遗传算法与网络
A. 遗传算法跟神经网络之间是什么关系
神经网络的设计要用到遗传算法,遗传算法在神经网络中的应用主要反映在3个方面:网络的学习,网络的结构设计,网络的分析。
1.遗传算法在网络学习中的应用
在神经网络中,遗传算法可用于网络的学习。这时,它在两个方面起作用
(1)学习规则的优化
用遗传算法对神经网络学习规则实现自动优化,从而提高学习速率。
(2)网络权系数的优化
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.遗传算法在网络设计中的应用
用遗传算法设计一个优秀的神经网络结构,首先是要解决网络结构的编码问题;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
这是把神经网络结构直接用二进制串表示,在遗传算法中,“染色体”实质上和神经网络是一种映射关系。通过对“染色体”的优化就实现了对网络的优化。
(2)参数化编码法
参数化编码采用的编码较为抽象,编码包括网络层数、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,然后产生网络的结构。
(3)繁衍生长法
这种方法不是在“染色体”中直接编码神经网络的结构,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网络。这种方法与自然界生物地生长进化相一致。
3.遗传算法在网络分析中的应用
遗传算法可用于分析神经网络。神经网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。遗传算法可对神经网络进行功能分析,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。
B. 遗传神经网络识别原理
4.3.1 遗传BP简介
遗传识别是遗传算法+神经网络的一种新兴的寻优技术,适合于复杂的、叠加的非线性系统的辨识描述。神经网络算法是当前较为成熟的识别分类方法,但网络权值的训练一直存在着缺陷。为此结合具体应用,在对遗传算法进行改进的基础上,本文采用了一种基于遗传学习权值的神经网络识别方法,并取得了较好的效果。
尽管常规遗传算法是稳健的,但针对一个具体问题遗传算法只有和其他方法(或称原有算法)有效地结合在一起,组成一个新的混合算法,才能在实际中得到广泛应用。混合算法既要保持原有算法的长处,又要保持遗传算法的优点,因此常规遗传算法中的适应值函数、编码、遗传算子等必须做适当的修改以适应混合算法的要求。
4.3.1.1 适应值信息
常规算法中,适应值常被表示为全局极小,用欧氏距离来实现。例如,适应值常被表示为如下形式:
图4-5 改进的 GABP计算流程图
GABP的计算过程图如图4-5所示。
C. 遗传神经网络算法和神经网络算法的区别
最本质的区别可以说是学习方法不同,或者说模型的优化方法不同。
前者应该是基于遗传算法进行网络权值的学习,而后者大都是采用反向传播(BP)算法进行权值学习,而这两种算法差异很大。建议你分别了解:
1)遗传算法
2)反向传播算法
D. 关于遗传算法,模糊数学,神经网络三种数学的区别和联系
楼上说的不错,只是你说的这三项里,只有模糊数学是数学的一个分支,遗传算法和神经网络都属于智能计算方法,不属于数学的一个分支,是涉及到多门学科的一类计算方法。
E. 神经网络和遗传算法有什么关系
遗传算法是一种智能优化算法,神经网络是人工智能算法的一种。
可以将遗传算法用于神经网络的参数优化中。
F. 什么时候使用遗传算法 vs 什么时候使用神经网络
一个遗传算法 ( GA ) 搜索技术用于计算找到精确或近似优化和搜索问题的解决方案。神经网络是非线性统计数据建模工具。可以用来建模输入和输出之间复杂的关系,或者为数据中的查找模式 。当有一个条目的数量在不同的类中,神经网络可以"学习"分类项还没有"看见"之前。 比如,人脸识别,语音识别。遗传算法可以执行定向搜索解决方案的空间。比如:查找两点之间的最短路径。
G. hopfield神经网络和遗传算法的不同点
两者不同的地方非常多吖,或者说,两者根本就没有多少相同的。
hopfield网络,基本上是设置了一个机制,使每次能量都下跌。
而遗传算法,则非常的不同,是种群搜索的机制,先初始化一堆的解,然后每次按概述让优秀解进入下一代(注意到,有可能有不优秀的也可以进入,而hopfield是每一代能量都会下跌),下一代再通过交叉和变异等机制,产生新的一代。由于每次竞选下一代都会让优秀的更大概率通过,所以按概率,每一代都会比上一代更优秀 ,就这样,最后进化到中够优秀的一代。
两者同是通过数次跌代,最后趋于稳定。
但两者不同,遗传算法是每一代是一个种群,而hopfield是一个个体。遗传算法每一代允许更差的情况,有助于跳出局部最成。而hopfield每次能量都是下跌的,有贪婪算法的味道 ,一般不能跳出局部最优。
这样。
《神经网络之家》