【正文】 :(1)隨機采樣 。選擇壓力過小搜索過程會非常緩慢。即遺傳算法向著適應(yīng)值增加的方向進化適應(yīng)度，所以目標(biāo)函數(shù)的尋優(yōu)方向與適應(yīng)度函數(shù)值增加的方向一致，這是適應(yīng)度函數(shù)設(shè)計的先決條件。 二維染色體編碼。 2)灰碼編碼。通常采用的一維染色體編碼技術(shù)有 : 1)二進制編碼。相比之下， De Jong 提出較為客觀明確的編碼評估準(zhǔn)則，稱之為編碼原理，由于可操作性較強，又稱之為編碼規(guī)則。 （一）編碼原則 評價編碼策略通常考慮一下三個方面 : (1)完備性。 六、基因特征值 (Gene Feature) 在用串表示整數(shù)時，基因的特征值與二進制數(shù)的權(quán)一致；例如在串 S=1011中，基因位置 3 中的 1，它的基因特征值為 2；基因位置 1 中的 1，它的基因特江西理工大學(xué) 20xx 屆本科生畢業(yè)設(shè)計（論文） 征值為 8。這些概念如下： 注意 以下 格式問題！ 一、串 (String) 它是個體 (Individual)的形式，在算法中為二進制串，并且對應(yīng)于遺傳學(xué)中的染色體 (Chromosome)。物種每個個體的基本特征由后代所繼承，但后代又會產(chǎn)生一些異于父代的新變化。 在上面，公式 (232)也稱為一般化的 Delta 法則。 kikikikiki XXUfUfUf ???? （ 223） 再考慮式 (220)中的偏微分項 ? e／ ? kiX ，有兩種情況需考慮的： 如果 k＝ m，則是輸出層，這時有 iY 是輸出期望值，它是常數(shù)。 很明顯，根據(jù) BP 算法原則，求 ijWe?? 是最關(guān)鍵的。這兩個過程的工作簡述如下： 1．正向傳播 輸入的樣本從輸入層經(jīng)過隱單元一層一層進行處理，通過所有的隱層之后，江西理工大學(xué) 20xx 屆本科生畢業(yè)設(shè)計（論文） 則傳向 輸出層；在逐層處理的過程中，每一層神經(jīng)元的狀態(tài)只對下一層神經(jīng)元的狀態(tài)產(chǎn)生影響。這種算法可以對網(wǎng)絡(luò)中各層的權(quán)系數(shù)進行修正，故適用于多層網(wǎng)絡(luò)的學(xué)習(xí)。 BP（ Back propagation）神經(jīng)網(wǎng)絡(luò)又稱為多層前饋神經(jīng)網(wǎng)絡(luò)，這種神經(jīng)網(wǎng)絡(luò)模型的特點是：各層神經(jīng)元僅與相鄰層神經(jīng)元之間有連接；各層內(nèi)神經(jīng)元之間無任何連接；各層神經(jīng)元之間無反饋連接。 對于線性激發(fā)函數(shù)，它的輸出是隨輸入的激發(fā)總量成正比的；故這種神經(jīng)元稱線性連續(xù)型模型。 神經(jīng)元的數(shù)學(xué)模型 從神經(jīng)元的特性和功能可以知道，神經(jīng)元是一個多輸入單輸出的信息處理單元，而且它對信息的處理是非線性的。 特別是 1982年提出的 Hopfield 網(wǎng)絡(luò)模型和 1985年提出的 BP算法 ,神經(jīng)網(wǎng)絡(luò)逐步得到更加廣泛的應(yīng)用 。 Hebb 規(guī)則認為學(xué)習(xí)過程最終發(fā)生在神經(jīng)元之間的突觸部位，突觸的聯(lián)系強度隨著突觸前后神經(jīng)元的活動而變化。 本課題的選題背景 當(dāng)前科學(xué)技術(shù)正進入多學(xué)科互相交叉、互相滲透、互相影響的時代，生命科學(xué)與工程科學(xué)的交叉、 滲透和相互促進是其中一個典型例子，也是近代科學(xué)技術(shù)發(fā)展的一個顯著特點。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(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，能自動獲取和指導(dǎo)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。 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。 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(dǎo)對一個被編碼的參數(shù)空間進行高效搜索。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。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 及其它教育機構(gòu)的學(xué)位或?qū)W歷而使用過的材料。 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(xùn)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(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。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。 涉密論文按學(xué)校規(guī)定處理。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。故而，遺傳算法有很高的容錯能力。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(xué)習(xí)、信號處理、自適應(yīng)控制和人工生命等領(lǐng)域。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。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。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)。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。 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。 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)的拓撲結(jié)構(gòu)是一種無反饋的多層前向網(wǎng)絡(luò)。 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。在輸出層把現(xiàn)行輸出和期望輸出進行比較，如果現(xiàn)行輸出不等于期望輸出，則進入反向傳播過程。下面求 ijWe?? ；有 ijkikikij WUUeWe ?????? ? . （ 214） 由于 jikjWXWWU Xijikjijijki?????? ??? ? |1)( 1 (215) 故而 1. ????? ? kjUeWe Xkiij (216) 從而有 江西理工大學(xué) 20xx 屆本科生畢業(yè)設(shè)計（論文） 1. ?? ?? ? ????? kjU eW eij XW kiij ?? (217) 令 kiUekid ??? （ 218） 則有學(xué)習(xí)公式： 1.. ???? kjkiij 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)。由 于公式 (211)中有 )( imiX eXe YXmiki ??? ? ??? (224) 從而有 md1 = mX1 (1 mX1 )( mX1 Yi) (225) 2．如果 km，則該層是隱層 。對于沒有隱層的神經(jīng)網(wǎng)絡(luò)，可取 ijiij XXYW ???? )(? （ 236） 其中： iY 為期望輸出； jX 為輸出層的實際輸出； iX 為輸入層的輸入。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。 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。 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。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)。具體為 : (1)有意義基因塊的編碼規(guī)則。二進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。利用灰碼編碼方法可以在一定程度上克服上述缺點。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，為了使問題的表達更直觀，可直接采用多維染色體編碼。另外，為了理論分析的方便，最好保證適應(yīng)度函數(shù)非負。一般來講，在進化的初始階段，宜采用較小的選擇壓力，盡量保持種群個體的多樣性 。(2)確定采樣 。 確定采樣的基本思想是 :保證最好的染色體被選擇進入下一代。 (1)標(biāo)定法。 對于選中用于繁殖下一代的個體，隨機地選擇兩個個體的相同位置，按交叉概率 P。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。2= ax2+(1a)x1 隨機數(shù) a屬于 [0 ,1]，從而保證了 x39。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 。同生物界一樣，遺傳算法中變異發(fā)生的概率很低。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。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，但這對計算機的處理能力要求很高。 本文中也是采用遺傳算法優(yōu)化網(wǎng)絡(luò)權(quán)重的方法。 (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。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。在 BP算法中，初始權(quán)值一般取 ～ 之間均勻分布的隨機數(shù)。/*隱層到輸出層權(quán)值 */ double o_o[SIZE][OUT]。 /*當(dāng)前遺傳代數(shù) */ int best_index。 /*當(dāng)代最差個體 */ struct individual currentbest。 /*產(chǎn)生下代群體 */ void evaluatepopulation(void)。 /*交叉算子 */ void mutationoperator(void)。 int i。i++) sum += population[i].fitness。 江西理工大學(xué) 20xx 屆本科生畢業(yè)設(shè)計（論文） outputtextreport()。 } } /********** 權(quán)值的獲得 ************/ void GetW(void) { int i,j。 } for(i=0。 } } /********** 網(wǎng)絡(luò)輸出計算 ************/ void NetOut(void) { int i,j,l。 for(l=0。 for(l=0。 */ return(zout)。039。 } /********** 群體的評價 ************/ void evaluatepopulation(void) { objectvalue()。i++,pointer++) { decimal += (*pointer39。iSIZE。jOUT。)(leng1i)。 findbestandworstindividual()。139。 randomize()。l++) =+o_h[i][l]*w_o_h[l][j]。l++) =+samp[i].in_sign[l]*w_h_i[j][l]。 江西理工大學(xué) 20xx 屆本科生畢業(yè)設(shè)計（論文） double o_h[SIZE][HN]。i++) { w_o_h[j][i]=*DecodeNum[s]/。 for(j=0。 check()。 while(generationmaxgeneration) { generation++。 do { sum=。 /*當(dāng)代進化情況報告 */ void SampleChang(void)。 /*解碼 */ void objectvalue(void)。/*群體數(shù)組 */ /********** 訓(xùn)練樣本結(jié)構(gòu)及處理系數(shù) ************/ double XS=。 /*當(dāng)代最差染色體序號 */ struct individual /*個體結(jié)構(gòu)定義 */ {char chrom[chromlength+1]。 double pc=。采用以上初始化方法的原因是使遺傳算法能夠搜