡(luò)的拓?fù)浣Y(jié)構(gòu)是一種無反饋的多層前向網(wǎng)絡(luò)。近若干年來，隨著神經(jīng)網(wǎng)絡(luò)理論的發(fā)展，出現(xiàn)了不少新穎的神經(jīng)元數(shù)學(xué)模型，這些模型包括邏輯神經(jīng)元模型，模糊神經(jīng)元模型等，并且漸漸也受到人們的關(guān)注和重視。對于用 s 型激發(fā)函數(shù)，它的輸出是非線性的；故這種神經(jīng)元稱非線性連續(xù)型模型。 從圖 22 的神經(jīng)元模型，可以得到神經(jīng)元的數(shù)學(xué)模型表達(dá)式： ??????001)( iii uuf (21)圖 對于激發(fā)函數(shù) f[根據(jù)神經(jīng)元的特性和功能，可以把神經(jīng)元抽象為一個簡單的數(shù)學(xué)模型。神經(jīng)網(wǎng)絡(luò)計算的基本特征是大規(guī)模并行處理、容錯性、自適應(yīng)性和自組織性。神經(jīng)網(wǎng)絡(luò)是由大量神經(jīng)元廣泛互連形成大規(guī)模并行處理和分布式的信息存儲的復(fù)雜網(wǎng)絡(luò)系統(tǒng)。當(dāng)樣本情況發(fā)生變化時，經(jīng)學(xué)習(xí)可以修改權(quán)值以適應(yīng)新的環(huán)境。在此基礎(chǔ)上，人們提出了各種學(xué)習(xí)規(guī)則和算法，以適應(yīng)不同網(wǎng)絡(luò)模型的需要。 本課題主要研究內(nèi)容學(xué)習(xí)是神經(jīng)網(wǎng)絡(luò)研究的一個重要內(nèi)容，它的適應(yīng)性是通過學(xué)習(xí)實現(xiàn)的。但是，近年來，隨著人工智能應(yīng)用領(lǐng)域的不斷拓廣，傳統(tǒng)的基于符號處理機(jī)制的人工智能方法在知識表示、處理模式信息及解決組合爆炸等方面所碰到的問題已變得越來越突出，有不少問題需要在復(fù)雜而龐大的搜索空間中尋找最優(yōu)解或準(zhǔn)優(yōu)解。遺傳算法以一種群體中的所有個體為對象，并利用隨機(jī)化江西理工大學(xué) 2022 屆本科生畢業(yè)設(shè)計（論文）技術(shù)指導(dǎo)對一個被編碼的參數(shù)空間進(jìn)行高效搜索。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(jī)器學(xué)習(xí)、信號處理、自適應(yīng)控制和人工生命等領(lǐng)域。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(jī)和分布式系統(tǒng)上高效執(zhí)行遺傳算法的策略。故而，遺傳算法有很高的容錯能力。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。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。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(jìn)行操作。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。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(xùn)練和學(xué)習(xí)中，提高神經(jīng)網(wǎng)絡(luò)的學(xué)習(xí)效率和學(xué)習(xí)速度，減輕網(wǎng)絡(luò)學(xué)習(xí)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)。涉密論文按學(xué)校規(guī)定處理。對本文的研究做出重要貢獻(xiàn)的個人和集體，均已在文中以明確方式標(biāo)明。對本研究提供過幫助和做出過貢獻(xiàn)的個人或集體，均已在文中作了明確的說明并表示了謝意。 crossover 。本文闡述了將遺傳算法用于神經(jīng)網(wǎng)絡(luò)權(quán)值學(xué)習(xí)和訓(xùn)練的原理和方法，并詳述了神經(jīng)網(wǎng)絡(luò)權(quán)值學(xué)習(xí)和訓(xùn)練中遺傳算法的具體實現(xiàn)過程。江西理工大學(xué) 2022 屆本科生畢業(yè)設(shè)計（論文）摘 要隨著科學(xué)技術(shù)的發(fā)展，各學(xué)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(zhǔn)優(yōu)解顯得尤為重要。本課題將在對神經(jīng)網(wǎng)絡(luò)、遺傳算法等進(jìn)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(jìn)行研究，同時對GA在優(yōu)化和神經(jīng)網(wǎng)絡(luò)訓(xùn)練等方面的應(yīng)用和實現(xiàn)進(jìn)行較深入的探討。 fitness。盡我所知，除文中特別加以標(biāo)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(jī)構(gòu)的學(xué)位或?qū)W歷而使用過的材料。除了文中特別加以標(biāo)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。本人授權(quán)　　 　 　大學(xué)可以將本學(xué)位論文的全部或部分內(nèi)容編入有關(guān)數(shù)據(jù)庫進(jìn)行檢索，可以采用影印、縮印或掃描等復(fù)制手段保存和匯編本學(xué)位論文。但是神經(jīng)網(wǎng)絡(luò)權(quán)值訓(xùn)練和學(xué)習(xí)過程的復(fù)雜和長期性，特別是神經(jīng)網(wǎng)絡(luò)易有訓(xùn)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。遺傳算法以一種群體中的所有個體為對象，并利用隨機(jī)化技術(shù)指導(dǎo)對一個被編碼的參數(shù)空間進(jìn)行高效搜索。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(jìn)行了編碼的個體。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(dǎo)數(shù)等其它輔助信息，適應(yīng)范圍更廣。遺傳算法從串集開始搜索，覆蓋面大，利于全局擇優(yōu)。 3．遺傳算法有極強(qiáng)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(yuǎn)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(qiáng)烈的濾波過程；并且是一個并行濾波機(jī)制。5．遺傳算法具有隱含的并行性。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(jìn)行操作，不存在求導(dǎo)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