一種基于改進(jìn)遺傳算法的神經(jīng)網(wǎng)絡(luò)優(yōu)化計(jì)算方式

姚江梅　黃裕鋒

摘要：本文以BP神經(jīng)網(wǎng)絡(luò)為例，介紹了優(yōu)化遺傳計(jì)算方式概念，闡述了基于優(yōu)化遺傳計(jì)算方式的神經(jīng)網(wǎng)絡(luò)優(yōu)化計(jì)算方式研究背景，分析了基于優(yōu)化遺傳計(jì)算方式的神經(jīng)網(wǎng)絡(luò)優(yōu)化計(jì)算方式設(shè)計(jì)方法，并對(duì)基于優(yōu)化遺傳計(jì)算方式的神經(jīng)網(wǎng)絡(luò)運(yùn)行進(jìn)行了仿真驗(yàn)證。

[關(guān)鍵詞]優(yōu)化遺傳計(jì)算方式神經(jīng)網(wǎng)絡(luò)優(yōu)化計(jì)算方式BP神經(jīng)網(wǎng)絡(luò)

BP神經(jīng)網(wǎng)絡(luò)是BackPropagation神經(jīng)網(wǎng)絡(luò)，其是一種多層前饋型網(wǎng)絡(luò)，在網(wǎng)絡(luò)訓(xùn)練中存在計(jì)算方式收斂速度過(guò)慢、收斂無(wú)法達(dá)到理想效果，整體工作性能不佳?？紤]到以往神經(jīng)網(wǎng)絡(luò)設(shè)計(jì)規(guī)模過(guò)于龐大等問(wèn)題，利用優(yōu)化遺傳計(jì)算方式，有望獲得較為良好的網(wǎng)絡(luò)拓?fù)浣Y(jié)構(gòu)、訓(xùn)練網(wǎng)絡(luò)方法。因此，對(duì)基于優(yōu)化遺傳計(jì)算方式的神經(jīng)網(wǎng)絡(luò)優(yōu)化計(jì)算方式進(jìn)行適當(dāng)分析非常必要。

1優(yōu)化遺傳計(jì)算方式概述

遺傳計(jì)算方式又可稱(chēng)之為GeneticAlgorithm，其依據(jù)生物進(jìn)化原理開(kāi)發(fā)的一種自適應(yīng)優(yōu)化計(jì)算方式，具有突出的魯棒性。遺傳計(jì)算方式在實(shí)際應(yīng)用中，主要以問(wèn)題樣本適應(yīng)度函數(shù)為基礎(chǔ)，對(duì)初始群體進(jìn)行交叉、篩除、變異等一系列作業(yè)，以獲得正確的學(xué)習(xí)、探究方式。而優(yōu)化遺傳計(jì)算方式則是面對(duì)全局解空間，在傳統(tǒng)遺傳計(jì)算方式的基礎(chǔ)上引入具有一定競(jìng)爭(zhēng)性的選擇集成、多點(diǎn)自適應(yīng)變異、實(shí)數(shù)編碼及多點(diǎn)交叉等作業(yè)，提高遺傳計(jì)算方式收斂速度，縮短二進(jìn)制編碼長(zhǎng)度，從多個(gè)區(qū)域內(nèi)尋找最佳解析方案。

2基于優(yōu)化遺傳計(jì)算方式的神經(jīng)網(wǎng)絡(luò)優(yōu)化計(jì)算方式研究?jī)?yōu)勢(shì)

基于優(yōu)化遺傳計(jì)算方式搜索不需求解函數(shù)可微、不依賴(lài)梯度信息的特點(diǎn)。其可在約束條件下，通過(guò)求解適應(yīng)度函數(shù)，在全局區(qū)域進(jìn)行自適應(yīng)動(dòng)態(tài)搜索。采用優(yōu)化遺傳計(jì)算方式優(yōu)化神經(jīng)網(wǎng)絡(luò)，主要針對(duì)神經(jīng)網(wǎng)絡(luò)結(jié)構(gòu)及其連接權(quán)，通過(guò)對(duì)其網(wǎng)絡(luò)結(jié)構(gòu)及連接權(quán)進(jìn)行優(yōu)化，可以從根本上解決神經(jīng)網(wǎng)絡(luò)初始權(quán)值隨機(jī)性確定，及網(wǎng)絡(luò)結(jié)構(gòu)判定階段出現(xiàn)的網(wǎng)絡(luò)振蕩問(wèn)題，同時(shí)避免整體神經(jīng)網(wǎng)絡(luò)陷入部分模塊解困境?；诖?，利用優(yōu)化遺傳計(jì)算方式全局性搜索特點(diǎn)，探究最佳神經(jīng)網(wǎng)絡(luò)連接權(quán)、網(wǎng)絡(luò)結(jié)構(gòu)的模式，可以為BP神經(jīng)網(wǎng)絡(luò)計(jì)算方式梯度信息依賴(lài)度弱化提供良好的幫助。

3基于優(yōu)化遺傳計(jì)算方式的神經(jīng)網(wǎng)絡(luò)優(yōu)化計(jì)算方式研究框架

在基于優(yōu)化遺傳計(jì)算方式的神經(jīng)網(wǎng)絡(luò)優(yōu)化計(jì)算方式研究中，主要利用開(kāi)關(guān)系數(shù)M代表神經(jīng)網(wǎng)絡(luò)各節(jié)點(diǎn)間連接關(guān)系，一般開(kāi)關(guān)系數(shù)M取值為1/0。其中若開(kāi)關(guān)系數(shù)M為1，表示神經(jīng)網(wǎng)絡(luò)兩節(jié)點(diǎn)間存在連接關(guān)系;若開(kāi)關(guān)系數(shù)M為0，則表示兩節(jié)點(diǎn)間不存在連接關(guān)系。從數(shù)學(xué)層面進(jìn)行分析，優(yōu)化遺傳一神經(jīng)網(wǎng)絡(luò)優(yōu)化問(wèn)題可描述如下：

上述式子中，F(xiàn)1為神經(jīng)網(wǎng)絡(luò)總誤差，ym（a0）為信號(hào)，ym（a）為網(wǎng)絡(luò)實(shí)際輸出。

為檢測(cè)樣本均方誤差，則表明對(duì)BP網(wǎng)絡(luò)輸出數(shù)據(jù)穩(wěn)定性評(píng)估F2較小，且網(wǎng)絡(luò)輸出穩(wěn)定性較大?；蛘邔?duì)BP網(wǎng)絡(luò)輸出數(shù)據(jù)穩(wěn)定性評(píng)估F2大，網(wǎng)絡(luò)輸出穩(wěn)定性較小。

在BP神經(jīng)網(wǎng)絡(luò)應(yīng)用階段，由于無(wú)法準(zhǔn)確獲知被逼近樣本的數(shù)值，這種情況下，即使在網(wǎng)絡(luò)誤差F1為0的條件下，也無(wú)法保證F2與其要求相符。這種BP神經(jīng)網(wǎng)絡(luò)過(guò)擬合現(xiàn)象的出現(xiàn)，嚴(yán)重影響整體神經(jīng)網(wǎng)絡(luò)泛化能力，甚至可能會(huì)導(dǎo)致BP神經(jīng)網(wǎng)絡(luò)在實(shí)際應(yīng)用方面無(wú)法發(fā)揮基礎(chǔ)價(jià)值。因此，在神經(jīng)網(wǎng)絡(luò)計(jì)算方式設(shè)計(jì)階段，需要確定一個(gè)給定誤差φ，促使F2小于這一"數(shù)值，以保證BP神經(jīng)網(wǎng)絡(luò)輸出穩(wěn)定。

在基于優(yōu)化遺傳計(jì)算方式的BP神經(jīng)網(wǎng)絡(luò)計(jì)算方式優(yōu)化設(shè)計(jì)過(guò)程實(shí)現(xiàn)過(guò)程中，首先需要構(gòu)建BP神經(jīng)網(wǎng)絡(luò)并確定BP神經(jīng)網(wǎng)絡(luò)初始化權(quán)限值視域值。同時(shí)逐一對(duì)BP神經(jīng)網(wǎng)絡(luò)初始權(quán)限值視域值編碼，并依據(jù)神經(jīng)網(wǎng)絡(luò)輸出誤差、適應(yīng)度函數(shù)，輸入數(shù)據(jù)訓(xùn)練BP神經(jīng)網(wǎng)絡(luò)及內(nèi)部各染色體適應(yīng)度值。在上述優(yōu)化選擇方式應(yīng)用之后，可獲得適應(yīng)度較高的個(gè)體，經(jīng)過(guò)進(jìn)一步交叉變異操作，可得出每代種群中適應(yīng)度較大的數(shù)值。在最大適應(yīng)度值沒(méi)有發(fā)生明顯變化，或者最大適應(yīng)度值已達(dá)到種群最大進(jìn)化代數(shù)之后可停止優(yōu)化，將獲得的最佳染色體解碼，并將最佳染色體得到的最優(yōu)權(quán)限值視域值賦予BP神經(jīng)網(wǎng)絡(luò)。反之則重新輸入數(shù)據(jù)訓(xùn)練BP神經(jīng)網(wǎng)絡(luò)，根據(jù)BP神經(jīng)網(wǎng)絡(luò)輸出誤差、適應(yīng)度函數(shù)，進(jìn)行各染色體適應(yīng)度數(shù)值的計(jì)算。在獲得各染色體適應(yīng)度數(shù)值之后，可輸入賦予最優(yōu)權(quán)限值視域值的BP神經(jīng)網(wǎng)絡(luò)。經(jīng)BP神經(jīng)網(wǎng)絡(luò)訓(xùn)練后，對(duì)輸出誤差進(jìn)行計(jì)算。根據(jù)輸出誤差，結(jié)合梯度下降計(jì)算方式，可對(duì)BP神經(jīng)網(wǎng)絡(luò)進(jìn)行權(quán)限值視域值優(yōu)化更新。在BP神經(jīng)網(wǎng)絡(luò)輸出誤差達(dá)到預(yù)定訓(xùn)練次數(shù)，或者預(yù)先設(shè)定精度時(shí)，結(jié)束訓(xùn)練，獲得仿真結(jié)果。反之則返回輸入數(shù)據(jù)賦予最優(yōu)權(quán)限值視域值BP神經(jīng)網(wǎng)絡(luò)訓(xùn)練模塊，進(jìn)行重新訓(xùn)練。

4基于優(yōu)化遺傳計(jì)算方式的神經(jīng)網(wǎng)絡(luò)優(yōu)化計(jì)算方式設(shè)計(jì)及實(shí)現(xiàn)

4.1基因編碼及適應(yīng)度函數(shù)篩選

基于實(shí)數(shù)編碼過(guò)程簡(jiǎn)單、無(wú)部分模塊極值風(fēng)險(xiǎn)的特點(diǎn)，本次主要以實(shí)數(shù)編碼的方式作為主要編碼方式。隨后依據(jù)種群進(jìn)化階段適應(yīng)度設(shè)置特點(diǎn)，采用數(shù)據(jù)訓(xùn)練的方式，進(jìn)行BP神經(jīng)網(wǎng)絡(luò)初始化權(quán)限值視域值的訓(xùn)練。最后采用訓(xùn)練后的BP神經(jīng)網(wǎng)絡(luò)，進(jìn)行預(yù)先判定，通過(guò)對(duì)預(yù)先判定數(shù)值、實(shí)際測(cè)量數(shù)值差的絕對(duì)值求和、求倒數(shù)，可得到適應(yīng)度函數(shù)。基于優(yōu)化遺傳計(jì)算方式的神經(jīng)網(wǎng)絡(luò)優(yōu)化適應(yīng)度函數(shù)如下：

上述式子中，y;為BP神經(jīng)網(wǎng)絡(luò)實(shí)際輸出數(shù)值，而b為BP神經(jīng)網(wǎng)絡(luò)輸出節(jié)點(diǎn)個(gè)數(shù)，b;為經(jīng)BP神經(jīng)網(wǎng)絡(luò)預(yù)先判定獲得的數(shù)值。

4.2基于優(yōu)化遺傳計(jì)算方式的神經(jīng)網(wǎng)絡(luò)優(yōu)化計(jì)算方式設(shè)計(jì)

4.2.1選擇算子優(yōu)化

比例選擇算子、最優(yōu)保存策略是遺傳計(jì)算方式選擇算子中應(yīng)用范圍較大的方式。其中比例選擇算子主要是通過(guò)放回形式，進(jìn)行隨機(jī)樣品選擇的方式，整體運(yùn)行模式較簡(jiǎn)單、便捷。由于所選擇樣品的隨機(jī)性，最終得出結(jié)果不可避免的存在一些誤差;而最優(yōu)保存策略主要以尋找生物群體中最優(yōu)個(gè)體為目標(biāo)，不考慮其余個(gè)體破壞種群的豐富性，進(jìn)行優(yōu)化。其在實(shí)際運(yùn)行中部分模塊收斂問(wèn)題發(fā)生的幾率較高。

針對(duì)上述情況，在選擇算子過(guò)程中，可在最優(yōu)保存策略的基礎(chǔ)上，結(jié)合選擇算子需求，設(shè)置一種新的選擇操作計(jì)算方式。即面對(duì)生物種群，考慮其余個(gè)體破壞生物種群豐富性特征，選擇最優(yōu)個(gè)體。具體計(jì)算流程如下：

（1）在最優(yōu)保存策略的基礎(chǔ)上，可面對(duì)生物群落確定初始種群。并對(duì)種群內(nèi)每一個(gè)體適應(yīng)度數(shù)值進(jìn)行核算。并將生物種群內(nèi)個(gè)體，依據(jù)適應(yīng)度數(shù)值，從小到大進(jìn)行序列排布。

（2）對(duì)于排序排布已完成的個(gè)體，可依據(jù)順序，將其進(jìn)行平均分配，最終形成前段、中段、后段三個(gè)模塊。其中前段生物種群質(zhì)量最優(yōu)，后段生物種群質(zhì)量最差。同時(shí)依據(jù)（6/10;8/10;10/10）的比例。結(jié)合質(zhì)量最優(yōu)者多選、質(zhì)量最差者少選的仿真，考慮其余各區(qū)段個(gè)體在生物種群豐富性中的影響，保留最優(yōu)區(qū)域個(gè)體。相較于（3/10;7/10;10/10）等其他比例而言，（6/10;8/10;10/10）比例獲得網(wǎng)絡(luò)事先判定的誤差較小，且歷經(jīng)時(shí)間進(jìn)程較少。

（3）在依據(jù)上述比例選擇出一定數(shù)量的個(gè)體之后，將其進(jìn)行重新組合排布，獲得一個(gè)新的生物種群。考慮到新的生物種群內(nèi)部個(gè)體為（6/10;8/10;10/10）比例選取的模式，整體數(shù)量較少。因此，可從尾端入手，面對(duì)質(zhì)量較優(yōu)良生物個(gè)體，依據(jù)隨機(jī)選擇的方式，選擇個(gè)體數(shù)與以往生物種群損失個(gè)數(shù)相等的種群。并將其拆入新生物種群組合模塊，以保證整體生物種群的豐富性。

以種群數(shù)為9且內(nèi)部標(biāo)注有適應(yīng)度值、個(gè)體標(biāo)號(hào)的生物種群為例，其可用圖形表示如下：

首先，確定個(gè)體數(shù)為9的初始種群并依據(jù)適應(yīng)度從小到大的順序排列（表1）。

其次，將排列完畢的種群個(gè)數(shù)依據(jù)順序均分并依據(jù)（6/10;8/10;10/10）比例進(jìn)行隨機(jī)選擇（表2、表3、表4）。

通過(guò)對(duì)上述數(shù)據(jù)進(jìn)行分析，可得出隨機(jī)選擇段落中質(zhì)量最優(yōu)段個(gè)體數(shù)目為3*0.6=1.8;質(zhì)量中等段個(gè)體數(shù)目為3*0.8=1.6;質(zhì)量最差段個(gè)體數(shù)目為3*1.0=3.最后選擇個(gè)體為（表5）。

最后，從生物群落尾端中選擇個(gè)體，拆除表5個(gè)體中，最終得出生物群落為（表6）。

通過(guò)對(duì)上述表格進(jìn)行分析，可得出相較于初始種群而言，最終得出生物種群平均適應(yīng)度較為良好。且優(yōu)化后選擇計(jì)算方式，僅需進(jìn)行適應(yīng)度計(jì)算及適應(yīng)度序列排布、分組插入等簡(jiǎn)單操作，就可以獲得最優(yōu)種群個(gè)體。整體計(jì)算量較小，且隨機(jī)操作誤差較小、收斂速度較快。

4.2.2交叉及變異操作

一方面，交叉操作主要是面對(duì)整體生物種群，從內(nèi)部選擇兩個(gè)個(gè)體，依據(jù)一定發(fā)生幾率，促使兩個(gè)體進(jìn)行交叉，以得到新的個(gè)體?；趯?shí)數(shù)編碼特點(diǎn)，在種群交叉階段主要采用實(shí)數(shù)交叉的方式。即選擇第k個(gè)染色體bk及第j個(gè)染色體b;，在第i位的交叉操作方式如下：

另一方面，在生物種群變異操作中，需要隨機(jī)選擇一個(gè)體，依據(jù)一定發(fā)生幾率，進(jìn)行變異操作，以獲得新生物個(gè)體。如對(duì)第k個(gè)個(gè)體的第j個(gè)基因進(jìn)行變異，主要變異方式如下：

上述式子中，基因bk;的上界限為b，max下部界限為bmin'，f（h）=12（1-h/Hmax）。。其中h及Hmx分別為當(dāng)前迭代次數(shù)及最大進(jìn)化次數(shù)，而1為位于[0，1]間隨機(jī)數(shù)值。

5基于優(yōu)化遺傳計(jì)算方式的神經(jīng)網(wǎng)絡(luò)優(yōu)化計(jì)算方式實(shí)現(xiàn)及驗(yàn)證

5.1基于優(yōu)化遺傳計(jì)算方式的神經(jīng)網(wǎng)絡(luò)優(yōu)化計(jì)算方式實(shí)現(xiàn)

本次基于優(yōu)化遺傳計(jì)算方式的BP神經(jīng)網(wǎng)絡(luò)計(jì)算方式實(shí)現(xiàn)主要以電火花加工為例，考慮到電火花加工機(jī)理復(fù)雜程度較高。且電火花碳保護(hù)層生成影響因素較多，其具有突出的非線(xiàn)性特征，無(wú)法采用一般數(shù)學(xué)模型進(jìn)行概述。因此，可采用基于優(yōu)化遺傳計(jì)算方式的BP神經(jīng)網(wǎng)絡(luò)計(jì)算方式進(jìn)行電火花加工非線(xiàn)性實(shí)驗(yàn)?zāi)Ｐ蜆?gòu)建。其主要以電火花加工碳保護(hù)層實(shí)驗(yàn)數(shù)據(jù)為樣本，利用基于優(yōu)化遺傳計(jì)算方式的BP神經(jīng)網(wǎng)絡(luò)計(jì)算方式，通過(guò)解碼后，得出網(wǎng)絡(luò)結(jié)構(gòu)隱含層傳遞函數(shù)為tansig，神經(jīng)網(wǎng)絡(luò)輸出層傳遞函數(shù)為purelin。

在基于優(yōu)化遺傳計(jì)算方式的BP神經(jīng)網(wǎng)絡(luò)計(jì)算方式實(shí)際訓(xùn)練過(guò)程中，主要依據(jù)直接經(jīng)驗(yàn)，設(shè)定初始權(quán)值為默認(rèn)，訓(xùn)練函數(shù)為traingdx，隱層節(jié)點(diǎn)數(shù)量為8。在28000步時(shí)，可得到全局最優(yōu)解，整體收斂速度較快。

5.2基于優(yōu)化遺傳計(jì)算方式的神經(jīng)網(wǎng)絡(luò)優(yōu)化計(jì)算方式驗(yàn)證

（1）基于優(yōu)化遺傳計(jì)算方式的BP神經(jīng)網(wǎng)絡(luò)計(jì)算方式優(yōu)化參數(shù)設(shè)定，以函數(shù)y=x}2+x2°為例，采用BP神經(jīng)網(wǎng)絡(luò)、基于優(yōu)化遺傳計(jì)算方式的神經(jīng)網(wǎng)絡(luò)優(yōu)化計(jì)算方式分別對(duì)該函數(shù)進(jìn)行擬合計(jì)算。隨機(jī)生成1800個(gè)數(shù)值，用1800個(gè)數(shù)值訓(xùn)練90個(gè)數(shù)進(jìn)行預(yù)先判定，從兩者預(yù)先判定結(jié)果誤差、時(shí)間兩個(gè)方面，進(jìn)行分析。依據(jù)上述操作要求，在優(yōu)化遺傳計(jì)算方式參數(shù)設(shè)定值，可以種群規(guī)模9、進(jìn)化次數(shù)10、交叉發(fā)生幾率0.2、變異發(fā)生幾率0.1為標(biāo)準(zhǔn)。而在BP神經(jīng)網(wǎng)絡(luò)參數(shù)數(shù)值設(shè)置過(guò)程中，可設(shè)定網(wǎng)絡(luò)輸入為2，網(wǎng)絡(luò)輸出為1，隱層節(jié)點(diǎn)數(shù)值效果最佳時(shí)測(cè)試數(shù)為3，最大訓(xùn)練次數(shù)及訓(xùn)練精度、學(xué)習(xí)度分別為90、0.00001、0.1。

（2）基于優(yōu)化遺傳計(jì)算方式的神經(jīng)網(wǎng)絡(luò)優(yōu)化計(jì)算方式驗(yàn)證主要針對(duì)基于遺傳計(jì)算方式的BP神經(jīng)網(wǎng)絡(luò)計(jì)算方式進(jìn)行擬合計(jì)算后數(shù)值。將其與優(yōu)化后BP神經(jīng)網(wǎng)絡(luò)模型進(jìn)行相互比較，以判定基于優(yōu)化遺傳計(jì)算方式的神經(jīng)網(wǎng)絡(luò)優(yōu)化效果。最終得出優(yōu)化結(jié)果為圖1。

由上述數(shù)據(jù)可知，基于遺傳計(jì)算方式的BP神經(jīng)網(wǎng)絡(luò)計(jì)算方式在終止代數(shù)18時(shí)仍未達(dá)到穩(wěn)定狀態(tài)，而基于優(yōu)化遺傳計(jì)算方式的BP神經(jīng)網(wǎng)絡(luò)在經(jīng)過(guò)13代時(shí)適應(yīng)度曲線(xiàn)已區(qū)域平穩(wěn)。表明基于優(yōu)化遺傳計(jì)算方式的BP神經(jīng)網(wǎng)絡(luò)可在較短時(shí)間內(nèi)獲得合理的權(quán)限值視域值。且經(jīng)過(guò)遺傳計(jì)算方式優(yōu)化后，BP神經(jīng)網(wǎng)絡(luò)預(yù)測(cè)誤差均逐步降低，且整體誤差變化幅度區(qū)域穩(wěn)定。通過(guò)對(duì)基于遺傳計(jì)算方式的BP神經(jīng)網(wǎng)絡(luò)計(jì)算方式、基于優(yōu)化遺傳計(jì)算方式的BP神經(jīng)網(wǎng)絡(luò)誤差曲線(xiàn)進(jìn)行對(duì)比分析，可得出基于遺傳計(jì)算方式的BP神經(jīng)網(wǎng)絡(luò)計(jì)算方式均需經(jīng)35步達(dá)到目標(biāo)規(guī)定精確度，網(wǎng)絡(luò)均方誤差及總歷經(jīng)時(shí)間進(jìn)程分別為0.0093、330.32513s。而基于優(yōu)化遺傳計(jì)算方式的BP神經(jīng)網(wǎng)絡(luò)計(jì)算方式達(dá)到目標(biāo)精確度步數(shù)為11步，總歷經(jīng)時(shí)間進(jìn)程及均方誤差分別為0.0055、290.254612s。基于優(yōu)化遺傳計(jì)算方式的BP神經(jīng)網(wǎng)絡(luò)計(jì)算方式總歷經(jīng)時(shí)間進(jìn)程較少，且均方誤差較小。這主要是由于優(yōu)化后選擇算子計(jì)算量較小，且優(yōu)化后遺傳計(jì)算方式可在較短時(shí)間內(nèi)計(jì)算出初始權(quán)值，為BP神經(jīng)網(wǎng)絡(luò)尋找最優(yōu)解提供良好的支撐，進(jìn)而改善整體遺傳計(jì)算方式質(zhì)量，如圖2、圖3所示。

6總結(jié)

綜上所述，BP神經(jīng)網(wǎng)絡(luò)在實(shí)際運(yùn)行過(guò)程中主要依據(jù)誤差逆向傳播計(jì)算方式進(jìn)行訓(xùn)練，在實(shí)際運(yùn)行過(guò)程中極易陷入部分模塊極小值或部分模塊收斂無(wú)法逃逸情況，據(jù)此，可利用優(yōu)化遺傳計(jì)算方式，從編碼及適應(yīng)度函數(shù)選擇、網(wǎng)絡(luò)初始權(quán)限值視域值計(jì)算、適應(yīng)度排序、最優(yōu)種群組合等過(guò)程，經(jīng)過(guò)進(jìn)一步交叉及變異操作，可獲得最佳網(wǎng)絡(luò)計(jì)算方式。在提高整體神經(jīng)網(wǎng)絡(luò)運(yùn)行準(zhǔn)確度的同時(shí)，也可以避免部分模塊收斂問(wèn)題對(duì)神經(jīng)網(wǎng)絡(luò)運(yùn)行效率的影響。

參考文獻(xiàn)

[1]高航，薛凌云.基于優(yōu)化遺傳計(jì)算方式的反向傳播神經(jīng)網(wǎng)絡(luò)擬合LED光譜模型[J].激光與光電子學(xué)進(jìn)展，2017（07）：288-296.

[2]張春生，劉樹(shù)東，譚覃.基于優(yōu)化遺傳計(jì)算方式優(yōu)化BP神經(jīng)網(wǎng)絡(luò)的短時(shí)交通流量事先判定方法研究[J].天津城建大學(xué)學(xué)報(bào)，2017，23（02）：143-148.

[3]畢志敏，王焱.基于優(yōu)化遺傳計(jì)算方式優(yōu)化E1man網(wǎng)絡(luò)的板形識(shí)別方法[J].鋼鐵研究學(xué)報(bào)，2017，29（04）：305-311.

[4]梅年豐，嚴(yán)良文，錢(qián)峰峰等.基于優(yōu)化遺傳計(jì)算方式優(yōu)化BP神經(jīng)網(wǎng)絡(luò)的螺桿式制冷機(jī)組能效事先判定[J].計(jì)量與測(cè)試技術(shù)，2018，45（05）：18-21.

[5]杜云皓，仇錦先，馮紹元，優(yōu)化GA-BP模型在地下水位埋深事先判定中的應(yīng)用[J].節(jié)水灌溉，2017（09）：81-84.

[6]閆晶，畢強(qiáng)，李潔，etal.圖書(shū)館數(shù)字資源聚合質(zhì)量事先判定模型構(gòu)建——基于優(yōu)化遺傳計(jì)算方式和BP神經(jīng)網(wǎng)絡(luò)[J].數(shù)據(jù)分析與知識(shí)發(fā)現(xiàn)，2017，1（12）：49-62.

[7]王怡杰，基于優(yōu)化遺傳計(jì)算方式的A2-C0型模糊邏輯系統(tǒng)設(shè)計(jì)及仿真[J].遼寧工業(yè)大學(xué)學(xué)報(bào)（自然科學(xué)版），2018，38（05）：9-14.

[8]金京，楊明，杜豫冬，等，基于優(yōu)化遺傳計(jì)算方式和神經(jīng)網(wǎng)絡(luò)的數(shù)據(jù)庫(kù)訪問(wèn)控制方法[J].網(wǎng)絡(luò)安全技術(shù)與應(yīng)用，2017（10）：39-42.

[9]龔晗義，基于優(yōu)化遺傳計(jì)算方式和BP神經(jīng)網(wǎng)絡(luò)的人臉識(shí)別方法[J].武漢理工大學(xué)學(xué)報(bào)：信息與管理工程版，2018，40（05）：22-26.