【正文】 i++) { N[i]=population[i].fitness*MSum。i++) sum+=population[i].fitness。 int IntN[popsize],Num=。 /*else */ population[worst_index]=currentbest。 } } if(generation==0)江西理工大學(xué) 2022 屆本科生畢業(yè)設(shè)計(jì)（論文）currentbest=bestindividual。i++) { if(population[i].fitness) {bestindividual=population[i]。 bestindividual=population[0]。 population[i].fitness=pow(temp,B)。 for(i=0。*/o += fabs(out[i])。i++) {for(j=0。 GetW()。hpop。i++) for(j=0。 double o=。039。 int i。 fitnessvalue()。 }}/********** 產(chǎn)生下一代群體 ************/江西理工大學(xué) 2022 屆本科生畢業(yè)設(shè)計(jì)（論文）void nextpopulation(void){ selectionoperator()。:39。i++) { for(j=0。}/********** 群體初始化函數(shù) ************/void initialpopulation(void){ int i,j。 } }}/********** 變形的 Sigmoid 函數(shù) ************/double sigmoid(double z){ double zout。lHN。 } for(j=0。lIN。i++) { for(j=0。江西理工大學(xué) 2022 屆本科生畢業(yè)設(shè)計(jì)（論文） double 。iOUT。iOUT。i=IN。 int s=0。 for(i=0。 } getch()。 evaluatepopulation()。 }while(sum==)。 evaluatepopulation()。 SampleChang()。 /*樣本網(wǎng)絡(luò)輸出 */void check(void)。 /*變異算子*/void outputtextreport(void)。 /*尋找最佳和最差個(gè)體*/void performevolution(void)。 /*群體評(píng)估*/long decodechromosome(char * ,int,int)。 /*樣本輸出值*/}samp[SIZE]={ {,},{,},{,},{,},{,},{,},{,},{,},{,},{,},{,},{,},{,},{,},{,},{,},{,},{,},{,},{,},{,},{,},{,},{,},{,}, {,},{,},{,},{,},{,},{,},{,},{,},{,},{,},{,},{,},{,},{,},{,},江西理工大學(xué) 2022 屆本科生畢業(yè)設(shè)計(jì)（論文）{,},{,},{,},{,},{,}, {,},{,},{,},{,},{,}}。 /*目前最佳個(gè)體*/struct individual population[popsize]。 /*個(gè)體適應(yīng)度*/}。 /*當(dāng)代最佳染色體序號(hào)*/int worst_index。int pop=40。 /*樣本網(wǎng)絡(luò)輸出值*//********** 用戶數(shù)據(jù)定義 ************/define length 10 /*編碼長(zhǎng)度*/define chromlength 10*21 /*染色體長(zhǎng)度 */long DecodeNum[JD]。選擇方式：這里不采用比例選擇方式，而使用親代度量 S 決定群體中每個(gè)個(gè)體被選中的概率[14]，群體中的個(gè)體以下式所示的概率成為親代染色體。遺傳算法的這種隨機(jī)分布的取法是通過(guò)以往的大量實(shí)驗(yàn)得出的，可以發(fā)現(xiàn)，當(dāng)網(wǎng)絡(luò)收斂后，權(quán)值的絕對(duì)值一般都較小，但也有一些權(quán)值是較大的。本文的每個(gè)權(quán)值的串長(zhǎng)度取值為 10神經(jīng)網(wǎng)絡(luò)定義為 2 個(gè)輸入節(jié)點(diǎn)，5 個(gè)隱節(jié)點(diǎn)，1 個(gè)輸出節(jié)點(diǎn)，2 個(gè)閾值節(jié)點(diǎn)，所以總共有 21 個(gè)權(quán)值，所以染色體串的長(zhǎng)度為 1021。對(duì)遺傳算法，還需要進(jìn)一步研究其數(shù)學(xué)基礎(chǔ)理論；還需要在理論上證明它與其它優(yōu)化技術(shù)的優(yōu)劣及原因；還需研究硬件化的遺傳算法；以及遺傳算法的江西理工大學(xué) 2022 屆本科生畢業(yè)設(shè)計(jì)（論文）通用編程和形式等。神經(jīng)網(wǎng)絡(luò)由于有分布存儲(chǔ)等特點(diǎn)，一般難以從其拓?fù)浣Y(jié)構(gòu)直接理解其功能。一般對(duì)進(jìn)化后的優(yōu)化“染色體”進(jìn)行分析，然后產(chǎn)生網(wǎng)絡(luò)的結(jié)構(gòu)。2．遺傳算法在網(wǎng)絡(luò)設(shè)計(jì)中的應(yīng)用 用遺傳算法設(shè)計(jì)一個(gè)優(yōu)秀的神經(jīng)網(wǎng)絡(luò)結(jié)構(gòu)，首先是要解決網(wǎng)絡(luò)結(jié)構(gòu)的編碼問(wèn)題；然后才能以選擇、交叉、變異操作得出最優(yōu)結(jié)構(gòu)。遺傳算法在神經(jīng)網(wǎng)絡(luò)中的應(yīng)用主要反映在 3 個(gè)方面：網(wǎng)絡(luò)的學(xué)習(xí)，網(wǎng)絡(luò)的結(jié)構(gòu)設(shè)計(jì)，網(wǎng)絡(luò)的分析。這類研究現(xiàn)在還無(wú)法確定其廣泛應(yīng)用的有效性。 由于 BP 網(wǎng)絡(luò)模型有收斂于局部最小點(diǎn)這一個(gè)不可克服的弱點(diǎn)。評(píng)價(jià)一個(gè)學(xué)習(xí)算法的標(biāo)準(zhǔn)是：簡(jiǎn)單性、可塑性和有效性。圖 表示了遺傳算法的執(zhí)行過(guò)程。使用變異算子的目的只有兩個(gè)：一是保持遺傳算法的多樣性，以防止出現(xiàn)早熟現(xiàn)象；二是加強(qiáng)遺傳算法的局部隨機(jī)搜索能力。變異為新個(gè)體的產(chǎn)生提供了機(jī)會(huì)。因?yàn)樵谒械膫€(gè)體一樣時(shí)，交叉是無(wú)法產(chǎn)生新的個(gè)體的，這時(shí)只能靠變異產(chǎn)生新的個(gè)體。例如有個(gè)體 S＝101011?？赡芨静划a(chǎn)生后代。1, x39。常用的交叉算子有：算術(shù)交叉算子。當(dāng)交叉過(guò)多時(shí)，上一代中性能優(yōu)良的結(jié)構(gòu)被破壞的可能性增大，這有些類似于隨機(jī)搜索行為。只有一個(gè)交叉點(diǎn)位置，任意挑選經(jīng)過(guò)選擇操作后種群的兩個(gè)個(gè)體作為交叉對(duì)象，隨機(jī)產(chǎn)生一個(gè)交叉點(diǎn)位置，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。在選中的位置實(shí)行交換。排序法以種群中染色體適應(yīng)值的大小順序來(lái)確定各個(gè)染色體的生存概率，而不是以適應(yīng)值的數(shù)值大小來(lái)確定，該方法克服了基于適應(yīng)值進(jìn)行選擇。標(biāo)定法就是通過(guò)調(diào)整適應(yīng)度函數(shù)來(lái)控制種群中染色體的生存概率。正比選擇的缺點(diǎn)是在進(jìn)化的早期，一些超級(jí)染色體會(huì)充斥選擇過(guò)程，容易失去種群染色體的多樣性。常用的方法有截?cái)噙x擇法、精英選擇法和期望選擇法等。{2)根據(jù)個(gè)體的生存概率進(jìn)行隨機(jī)選擇。{3)混合采樣。三者對(duì)于選擇壓力以至于遺傳算法的性能都有很大的影響。在進(jìn)化的后期，宜采用較大的選擇壓力，以提高優(yōu)良個(gè)體的競(jìng)爭(zhēng)力，使搜索向著最優(yōu)解的方向發(fā)展。江西理工大學(xué) 2022 屆本科生畢業(yè)設(shè)計(jì)（論文）如果目標(biāo)函數(shù)是求最小值問(wèn)題，可通過(guò)適當(dāng)轉(zhuǎn)換，如:fit(x)=cf(x), c ≥ fmax 選擇 選擇運(yùn)算是推動(dòng)進(jìn)化的直接動(dòng)力。有時(shí)適應(yīng)值為負(fù)的清況，要進(jìn)行適當(dāng)?shù)霓D(zhuǎn)換。問(wèn)題的最優(yōu)解將通過(guò)這些初始假設(shè)解進(jìn)化而求出。選擇一個(gè)群體，即選擇一個(gè)串或個(gè)體的集合 bi，i=1，2，...n。浮點(diǎn)編碼與二進(jìn)制編碼相比有以下優(yōu)點(diǎn):①精度依賴于所使用的機(jī)器，與編碼本身無(wú)關(guān)，比二進(jìn)制要靈活、方便；②浮點(diǎn)編碼能夠表達(dá)很大的區(qū)域，而二進(jìn)制編碼必須以犧牲精度來(lái)增加表達(dá)區(qū)域；③容易設(shè)計(jì)出封閉的、動(dòng)態(tài)的遺傳算子，容易處理非常規(guī)約束?；掖a編碼是將二進(jìn)制編碼通過(guò)一個(gè)變換而得到的編碼，其表現(xiàn)也為二進(jìn)制的形式，所不同的是灰碼編碼技術(shù)保證了在遺傳空間相互靠近的兩個(gè)點(diǎn)也必須在問(wèn)題空間里靠近，反之亦然。②二進(jìn)制編碼的染色體長(zhǎng)度與問(wèn)題空間的區(qū)域大小和精度要求直接相關(guān)，對(duì)于大區(qū)間、高精度的問(wèn)題，染色體的長(zhǎng)度會(huì)很長(zhǎng)，搜索空間也會(huì)很大，這樣的搜索相當(dāng)困難。二進(jìn)制編碼方法是最為經(jīng)典和常用的編碼方法，它的優(yōu)點(diǎn)有:①符合最小字符集的編碼原則。(1)一維染色體編碼。所定編碼應(yīng)當(dāng)易于生成與所求問(wèn)題相關(guān)的短距和低階的基因塊。對(duì)于很多問(wèn)題很難設(shè)計(jì)出同時(shí)滿足上面三條要求的編碼方案，但是完備性是必須滿足的一項(xiàng)。(2)健全性。 遺傳算法的步驟 編碼問(wèn)題標(biāo)準(zhǔn)遺傳算法主要通過(guò)遺傳操作(交叉與變異)對(duì)種群中的個(gè)體施加結(jié)構(gòu)重組處理，通過(guò)選擇操作不斷優(yōu)化群體中的個(gè)體結(jié)構(gòu)，從而搜索到最優(yōu)結(jié)構(gòu)的個(gè)體，達(dá)到逼近問(wèn)題的最優(yōu)解的目的?；虿僮魇窃诮Y(jié)構(gòu)空間中進(jìn)行的?；蛭恢糜纱淖笙蛴矣?jì)算，例如在串 S＝1101 中，0 的基因位置是 3。四、基因(Gene)基因是串中的元素，基因用于表示個(gè)體的特征。經(jīng)過(guò)存優(yōu)去劣的自然淘汰，適應(yīng)性高的基因結(jié)構(gòu)得以保存下來(lái)。Mendel 遺傳學(xué)說(shuō)最重要的是基因遺傳原理。Darwin 進(jìn)化論最重要的是適者生存原理。這顯然是一種十分簡(jiǎn)單的情況，公式(236)也稱為簡(jiǎn)單 Delta 法則。從上面公式也可以知道，如果網(wǎng)絡(luò)的層數(shù)較多時(shí)，所用的計(jì)算量就相當(dāng)可觀，故而收斂速度不快。這時(shí)應(yīng)考慮上一層對(duì)它的作用，故有： kikki XUieXe ??? ????11. （226）從公式(218)中，可知有： 11???kUedk （227）從公式(210)中，可知有： ijiXWXkiiiki ?????? |1)(11 （228）故而有： 11.?? kiiXedki （229）最后有： ???ilkikikiki WXd1)( （230）從上述過(guò)程可知：多層網(wǎng)絡(luò)的訓(xùn)練方法是把一個(gè)樣本加到輸入層，并根據(jù)向前傳播的規(guī)則： )(kikiUfX （231 ）不斷一層一層向輸出層傳遞，最終在輸出層可以得到輸出kiX。當(dāng)取 f 為非對(duì)稱 Sigmoid 函數(shù)時(shí)，有：)exp(1)( kiUkif ??? （222）則有 )1()()(39。從上面可知， kd1實(shí)際仍末給出明顯的算法公式，下面求 kd1的計(jì)算公式。取期望輸出和實(shí)際輸出之差的平方和為誤差函數(shù)，則有： ???imiYXe)(21 （211）其中：Yi 是輸出單元的期望值；它也在這里用作教師信號(hào)； mi是實(shí)際輸出；因?yàn)榈?m 層是輸出層。2．反向傳播反向傳播時(shí)，把誤差信號(hào)按原來(lái)正向傳播的通路反向傳回，并對(duì)每個(gè)隱層的各個(gè)神經(jīng)元的權(quán)系數(shù)進(jìn)行修改，以望誤差信號(hào)趨向最小。這也是說(shuō)，改變隱層的權(quán)系數(shù)，可以改變整個(gè)多層神經(jīng)網(wǎng)絡(luò)的性能。 BP 算法的原理BP 算法是用于前饋多層網(wǎng)絡(luò)的學(xué)習(xí)算法，前饋多層網(wǎng)絡(luò)的結(jié)構(gòu)一般如圖 24 所示圖 24 網(wǎng)絡(luò)學(xué)習(xí)結(jié)構(gòu)它含有輸人層、輸出層以及處于輸入輸出層之間的中間層。因此，感知機(jī)學(xué)習(xí)算法不能用于多層神經(jīng)網(wǎng)絡(luò)的學(xué)習(xí)。故而．有時(shí)也稱無(wú)反饋多層前向網(wǎng)絡(luò)為 BP 模型。 BP 學(xué)習(xí)算法反向傳播算法也稱 BP 算法。 閥值函數(shù)(Thresh0ld Function)閥值函數(shù)又叫階躍函數(shù)，當(dāng)激活函數(shù)僅用來(lái)實(shí)現(xiàn)判定神經(jīng)元所獲得的網(wǎng)絡(luò)輸入是否超過(guò)閉值 θ 時(shí)，使用此函數(shù)。]有多種形式，其中最常見(jiàn)的有階躍型、線性型和 S 型三種形式，這三種形式如圖 2—3 所示。工程上用的人工神經(jīng)元模型如圖 22 所示。大規(guī)模并行處理指能同時(shí)處理與決策有關(guān)的因素．采用某種學(xué)習(xí)算法從訓(xùn)練樣本中學(xué)習(xí)，并將獲取的知識(shí)存儲(chǔ)在網(wǎng)絡(luò)各單元之間的連接權(quán)中，神經(jīng)網(wǎng)絡(luò)和基于符號(hào)的傳統(tǒng)K9技術(shù)相比，具有直觀性、并行性和抗噪性。單一神經(jīng)元可以有許多輸入、輸出。江西理工大學(xué) 2022 屆本科生畢業(yè)設(shè)計(jì)（論文）第二章 神經(jīng)元網(wǎng)絡(luò)及 BP 算法 神經(jīng)網(wǎng)絡(luò)概述神經(jīng)網(wǎng)絡(luò)是大量的簡(jiǎn)單神經(jīng)元按一定規(guī)則連接構(gòu)成的網(wǎng)絡(luò)系統(tǒng)。有效的學(xué)習(xí)算法，使得神經(jīng)網(wǎng)絡(luò)能夠通過(guò)連接權(quán)值的調(diào)整，構(gòu)造客觀世界的內(nèi)在表示，形成具有特色的信息處理方法，信息存儲(chǔ)和處理體現(xiàn)在網(wǎng)絡(luò)的連接中。根據(jù)環(huán)境的變化，對(duì)權(quán)值進(jìn)行調(diào)整，改善系統(tǒng)的行為。在求解此類問(wèn)題時(shí)，若不能利用問(wèn)題的固有知識(shí)來(lái)縮小搜索空間則會(huì)產(chǎn)生搜索的組合爆炸。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(jì)、遺傳操作設(shè)計(jì)、控制參數(shù)設(shè)定五個(gè)要素組成了遺傳算法的核心內(nèi)容。它是現(xiàn)代有關(guān)智能計(jì)算中的關(guān)鍵技術(shù)。對(duì)分布并行遺傳算法的研究表明,只要通過(guò)保持多個(gè)群體和恰當(dāng)控制群體間的相互作用來(lái)模擬并行執(zhí)行過(guò)程,即使不使用并行計(jì)算機(jī),也能提高算法的執(zhí)行效率。4．遺傳算法中的選擇、交叉和變異都是隨機(jī)操作，而不是確定的精確規(guī)則。由于遺傳算法使用適應(yīng)值這一信息進(jìn)行搜索，并不需要問(wèn)題導(dǎo)數(shù)等與問(wèn)題直接相關(guān)的信息。這是遺傳算法與傳統(tǒng)優(yōu)化算法的極大區(qū)別。搜索過(guò)程是從一組解迭代到另一組解，采用同時(shí)處理群體中多個(gè)個(gè)體的方法，降低了陷入局