КАТЕГОРИИ: Архитектура-(3434)Астрономия-(809)Биология-(7483)Биотехнологии-(1457)Военное дело-(14632)Высокие технологии-(1363)География-(913)Геология-(1438)Государство-(451)Демография-(1065)Дом-(47672)Журналистика и СМИ-(912)Изобретательство-(14524)Иностранные языки-(4268)Информатика-(17799)Искусство-(1338)История-(13644)Компьютеры-(11121)Косметика-(55)Кулинария-(373)Культура-(8427)Лингвистика-(374)Литература-(1642)Маркетинг-(23702)Математика-(16968)Машиностроение-(1700)Медицина-(12668)Менеджмент-(24684)Механика-(15423)Науковедение-(506)Образование-(11852)Охрана труда-(3308)Педагогика-(5571)Полиграфия-(1312)Политика-(7869)Право-(5454)Приборостроение-(1369)Программирование-(2801)Производство-(97182)Промышленность-(8706)Психология-(18388)Религия-(3217)Связь-(10668)Сельское хозяйство-(299)Социология-(6455)Спорт-(42831)Строительство-(4793)Торговля-(5050)Транспорт-(2929)Туризм-(1568)Физика-(3942)Философия-(17015)Финансы-(26596)Химия-(22929)Экология-(12095)Экономика-(9961)Электроника-(8441)Электротехника-(4623)Энергетика-(12629)Юриспруденция-(1492)Ядерная техника-(1748) |
Типовой цикл эволюции
Адаптивные взаимодействующие системы К равноправному объединению генетических алгоритмов и нейронных сетей следует отнести комбинацию адаптивных стратегий обоих методов, составляющую единую адаптивную систему. Можно привести три примера систем такого типа [39]. Первый из них - это нейронная сеть для оптимизационной задачи с генетическим алгоритмом для определения весов сети [1]. Второй пример относится к реализации генетического алгоритма с помощью нейронной сети. В этом случае нейронные подсистемы применяются для выполнения генетических операций репродукции и скрещивания [16]. В третьем примере, несколько похожем на предыдущий, нейронная сеть также применяется в качестве оператора скрещивания в генетическом алгоритме, предназначенном для решения оптимизационных задач [41]. Представленные примеры касаются такого равноправного объединения генетических алгоритмов и нейронных сетей, которое в результате позволяет получить более эффективный алгоритм, объединяющий лучшие качества обоих методов. Как только определенный вид эволюции вводится в искусственную нейронную сеть, сразу возникает потребность в соответствующей ему схеме хромосомного представления данных, т.е. должен быть создан способ генетического кодирования особей популяции. Разработка способа кодирования считается первым этапом такого эволюционного подхода, наряду с которым типовой процесс эволюции включает следующие шаги [47]: - декодирование; г- оценивание приспособленности; - репродукция; - формирование нового поколения. Приведенная на рис. 4.3 блок-схема сохраняет свою актуальность, поскольку (как уже упоминалось в разд. 4.10) она отображает и классический генетический алгоритм, и так называемые эволюционные программы, которые основаны на генетическом подходе и обобщают его принципы. Следовательно, этой универсальной блок-схеме соответствуют различные эволюционные алгоритмы, и в каждом из них в первую очередь должна быть сгенерирована исходная популяция хромосом. По аналогии с классическим генетическим алгоритмом инициализация (т.е. формирование этой исходной популяции) заклю-
Глава 4. Генетические алгоритмы 4.12. Эволюционные алгоритмы в нейронных сетя
чается в случайном выборе требуемого количества включаемых в нее хромосом, что предполагает соответствующее генетическое кодирование каждой особи. В классическом генетическом алгоритме хромосомы представляются только двоичными последовательностями. При эволюционном подходе выбор способа кодирования представляет собой важную и актуальную задачу. Далее в соответствии с типовым циклом эволюции следует декодировать каждую особь (хромосому) исходной или текущей популяции для того, чтобы получить множество решений (фенотипов) данной задачи. В случае эволюции весов, архитектур и/или правил обучения фенотипы представляют соответственно множества весов, архитектур и правил обучения. Впоследствии согласно генетическому алгоритму рассчитываются значения функции приспособленности особей исходной (или текущей) популяции. При нейросетевом подходе после декодирования хромосом получается множество нейронных сетей, для которых степень приспособленности определяется по результатам обучения этих сетей. При реализации типового цикла эволюции необходимо сконструировать множество соответствующих нейронных сетей (фенотипов): - сети с фиксированной архитектурой и множеством закодиро
- сети с закодированной хромосомами архитектурой - в случае - сети со случайно сгенерированными архитектурами и началь После обучения оценивается приспособленность каждой особи, входящей в текущую популяцию. Заметим, что также как и в примере максимизации функции (пример 4.5), для оценивания приспособленности хромосом необходимо их вначале декодировать и лишь затем рассчитать значения функции приспособленности особей по их фенотипам. Следующий шаг генетического алгоритма - это селекция хромосом. Выбираются хромосомы, подлежащие репродукции, т.е. формируется родительский пул, особи которого в результате применения генетических операторов сформируют популяцию потомков. Селекция может быть основана на методе рулетки или любом другом (см. п. 4.8.1), например, по алгоритму Уитли (Whitley) [44]. Согласно этим методам селекция производится с вероятностью, пропорциональной приспособленности хромосом, либо согласно их рангу (при использовании рангового метода). Под репродукцией в данном случае понимается процесс отбора (селекции) и копирования (размножения) хромосом для формирования из них переходной популяции (родительского пула), особи которой будут подвергаться воздействию генетических операторов скрещивания, мутации и, возможно, инверсии. Применение генетических операторов с выбранным методом селекции хромосом происходит аналогично классическому генетиче- скому алгоритму, причем эти операторы могут отличаться от скрещивания и мутации базового алгоритма. Как отмечалось в разд. 4.10, для конкретной задачи генетические операторы могут определяться в индивидуальном порядке. Также как и в классическом генетическом алгоритме, в результате применения генетических операторов с выбранным методом селекции хромосом формируется новая популяция особей (потомков). Последующие шаги алгоритма повторяются для очередной популяции вплоть до выполнения условия завершения генетического алгоритма. На каждой итерации формируется новое поколение потомков. Наилучшая особь из последнего поколения считается искомым решением данной задачи. Таким образом получается наилучшее множество весов, наилучшая архитектура либо наилучшее правило обучения.
Дата добавления: 2015-06-04; Просмотров: 353; Нарушение авторских прав?; Мы поможем в написании вашей работы! Нам важно ваше мнение! Был ли полезен опубликованный материал? Да | Нет |