【正文】 匯編本學(xué)位論文。 對(duì)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。它是由美國(guó)的 教授1975 年首先提 出，其主要特點(diǎn)是直接對(duì)結(jié)構(gòu)對(duì)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(dòng)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。 Hebb 規(guī)則認(rèn)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(qiáng)度隨著突觸前后神經(jīng)元的活動(dòng)而變化。 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(gè)多輸入單輸出的信息處理單元，而且它對(duì)信息的處理是非線性的。 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(diǎn)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。這兩個(gè)過程的工作簡(jiǎn)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(jìn)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(jì)（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(duì)下一層神經(jīng)元的狀態(tài)產(chǎn)生影響。 kikikikiki XXUfUfUf ???? （ 223） 再考慮式 (220)中的偏微分項(xiàng) ? e／ ? kiX ，有兩種情況需考慮的： 如果 k＝ m，則是輸出層，這時(shí)有 iY 是輸出期望值，它是常數(shù)。物種每個(gè)個(gè)體的基本特征由后代所繼承，但后代又會(huì)產(chǎn)生一些異于父代的新變化。 六、基因特征值 (Gene Feature) 在用串表示整數(shù)時(shí)，基因的特征值與二進(jìn)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(jì)（論文） 征值為 8。相比之下， De Jong 提出較為客觀明確的編碼評(píng)估準(zhǔn)則，稱之為編碼原理，由于可操作性較強(qiáng)，又稱之為編碼規(guī)則。 2)灰碼編碼。即遺傳算法向著適應(yīng)值增加的方向進(jìn)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(jì)的先決條件。 采樣機(jī)理使如何從采樣空間中選擇染色體的理論，對(duì)種群個(gè)體的選擇從原理上可分為三種 :(1)隨機(jī)采樣 。標(biāo)定法和排序法就是為解決上述問題而提出的。多點(diǎn)交叉是指設(shè)置多個(gè)交叉點(diǎn)，交叉點(diǎn)依然是隨機(jī)選擇，兩個(gè)個(gè)體在交叉點(diǎn)位置互換部分基因碼，形成兩個(gè)子個(gè)體。在變異時(shí)，對(duì)執(zhí)行變異的串的對(duì)應(yīng)位求反，即把 1變?yōu)?0，把 0 變?yōu)?1。 當(dāng)最優(yōu)個(gè)體的適應(yīng)度達(dá)到給定的閥值，或者最優(yōu)個(gè)體的適應(yīng)度和群體適應(yīng)度不再上升時(shí)，則算法的迭代過程收斂、算法結(jié)束。所以，遺傳算法與神經(jīng)網(wǎng)絡(luò)相結(jié)合的研究，大都結(jié)合在網(wǎng)絡(luò)權(quán)重的訓(xùn)練上。 遺傳算法雖然可以在多種領(lǐng)域都有實(shí)際應(yīng)用，并且也展示了它潛力和寬廣前景；但是，遺傳算法還有大量的問題需要研究，目前也還有各種不足。 /*輸入層到隱層權(quán)值 */ double w_o_h[HN+1][OUT]。 /*當(dāng)代最佳個(gè)體 */ struct individual worstindividual。 /*選擇算子 */ void crossoveroperator(void)。ipop。i++) { samp[i].tch_sign /= XS。 s++。j++) { =。j++) population[i].chrom[j]=(random(10)5)?39。ileng。j++) o_o[i][j]=0。 } /********** 編碼解碼 ************/ long decodechromosome(char *string,int point,int leng) { long decimal=0L。 for(i=0。 =+w_h_i[j][IN]。 s++。 getch()。 generation=0。 /*目標(biāo)值計(jì)算 */ void fitnessvalue(void)。 /*個(gè)體染色體編碼 */ double value。 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)值交叉和權(quán)值變異算子 .權(quán)值交叉算子：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。這種方法與自然界生物地生長(zhǎng)進(jìn)化相一致。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)； (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。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。 啟發(fā)式交又算子。交叉時(shí)，可實(shí)行單點(diǎn)交叉或多點(diǎn)交叉。 種群中的染色體的選擇概率與選擇壓力直接相關(guān)。（ 2）采樣機(jī)理。一般取 n＝ 30③ 便于用模式定理川進(jìn)行分析與預(yù)測(cè)。 (3)非冗余性。它們的值稱為等位基因 (Alletes)。簡(jiǎn)單 Delta 法則式 (236)只在理論推導(dǎo)上有用。 kiUX UfkiKi ??? （ 221） 為了方便進(jìn)行求導(dǎo)，取 f為連續(xù)函數(shù)。在隱層中的神經(jīng)元也稱隱單元。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： ??? ?? ?? ??ne tif ne tifne tf 11)( （ 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。 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)。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。 5．遺傳算法具有隱含的并行性 。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。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。江西理工大學(xué) 20xx 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。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。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。 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。 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。 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。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。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。一般取非線性連續(xù)函數(shù)，例如 Sigmoid 函數(shù)。 江西理工大學(xué) 20xx 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。 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。染色體和候選解一 一對(duì)應(yīng)。 江西理工大學(xué) 20xx 屆本科生畢業(yè)設(shè)計(jì)（論文） 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 。 通常以隨機(jī)方法產(chǎn)生串或個(gè)體的集合 bi, i＝ 1， 2， ...n。（ 3）選擇概率。 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。 單點(diǎn)交叉 (onepoint crossover)又稱一點(diǎn)交叉。 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 。常用的變異有 :基本變異，均勻變異，邊界變異，非均勻變異。 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，江西理工大學(xué) 20xx 屆本科生畢業(yè)設(shè)計(jì)（論文） 從而確定如何對(duì)輸入分組進(jìn)行網(wǎng)絡(luò)訓(xùn)練。 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)。 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。 /*個(gè)體目標(biāo)值 */ double fitness。 /*適應(yīng)度計(jì)算 */ void findbestandworstindividual(void)。 initialpopulation()。 } /********** 樣本處理函數(shù) ************/ void SampleChang(void) { int i。 } } for(i=0。 o_h[i][j]=sigmoid()。ipop。 char *pointer。 for(h=0。 for(i=0,pointer=string+point。jchromlength。jOUT。i++) { w_o_h[HN][i]=*DecodeNum[s]/。iSIZE。 for(i=0。 /*利用 最優(yōu)保存策略 （ Elitist Model)優(yōu)化進(jìn)化 */ void selectionoperator(void)。 struct individual bestindividual。 遺傳算法訓(xùn)練神經(jīng)網(wǎng)絡(luò) C 語言實(shí)現(xiàn) 參照以上的選擇算子，對(duì)于網(wǎng)絡(luò)訓(xùn)練的編程如下： include include include include include include /********** 常量的定義 ************/ define popsize 40 /*最大群體個(gè)數(shù) */ define cmax 1 /*一個(gè)較大的數(shù)（用于適應(yīng)度的確定） */ /********** 神經(jīng)網(wǎng)絡(luò)結(jié)構(gòu) 的定義 ************/ define SIZE 50 /*訓(xùn)練樣本數(shù) */ define IN 2 /*輸入層節(jié)點(diǎn)數(shù) */ 江西理工大學(xué) 20xx 屆本科生畢業(yè)設(shè)計(jì)（論文） define HN 5 /*隱層節(jié)點(diǎn)數(shù) */ define OUT 1 /*輸出層節(jié)點(diǎn)數(shù) */ define JD (IN+1)*HN+(HN+1)*OUT define W 10 /*用于檢驗(yàn)的樣本數(shù) */ double w_h_i[HN][IN+1]。遺傳算法可對(duì)神經(jīng)網(wǎng)絡(luò)進(jìn)行功能 分析，性質(zhì)分析，狀態(tài)分析。 實(shí)踐證明 ，不管是否同時(shí)進(jìn)化網(wǎng)絡(luò)的權(quán)重 與否，單就進(jìn)化網(wǎng)絡(luò)的權(quán)重與否，這是一件非常困難的事情，這種方法只解決一些簡(jiǎn)單問題；況且，對(duì)如何選擇網(wǎng)絡(luò)的拓?fù)浣Y(jié)構(gòu)問題，目前無論在理論還是在方法上，都還沒找到有效的指導(dǎo)原則。當(dāng)遺傳搜索已經(jīng)接近最優(yōu)解區(qū)間，利用變異算子可以加速向最優(yōu)解收斂。 假定從種群中選擇的雙親為 x1, x2，則由雙親產(chǎn)生的后代為 : x3=r(x2x1)+ x2 根據(jù)生物遺傳中基因變異的原理，以變異概率 Pm 對(duì)某些個(gè)體的某些位執(zhí)行變異。 例如有個(gè) 體 S1=100101 S2=010111 選擇它們的左邊 3位進(jìn)行交叉操作，則有 S1=010101 S2=100111 江西理工大學(xué) 20xx 屆本科生畢業(yè)設(shè)計(jì)（論文） 多點(diǎn)交叉（ multipoint crossover）是單點(diǎn)交叉的推廣，有時(shí)也稱為廣義交叉 (generalized crossover)。而進(jìn)化的后期，優(yōu)良染色體的競(jìng)爭(zhēng)能力減弱，使選擇變得像隨機(jī)搜索。 江西理工大學(xué) 20xx 屆本科生畢業(yè)設(shè)計(jì)（論文） 采樣空間可劃分為規(guī)則的采樣空間和擴(kuò)大的采樣空間兩種。 適應(yīng)度函數(shù) 在遺傳算法的進(jìn)化過程中， 對(duì)染色體的評(píng)價(jià)是由適應(yīng)度函數(shù)來完成的，函數(shù)的函數(shù)值作