遗传算法优化BP神经网络

遗传算法GA-—模拟自然界遗传机制和生物进化论而成的一种并行随机搜索最优化方法。（具有“生存+检测”的迭代过程的搜索算法）基于自然界“优胜劣汰，适者生存”的生物进化原理引入优化参数形成的编码串联群体中，按照所选择的适应度函数并通过遗传中的选择、交叉和变异对个体进行筛选，使适应度值好的个体被保留，适应度差的个体被淘汰，新的群体既继承了上一代的信息，又优于上一代。反复循环，直至满足条件。
种群中的每个个体是问题的一个解，称为“染色体”，染色体是一串符号，如二进制字符串。利用“适值”（适应性函数）测量染色体的好坏。
1.选择操作
2.交叉操作–信息交换思想（最主要的操作）
3.变异操作—以一定的低概率发生（通常取值0.001-0.01之间）
遗传算法是具有高效启发式搜索、并行计算等特点，应用于函数优化、组合优化及生产调度等方面。
算法基本要素：
1.染色体编码方法
2.适应度函数
3.遗传操作—-（选择、交叉、变异）
4.运行参数—（参数：群体大小M、遗传代数G、交叉概率$P_c$和变异概率$P_m$）
遗传算法优化BP神经网络算法––》BP神经网络结构确定、遗传算法优化和BP神经网络预测3个部分。
用遗传算法优化BP神经网络的初始权值和阈值，使优化后的BP神经网络能够更好的预测函数输出。
遗传算法优化BP神经网络的目的是通过遗传算法得到更好的网络初始权值和阈值，其基本思想就是用个体代表网络的初始权值和阈值、个体值初始化的BP神经网络的预测误差作为该个体的适应度值，通过选择、交叉、变异操作寻找最优个体，即最优的BP神经网络初始权值。