遺傳算法在bp神經(jīng)網(wǎng)絡(luò)優(yōu)化中的應(yīng)用

《遺傳算法在bp神經(jīng)網(wǎng)絡(luò)優(yōu)化中的應(yīng)用》由會(huì)員上傳分享，免費(fèi)在線閱讀，更多相關(guān)內(nèi)容在行業(yè)資料-天天文庫(kù)。

1、專業(yè)資料遺傳算法在BP神經(jīng)網(wǎng)絡(luò)優(yōu)化中的應(yīng)用2O世紀(jì)80年代后期，多機(jī)器人協(xié)作成為一種新的機(jī)器人應(yīng)用形式日益引起國(guó)內(nèi)外學(xué)術(shù)界的興趣與關(guān)注。一方面，由于任務(wù)的復(fù)雜性，在單機(jī)器人難以完成任務(wù)時(shí)，人們希望通過多機(jī)器人之間的協(xié)調(diào)與合作來(lái)完成。另一方面，人們也希望通過多機(jī)器人間的協(xié)調(diào)與合作，來(lái)提高機(jī)器人系統(tǒng)在作業(yè)過程中的效率。1943年，Maeullocu和Pitts融合了生物物理學(xué)和數(shù)學(xué)提出了第一個(gè)神經(jīng)元模型。從這以后，人工神經(jīng)網(wǎng)絡(luò)經(jīng)歷了發(fā)展、停滯、再發(fā)展的過程，時(shí)至今日正走向成熟，在廣泛領(lǐng)域里得到了應(yīng)用，其中將人工神經(jīng)網(wǎng)絡(luò)技術(shù)應(yīng)用到多機(jī)器人協(xié)作

2、成為新的研究領(lǐng)域。本文研究通過人工神經(jīng)網(wǎng)絡(luò)控制多機(jī)器人完成協(xié)作搬運(yùn)的任務(wù)-3J，并應(yīng)用遺傳算法來(lái)對(duì)神經(jīng)網(wǎng)絡(luò)進(jìn)行優(yōu)化。仿真結(jié)果表明，經(jīng)過遺傳算法優(yōu)化后的搬運(yùn)工作效率顯著提高，誤差降低。1人工神經(jīng)網(wǎng)絡(luò)ANN)的基本原理和結(jié)構(gòu)人工神經(jīng)網(wǎng)絡(luò)(ArtiifcialNeuralNetwork，ANN))是抽象、簡(jiǎn)化與模擬大腦神經(jīng)結(jié)構(gòu)的計(jì)算模型，又稱并行分布處理模型J。ANN由大量功能簡(jiǎn)單且具有自適應(yīng)能力的信息處理單元——人工神經(jīng)元按照大規(guī)模并行的方式通過一定的拓?fù)浣Y(jié)構(gòu)連接而成。ANN拓?fù)浣Y(jié)構(gòu)很多，其中采用反向傳播(Back-Propa-gation

3、，BP)算法的前饋型神經(jīng)網(wǎng)絡(luò)(如下圖1所示)，即BP人工神經(jīng)網(wǎng)絡(luò)，是人工神經(jīng)網(wǎng)絡(luò)中最常用、最成熟的神經(jīng)網(wǎng)絡(luò)之一。BP網(wǎng)絡(luò)模型處理信息的基本原理是：輸入信號(hào)x；通過中間節(jié)點(diǎn)(隱層點(diǎn))作用于出節(jié)點(diǎn)，經(jīng)過非線形變換，產(chǎn)生輸出信Yk，網(wǎng)絡(luò)訓(xùn)練的每個(gè)樣本包括輸入向量x和期望輸出量T，網(wǎng)絡(luò)輸出值Y與期望輸出值T之間的偏差，通過調(diào)整輸入節(jié)點(diǎn)與隱層節(jié)點(diǎn)的聯(lián)接強(qiáng)度取值w；；和隱層節(jié)點(diǎn)與輸出節(jié)點(diǎn)之間的聯(lián)接強(qiáng)度Y以及閾值，使誤差沿梯度方向下降，經(jīng)過反復(fù)學(xué)習(xí)訓(xùn)練，確定與最小誤差相對(duì)應(yīng)的網(wǎng)絡(luò)參數(shù)(權(quán)值和閾值)，訓(xùn)練即告停止。此時(shí)經(jīng)過訓(xùn)練的神經(jīng)網(wǎng)絡(luò)即能對(duì)類似樣本的

4、輸入信息，自行處理輸出誤差最小的經(jīng)過非線形轉(zhuǎn)換的信息。WORD完美格式下載可編輯專業(yè)資料2遺傳算法的基本原理和步驟遺傳算法(GeneitcAlgoirthm，GA)類似于自然進(jìn)化，通過作用于染色體上的基因?qū)ふ液玫娜旧w來(lái)求解問題J。與自然界相似，遺傳算法對(duì)求解問題的本身一無(wú)所知，它所需要的僅是對(duì)算法所產(chǎn)生的每個(gè)染色體進(jìn)行評(píng)價(jià)，并基于適應(yīng)值來(lái)選擇染色體，使適應(yīng)性好的染色體有更多的繁殖機(jī)會(huì)。在遺傳算法中，通過隨機(jī)方式產(chǎn)生若干個(gè)所求解問題的數(shù)字編碼，即染色體，形成初始群體；通過適應(yīng)度函數(shù)給每個(gè)個(gè)體一個(gè)數(shù)值評(píng)價(jià)，淘汰低適應(yīng)度的個(gè)體，選擇高適應(yīng)度

5、的個(gè)體參加遺傳操作，經(jīng)過遺傳操作后的個(gè)體集合形成下一代新的種群。對(duì)這個(gè)新種群進(jìn)行下一輪進(jìn)化。這就是遺傳算法的基思想。遺傳算法的步驟為：(1)初始化群體；(2)計(jì)算群體上每個(gè)個(gè)體的適應(yīng)度值；(3)按由個(gè)體適應(yīng)度值所決定的某個(gè)規(guī)則選擇將進(jìn)入下一代的個(gè)體；(4)按概率P。進(jìn)行交叉操作；(5)按概率P進(jìn)行突變操作；(6)沒有滿足某種停止條件，則轉(zhuǎn)第(2)步，否則進(jìn)入第(7)步；(7)輸出種群中適應(yīng)度值最優(yōu)的染色體作為問題的滿意解或最優(yōu)解。程序的停止條件最簡(jiǎn)單的有如下兩種情況：(1)完成了預(yù)先給的進(jìn)化代數(shù)則停止；(2)種群中的最優(yōu)個(gè)體在連續(xù)若干代

6、沒有改進(jìn)或平均適應(yīng)度在連續(xù)若干代基本沒有改進(jìn)時(shí)停止。為了改善BP神經(jīng)網(wǎng)絡(luò)學(xué)習(xí)算法易陷入局部極小的缺陷，本文采用遺傳算法來(lái)優(yōu)化BP神經(jīng)網(wǎng)絡(luò)的性能。首先采用遺傳算法來(lái)優(yōu)化BP神經(jīng)網(wǎng)絡(luò)的權(quán)值和閾值，然后將這些優(yōu)化值賦給網(wǎng)絡(luò)得到優(yōu)化的BP神經(jīng)網(wǎng)絡(luò)，最后用仿真數(shù)據(jù)評(píng)估該優(yōu)化網(wǎng)絡(luò)的性能。數(shù)值仿真結(jié)果表明：經(jīng)遺傳算法優(yōu)化BP神經(jīng)網(wǎng)絡(luò)能有效地避免原始BP神經(jīng)網(wǎng)絡(luò)容易出現(xiàn)的局部極小，且具有收斂速度快和精度高等優(yōu)點(diǎn)。前饋神經(jīng)網(wǎng)絡(luò)（BP模型）是目前神經(jīng)網(wǎng)絡(luò)領(lǐng)域研究最多應(yīng)用最廣的網(wǎng)絡(luò)模型。其非線性逼近能力是它博得青睞的主要原因，而BP算法作為前饋網(wǎng)絡(luò)的主要學(xué)習(xí)

7、算法，則無(wú)可爭(zhēng)議的對(duì)其推廣應(yīng)用起了舉足輕重的促進(jìn)作用。BP算法因其簡(jiǎn)單、易行、計(jì)算量小、并行性強(qiáng)等優(yōu)點(diǎn)，是目前神經(jīng)網(wǎng)絡(luò)訓(xùn)練采用最多也是最為成熟的訓(xùn)練算法之一。然而，由BPWORD完美格式下載可編輯專業(yè)資料算法是一種梯度下降搜索方法，因而不可避免地存在固有的不足，如易陷入誤差函數(shù)的局部極值點(diǎn)，而且對(duì)于較大搜索空間、多峰值和不可微函數(shù)也不能有效搜索到全局極小點(diǎn)，而遺傳算法則是克服這一不足的有效解決方法，主要是因?yàn)檫z傳算法是一種全局優(yōu)化搜索算法，因而能夠避開局部極小點(diǎn)，而且在進(jìn)化過程中也無(wú)需提供所要解決問題的梯度信息。3．遺傳算法優(yōu)化BP神經(jīng)

8、網(wǎng)絡(luò)1遺傳算法優(yōu)化BP神經(jīng)網(wǎng)絡(luò)算法流程利用遺傳算法來(lái)訓(xùn)練神經(jīng)網(wǎng)絡(luò)的大部分工作是預(yù)先固定好網(wǎng)絡(luò)的拓?fù)?，而后用遺傳算法優(yōu)化神經(jīng)網(wǎng)絡(luò)的權(quán)重。進(jìn)化訓(xùn)練方法可分為兩個(gè)主要步驟：（1）決定網(wǎng)絡(luò)連接權(quán)重的編碼方案；（2）