【正文】 for(i=0。 double p,temp1,sum=,MSum=。 } else if(population[i].fitness) {worstindividual=population[i]。*/ }}/********** 尋找最佳和最差個(gè)體 ************/void findbestandworstindividual(void) { int i。 }}/********** 適應(yīng)度計(jì)算 ************/void fitnessvalue(void){ int i。 for(i=0。j++)o_o[i][j]=0。} return(decimal)。}/********** 編碼解碼 ************/long decodechromosome(char *string,int point,int leng){ long decimal=0L。 population[i].chrom[chromlength]=39。 for(i=0。 =+w_o_h[HN][j]。 =+w_h_i[j][IN]。 for(i=0。 s++。jHN。 getch()。 if(==) B=3。 generation=0。 /*樣本轉(zhuǎn)化*/void GetW(void)。 /*目標(biāo)值計(jì)算*/void fitnessvalue(void)。 /*樣本處理系數(shù)*/struct samples{float in_sign[IN]。 /*個(gè)體染色體編碼*/ double value。 /*交叉概率（）*/double pm=。 遺傳算子：對(duì)于不同的應(yīng)用問題，遺傳算子的形式多種多樣，這里采用了權(quán)值交叉和：對(duì)于子代染色體中的每個(gè)權(quán)值輸入位置，交叉算子從兩個(gè)親代染色體中隨機(jī)選取若干個(gè)交叉位置，并將這一代染色體在交叉位置進(jìn)行交叉運(yùn)算，這樣子代染色體便含有兩個(gè)親代的遺傳基因。 輸入輸出樣本X1 X2 y X1 X2 y 遺傳算法（GA）用于神經(jīng)網(wǎng)絡(luò)訓(xùn)練研究及其在 C 語言中的實(shí)現(xiàn)用 GA 算法來訓(xùn)練網(wǎng)絡(luò)，要求：江西理工大學(xué) 2022 屆本科生畢業(yè)設(shè)計(jì)（論文）用 C 語言編制訓(xùn)練網(wǎng)絡(luò)的算法程序；畫出訓(xùn)練完成后的網(wǎng)絡(luò)圖，并標(biāo)出各權(quán)值；C)隨機(jī)產(chǎn)生 10 個(gè)檢驗(yàn)樣本來檢驗(yàn)網(wǎng)絡(luò)，給出平均值、最大誤差、均方差 面向神經(jīng)網(wǎng)絡(luò)權(quán)值學(xué)習(xí)的遺傳算法通過以上各節(jié)所討論的內(nèi)容，本文選擇以下遺傳算子來訓(xùn)練網(wǎng)絡(luò)。這種方法與自然界生物地生長(zhǎng)進(jìn)化相一致。這時(shí)，它在兩個(gè)方面起作用 (1)學(xué)習(xí)規(guī)則的優(yōu)化用遺傳算法對(duì)神經(jīng)網(wǎng)絡(luò)學(xué)習(xí)規(guī)則實(shí)現(xiàn)自動(dòng)優(yōu)化，從而提高學(xué)習(xí)速率。目前,遺傳算法與神經(jīng)網(wǎng)絡(luò)的結(jié)合方式有幾種，大致歸納如下：(1)進(jìn)化神經(jīng)網(wǎng)絡(luò)的權(quán)重；(2)進(jìn)化神經(jīng)網(wǎng)絡(luò)的拓?fù)浣Y(jié)構(gòu)；(3)同時(shí)進(jìn)化神經(jīng)網(wǎng)絡(luò)的權(quán)重與拓?fù)浣Y(jié)構(gòu)；江西理工大學(xué) 2022 屆本科生畢業(yè)設(shè)計(jì)（論文）(4)分析神經(jīng)網(wǎng)絡(luò)的訓(xùn)練數(shù)據(jù)與訓(xùn)練結(jié)果。江西理工大學(xué) 2022 屆本科生畢業(yè)設(shè)計(jì)（論文）根據(jù)遺傳算法思想可以畫出簡(jiǎn)單遺傳算法框圖 。另一方面，可以保持種群的多樣性，防止出現(xiàn)過早收斂的現(xiàn)象。=001111單靠變異不能在求解中得到好處。啟發(fā)式交又算子。例如有個(gè)體S1=100101S2=010111選擇它們的左邊 2 位和右邊 2 位進(jìn)行交叉操作則有S1=010111S2=100101一般而言，交叉概率的取值為 —。交叉時(shí)，可實(shí)行單點(diǎn)交叉或多點(diǎn)交叉。常用的標(biāo)定方法有線性標(biāo)定法、α 截?cái)喾?、冪律?biāo)定法和指數(shù)標(biāo)定法等等。種群中的染色體的選擇概率與選擇壓力直接相關(guān)。每個(gè)染色體的生存概率是確定性的，而染色體個(gè)體實(shí)際的繁殖數(shù)量是其生存概率隨機(jī)產(chǎn)生的，是隨機(jī)性的。 （2）采樣機(jī)理。(1)優(yōu)化過程中目標(biāo)函數(shù)的優(yōu)化方向(如尋求目標(biāo)函數(shù)的最大值或最小值)與種群進(jìn)化過程中適應(yīng)度函數(shù)值增加的方向相一致。一般取 n＝30浮點(diǎn)編碼是灰碼轉(zhuǎn)換，只是保證了問題空間相鄰的點(diǎn)在遺傳空間有數(shù)值為 1 的 Hamming 距離，但遺傳空間還不是問題空間。③便于用模式定理川進(jìn)行分析與預(yù)測(cè)。所定編碼應(yīng)采用最小字符集，以使問題得到自然的表示或描述。(3)非冗余性。八、參數(shù)空間 SP這是串空間在物理系統(tǒng)中的映射，它對(duì)應(yīng)于遺傳學(xué)中的表現(xiàn)型(Phenotype)的集合。它們的值稱為等位基因江西理工大學(xué) 2022 屆本科生畢業(yè)設(shè)計(jì)（論文）(Alletes)。每個(gè)基因有特殊的位置并控制某種特殊性質(zhì)；所以，每個(gè)基因產(chǎn)生的個(gè)體對(duì)環(huán)境具有某種適應(yīng)性。簡(jiǎn)單 Delta 法則式(236)只在理論推導(dǎo)上有用。在這個(gè)過程中不斷進(jìn)行遞歸求誤差。kiUXfkiK? （221）為了方便進(jìn)行求導(dǎo)，取 f 為連續(xù)函數(shù)。這種算法采用非線性規(guī)劃中的最速下降方法，按誤差函數(shù)的負(fù)梯度方向修改權(quán)系數(shù)。在隱層中的神經(jīng)元也稱隱單元。感知機(jī)學(xué)習(xí)算法是一種單層網(wǎng)絡(luò)的學(xué)習(xí)算法。通常，人們都用公式（2—7）的二值形式： 有時(shí)候，還將公式（2—8）中的 0 改為—1，此時(shí)就變成了雙極形式：????????iff1)( （28`）上面所敘述的是最廣泛應(yīng)用而且人們最熟悉的神經(jīng)元數(shù)學(xué)模型；也是歷史最長(zhǎng)的神經(jīng)元模型。]是激發(fā)函數(shù)，它決定 i 神經(jīng)元受到輸人 1X， 2，……， nX的共同刺激達(dá)到閥值時(shí)以何種方式輸出。單一簡(jiǎn)單的神經(jīng)元，經(jīng)過大規(guī)模的互聯(lián)形成了復(fù)雜龐大的系統(tǒng)，可實(shí)現(xiàn)多種多樣的日任務(wù)。將訓(xùn)練樣本的數(shù)據(jù)加到網(wǎng)絡(luò)輸入端，同時(shí)將相應(yīng)的期望輸出與網(wǎng)絡(luò)輸出相比較，得到誤差信號(hào)，以此控制權(quán)值連接強(qiáng)度的調(diào)整，經(jīng)多次訓(xùn)練后收斂到一個(gè)確定的權(quán)值。遺傳算法就是在這種背景下產(chǎn)生并經(jīng)實(shí)踐證明特別有效的算法。它的思想源于生物遺傳學(xué)和適者生存的自然規(guī)律，是具有“生存＋檢測(cè)”的迭代過程的搜索算法。5．遺傳算法具有隱含的并行性。遺傳算法從串集開始搜索，覆蓋面大，利于全局擇優(yōu)。與傳統(tǒng)的搜索方法相比，遺傳算法具有如下特點(diǎn)：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(gè)體。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(zhǎng)期性，特別是神經(jīng)網(wǎng)絡(luò)易有訓(xùn)練過度的缺點(diǎn)，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。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(gè)人或集體已經(jīng)發(fā)表或撰寫的成果作品。 fitness。江西理工大學(xué) 2022 屆本科生畢業(yè)設(shè)計(jì)（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(jì)算所遇到的尋找最優(yōu)解或準(zhǔn)優(yōu)解顯得尤為重要。 crossover 。對(duì)本文的研究做出重要貢獻(xiàn)的個(gè)人和集體，均已在文中以明確方式標(biāo)明。遺傳算法是一種高效和計(jì)算簡(jiǎn)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)。此編碼操作，使得遺傳算法可直接對(duì)結(jié)構(gòu)對(duì)象（集合、序列、矩陣、樹、圖、鏈和表）進(jìn)行操作。2．遺傳算法求解時(shí)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。遺傳算法以一種群體中的所有個(gè)體為對(duì)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(jì)（論文）技術(shù)指導(dǎo)對(duì)一個(gè)被編碼的參數(shù)空間進(jìn)行高效搜索。 本課題主要研究?jī)?nèi)容學(xué)習(xí)是神經(jīng)網(wǎng)絡(luò)研究的一個(gè)重要內(nèi)容，它的適應(yīng)性是通過學(xué)習(xí)實(shí)現(xiàn)的。當(dāng)樣本情況發(fā)生變化時(shí)，經(jīng)學(xué)習(xí)可以修改權(quán)值以適應(yīng)新的環(huán)境。神經(jīng)網(wǎng)絡(luò)計(jì)算的基本特征是大規(guī)模并行處理、容錯(cuò)性、自適應(yīng)性和自組織性。 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(duì)于激發(fā)函數(shù) f[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。在多層網(wǎng)絡(luò)中．它只能改變最后權(quán)系數(shù)。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。為了說明 BP 算法，首先定義誤差函數(shù) e。一般取非線性連續(xù)函數(shù)，例如 Sigmoid函數(shù)。 通過多個(gè)樣本的反復(fù)訓(xùn)練，同時(shí)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。江西理工大學(xué) 2022 屆本科生畢業(yè)設(shè)計(jì)（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?；蛲蛔兒突螂s交可產(chǎn)生更適應(yīng)于環(huán)境的后代。 五 、基因位置(Gene Position)一個(gè)基因在串中的位置稱為基因位置，有時(shí)也簡(jiǎn)稱基因位。九、非線性它對(duì)應(yīng)遺傳學(xué)中的異位顯性(Epistasis)十、適應(yīng)度(Fitness)表示某一個(gè)體對(duì)于環(huán)境的適應(yīng)程度。染色體和候選解一一對(duì)應(yīng)。(二)編碼方法江西理工大學(xué) 2022 屆本科生畢業(yè)設(shè)計(jì)（論文）下面介紹幾種常用的遺傳算法編碼技術(shù)。但是對(duì)于多維、高精度問題，二進(jìn)制編碼就會(huì)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。如果采用浮點(diǎn)表達(dá)的編碼方法，即每個(gè)染色體向量被編碼成一個(gè)與解向量相同長(zhǎng)度的浮點(diǎn)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。通常以隨機(jī)方法產(chǎn)生串或個(gè)體的集合 bi, i＝1， 2，...n。(2) 適應(yīng)度函數(shù)值大于等于零。 （3）選擇概率。整個(gè)選擇過程可由兩步完成:(1)確定種群中個(gè)體的生存概率。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。 (2)排序法。單點(diǎn)交叉(onepoint crossover)又稱一點(diǎn)交叉。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。啟發(fā)式交叉是一種獨(dú)特的交叉算子，其特點(diǎn)為:以目標(biāo)函數(shù)值確定搜索方向:只產(chǎn)生一個(gè)后代。但是，它能保證算法過程不會(huì)產(chǎn)生無法進(jìn)化的單一群體。常用的變異有:基本變異，均勻變異，邊界變異，非均勻變異。圖 簡(jiǎn)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(gè)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。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(duì)輸入分組進(jìn)行網(wǎng)絡(luò)訓(xùn)練。 (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(diǎn)提高權(quán)系數(shù)優(yōu)化速度。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)。編碼方式：神經(jīng)網(wǎng)絡(luò)的權(quán)值學(xué)習(xí)是一個(gè)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(gè)權(quán)值按一定的順序級(jí)聯(lián)為一個(gè)長(zhǎng)串，串上的每一個(gè)位置對(duì)應(yīng)著網(wǎng)絡(luò)的一個(gè)權(quán)值。權(quán)值變異算子：對(duì)于子代染色體中的每個(gè)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(gè)值，然后與該輸入位置上的權(quán)值相加。 /*變異概率（）*/double B=。 /*個(gè)體目標(biāo)值*/ double fitness。 /*樣本輸入數(shù)組*/ float tch_sign。 /*適應(yīng)度計(jì)算*/void findbestandworstindividual(void)。 /*權(quán)值的獲得*/void NetOut(void)。 initialpopulation()。 nextpopulation()。}/********** 樣本處理函數(shù) ************/void SampleChang(void){ int i。j++) {for(i=0。 } } for(i=0。iSIZE。 o_h[i][j]=sigmoid()。 o_o[i][j]=sigmoid()。ipop。\039。 char *pointer。}/********** 目標(biāo)值計(jì)算 ************/void objectvalue(void){ int i,h,j,s。 for(h=0。iSIZE。 double temp。 int j。wo