神经网络与遗传算法.ppt

目录(遗传算法)10.4遗传算法1975年美国Michigan大学J.Holland教授提出。

美国人De.Jong博士将遗传算法应用于函数优化

Goldberg成了遗传算法的框架。选择适应值高的染色体进行复制，通过遗传算子：选择、交叉（重组）、变异，来产生一群新的更适应环境的染色体，形成新的种群。

这样一代一代不断繁殖、进化，最后收敛到一个最适应环境的个体上，求得问题的最优解。
初始化初始种群（编码成位串形式）遗传算法基本要素（1）问题编码（2）初始群体的生成（3）适应值函数的确定（4）控制参数10.4.2遗传算子3、变异(Mutation)算子
变异增加了遗传算法找到接近最优解的能力。
变异就是以很小的概率，随机地改变字符串某个位置上的值。把某一位的内容进行变异。

在二进制编码中，就是将某位0变成1，1变成0。
如：110010的第四位变异成110110
（父代）（子代）10.4.3遗传算法实例非负;(2)逐步增大
4.选择率ps和期望值
选择率：ps=fi/∑fi
平均适应值：f=∑fi/n
期望值：fi/f
5.实选值
期望值取整数
编号二、遗传说明：3.变异
取变异概率pe=0.01，表示每100个体中有一个个体的一位发生变异。（暂不变异）
新的种群，其平均值和最大值都有很大提高。
均值：293→439
最大值：576→729
新种群中四个个体，有2个变好：25，25；2个变坏：12，16。三、再遗传一代选择后的交配池（下划线部分交叉）单纯用交叉而没有用变异，则遗传多少代得不到最优解31(11111)。主要是第三位所有个体都是0，这样只能得到27（11011）次优解。
10.4.4遗传算法的特点10.5基于遗传算法的分类学习系统GCLS系统由五个部件组成系统的工作流程系统的工作流程应用实例高血压：获取知识将例子编码成二进制字符串：消息就是一个有24位条件，2位结论组成的二元组。
如上面的例子
M=[(010001010101010101100101),(01)]识别效果3、高血压=有∧起病方式=快∧意识障碍=深度
→脑出血（13）
4、起病方式=快∧瞳孔不等大=是→脑出血（4）
5、膝腱反射=不活跃→脑出血（1）
6、高血压=有∧病情发展=快→脑出血（15）
7、高血压=有∧动脉硬化=有∧起病方式=慢
→脑血栓（13）
8、动脉硬化=有∧病情发展=慢→脑血栓（15）
9、动脉硬化=有∧意识障碍=无→脑血栓（12）

附：进化神经网络遗传算法和神经网络是当前常用的两种优化搜索技术，也是当前研究的一个热点。将遗传算法和神经网络结合，可以充分利用两者的优点，使新算法既有神经网络的学习能力和鲁棒性，又有遗传算法的全局随机搜索能力，从而能更好地解决实际问题。
基于遗传算法的神经网络设计遗传算法和神经网络的结合示意图基于遗传算法的神经网络设计