|
68 фициентов, учитывая вид функции активации (для сигмоидной функции активации диапазон изменения значений весовых коэффициентов: (-1, -И)). Шаг 5. С учетом результатов экспериментального исследования ГА выбрать генетические операторы, являющиеся наилучшими при оптимизации многоэкстремальных функций и функций многих переменных; кроссинговер рекомбинация; мутация хромосомная инверсия, вероятность мутации 0, 1; оператор селекции "дальнее родство" с переходом на последних к итерациях (к задается пользователем) на "ближнее родство" в сочетании с оператором элитного отбора. Задать максимально возможную ошибку обобщения Еобщ. Шаг 6. На основе результатов исследования ГА сформировать популяцию из г хромосом (г< =50), число поколений (итераций ) с=25. Шаг 7. Применить оператор селекции для выбора пар хромосом для скрещивания. Шаг 8. Применить генетические операторы кроссинговера и мутации к популяции. Шаг 9. Вычислить функцию Fit, соответствующую ошибке обучения Ео для каждой хромосомы по формуле (2.19). Шаг 10. Применить оператор отбора хромосом в новую популяцию из родителей, потомков и мутантов с ограничением популяции до г. Лучшая хромосома из каждой популяции сохраняется в архиве. Шаг 11. с:=с-1. Если с=0, перейти к ш. 12, иначе к ш. 7. Шаг12. Выбрать лучшую хромосому из всех популяций. Шаг 13. Вычислить Еобщ. на тестовой выборке по формуле (2.20), где Р число примеров в тестовой выборке. Шаг 14. Если Еобщ.<= s, перейти к ш.15, иначе к ш.6. Шаг 15. Останов: Ошибку распознавания НС, обученной с помощью генетического алгоритма, можно существенно уменьшить, если использовать двухэтапный алгоритм. Двухэтапный алгоритм обучения НС на основе ГА представляется следующим образом. |
где Р число примеров в обучающей выборке; ^ желаемая величина выхода; уI реальное значение выхода. Шаг 4. Используя метод числового кодирования, представить хромосомы с учетом заданной топологии МНС. Установить соответствие между генотипом и фенотипом, введя ограничения на возможные значения весовых коэффициентов, учитывая вид функции активации (для сигмоидальной функции активации диапазон изменения значений весовых коэффициентов: (-1.+ 1)). Шаг 5. С учетом результатов экспериментального исследования ГА выбрать генетические операторы, являющиеся наилучшими при оптимизации многоэкстремальных функций и функций многих переменных: кроссинговер рекомбинация; мутация хромосомная инверсия, вероятность мутации О, 1; оператор селекции "дальнее родство" с переходом на последних к итерациях (к задается пользователем) на "ближнее родство" в сочетании с оператором элитного отбора. Задать максимально возможную ошибку обобщения •Гобщ. Шаг 6 . На основе результатов исследования ГА сформировать популяцию из г хромосом (/< =50), число поколений (итераций ) с=25. Шаг 7. Применить оператор селекции для выбора пар хромосом для скрещивания. Шаг 8 . Применить генетические операторы кроссинговера и мутации к популяции. 176 Шаг 9. Вычислить функцию Гк, соответствующую ошибке обучения Е0 для каждой хромосомы по формуле (3.9). Шаг 10. Применить оператор отбора хромосом в новую популяцию из родителей, потомков и мутантов с ограничением популяции до г. Лучшая хромосома из каждой популяции сохраняется в архиве. Шаг 11. с:=с-1. Если с=0, перейти к ш. 12, иначе к ш. 7. Шаг12. Выбрать лучшую хромосому из всех популяций. Шаг 13. Вычислить Е0бЩ. на тестовой выборке по формуле (3.9), где Р число примеров в тестовой выборке. Шаг 14. Если Ео5и1<= в, перейти к ш.15, иначе к ш.6 . Шаг 15. Останов. Ошибку распознавания НС, обученной с помощью генетического алгоритма, можно существенно уменьшить, если использовать двухэтапныи алгоритм. Двухэтапный алгоритм обучения НС на основе ГА представляется следующим образом. Шаги с 1 по 11 алгоритма двухэтапного обучения не отличаются от приведенного выше алгоритма. Шаг 12. Выбрать лучшую хромосому из всех популяций. Выполнить с1 итераций по методу локальной оптимизации на фенотипе (метод и параметр с1задается пользователем). Далее шаги с 13 по 15 те же, что и для ГА. Достоинства алгоритма обучения с использованием ГА перед другими альтернативными методами обсуждаются в разделе 4.1.3. 177 |