神经网络结合遗传算法优化应用.pdf

第21卷第2期 贵州大学学报(自然科学版) V01．2l№．2 ofGllizhou May．2004 2004年5月 Joumal Ulliv啪ity(N曲】墙1Science8) 文章编号1000—5269(2004)02一0179一06 神经网络结合遗传算法优化应用 赖鑫生 (贵州大学信息与计算机科学学院计算机科学系，贵州贵阳550025) 摘 要神经网络特另1】是BP网络因其函数逼近能力已取得了广泛的应用，遗传算法因其解决 优化问题的普遍适用性而在现实生活及科研领域获得了广泛应用。本文提出的优化策略是为解 决一些工程优化问题，即用神经网络及遗传算法结合起来解决此类问题。以BP网络的函数逼 近能力隐式地得到问题的函数表达式，再用遗传算法优化该网络的输出。 关键词BP神经网络；优化；遗传算法；函数逼近 中图分类号1lPl83文献标识码A 1 引言 前馈神经网络(FeedForw盯d)型神经网络是非循环的多级网络。BP(Back 多级网络训练算法。它的提出也极大地促进了神经网络监督学习的理论和应用的研究。监督学习可以看 作是函数逼近过程，即通过神经阿络的输出来逼近样本点的给定函数值。RobertHecht—Niel∞n已经从理 论上证明了人工神经网络具有很强的非线性映射能力，对于任何闭区间连续函数都可以用具有一个隐层 的前馈型网络来逼近怛】。 对于神经网络的函数逼近和泛化能力，已获得了广泛应用。如利用标准BP网络在降雨预报中的应 用[3】。利用BP神经网络模型预报岩溶水水位【4】，等等。这些应用都是利用BP网络的函数逼近能力来拟 合函数，再利用BP网络的泛化能力预测某些点的函数值。 遗传算法(Genetic 在适应性系统模拟、函数优化、机器学习、自动控制等领域得到广泛应用，已成功地应用于工程设计、工商 管理、科学实验等领域中地复杂优化问题的求解，如文献[6]。使用遗传算法对优化问题求解，必须知道 目标函数的显式表达式，才能计算适应值。然而，很多优化问题要导出内在的函数关系式往往不是那么容 易，所以就难以用遗传算法来优化。 本文做了用BP神经网络和遗传算法结合起来解决一些工程优化问题的尝试，取得一定的效果，说明 该方法是有效可行的。本文安排如下：下一部分简单介绍了BP神经网络基本原理，第三部分简单介绍遗 传算法的基本原理，第四部分给出了BP神经网络和遗传算法结合优化问题的具体步骤，第五部分是一些 实验及分析，最后是结论。 2前馈型神经网络的基本原理 一个典型的三层前馈神经网络的拓扑结构如图1所示。 设网络的输入层、隐层和输出层的节点个数分别为M，M和ⅣD，设输人向量为[省。，菇：，…，石M]，从结 点间无关联，异层神经元间前向连接。其中，LA层含m个节点，对应于BP网络可感知的m个输入；LC层含 有凡个节点，与BP网络的n种输出响应相对应，LB层节点的数目Ⅱ可根据需要设置。 鼍收稿日期：2003一12一10 作者简介：赖鑫生(1卯2一)，男，在读硬士研究生。研究方向：人工智能。 万方数据 ·180· 贵州大学学报(自然科学版) 第21卷 LB层节点的阈值，61『为LC层节点的阈值，则LB层中节点的输出函数为 6，=八∑训打·口；+r)(r=l，…，u) LA LB LC I=I LC层中节点的输出函数为 q=八∑tJ巧·6，+61『)(_『=1，…，n) 其中以·)为s型函数，即苁戈)=(1+e。)～。对 有限数目的二值型或连续型模式对(A仆)， c¨’)(1j}=l，…，p)，一般来说，三层前馈型BP 网络可按给的BP算法进行存储，以实现预定的 映射A(‘)_c‘¨，只要 A似’可表达为Ao’=(口：¨，口：¨，…，口0’