遺傳算法在bp神經(jīng)網(wǎng)絡(luò)優(yōu)化中的應(yīng)用

1、遺傳算法在遺傳算法在BPBP神經(jīng)網(wǎng)絡(luò)優(yōu)化中的應(yīng)用神經(jīng)網(wǎng)絡(luò)優(yōu)化中的應(yīng)用2O世紀(jì)80年代后期，多機器人協(xié)作成為一種新的機器人應(yīng)用形式日益引起國內(nèi)外學(xué)術(shù)界的興趣與關(guān)注。一方面，由于任務(wù)的復(fù)雜性，在單機器人難以完成任務(wù)時，人們希望通過多機器人之間的協(xié)調(diào)與合作來完成。另一方面，人們也希望通過多機器人間的協(xié)調(diào)與合作，來提高機器人系統(tǒng)在作業(yè)過程中的效率。1943年，Maeullocu和Pitts融合了生物物理學(xué)和數(shù)學(xué)提出了第一個神經(jīng)元模型。從這以后，

2、人工神經(jīng)網(wǎng)絡(luò)經(jīng)歷了發(fā)展、停滯、再發(fā)展的過程，時至今日正走向成熟，在廣泛領(lǐng)域里得到了應(yīng)用，其中將人工神經(jīng)網(wǎng)絡(luò)技術(shù)應(yīng)用到多機器人協(xié)作成為新的研究領(lǐng)域。本文研究通過人工神經(jīng)網(wǎng)絡(luò)控制多機器人完成協(xié)作搬運的任務(wù)3J，并應(yīng)用遺傳算法來對神經(jīng)網(wǎng)絡(luò)進(jìn)行優(yōu)化。仿真結(jié)果表明，經(jīng)過遺傳算法優(yōu)化后的搬運工作效率顯著提高，誤差降低。1人工神經(jīng)網(wǎng)絡(luò)人工神經(jīng)網(wǎng)絡(luò)ANN)ANN)的基本原理和結(jié)構(gòu)的基本原理和結(jié)構(gòu)人工神經(jīng)網(wǎng)絡(luò)(ArtiifcialNeuralwk，ANN

3、))是抽象、簡化與模擬大腦神經(jīng)結(jié)構(gòu)的計算模型，又稱并行分布處理模型J。ANN由大量功能簡單且具有自適應(yīng)能力的信息處理單元——人工神經(jīng)元按照大規(guī)模并行的方式通過一定的拓?fù)浣Y(jié)構(gòu)連接而成。ANN拓?fù)浣Y(jié)構(gòu)很多，其中采用反向傳播(BackPropagation，BP)算法的前饋型神經(jīng)網(wǎng)絡(luò)(如下圖1所示)，即BP人工神經(jīng)網(wǎng)絡(luò)，是人工神經(jīng)網(wǎng)絡(luò)中最常用、最成熟的神經(jīng)網(wǎng)絡(luò)之一。BP網(wǎng)絡(luò)模型處理信息的基本原理是：輸入信號x；通過中間節(jié)點(隱層點)作用于出節(jié)

4、點，經(jīng)過非線形變換，產(chǎn)生輸出信Yk，網(wǎng)絡(luò)訓(xùn)練的每個樣本包括輸入向量x和期望輸出量T，網(wǎng)絡(luò)輸出值Y與期望輸出值T之間的偏差，通過調(diào)整輸入節(jié)點與隱層節(jié)點的聯(lián)接強度取值w；；和隱層節(jié)點與輸出節(jié)點之間的聯(lián)接強度Y以及閾值，使誤差沿梯度方向下降，經(jīng)過反復(fù)學(xué)習(xí)訓(xùn)練，確定與最小誤差相對應(yīng)的網(wǎng)絡(luò)參數(shù)(權(quán)值和閾值)，訓(xùn)練即告停止。此時經(jīng)過訓(xùn)練的神經(jīng)網(wǎng)絡(luò)即能對類似樣本的輸入信息，自行處理輸出誤差最小的經(jīng)過非線形轉(zhuǎn)換的信克服這一不足的有效解決方法，主要是因為

5、遺傳算法是一種全局優(yōu)化搜索算法，因而能夠避開局部極小點，而且在進(jìn)化過程中也無需提供所要解決問題的梯度信息。3遺傳算法優(yōu)化遺傳算法優(yōu)化BPBP神經(jīng)網(wǎng)絡(luò)神經(jīng)網(wǎng)絡(luò)1遺傳算法優(yōu)化BP神經(jīng)網(wǎng)絡(luò)算法流程利用遺傳算法來訓(xùn)練神經(jīng)網(wǎng)絡(luò)的大部分工作是預(yù)先固定好網(wǎng)絡(luò)的拓?fù)?，而后用遺傳算法優(yōu)化神經(jīng)網(wǎng)絡(luò)的權(quán)重。進(jìn)化訓(xùn)練方法可分為兩個主要步驟：（1）決定網(wǎng)絡(luò)連接權(quán)重的編碼方案；（2）用遺傳算法完成進(jìn)化。對于固定的神經(jīng)網(wǎng)絡(luò)結(jié)構(gòu)，進(jìn)化網(wǎng)絡(luò)連接權(quán)重的過程典型地分為以下幾

6、個步驟：（1）確定權(quán)重編碼方案，生成初始群體；（2）解碼群體中每個個體，構(gòu)造出相應(yīng)的神經(jīng)網(wǎng)絡(luò)；（3）根據(jù)一定的性能評價準(zhǔn)則（如均方差、學(xué)習(xí)速度等）計算網(wǎng)絡(luò)適合度；（4）根據(jù)適合度大小決定各個個體繁衍后代的概率，完成選種；（5）按照一定的概率，對選種后群體施以遺傳算子（如交配、突變等）得到新一代群體；（6）返回（2），直至滿足性能要求。2遺傳算法實現(xiàn)遺傳算法優(yōu)化神經(jīng)網(wǎng)絡(luò)是用遺傳算法來優(yōu)化BP神經(jīng)網(wǎng)絡(luò)的初始權(quán)值和閾值，使優(yōu)化后的BP神經(jīng)網(wǎng)絡(luò)

7、能夠更好的預(yù)測輸出。遺傳算法優(yōu)化BP神經(jīng)網(wǎng)絡(luò)的實現(xiàn)步驟如下：(1)編碼方式神經(jīng)網(wǎng)絡(luò)的權(quán)值學(xué)習(xí)是一個復(fù)雜的連續(xù)參數(shù)優(yōu)化問題，如果采用二進(jìn)制編碼，會造成編碼串過長，且需要再解碼為實數(shù)，使權(quán)值變化為步進(jìn)，影響學(xué)習(xí)精度。本文采用實數(shù)編碼，神經(jīng)網(wǎng)絡(luò)的各個權(quán)值按照一定的順序級聯(lián)為一個長串，串上的每一個位置對應(yīng)著網(wǎng)絡(luò)的一個權(quán)值。編碼串的順序按照從輸入到輸出的順序排列。(2)適應(yīng)度函數(shù)計算將個體上表示的各連接權(quán)值按照對應(yīng)方式分配到給定的網(wǎng)絡(luò)結(jié)構(gòu)中，網(wǎng)絡(luò)