Генетический алгоритм обучения нейронной сети.

Этот алгоритм является алгоритмом глобальной оптимизации. В нем используются следующие механизмы:

1. скрещивание родительских пар (cross-over), генерация потомков;
2. мутация (действие случайных воздействий);
3. естественный отбор лучших (селекция).

Цель обучения — минимизация среднеквадратичной ошибки

Задается начальная популяция.

Любая особь представляется соответствующими весами из N особей

Вычисляем индекс пригодности (Fitness Index) и оцениваем качество прогнозирования

где С — константа.

Скрещивание родительских пар. При выборе родителей используется вероятностный механизм. Обозначим P_i — вероятность выбора i-го родителя:

Затем осуществляется скрещивание выбранных пар.

Можно применять различные механизмы скрещивания. Например, для первого потомка берутся нечетные компоненты из вектора первого родителя, а четные компоненты из вектора второго родителя. Для второго потомка наоборот — четные компоненты из вектора первого родителя, а нечетные компоненты из вектора второго родителя. Это можно записать таким образом:

Берется родительских пар и генерируются N потомков.

Действие мутаций. , где ,

Селекция. Можно использовать различные механизмы селекции.

1. Полная замена старой популяции на новую.
2. Выбор N лучших из всех существующих особей N_род+N_потмк=2N по критерию максимума FI.

Недостатки метода: ряд параметров определяется экспериментально (например, N — размер популяции, α — показатель затухания мутаций

Lections: Prof. Y. P. ZAYCHENKO
http://www.i2.com.ua/

Shestopalov Alex•2005