论文部分内容阅读
本文详细介绍了遗传算法的基本理论,讨论了遗传算法的优点,以及利用遗传算法辅助设计了神经网络的权值和阀值,采川多组分实验数据样本进行了试算。结果表明:采用基于遗传算法的神经网络对多组分荧光物质成分进行预测,其结果明显优于标准神经网络,预测指标的相对误差均在6%以内,网络收敛情况良好,而且模型的鲁棒性也很好,因此,该模型可以运用在对多组分荧光物质成分进行预测,具有实用价值。
在标准遗传算法中,通过选择、交叉、变异3个基本遗传算子实现种群进化,其中交义是主要的遗传算子,变异是辅助算子,编码为二进制编码。本文提出的遗传算法与标准遗传算法有以下几点不同:
1、对网络权值和阀值分别进行实数向量形式的编码,即每个染色体编码为两个和解向量维数相同的实向量。将权值和阀值分开编码可避免编码长度和精度相互矛盾的问题,以便解决异常复杂的神经网络设计问题;
2、由于采用实数编码,交叉和变异算子与标准遗传算法不同,并且主要以变异为主,或根据情况可不刚交义。主要是由于设计的交叉算子和变异算子已改变了标准遗传算法中交义的全局搜索和变异的局部搜索的性能;
3、交叉和变异操作方法为了适应实数编码的需要,与标准遗传算法不同;
4、为了引导交叉和变异向着好的方向进化,对每一个要变异的染色体和每一对要交叉的染色体允许多次交叉和变异操作。并保留产生的最好结果,作为导向因子,可保证进化快速收敛。
为了验证算法的有效性,采用了Zn<’2+>、Al<’3+>两组分荧光分析数据样本和VB<,1>、VB<,2>两组分荧光分析数据样本作为实例,实例验证表明:
一是实例仿真的结果优于BP网络以及RBF网络,二是算法具有非常好的鲁棒性。
结果说明,遗传算法发挥了它的优势,这是因为它和常规的优化算法相比有几个方面的不同,可归纳如下:
1、GA不直接和参数打交道,而是处理代表参数的数字串;
2、GA在解空间中不是局限一点,而是同时处理一群点,这样可以避免陷入局部解;
3、GA在寻优过程中,不需要目标函数的微分,只需要目标函数的数值;
4、GA的寻优规则不是定性的,而是由概率决定的。
由于上述特点,遗传算法的对BP、RBF神经网络的优化过程,避免了BP、RBF算法的不足。