遺傳算法與智能算法綜述-在線瀏覽
2024-08-09 11:03本頁面
【正文】 三層以上的階層型神經(jīng)網(wǎng)絡(luò)。相鄰層之間的各神經(jīng)元實(shí)現(xiàn)全連接，即下一層的每一個(gè)神經(jīng)元與上一層的每個(gè)神經(jīng)元都實(shí)現(xiàn)全連接，而且每層各神經(jīng)元之間無連接。 競爭型(KOHONEN)神經(jīng)網(wǎng)絡(luò) 它是基于人的視網(wǎng)膜及大腦皮層對剌激的反應(yīng)而引出的。對于某一個(gè)輸入模式，通過競爭在輸出層中只激活一個(gè)相應(yīng)的輸出神經(jīng)元。競爭型神經(jīng)網(wǎng)絡(luò)是一種以無教師方式進(jìn)行網(wǎng)絡(luò)訓(xùn)練的網(wǎng)絡(luò)。競爭型神經(jīng)網(wǎng)絡(luò)及其學(xué)習(xí)規(guī)則與其它類型的神經(jīng)網(wǎng)絡(luò)和學(xué)習(xí)規(guī)則相比，有其自己的鮮明特點(diǎn)。它一般是由輸入層(模擬視網(wǎng)膜神經(jīng)元)和競爭層(模擬大腦皮層神經(jīng)元，也叫輸出層)構(gòu)成的兩層網(wǎng)絡(luò)。有時(shí)競爭層各神經(jīng)元之間還存在橫向連接。神經(jīng)網(wǎng)絡(luò)工作時(shí)，對于某一輸入模式，網(wǎng)絡(luò)中與該模式最相近的學(xué)習(xí)輸入模式相對應(yīng)的競爭層神經(jīng)元將有最大的輸出值，即以競爭層獲勝神經(jīng)元來表示分類結(jié)果。 除了競爭的方法外，還有通過抑制手段獲取勝利的方法，即網(wǎng)絡(luò)競爭層各神經(jīng)元抑制所有其它神經(jīng)元對輸入模式的響應(yīng)機(jī)會(huì)，從而使自己“脫穎而出”，成為獲勝神經(jīng)元。這種方法常常用于圖象邊緣處理，解決圖象邊緣的缺陷問題。所以一旦輸出層中的某個(gè)輸出神經(jīng)元損壞，則導(dǎo)致該神經(jīng)元所代表的該模式信息全部丟失。他利用非線性動(dòng)力學(xué)系統(tǒng)理論中的能量函數(shù)方法研究反饋人工神經(jīng)網(wǎng)絡(luò)的穩(wěn)定性，并利用此方法建立求解優(yōu)化計(jì)算問題的系統(tǒng)方程式。 網(wǎng)絡(luò)中的每一個(gè)神經(jīng)元都將自己的輸出通過連接權(quán)傳送給所有其它神經(jīng)元，同時(shí)又都接收所有其它神經(jīng)元傳遞過來的信息。所以Hopfield神經(jīng)網(wǎng)絡(luò)是一個(gè)反饋型的網(wǎng)絡(luò)。反饋型網(wǎng)絡(luò)的一個(gè)重要特點(diǎn)就是它具有穩(wěn)定狀態(tài)。這里的能量函數(shù)不是物理意義上的能量函數(shù)，而是在表達(dá)形式上與物理意義上的能量概念一致，表征網(wǎng)絡(luò)狀態(tài)的變化趨勢，并可以依據(jù)Hopfield工作運(yùn)行規(guī)則不斷進(jìn)行狀態(tài)變化，最終能夠達(dá)到的某個(gè)極小值的目標(biāo)函數(shù)。如果把一個(gè)最優(yōu)化問題的目標(biāo)函數(shù)轉(zhuǎn)換成網(wǎng)絡(luò)的能量函數(shù)，把問題的變量對應(yīng)于網(wǎng)絡(luò)的狀態(tài)，那么Hopfield神經(jīng)網(wǎng)絡(luò)就能夠用于解決優(yōu)化組合問題。因此，可以把所需記憶的模式設(shè)計(jì)成某個(gè)確定網(wǎng)絡(luò)狀態(tài)的一個(gè)穩(wěn)定平衡點(diǎn)。 當(dāng)網(wǎng)絡(luò)從與記憶模式較靠近的某個(gè)初始狀態(tài)(相當(dāng)于發(fā)生了某些變形或含有某些噪聲的記憶模式，也即：只提供了某個(gè)模式的部分信息)出發(fā)后，網(wǎng)絡(luò)按Hopfield工作運(yùn)行規(guī)則進(jìn)行狀態(tài)更新，最后網(wǎng)絡(luò)的狀態(tài)將穩(wěn)定在能量函數(shù)的極小點(diǎn)。 Hopfield神經(jīng)網(wǎng)絡(luò)的能量函數(shù)是朝著梯度減小的方向變化，但它仍然存在一個(gè)問題，那就是一旦能量函數(shù)陷入到局部極小值，它將不能自動(dòng)跳出局部極小點(diǎn)，到達(dá)全局最小點(diǎn)，因而無法求得網(wǎng)絡(luò)最優(yōu)解。其主要特點(diǎn)是群體搜索策略和群體中個(gè)體之間的信息交換，搜索不依賴于梯度信息。1975年霍蘭教授發(fā)表了第一本比較系統(tǒng)論述遺傳算法的專著《自然系統(tǒng)與人工系統(tǒng)中的適應(yīng)性》（《Adaptation in Natural and Artificial Systems》）。迄今為止，遺傳算法是進(jìn)化算法中最廣為人知的算法。在發(fā)展過程中，進(jìn)化策略、進(jìn)化規(guī)劃和遺傳算法之間差異越來越小。 特點(diǎn) 遺傳算法是解決搜索問題的一種通用算法，對于各種通用問題都可以使用。在遺傳算法中，上述幾個(gè)特征以一種特殊的方式組合在一起：基于染色體群的并行搜索，帶有猜測性質(zhì)的選擇操作、交換操作和突變操作。 遺傳算法還具有以下幾方面的特點(diǎn)： (1)遺傳算法從問題解的串集開始嫂索，而不是從單個(gè)解開始。傳統(tǒng)優(yōu)化算法是從單個(gè)初始值迭代求最優(yōu)解的；容易誤入局部最優(yōu)解。(2)許多傳統(tǒng)搜索算法都是單點(diǎn)搜索算法，容易陷入局部的最優(yōu)解。 (3)遺傳算法基本上不用搜索空間的知識(shí)或其它輔助信息，而僅用適應(yīng)度函數(shù)值來評(píng)估個(gè)體，在此基礎(chǔ)上進(jìn)行遺傳操作。這一特點(diǎn)使得遺傳算法的應(yīng)用范圍大大擴(kuò)展。 (5)具有自組織、自適應(yīng)和自學(xué)習(xí)性。 運(yùn)用領(lǐng)域 前面描述是簡單的遺傳算法模型，可以在這一基本型上加以改進(jìn)，使其在科學(xué)和工程領(lǐng)域得到廣泛應(yīng)用。既包括數(shù)量優(yōu)化問題，也包括組合優(yōu)化問題。 ③ 機(jī)器學(xué)習(xí)：遺傳算法可用于許多機(jī)器學(xué)習(xí)的應(yīng)用，包括分類問題和預(yù)測問題等。 ⑤ 免疫系統(tǒng)：應(yīng)用遺傳算法可以對自然界中免疫系統(tǒng)的多個(gè)方面建立模型，研究個(gè)體的生命過程中的突變現(xiàn)象以及發(fā)掘進(jìn)化過程中的基因資源。 ⑦ 社會(huì)經(jīng)濟(jì)問題：遺傳算法可以用來研究社會(huì)系統(tǒng)中的各種演化現(xiàn)象，例如在一個(gè)多主體
環(huán)評(píng)公示相關(guān)推薦
鄂ICP備17016276號(hào)-1