python 遗传算法优化bp神经网络_遗传算法优化BP神经网络vs神经网络遗传算法

遗传算法优化BP算法：

遗传算法优化BP算法，分为三个部分：BP神经网络结构确定，遗传算法优化和BP神经网络预测。BP神经网络结构确定部分是根据拟合函数输入输出参数个数确定BP神经网络结构，进而确定遗传算法个体的长度。遗传算法优化，使用遗传算法优化神经网络的权值，通过选择、交叉、变异找到最优适应度个体。BP神经网络预测，根据最优个体，训练网络，得到预测值。

神经网络遗传算法：

神经网络训练拟合根据寻优函数的特点构建合适BP神经网络，用非线性函数的输入输出数据，训练BP神经网络，训练后的BP神经网络就可以预测函数输出。遗传算法寻优，是把训练后的BP神经网络预测结果作为个体适应度函数，通过选择、交叉、变异操作寻找函数最优值。

举例说明，某次实验条件和结果：图1. 实验条件与实验结果

如果我们想根据新的实验条件，预测实验结果，可以利用遗传算法BP神经网络。先构建一个神经网络，神经网络的权值等作为染色体，经过遗传算法优化后，得到最优的神经网络权值初值，再训练这个神经网络。预测部分，将上述的[9.79 27.78 1712.46 52.75]四组数据作为神经网络输入值，输出值为874.84。此时染色体为神经网络各个参数，适应度函数为误差。

如果我们的实验数据样本不多，但是想得到更好的实验数据，就需要用BP网络遗传算法。先通过BP神经网络训练数据，得网络模型后，再通过遗传算法，得到更好数据下，实验参数的值。此时染色体为实验条件，适应度函数为实验结果。得到最优的染色体为[9.79 27.78 1712.46 52.75]，相应的适应度为874.84。

[参考文献]

王小川等，MATLAB神经网络43个案例分析。