一种基于改进遗传算法的神经网络优化算法研究.docx

?

?

一种基于改进遗传算法的神经网络优化算法研究

?

?

摘要：当前，遗传算法已经获得了广泛的应用，其作为一种优化成功的搜索算法，其在应用市场上十分畅销。但是，随着技术的发展，此种算法存在诸多的缺陷。例如，容易出现局部最优的问题，或者是收敛速度缓慢的问题等，尤其是在神经网络优化算法方面。文章是对遗传算法的改进进行了详细的研究，对改进遗传算法的神经网络优化算法展开了深度探究。此次探究的主要目的是为了通过对算法改进策略的研究，进而进一步对算法的可行性进行验证。

关键词：遗传算法；神经网络；优化算法；故障诊断

前言：神经网络，一种算法模型，属于智能技术的产物，其创建的原理是以人脑为基础模型，既是对人脑思维的一种模拟。该模式可以通过对大量数据的分析，解决一些与非线性问题相类似的诸多问题。该种计算工具的应用，为国民提供了许多的便利。但是，因其本身发展尚未完善，所以对其的应用仍需进一步改进。遗传算法是进化算法之一，文章依据遗传算法，提出的其神经网络优化算法的研究，对该算法的改进具有理论性意义，对我国此项算法的优化具有现实性的指导意义。

一、遗传算法的改进

（一）选择适应度函数及编码

对于遗传法的改进，其主要选择的编码方式是实数编码法，该种编码方式简单、易操作，可有效避免局限值出现极小的问题。其中，适应度，其数值大小对种群的进行以及相关内容设置具有至关重要的影响。通过使用数据训练法，对BP的权阈值进行初化设置，而后需要工作人员对训练网络进行检测，利用检测后数值与实际值的绝对值进行求和计算，计算后的结果取其倒数[1]。此倒数便是适应度fun的表示方式，其具体的公式如下：

（1）

公式中xi表示的是实际数据，ai表示的是经过BP计算得出的数值，n则表示为BP输出的节点数量。

（二）算子选择的改进

选择算子的改进方式应用最为广泛的方式有两种，一种是最优保存法，另一中是旋转轮赌轮法。其中，赌轮法是选择过程的基础，属于回放式随机采样法。其选择的原理是在已有的种群中，依据个体种群的适应值，依照相应的准则，优先挑选优秀个体与下一代种群进行生活。此种方式应遵循的理念是，个体适应值+群体中个体的适应度=个体被挑选的概率之比。其中，个体的适应值越大，其被挑选中的几率也会随之增大，进而提高了其与下一代种群进行生活的几率。受随机操作的影响，使用此种方式的缺点是误差较大，有时还会出现因适应值偏高，而致使未能有个体被选中的现象。在对BP收敛性进行提高的过程中，最优保留法因其使用效果良佳，而被广泛应用。首先是应先挑选适应值最大的个体作为预备种子选手，随后将其下一代进行保留。在新种群形成的过程中，使用上一代的优秀个体将新种群中的最差个体进行替换，以此来保护新种群中最优个体不被破坏。

（三）交叉与变异改进

交叉算子，既在个体中挑选出2个个体，而后将二者按照一定的概率进行交叉，从而获得新的个体。最为常用的实数编码法，其a染色体与xa和b个染色体xn在i位上的交叉的具体方式如下：

公式中b的取值范围是[0，1]之间，交叉算子是在种群中依据相应公式，计算得出其概率p值为随机计算出的数量，此数量为染色体的双亲。

变异算子，与交叉算子相似，对于其染色体变异的选择，应尽可能采取好的措施使其向好的方向发展，进而为其多次变异奠定基础。变异过程中，会有染色体随机生成，其权阈值与向量均是变异量相加的结果[2]。对于变异的结果，可以选用还原法，对网络神经进行评估。如若后代由于前代，则结束对前代的变异，反之，则继续对父代进行变异。

二、改进遗传算法的神经网络优化算法研究

（一）改进算法方法

实际上，在遗传法诞生以来，其经过多年的被应用，已经逐渐形成了自身独特，且鲜明的特征，而神经网络亦是如此。并且，二者的发展关系密切，具有相互影响的关系。对于神经优化算法的改进，遗传算法具有重要的作用。基于二者各自的特点，神经网络算法（BP），其训练的原理是在误差梯度下降的基础之上，尊重权重修改原则的一种体现，其中会存在些许无法避免的局部小点问题。而遗传法，其主要适应与全范围的搜索，具有全方位搜索的优势。但是，对于局部精准的搜索优势明显低于神经网络算法[3]。因此，通过使用遗传算法对BP算法进行优化，使其初值权阈值获得优化。随后，再借助BP算法完成相关的训练任务。二者算法的结合，有利于优势互补目标的实现，更有利于更快更好的对实际遇到的各类问题进行解决。

（二）改进算法过程

在遗传法基础上，对BP算法进行改进，其步骤繁多，具体流程如下：（1）在新创建神经网络框架的同时，需要对其权阈值进行初始化处理；（2）需要相关工作人员细致的对每一BP算法的权阈值进行编号处理；（3）数据的输入，既要将与BP算法相关的数据进行记录。随后依据其误差值与适应函数值的输出，将每一染色体的适应参数值进行计算，最红得到相应的计算值。（