【正文】 IntN[i]=N[i]。ipop。 /************************************/ MSum = pop/sum。ipop。 struct individual newpopulation[popsize]。 double cfitness[popsize],N[popsize],DoubleN[popsize]。}/********** 選擇算子 ************/void selectionoperator(void){ int i,j,k,temp2,index[popsize]。 if() currentbest=population[best_index]。 else if()currentbest=bestindividual。worst_index=i。best_index=i。ipop。 worstindividual=population[0]。 int j。 /*population[i].fitness=1population[i].value。 else temp=。ipop。 double temp。 } population[h].value=o/SIZE。江西理工大學(xué) 2022 屆本科生畢業(yè)設(shè)計(jì)（論文） }/*o=o+out[i]*out[i]/。jOUT。iSIZE。 NetOut()。s++)DecodeNum[s]=decodechromosome(population[h].chrom,length*s,length)。h++) { for(s=0。 for(h=0。jOUT。iSIZE。 double out[SIZE]。}/********** 目標(biāo)值計(jì)算 ************/void objectvalue(void){ int i,h,j,s。)(leng1i)。i++,pointer++) { decimal += (*pointer39。 for(i=0,pointer=string+point。 char *pointer。 findbestandworstindividual()。}/********** 群體的評(píng)價(jià) ************/void evaluatepopulation(void){ objectvalue()。 crossoveroperator()。\039。139。039。jchromlength。ipop。 randomize()。 */ return(zout)。 zout=(exp(z)exp(z))/(exp(z)+exp(z))。 o_o[i][j]=sigmoid()。l++) =+o_h[i][l]*w_o_h[l][j]。 for(l=0。jOUT。 o_h[i][j]=sigmoid()。l++) =+samp[i].in_sign[l]*w_h_i[j][l]。 for(l=0。jHN。iSIZE。 double o_h[SIZE][HN]。 }}/********** 網(wǎng)絡(luò)輸出計(jì)算 ************/void NetOut(void){ int i,j,l。i++) {w_o_h[HN][i]=*DecodeNum[s]/。 } } for(i=0。i++){ w_o_h[j][i]=*DecodeNum[s]/。} for(i=0。i++){ w_h_i[j][i]=*DecodeNum[s]/。j++) {for(i=0。 for(j=0。 }}/********** 權(quán)值的獲得 ************/void GetW(void){ int i,j。iSIZE。}/********** 樣本處理函數(shù) ************/void SampleChang(void){ int i。 check()。 outputtextreport()。 if (=) break。 nextpopulation()。 while(generationmaxgeneration) { generation++。i++) sum += population[i].fitness。 for(i=0。 initialpopulation()。 do { sum=。 int i。 /*結(jié)果檢驗(yàn)*/double sigmoid(double)。 /*權(quán)值的獲得*/void NetOut(void)。 /*當(dāng)代進(jìn)化情況報(bào)告*/void SampleChang(void)。 /*交叉算子*/void mutationoperator(void)。 /*利用最優(yōu)保存策略 （Elitist Model)優(yōu)化進(jìn)化*/void selectionoperator(void)。 /*適應(yīng)度計(jì)算*/void findbestandworstindividual(void)。 /*解碼*/void objectvalue(void)。 /*產(chǎn)生下代群體*/void evaluatepopulation(void)。/********** 全局函數(shù)定義 ************/void initialpopulation(void)。 /*樣本輸入數(shù)組*/ float tch_sign。/*群體數(shù)組*//********** 訓(xùn)練樣本結(jié)構(gòu)及處理系數(shù) ************/double XS=。 /*當(dāng)代最差個(gè)體*/struct individual currentbest。struct individual bestindividual。 /*個(gè)體目標(biāo)值*/ double fitness。 /*當(dāng)代最差染色體序號(hào) */struct individual /*個(gè)體結(jié)構(gòu)定義*/{char chrom[chromlength+1]。 /*當(dāng)前遺傳代數(shù)*/int best_index。 /*群體大小（20100 ）*/int maxgeneration=1000。 /*變異概率（）*/double B=。double pc=。/*隱層到輸出層權(quán)值*/double o_o[SIZE][OUT]。 遺傳算法訓(xùn)練神經(jīng)網(wǎng)絡(luò) C 語(yǔ)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) */江西理工大學(xué) 2022 屆本科生畢業(yè)設(shè)計(jì)（論文）define IN 2 /*輸入層節(jié)點(diǎn)數(shù)*/ 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)*OUTdefine W 10 /*用于檢驗(yàn)的樣本數(shù)*/double w_h_i[HN][IN+1]。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。采用以上初始化方法的原因是使遺傳算法能夠搜索所有可行解的范圍。在 BP 算法中，～ 之間均勻分布的隨機(jī)數(shù)。 評(píng)價(jià)函數(shù) f：將染色體上表示的各權(quán)值分配到給定的網(wǎng)絡(luò)結(jié)構(gòu)中，網(wǎng)絡(luò)以訓(xùn)練集樣本為輸入輸出，運(yùn)行后返回染色體的評(píng)價(jià)函數(shù)。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(wèn)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。 遺傳算法訓(xùn)練神經(jīng)網(wǎng)絡(luò) C 語(yǔ)言實(shí)現(xiàn) 用遺傳算法訓(xùn)練神經(jīng)網(wǎng)絡(luò)的要求用遺傳算法訓(xùn)練神經(jīng)網(wǎng)絡(luò)并用 C 語(yǔ)言編程實(shí)現(xiàn)以下函數(shù)已知訓(xùn)練樣本如下表所示，要求設(shè)計(jì)圖中所示的神經(jīng)網(wǎng)絡(luò)。首先，在變量多，取值范圍大或無(wú)給定范圍時(shí)，收斂速度下降；其次，可找到最優(yōu)解附近，但無(wú)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。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。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)。(3)繁衍生長(zhǎng)法這種方法不是在“染色體”中直接編碼神經(jīng)網(wǎng)絡(luò)的結(jié)構(gòu)，而是把一些簡(jiǎn)單的生長(zhǎng)語(yǔ)法規(guī)則編碼入“染色體”中；然后，由遺傳算法對(duì)這些生長(zhǎng)語(yǔ)法規(guī)則不斷進(jìn)行改變，最后生成適合所解的問(wèn)題的神經(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。編碼方法主要有下列3 種：(1)直接編碼法這是把神經(jīng)網(wǎng)絡(luò)結(jié)構(gòu)直接用二進(jìn)制串表示，在遺傳算法中， “染色體”實(shí)質(zhì)上和神經(jīng)網(wǎng)絡(luò)是一種映射關(guān)系。 (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。1．遺傳算法在網(wǎng)絡(luò)學(xué)習(xí)中的應(yīng)用在神經(jīng)網(wǎng)絡(luò)中，遺傳算法可用于網(wǎng)絡(luò)的學(xué)習(xí)。本文中也是采用遺傳算法優(yōu)化網(wǎng)絡(luò)權(quán)重的方法。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(wèn)題；況且，對(duì)如何選擇網(wǎng)絡(luò)的拓?fù)浣Y(jié)構(gòu)問(wèn)題，目前無(wú)論在理論還是在方法上，都還沒(méi)找到有效的指導(dǎo)原則。其中,進(jìn)行神經(jīng)網(wǎng)絡(luò)的分析是指用遺傳算法來(lái)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。遺傳算法是基于生物進(jìn)化機(jī)理的數(shù)學(xué)算法系統(tǒng)，許多實(shí)踐已經(jīng)證明遺傳算法是進(jìn)行全局搜索的有效工具。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(lái)一起求解，但這對(duì)計(jì)算機(jī)的處理能力要求很高。一般的，簡(jiǎn)單的算法并不有效，可塑的算法又不簡(jiǎn)單，而有效的算法則要求算法的專一性、完美性，從而又與算法的可塑性、簡(jiǎn)單性相沖突。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(lái)取代一些傳統(tǒng)的學(xué)習(xí)算法。圖 遺傳算法的執(zhí)行過(guò)程算法的停止條件最簡(jiǎn)單的有如下二種：（1）完成了預(yù)先給定的進(jìn)化代數(shù)則停止；（2）群體中的最優(yōu)個(gè)體在連續(xù)若干代沒(méi)有改進(jìn)或平均適應(yīng)度在連續(xù)若干代基本沒(méi)有改進(jìn)時(shí)停止。否則，用經(jīng)過(guò)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)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。常用的變異有:基本變異，均勻變異，邊界變異，非均勻變異。變異算子的作用效果在于:一方面，遺傳算法具有局部搜索的能力，使遺傳算法能夠搜索到精確解。同生物界一樣，遺傳算法中變異發(fā)生的概率很低。也就是說(shuō)，變異增加了全局優(yōu)化的特質(zhì)。但是，它能保證算法過(guò)程不會(huì)產(chǎn)生無(wú)法進(jìn)化的單一群體。對(duì)其的第 1，4 位置的基因進(jìn)行變異，則有S39。江西理工大學(xué) 2022 屆本科生畢業(yè)設(shè)計(jì)（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 。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 變異根據(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