遺傳算法跟神經網絡之間是什么關系

神經網絡的設計要用到遺傳算法，遺傳算法在神經網絡中的應用主要反映在3個方面：網絡的學習，網絡的結構設計，網絡的分析。1．遺傳算法在網絡學習中的應用在神經網絡中，遺傳算法可用于網絡的學習。

這時，它在兩個方面起作用(1)學習規則的優化用遺傳算法對神經網絡學習規則實現自動優化，從而提高學習速率。(2)網絡權系數的優化用遺傳算法的全局優化及隱含并行性的特點提高權系數優化速度。

2．遺傳算法在網絡設計中的應用用遺傳算法設計一個優秀的神經網絡結構，首先是要解決網絡結構的編碼問題；然后才能以選擇、交叉、變異操作得出最優結構。

編碼方法主要有下列3種：(1)直接編碼法這是把神經網絡結構直接用二進制串表示，在遺傳算法中，“染色體”實質上和神經網絡是一種映射關系。通過對“染色體”的優化就實現了對網絡的優化。

(2)參數化編碼法參數化編碼采用的編碼較為抽象，編碼包括網絡層數、每層神經元數、各層互連方式等信息。一般對進化后的優化“染色體”進行分析，然后產生網絡的結構。

(3)繁衍生長法這種方法不是在“染色體”中直接編碼神經網絡的結構，而是把一些簡單的生長語法規則編碼入“染色體”中；然后，由遺傳算法對這些生長語法規則不斷進行改變，最后生成適合所解的問題的神經網絡。

這種方法與自然界生物地生長進化相一致。3．遺傳算法在網絡分析中的應用遺傳算法可用于分析神經網絡。神經網絡由于有分布存儲等特點，一般難以從其拓撲結構直接理解其功能。

遺傳算法可對神經網絡進行功能分析，性質分析，狀態分析。遺傳算法雖然可以在多種領域都有實際應用，并且也展示了它潛力和寬廣前景；但是，遺傳算法還有大量的問題需要研究，目前也還有各種不足。

首先，在變量多，取值范圍大或無給定范圍時，收斂速度下降；其次，可找到最優解附近，但無法精確確定最擾解位置；最后，遺傳算法的參數選擇尚未有定量方法。

對遺傳算法，還需要進一步研究其數學基礎理論；還需要在理論上證明它與其它優化技術的優劣及原因；還需研究硬件化的遺傳算法；以及遺傳算法的通用編程和形式等。

谷歌人工智能寫作項目：愛發貓

如何用神經網絡遺傳算法求極值？

AI愛發貓。

===============學習神經網絡可以到================可以先用matlab神經網絡工具箱訓練網絡,當網絡訓練好之后,把網絡存起來.然后編寫遺傳算法,你知道,遺傳算法是每代不斷迭代的,然后每代會根據適應度決定是否進入下一代,這里的適應度你就用sim(net,x)得到的值的倒數(或者類似的)作為適應度,然后其它就和遺傳算法沒什么兩樣了.最后得到的最優解,就是網絡的最優解.也就是你要的結果了.不過兄弟,這想法很牛B,很值得鼓勵這樣的想法.但我不得不說兩句,從實際角度來說,這樣的實現沒有太大的意義.你的目的就是想從數據中找到Y最小的時候,X的什么值,但數據上畢竟只是數據,不管你怎么繞,透露出來的信息還是有限的,不管怎么繞,其實數據能提供最大限度的信息就是:在Y=10.88時,即X1=25,X2=24....X6=1.5時,Y是最小值的,這是數據能提供的最大限度的信息,你再怎么繞,其實當你懂得神經網絡的深層原理時,你會發現,你的方案并沒能挖掘出更優的解(因為數據的信息是有限的),這只是把自己繞暈了不過能有這樣的想法,兄弟肯定是個學習的好材料,加油.===============學習神經網絡可以到================。

遺傳算法怎么調用神經網絡訓練好的模型

遺傳算法優化的BP神經網絡建模借鑒別人的程序做出的仿真，最近才有時間整理。目標：對y=x1^2+x2^2非線性系統進行建模，用1500組數據對網絡進行構建網絡，500組數據測試網絡。

由于BP神經網絡初始神經元之間的權值和閾值一般隨機選擇，因此容易陷入局部最小值。本方法使用遺傳算法優化初始神經元之間的權值和閾值，并對比使用遺傳算法前后的效果。

步驟：未經遺傳算法優化的BP神經網絡建模1、隨機生成2000組兩維隨機數(x1,x2)，并計算對應的輸出y=x1^2+x2^2，前1500組數據作為訓練數據input_train，后500組數據作為測試數據input_test。

并將數據存儲在data中待遺傳算法中使用相同的數據。2、數據預處理：歸一化處理。3、構建BP神經網絡的隱層數，次數，步長，目標。

4、使用訓練數據input_train訓練BP神經網絡net。5、用測試數據input_test測試神經網絡，并將預測的數據反歸一化處理。6、分析預測數據與期望數據之間的誤差。

遺傳算法優化的BP神經網絡建模1、讀取前面步驟中保存的數據data；2、對數據進行歸一化處理；3、設置隱層數目；4、初始化進化次數，種群規模，交叉概率，變異概率5、對種群進行實數編碼，并將預測數據與期望數據之間的誤差作為適應度函數；6、循環進行選擇、交叉、變異、計算適應度操作，直到達到進化次數，得到最優的初始權值和閾值；7、將得到最佳初始權值和閾值來構建BP神經網絡；8、使用訓練數據input_train訓練BP神經網絡net;9、用測試數據input_test測試神經網絡，并將預測的數據反歸一化處理；10、分析預測數據與期望數據之間的誤差。

關于神經網絡，蟻群算法和遺傳算法

神經網絡并行性和自適應性很強，應用領域很廣，在任何非線性問題中都可以應用，如控制、信息、預測等各領域都能應用。蟻群算法最開始應用于TSP問題，獲得了成功，后來又廣泛應用于各類組合優化問題。

但是該算法理論基礎較薄弱，算法收斂性都沒有得到證明，很多參數的設定也僅靠經驗，實際效果也一般，使用中也常常早熟。遺傳算法是比較成熟的算法，它的全局尋優能力很強，能夠很快地趨近較優解。

主要應用于解決組合優化的NP問題。這三種算法可以相互融合，例如GA可以優化神經網絡初始權值，防止神經網絡訓練陷入局部極小且加快收斂速度。

蟻群算法也可用于訓練神經網絡，但一定要使用優化后的蟻群算法，如最大-最小蟻群算法和帶精英策略。

如何利用人工神經網絡或遺傳算法解決實際問題

。

來自nnetinfo目前可以做的一般有:分類.函數擬合壓縮.圖象識別等等,其實說到底,所有的都能歸于第2點--函數擬合.一般如果輸入與輸出是有強烈關系的,網絡都能找得到這個關系.例如病人的特征作為輸入,判斷這個是否為病人,一般都是可以的.業務背景知識強,才能把神經網絡運用到實際中.另外,還需要把實現問題轉換為數學問題的能力.例如數字識別就是一個經典的應用.但直接把圖片放進去訓練是得不到識別效果的,因為維度太多了,而且信息冗余量很大.于是有人把圖片的特征先自已提取出來:例如對角線與圖片上的數字有幾個交點等等,再把這些特征作為輸入,數字類別向量作為輸出,放到網絡中訓練.最后你再寫一個數字,提取這個數字的特征,再把這特征放進網絡中的時候,它就能識別到你是哪個數字了.另外,又有人用卷積神經網絡去做數字識別.還有人用深度網絡去做,即先把原來圖片的信息用RBM網絡進行壓縮,然后再訓練,效果就好了.等等,其實很多問題都可以做,但前提是你要想到好的方式去運用神經網絡.。

trainbr加遺傳算法的神經網絡！好處，或者行不行！

神經網絡的設計要用到遺傳算法，遺傳算法在神經網絡中的應用主要反映在3個方面：網絡的學習，網絡的結構設計，網絡的分析。1．遺傳算法在網絡學習中的應用在神經網絡中，遺傳算法可用于網絡的學習。

這時，它在兩個方面起作用(1)學習規則的優化用遺傳算法對神經網絡學習規則實現自動優化，從而提高學習速率。(2)網絡權系數的優化用遺傳算法的全局優化及隱含并行性的特點提高權系數優化速度。

2．遺傳算法在網絡設計中的應用用遺傳算法設計一個優秀的神經網絡結構，首先是要解決網絡結構的編碼問題；然后才能以選擇、交叉、變異操作得出最優結構。

編碼方法主要有下列3種：(1)直接編碼法這是把神經網絡結構直接用二進制串表示，在遺傳算法中，“染色體”實質上和神經網絡是一種映射關系。通過對“染色體”的優化就實現了對網絡的優化。

(2)參數化編碼法參數化編碼采用的編碼較為抽象，編碼包括網絡層數、每層神經元數、各層互連方式等信息。一般對進化后的優化“染色體”進行分析，然后產生網絡的結構。

(3)繁衍生長法這種方法不是在“染色體”中直接編碼神經網絡的結構，而是把一些簡單的生長語法規則編碼入“染色體”中；然后，由遺傳算法對這些生長語法規則不斷進行改變，最后生成適合所解的問題的神經網絡。

這種方法與自然界生物地生長進化相一致。3．遺傳算法在網絡分析中的應用遺傳算法可用于分析神經網絡。神經網絡由于有分布存儲等特點，一般難以從其拓撲結構直接理解其功能。

遺傳算法可對神經網絡進行功能分析，性質分析，狀態分析。遺傳算法雖然可以在多種領域都有實際應用，并且也展示了它潛力和寬廣前景；但是，遺傳算法還有大量的問題需要研究，目前也還有各種不足。

首先，在變量多，取值范圍大或無給定范圍時，收斂速度下降；其次，可找到最優解附近，但無法精確確定最擾解位置；最后，遺傳算法的參數選擇尚未有定量方法。

對遺傳算法，還需要進一步研究其數學基礎理論；還需要在理論上證明它與其它優化技術的優劣及原因；還需研究硬件化的遺傳算法；以及遺傳算法的通用編程和形式等。

適合初學者的神經網絡和遺傳算法資料

遺傳算法（GeneticAlgorithm）是模擬達爾文生物進化論的自然選擇和遺傳學機理的生物進化過程的計算模型，是一種通過模擬自然進化過程搜索最優解的方法。

遺傳算法是從代表問題可能潛在的解集的一個種群（population）開始的，而一個種群則由經過基因（gene）編碼的一定數目的個體(individual)組成。

每個個體實際上是染色體(chromosome)帶有特征的實體。染色體作為遺傳物質的主要載體，即多個基因的集合，其內部表現（即基因型）是某種基因組合。

韓力群老師有一本書叫人工神經網絡教程，上面把神經網絡介紹得非常清楚，遺傳算法也有講解。附件是一個基于matlab的案例教程，非常有參考價值。

?

總結

以上是生活随笔為你收集整理的基于遗传算法的神经网络,遗传算法训练神经网络的全部內容，希望文章能夠幫你解決所遇到的問題。

如果覺得生活随笔網站內容還不錯，歡迎將生活随笔推薦給好友。