人工神经 络与遗传算法,遗传算法训练神经 络

神经 络结合遗传算法：求最值问题 5

遗传算法求解h2>

遗传算法在很多领域都得到应用；从神经 络研究的角度上考虑，最关心的是遗传算法在神经 络的应用好文案。在遗传算法应用中，应先明确其特点和关键问题，才能对这种算法深入了解，灵活应用，以及进一步研究开发。

一、遗传算法的特点1．遗传算法从问题解的中集开始嫂索，而不是从单个解开始。这是遗传算法与传统优化算法的极大区别。传统优化算法是从单个初始值迭代求最优解的；容易误入局部最优解。

遗传算法从串集开始搜索，复盖面大，利于全局择优。2．遗传算法求解时使用特定问题的信息极少，容易形成通用算法程序。由于遗传算法使用适应值这一信息进行搜索，并不需要问题导数等与问题直接相关的信息。

遗传算法只需适应值和串编码等通用信息，故几乎可处理任何问题。

3．遗传算法有极强的容错能力遗传算法的初始串集本身就带有大量与最优解甚远的信息；通过选择、交叉、变异操作能迅速排除与最优解相差极大的串；这是一个强烈的滤波过程；并且是一个并行滤波机制。

故而，遗传算法有很高的容错能力。4．遗传算法中的选择、交叉和变异都是随机操作，而不是确定的精确规则。

这说明遗传算法是采用随机方法进行最优解搜索，选择体现了向最优解迫近，交叉体现了最优解的产生，变异体现了全局最优解的复盖。5．遗传算法具有隐含的并行性遗传算法的基础理论是图式定理。

它的有关内容如下：(1)图式(Schema)概念一个基因串用符 集{0，1，*}表示，则称为一个因式；其中*可以是0或1。例如：H=1x x 0 x x是一个图式。

(2)图式的阶和长度图式中0和1的个数称为图式的阶，并用0(H)表示。图式中第1位数字和最后位数字间的距离称为图式的长度，并用δ(H)表示。对于图式H＝1x x0x x，有0(H)＝2，δ(H)＝4。

(3)Holland图式定理低阶，短长度的图式在群体遗传过程中将会按指数规律增加。当群体的大小为n时，每代处理的图式数目为0(n3)。

遗传算法这种处理能力称为隐含并行性(Implicit Parallelism)。它说明遗传算法其内在具有并行处理的特质。

二、遗传算法的应用关键遗传算法在应用中最关键的问题有如下3个1．串的编码方式这本质是问题编码。一般把问题的各种参数用二进制编码，构成子串；然后把子串拼接构成“染色体”串。

串长度及编码形式对算法收敛影响极大。2．适应函数的确定适应函数(fitness function)也称对象函数(object function)，这是问题求解品质的测量函数；往往也称为问题的“环境”。

一般可以把问题的模型函数作为对象函数；但有时需要另行构造。3．遗传算法自身参数设定遗传算法自身参数有3个，即群体大小n、交叉概率Pc和变异概率Pm。群体大小n太小时难以求出最优解，太大则增长收敛时间。

一般n＝30-160。交叉概率Pc太小时难以向前搜索，太大则容易破坏高适应值的结构。一般取Pc=0.25-0.75。变异概率Pm太小时难以产生新的基因结构，太大使遗传算法成了单纯的随机搜索。

一般取Pm＝0．01—0．2。三、遗传算法在神经 络中的应用遗传算法在神经 络中的应用主要反映在3个方面： 络的学习， 络的结构设计， 络的分析。

1．遗传算法在 络学习中的应用 在神经 络中，遗传算法可用于 络的学习。这时，它在两个方面起作用 (1)学习规则的优化 用遗传算法对神经 络学习规则实现自动优化，从而提高学习速率。

(2) 络权系数的优化 用遗传算法的全局优化及隐含并行性的特点提高权系数优化速度。

2．遗传算法在 络设计中的应用 用遗传算法设计一个优秀的神经 络结构，首先是要解决 络结构的编码问题；然后才能以选择、交叉、变异操作得出最优结构。

编码方法主要有下列3种： (1)直接编码法 这是把神经 络结构直接用二进制串表示，在遗传算法中，“染色体”实质上和神经 络是一种映射关系。通过对“染色体”的优化就实现了对 络的优化。

(2)参数化编码法 参数化编码采用的编码较为抽象，编码包括 络层数、每层神经元数、各层互连方式等信息。一般对进化后的优化“染色体”进行分析，然后产生 络的结构。

(3)繁衍生长法 这种方法不是在“染色体”中直接编码神经 络的结构，而是把一些简单的生长语法规则编码入“染色体”中；然后，由遗传算法对这些生长语法规则不断进行改变，最后生成适合所解的问题的神经 络。

这种方法与自然界生物地生长进化相一致。 3．遗传算法在 络分析中的应用 遗传算法可用于分析神经 络。神经 络由于有分布存储等特点，一般难以从其拓扑结构直接理解其功能。

遗传算法可对神经 络进行功能分析，性质分析，状态分析。 遗传算法虽然可以在多种领域都有实际应用，并且也展示了它潜力和宽广前景；但是，遗传算法还有大量的问题需要研究，目前也还有各种不足。

首先，在变量多，取值范围大或无给定范围时，收敛速度下降；其次，可找到最优解附近，但无法精确确定最扰解位置；最后，遗传算法的参数选择尚未有定量方法。

对遗传算法，还需要进一步研究其数学基础理论；还需要在理论上证明它与其它优化技术的优劣及原因；还需研究硬件化的遗传算法；以及遗传算法的通用编程和形式等。

如何用神经 络遗传算法求极值h2>

===============学习神经 络可以到================ 可以先用matlab神经 络工具箱训练 络,当 络训练好之后,把 络存起来. 然后编写遗传算法,你知道,遗传算法是每代不断迭代的,然后每代会根据适应度决定是否进入下一代,这里的适应度你就用sim(net,x)得到的值的倒数(或者类似的)作为适应度,然后其它就和遗传算法没什么两样了.最后得到的最优解, 就是 络的最优解. 也就是你要的结果了. 不过兄弟,这想法很牛B,很值得鼓励这样的想法.但我不得不说两句,从实际角度来说,这样的实现没有太大的意义. 你的目的就是想从数据中找到Y最小的时候,X的什么值, 但数据上毕竟只是数据,不管你怎么绕,透露出来的信息还是有限的,不管怎么绕,其实数据能提供最大限度的信息就是:在Y=10.88时,即X1=25,X2=24….X6=1.5时,Y是最小值的, 这是数据能提供的最大限度的信息,你再怎么绕, 其实当你懂得神经 络的深层原理时,你会发现,你的方案并没能挖掘出更优的解(因为数据的信息是有限的),这只是把自己绕晕了 不过能有这样的想法,兄弟肯定是个学习的好材料,加油. ===============学习神经 络可以到================。

求人推荐几本有关神经 络和遗传算法的书籍h2>

图书. 作 者： 候媛彬，杜京义，汪梅 编著 出 版 ： 西安电子科技大学出版 出版时间： 2007-8-1 字 数： 339000 版 次： 1 页 数： 223 I S B N ： 呵呵26 分类： 图书 >> 计算机/ 络 >> 人工智能 定价：￥26.00 内容简介 神经 络是智能控制技术的主要分支之一。

本书的主要内容有：神经 络的概念，神经 络的分类与学习方法，前向神经 络模型及其算法，改进的BP 络及其控制、辨识建模，基于遗传算法的神经 络，基于模糊理论的神经 络，RBF 络及其在混沌背景下对微弱信 的测量与控制，反馈 络，Hopfield 络及其在字符识别中的应用，支持向量机及其故障诊断，小波神经 络及其在控制与辨识中的应用。

本书内容全面，重点突出，以讲明基本概念和方法为主，尽量减少繁琐的数学推导，并给出一些结合工程应用的例题。

本书附有光盘，其中包括结合各章节内容所开发的30多个源程序，可直接在MATLAB界面下运行，此外，还包括用Authorware和Flash软件制作的动画课件。

本书既可作为自动化和电气自动化专业及相关专业的研究生教材，也可供机电类工程技术人员选用，还可作为有兴趣的读者自学与应用的参考书。

西安科技大学矿山机电博士点学科带头人，西安科技大学省重点学科“控制理论与控制工程”学科带头人，中国自动化学会电气专业委员会委员，陕西省自动化协会常务理事兼教育委员会主任。

一直从事自动化、安全技术与工程方面的教学和研究工作。讲授过博士、硕士和本科各层面的专业课程10多门。在国内外公开发表学术论文110余篇，其中被EI和ISTP检索30余篇。

出版专著、教材8部：承担省部级科研项目及横向项目10余项；获实用新型专利2项；获省级科技进步奖3项：获科研、教学方面的各种奖10多项；2006年获省级师德标兵。

适合初学者的神经 络和遗传算法资料

遗传算法（Genetic Algorithm）是模拟达尔文生物进化论的自然选择和遗传学机理的生物进化过程的计算模型，是一种通过模拟自然进化过程搜索最优解的方法。

遗传算法是从代表问题可能潜在的解集的一个种群（population）开始的，而一个种群则由经过基因（gene）编码的一定数目的个体(individual)组成。

每个个体实际上是染色体(chromosome)带有特征的实体。染色体作为遗传物质的主要载体，即多个基因的集合，其内部表现（即基因型）是某种基因组合。

韩力群老师有一本书叫人工神经 络教程，上面把神经 络介绍得非常清楚，遗传算法也有讲解。附件是一个基于matlab的案例教程，非常有参考价值。

遗传算法优化bp神经 络，训练好后，做预测会更加准确神告知！

关于神经 络，蚁群算法和遗传算法

神经 络并行性和自适应性很强，应用领域很广，在任何非线性问题中都可以应用，如控制、信息、预测等各领域都能应用。蚁群算法最开始应用于TSP问题，获得了成功，后来又广泛应用于各类组合优化问题。

但是该算法理论基础较薄弱，算法收敛性都没有得到证明，很多参数的设定也仅靠经验，实际效果也一般，使用中也常常早熟。遗传算法是比较成熟的算法，它的全局寻优能力很强，能够很快地趋近较优解。

主要应用于解决组合优化的NP问题。这三种算法可以相互融合，例如GA可以优化神经 络初始权值，防止神经 络训练陷入局部极小且加快收敛速度。

蚁群算法也可用于训练神经 络，但一定要使用优化后的蚁群算法，如最大-最小蚁群算法和带精英策略。

用遗传算法优化bp神经 络，训练变快！是怎么回事h2>

神经 络和遗传算法有什么关系h2>

神经 络的设计要用到遗传算法，遗传算法在神经 络中的应用主要反映在3个方面： 络的学习， 络的结构设计， 络的分析。1．遗传算法在 络学习中的应用在神经 络中，遗传算法可用于 络的学习。

这时，它在两个方面起作用(1)学习规则的优化用遗传算法对神经 络学习规则实现自动优化，从而提高学习速率。(2) 络权系数的优化用遗传算法的全局优化及隐含并行性的特点提高权系数优化速度。

2．遗传算法在 络设计中的应用用遗传算法设计一个优秀的神经 络结构，首先是要解决 络结构的编码问题；然后才能以选择、交叉、变异操作得出最优结构。

编码方法主要有下列3种：(1)直接编码法这是把神经 络结构直接用二进制串表示，在遗传算法中，“染色体”实质上和神经 络是一种映射关系。通过对“染色体”的优化就实现了对 络的优化。

(2)参数化编码法参数化编码采用的编码较为抽象，编码包括 络层数、每层神经元数、各层互连方式等信息。一般对进化后的优化“染色体”进行分析，然后产生 络的结构。

(3)繁衍生长法这种方法不是在“染色体”中直接编码神经 络的结构，而是把一些简单的生长语法规则编码入“染色体”中；然后，由遗传算法对这些生长语法规则不断进行改变，最后生成适合所解的问题的神经 络。

这种方法与自然界生物地生长进化相一致。3．遗传算法在 络分析中的应用遗传算法可用于分析神经 络。神经 络由于有分布存储等特点，一般难以从其拓扑结构直接理解其功能。

遗传算法可对神经 络进行功能分析，性质分析，状态分析。遗传算法虽然可以在多种领域都有实际应用，并且也展示了它潜力和宽广前景；但是，遗传算法还有大量的问题需要研究，目前也还有各种不足。

首先，在变量多，取值范围大或无给定范围时，收敛速度下降；其次，可找到最优解附近，但无法精确确定最扰解位置；最后，遗传算法的参数选择尚未有定量方法。

对遗传算法，还需要进一步研究其数学基础理论；还需要在理论上证明它与其它优化技术的优劣及原因；还需研究硬件化的遗传算法；以及遗传算法的通用编程和形式等。

文章知识点与官方知识档案匹配，可进一步学习相关知识算法技能树首页概览34583 人正在系统学习中