人工神经网络与遗传算法,遗传算法和神经算法

遗传神经网络识别原理

4.3.1 遗传BP简介遗传识别是遗传算法+神经网络的一种新兴的寻优技术，适合于复杂的、叠加的非线性系统的辨识描述。神经网络算法是当前较为成熟的识别分类方法，但网络权值的训练一直存在着缺陷。

为此结合具体应用，在对遗传算法进行改进的基础上，本文采用了一种基于遗传学习权值的神经网络识别方法，并取得了较好的效果。

尽管常规遗传算法是稳健的，但针对一个具体问题遗传算法只有和其他方法（或称原有算法）有效地结合在一起，组成一个新的混合算法，才能在实际中得到广泛应用。

混合算法既要保持原有算法的长处，又要保持遗传算法的优点，因此常规遗传算法中的适应值函数、编码、遗传算子等必须做适当的修改以适应混合算法的要求。

4.3.1.1 适应值信息常规算法中，适应值常被表示为全局极小，用欧氏距离来实现。

例如，适应值常被表示为如下形式：储层特征研究与预测式中：）Yi为第i 个样本的实际输出，Yi为第i 个样本的期望输出，N 为学习样本数。

这种表示法的单点拟合能力较强，能够满足精度要求，但大多数情况下，还要考虑样本整体的一些性质，如方差、连续性等。适应值作为GA中的惟一使用信息，除了体现样本的差异性，还 应当兼顾样本间的相关性。

这样就在一定程度上克服了剧烈振荡、网络容错能力差等弱点。因此，我们将灰色系统的灰关联引入进来，在保证样本的遗传操作的同时，加强样本间横向上的联系，从而更有效地选择权值。

设 X0={X0（K），K=1，2，…，n}为母序列，Xi={Xi（K），K=1，2，…，n i=1，2，…，m}为子序列。

则关联系数为：储层特征研究与预测关联度为：储层特征研究与预测4.3.1.2 编码问题二进制位串编码是GA中常见的编码技术。但在实际编程中，采用浮点数直接表示更有利。

主要有以下原因：（1）避免了因网络权值范围不明确，难以进行编码的困难；（2）取消了编码、译码过程，提高了学习算法的速度；（3）十进制数字串的引入，在数字串长度不变的情况下，计算精度可以大为提高。

例如，用七位二进制数字串来表示（-10，10）之间的数值，则精度最高为：储层特征研究与预测用同样长度的十进制数字串来表示（-10，10）之间的数值，去掉符号位和小数点所占用的一位，余下的四位表示小数值，则精度最高可以达到0.0001。

4.3.1.3 修改杂交算子由于编码方式的改变，杂交算子可以设计为具有数值特点的向量的线性组合。

通常表示为如下形式：若有两个个体Sa、Sb杂交，则产生的个体为储层特征研究与预测其中u的