·386· 北京科技大学学报 2000年第4期 出优点，可以用来对BP网络进行改进.本文把 计算每个个体的适应值：若N,个个体中至少有 经过改进的遗传算法与BP网络进行了有机结 一个满足精度要求，则亚级算法结束，否则转入 合，设计出了具有遗传算法性能参数优选、网络 步骤(3)：3)对N,个个体进行选择、交叉和变异 结构参数优选、网络性能参数优选以及GA-BP 操作，返回步骤(2).一级遗传算法：(a)产生含 算法联合进行网络权值修改几种功能的遗传神 有V个个体的初始群体，每个个体包含了学习 经网络，该网络能够充分发挥遗传算法的全局 速率n、动量因子a和网络连接权值W,的字符 收敛和BP算法的指导性搜索思想，能有效地解 串：(b)利用BP算法对N个个体分别进行学习， 决传统BP网络的局部收敛缺陷，并能提高网络 若N个个体中至少有一个满足精度要求，则算 的学习速度和学习精度。 法结束，否则转入步骤(c);(C)对BP算法学习 (I)主要功能.1)利用GA和BP算法联合 后的N个个体进行选择、交叉和变异操作：() 进行网络权值学习：一个网络在结构参数和性 若遗传操作后的N个个体中至少有一个满足精 能参数一定的情况下，网络的最终权值就决定 度要求，则算法结束，否则返回(b) 了网络的特性，利用GA和BP算法联合进行网 (3)遗传神经网络结构图 络权值学习，将GA的全局搜索能力和BP算法 神经网络 的指导性搜索思想有机结合，既能克服寻优过 w P. 程的盲目性，又能避免陷入局部极值点；2)优化 Nu 亚级遗传算法 选取一级遗传算法的性能参数：包括群体规模 N,交叉概率P.和变异概率P;3)优化选取BP 节 a 网络的结构参数，本文优选参数为网络隐含层 一级遗传算法 单元数；4)优化选取BP网络的性能参数：网络 的学习速率n和动量因子a都在(0,1)区间内取 学习样本测试样本计算结果 值，”和a的取值大小对网络的学习速度和精 图1遗传神经网络结构图 度有很大影响，所以本文对n和a进行优选. Fig.1 Framework of genetic neural networks (2)计算步骤.1)亚级遗传算法产生含有 N,个个体的初始群体：每个个体为包含隐层单 (4)计算机软件实现.本文利用VC语言编 元数NH,一级算法群体规模N,交叉概率P。和 制了遗传神经网络计算程序，在PC机上调试运 变异概率P。的字符串；2)调用一级遗传算法， 行通过.程序框图如图2. (a) (b) (c) 开始 B C 产生初始群体拟N, 产生初始群体N 初始化 调用BP算法 调用一级算法 (c 读入样本数据 B) 分别对N个个体进行学习 计算个体适应值 将一个样本送入输入神经元 i=0 前向计算各层输出值 Y N中有满足精 度要求的个体 一输出结果 第i个个体满 计算输出层的误差 足精度要求 统计所有样本的均方差 N 结束 N 选择 i<N 返回 反向修改网络权值 N 交义 选择 N 所有样本计算完成？一 变异 交叉 y 变异 返回 均方差小于期望值？ 图2遗传神经网络模型计算程序框图.(a)亚级算法，(b)一级算法，(c)BP网络 Fig.2 Flowchart of genetic neural networks. 3 8 6 . 北 京 科 技 大 学 学 报 2 0 0 0 年 第 4期 出优点 , 可 以用来对 B P 网络进 行改进 . 本文 把 经 过 改进 的遗传 算法 与 B P 网络进 行 了有机结 合 , 设 计出 了 具 有 遗传算法性能参数优选 、 网 络 结构参 数优选 、 网络性 能参数 优选 以及 G A 一 B P 算法 联合进行网络 权值修 改几 种功能的遗传神 经 网络 , 该网 络 能够 充分发挥遗传算法 的全局 收敛和 B P 算法 的指导 性搜索思 想 , 能有效地解 决传统 B P 网 络 的局 部 收敛缺 陷 , 并能提 高网络 的学 习速度和 学 习 精度 . ( l) 主 要 功能 . 1) 利 用 G A 和 B P 算法 联合 进行 网络权值学 习 : 一 个 网络在 结构参数和 性 能参数一 定 的情况下 , 网络 的最 终 权值就决定 了网 络的 特性 . 利 用 G A 和 B P 算法 联合进 行网 络权值学 习 , 将 G A 的全局 搜索 能力和 B P 算法 的指导 性搜索思 想有机 结 合 , 既 能克服 寻优过 程的盲 目性 , 又能 避免陷入局 部极值 点; 2) 优化 选取 一 级 遗传算法 的性 能 参数 : 包 括 群体规模 N , 交叉概 率 cP 和 变 异 概率 mP ; 3) 优化选取 B P 网 络的 结 构 参 数 , 本 文优 选参 数为 网络 隐含层 单元 数; 4) 优 化选取 B P 网络 的性 能参数 : 网络 的学 习速率 叮和 动 量因 子 a 都 在 (0 , l) 区间 内取 值 , 叮和 a 的 取值 大 小对 网络 的学习 速度 和精 度有很大 影 响 , 所 以 本文 对 叮和 a 进行 优选 . (2 ) 计算步骤 . 1) 亚 级遗 传算法 产生 含有 凡 个个体 的初始群体 : 每个个体 为包含隐 层 单 元数 瓜 , 一 级 算法 群体 规模 N , 交叉 概 率 只 和 变异概率 mP 的字符 串 ; 2) 调 用 一 级 遗传算法 , 计算每个个体 的适应值 ; 若 凡 个个体 中至 少有 一个满足精度要求 , 则亚 级 算法结束 , 否 则转入 步骤 (3 ) ; 3) 对 凡 个个体进行选择 、 交叉 和 变异 操作 , 返 回步骤 ( 2) . 一 级遗传算法 : a( ) 产生含 有 N 个个 体的初始群 体 , 每个个体包 含 了学习 速率 叮 、 动量因 子 a 和 网络连接权值 叽 的字符 串 ; b( ) 利用 B P 算法对 N 个个体分别进行学习 , 若 N 个个体 中至 少 有一 个满足精度要 求 , 则算 法结束 , 否 则转入步骤 c( ) ; c( ) 对 B P 算法学 习 后 的 N 个个体进行选择 、 交叉和 变异 操作 ; (d) 若遗传操作后 的N 个个体 中至 少有一 个满足精 度要 求 , 则算法结 束 , 否 则 返 回 (b) . (3 ) 遗传神经 网络结构 图 . { 神经网络 … 「 N I cP 亚级遗传算法 一J 夕— 生竺 一级遗传算法 学习样本 测试样本 计算结果 图 1 遗传神经 网络结构图 F i g · 1 F ar m ew o r k o f g e n e t i e n e u ar l n e wt o r kS (4 ) 计算机软件实现 . 本文 利用 V C“ 语言编 制了遗传神经 网络 计算程序 , 在 P C 机上 调试运 行通 过 . 程序框 图如 图 2 . 几 I J 一一据 ,。数 回一嘟i土料 。。一入4 [ 一读 开始 助 ④ 调用一级算法 计 ⑧ 算个体适应值 结束 选择 交叉 变异 产生 初始群 体 N 调肾 ” 法 分别 对 N 个 个体进 行学 习 i = 0 i 返 回 选择 交叉 返 回 变异 将一个样本送入输入神经元 前 向计算各层输 出值 计算输 出层的误 差 统计所有样本的均方差 反向修改网络权值 有样本计算完成2 匀方差小于期望值2 图 2 遗传神经 网络模型计算程序框图 . ( a) 亚级算法 , ( b) 一级算法 , ( c) B P 网络 F i g · 2 F l o w e h a rt o f g e n e it c n e u r a l n e wt o r kS