[其它]进化算法.ppt

高等应用数学问题的MATLAB求解 进化算法及其应用 1 神经网络及其在数据拟合中的应用 1.1 神经网络基础知识 1.2 神经网络训练和泛化 BP 神经网络结构示意图 1.2 神经网络的训练与泛化 神经网络训练函数 目标值曲线函数 神经网络泛化 2 遗传算法及其在最优化问题中的应用 遗传算法是基于进化论，在计算机上模拟生命进化机制而发展起来的一门新学科，它根据适者生存、优胜劣汰等自然进化规则有哪些信誉好的足球投注网站和计算问题的解。 美国 Michigen 大学的 John Holland 于 1975 年提出的。 遗传算法最优化工具箱 MATLAB 7.0的遗传算法与直接有哪些信誉好的足球投注网站工具箱 遗传算法的基本思想 从一个代表最优化问题解的一组初值开始进行有哪些信誉好的足球投注网站，这组解称为一个种群，这里种群由一定数量的、通过基因编码的个体组成，其中每一个个体称为染色体，不同个体通过染色体的复制、交叉或变异又生成新的个体，依照适者生存的规则，个体也在一代一代进化，通过若干代的进化最终得出条件最优的个体。 简单遗传算法的一般步骤 选择 n 个个体构成初始种群 ，并求出种群内各个个体的函数值。 设置代数为 i=1，即设置其为第一代。 计算选择函数的值，所谓选择即通过概率的形式从种群中选择若干个个体的方式。 通过染色体个体基因的复制、交叉、变异等创造新的个体，构成新的种群 。 i=i+1，若终止条件不满足，则继续进化。 遗传算法和传统优化算法比较 不同于从一个点开始有哪些信誉好的足球投注网站最优解的传统的最优化算法，遗传算法从一个种群开始对问题的最优解进行并行有哪些信誉好的足球投注网站，所以更利于全局最优化解的有哪些信誉好的足球投注网站。 遗传算法并不依赖于导数信息或其他辅助信息来进行最优解有哪些信誉好的足球投注网站。 遗传算法采用的是概率型规则而不是确定性规则，所以每次得出的结果不一定完全相同，有时甚至会有较大的差异。 遗传算法在求解最优化问题中的应用举例 GAOT 工具箱 MATLAB 7.0 GAOT 的最优化函数 可以设置其他参数 n为最大允许代数 遗传算法在有约束最优化问题中的应用 不能直接用于有约束最优化问题求解 可以令不满足约束的目标函数为小值 仍采用 gaopt() 或 ga() 函数求解 【例10-17】求下面的最优化问题 遗传算法优化中间结果 温州大学数学与信息科学学院 主讲人：张笑钦 zhangxiaoqinnan@ 单个人工神经元的数学 表示形式 1.1 神经网络基础知识 【例10-9】 常用传输函数曲线 【例10-10】 【例10-11】对下述函数进行曲线拟合，2个隐层， 隐层节点选择为5 选择隐层15个节点: 【例10-12】二元函数的拟合 【例10-14】 不同初值得出不同“最优解” 最优化有哪些信誉好的足球投注网站结果列表 【例10-15】求最大值 【例10-16】求最大值