遺傳神經(jīng)網(wǎng)絡(luò)識(shí)別原理

4.3.1 遺傳BP簡(jiǎn)介遺傳識(shí)別是遺傳算法+神經(jīng)網(wǎng)絡(luò)的一種新興的尋優(yōu)技術(shù)，適合于復(fù)雜的、疊加的非線性系統(tǒng)的辨識(shí)描述。神經(jīng)網(wǎng)絡(luò)算法是當(dāng)前較為成熟的識(shí)別分類方法，但網(wǎng)絡(luò)權(quán)值的訓(xùn)練一直存在著缺陷。

為此結(jié)合具體應(yīng)用，在對(duì)遺傳算法進(jìn)行改進(jìn)的基礎(chǔ)上，本文采用了一種基于遺傳學(xué)習(xí)權(quán)值的神經(jīng)網(wǎng)絡(luò)識(shí)別方法，并取得了較好的效果。

盡管常規(guī)遺傳算法是穩(wěn)健的，但針對(duì)一個(gè)具體問題遺傳算法只有和其他方法（或稱原有算法）有效地結(jié)合在一起，組成一個(gè)新的混合算法，才能在實(shí)際中得到廣泛應(yīng)用。

混合算法既要保持原有算法的長(zhǎng)處，又要保持遺傳算法的優(yōu)點(diǎn)，因此常規(guī)遺傳算法中的適應(yīng)值函數(shù)、編碼、遺傳算子等必須做適當(dāng)?shù)男薷囊赃m應(yīng)混合算法的要求。

4.3.1.1 適應(yīng)值信息常規(guī)算法中，適應(yīng)值常被表示為全局極小，用歐氏距離來實(shí)現(xiàn)。

例如，適應(yīng)值常被表示為如下形式：儲(chǔ)層特征研究與預(yù)測(cè)式中：）Yi為第i 個(gè)樣本的實(shí)際輸出，Yi為第i 個(gè)樣本的期望輸出，N 為學(xué)習(xí)樣本數(shù)。

這種表示法的單點(diǎn)擬合能力較強(qiáng)，能夠滿足精度要求，但大多數(shù)情況下，還要考慮樣本整體的一些性質(zhì)，如方差、連續(xù)性等。適應(yīng)值作為GA中的惟一使用信息，除了體現(xiàn)樣本的差異性，還 應(yīng)當(dāng)兼顧樣本間的相關(guān)性。

這樣就在一定程度上克服了劇烈振蕩、網(wǎng)絡(luò)容錯(cuò)能力差等弱點(diǎn)。因此，我們將灰色系統(tǒng)的灰關(guān)聯(lián)引入進(jìn)來，在保證樣本的遺傳操作的同時(shí)，加強(qiáng)樣本間橫向上的聯(lián)系，從而更有效地選擇權(quán)值。

設(shè) X0={X0（K），K=1，2，…，n}為母序列，Xi={Xi（K），K=1，2，…，n i=1，2，…，m}為子序列。

則關(guān)聯(lián)系數(shù)為：儲(chǔ)層特征研究與預(yù)測(cè)關(guān)聯(lián)度為：儲(chǔ)層特征研究與預(yù)測(cè)4.3.1.2 編碼問題二進(jìn)制位串編碼是GA中常見的編碼技術(shù)。但在實(shí)際編程中，采用浮點(diǎn)數(shù)直接表示更有利。

主要有以下原因：（1）避免了因網(wǎng)絡(luò)權(quán)值范圍不明確，難以進(jìn)行編碼的困難；（2）取消了編碼、譯碼過程，提高了學(xué)習(xí)算法的速度；（3）十進(jìn)制數(shù)字串的引入，在數(shù)字串長(zhǎng)度不變的情況下，計(jì)算精度可以大為提高。

例如，用七位二進(jìn)制數(shù)字串來表示（-10，10）之間的數(shù)值，則精度最高為：儲(chǔ)層特征研究與預(yù)測(cè)用同樣長(zhǎng)度的十進(jìn)制數(shù)字串來表示（-10，10）之間的數(shù)值，去掉符號(hào)位和小數(shù)點(diǎn)所占用的一位，余下的四位表示小數(shù)值，則精度最高可以達(dá)到0.0001。

4.3.1.3 修改雜交算子由于編碼方式的改變，雜交算子可以設(shè)計(jì)為具有數(shù)值特點(diǎn)的向量的線性組合。

通常表示為如下形式：若有兩個(gè)個(gè)體Sa、Sb雜交，則產(chǎn)生的個(gè)體為儲(chǔ)層特征研究與預(yù)測(cè)其中u的取值在（0，1），也可根據(jù)情況適當(dāng)縮小取值范圍。

當(dāng)u取常數(shù)時(shí)，雜交算子即為一致雜交，當(dāng)u隨代數(shù)變化時(shí)，雜交算子則為非一致雜交。在遺傳算法中，隨著迭代次數(shù)的增加，個(gè)體的平均性能逐步提高，個(gè)體間的差異縮小。

為了防止個(gè)體趨向一致，影響算法的收斂性能，本文對(duì)u作了如下改變，令儲(chǔ)層特征研究與預(yù)測(cè)其中t為當(dāng)前代數(shù)，T為預(yù)置最大代數(shù)，隨著代數(shù)的增加，u從1到0變化，完成雜交的漸變過程。

4.3.1.4 修改變異算子設(shè)個(gè)體x=（v1，v2，…，vn），則每個(gè)分量以一定概率進(jìn)行變異，一次變異后的結(jié)果為（v1，…，，…，vn），1＜=K＜=n，的值按下面的隨機(jī)方式?jīng)Q定：儲(chǔ)層特征研究與預(yù)測(cè)式中：LB，UB為第K個(gè)變量的左、右鄰居，函數(shù)Δ（t，y）返回（0，y）上的一個(gè)值，并使這個(gè)值隨著代數(shù)t的增大而接近于0，這樣選取的函數(shù)允許這個(gè)算子在算法的開始階段一致搜索整個(gè)空間，而在算法的后階段進(jìn)行局部搜索。

儲(chǔ)層特征研究與預(yù)測(cè)式中：r為［0，1］上的隨機(jī)數(shù)，T為預(yù)置的最大代數(shù)，t為當(dāng)前代數(shù)，b是決定非一致程度的參數(shù)，這里取為0.5。

4.3.1.5 成熟前收斂問題成熟前收斂是指GA不能再產(chǎn)生性能超過父代的后代，盡管尚未達(dá)到全局最優(yōu)解，主要表現(xiàn)形式是連續(xù)數(shù)代或數(shù)十代適應(yīng)值不發(fā)生變化。

它與其他方法中的局部極值問題很相似，但又不同，因?yàn)樗⒉灰欢ǔ霈F(xiàn)在局部極小點(diǎn)。目前解決這一問題的方法主要有：重新啟動(dòng)法、動(dòng)態(tài)參數(shù)編碼法、混合法等。

為了便于程序表現(xiàn)，我們引進(jìn)了一個(gè)動(dòng)態(tài)記憶窗口W，W用來記錄從當(dāng)前代開始最優(yōu)目標(biāo)值保持連續(xù)不變的代數(shù)。當(dāng)W達(dá)到某個(gè)給定的值時(shí)，就認(rèn)為出現(xiàn)了成熟前收斂，這時(shí)就令雜交算子和變異算子突然增大，實(shí)現(xiàn)基因的重組。

當(dāng)然用這種方法來判別收斂問題是不嚴(yán)格的，對(duì)一個(gè)算法收斂性能的評(píng)價(jià)主要應(yīng)體現(xiàn)在時(shí)間復(fù)雜性和空間復(fù)雜性上。

對(duì)于像GA這樣帶有隨機(jī)搜索性質(zhì)的具體方法，理論上說，只有當(dāng)隨機(jī)數(shù)字完全取盡，目標(biāo)值仍未改變才可認(rèn)為是成熟前收斂。但在實(shí)際中是不可能這樣做的。

因此可根據(jù)隨機(jī)數(shù)的總個(gè)數(shù)，每次計(jì)算出最多取多少個(gè)隨機(jī)參數(shù)，來大致估算所需的次數(shù)，這個(gè)次數(shù)就可認(rèn)為是動(dòng)態(tài)記憶機(jī)制W。4.3.2 遺傳BP網(wǎng)絡(luò)結(jié)構(gòu)遺傳算法一般可以通過兩種方式應(yīng)用到神經(jīng)網(wǎng)絡(luò)中。

一種方式是利用遺傳算法訓(xùn)練已知結(jié)構(gòu)的網(wǎng)絡(luò)，優(yōu)化網(wǎng)絡(luò)的連接權(quán)；另一種方式是利用遺傳算法尋找網(wǎng)絡(luò)的規(guī)模、結(jié)構(gòu)和學(xué)習(xí)參數(shù)。

目前這種方法在理論上還不完全成熟，尋優(yōu)機(jī)理、學(xué)習(xí)效率等有待進(jìn)一步研究，離實(shí)際應(yīng)用還有一定的距離。對(duì)多層前饋神經(jīng)網(wǎng)絡(luò)，目前用得最多的學(xué)習(xí)算法是BP算法。

然而由于BP本身固有的學(xué)習(xí)機(jī)理的限制，從根本上改進(jìn)BP算法是很困難的。

BP的學(xué)習(xí)過程實(shí)際上是連接權(quán)的重組優(yōu)化過程，因此在保持網(wǎng)絡(luò)結(jié)構(gòu)的前提下，尋找一種能使連接權(quán)達(dá)到最優(yōu)組合的學(xué)習(xí)方法，具有一定的實(shí)際意義。

利用GA的優(yōu)點(diǎn)來克服BP算法收斂慢和易局部收斂的缺陷，同時(shí)與BP算法的結(jié)合，也解決了單獨(dú)利用GA往往只能在短時(shí)間內(nèi)尋找到接近最優(yōu)解的近優(yōu)解這一問題，引入BP算法的梯度信息將會(huì)避免這種現(xiàn)象。

GA與BP算法可以有多種不同的組合方法：先BP后GA：先用BP培訓(xùn)一個(gè)預(yù)先選定結(jié)構(gòu)的ANN（人工神經(jīng)網(wǎng)絡(luò)）直到平均誤差不再有意義地減少時(shí)為止，然后在此基礎(chǔ)上再用GA進(jìn)行若干代的優(yōu)化。

重復(fù)進(jìn)行這樣的搜索，直到誤差范圍達(dá)到滿意的要求或者發(fā)現(xiàn)搜索不收斂為止。這種組合方法的基本思想是先用BP確定使誤差函數(shù)取極小值的參數(shù)組合在參數(shù)空間的位置，再利用GA擺脫掉可能的局部極小。

應(yīng)用這種組合必須事先選定ANN的結(jié)構(gòu)。即只能用它確定ANN的連接權(quán)重。顯然，如果事先選擇的ANN結(jié)構(gòu)不合理或有關(guān)的參數(shù)（如學(xué)習(xí)率等）不合適，可能會(huì)導(dǎo)致搜索不收斂。

先GA后BP：先用GA反復(fù)優(yōu)化描述ANN模型的參數(shù)組合，直到適應(yīng)函數(shù)的平均不再有意義地增加為止。在此基礎(chǔ)上再用 BP算法對(duì)它們進(jìn)行優(yōu)化。

這種組合方法的基本思想是先用GA粗選ANN模型，再用 BP算法精細(xì)與優(yōu)化。

這種組合方法的優(yōu)點(diǎn)是通用性好，既可像前一組合方法那樣用來優(yōu)選指定結(jié)構(gòu)下的部分參數(shù)，也可用來優(yōu)選其他的參數(shù)，例如 ANN 的結(jié)構(gòu)、學(xué)習(xí)率等，甚至還可用于優(yōu)選它們的組合。

圖4-4 GABP結(jié)構(gòu)圖上面兩種組合GA與 BP的方法是比較基本的兩種，以它們?yōu)榛A(chǔ)可以衍生出多種具體的實(shí)現(xiàn)方案。

但由于 BP 算法本身也有許多參數(shù)需要選定，而且選擇方法也無(wú)規(guī)則可循，因而組合 GA 與BP在一定程度上也使待解決的問題更加復(fù)雜化。

為此，這里提出了一種改進(jìn)的GABP方法，即利用 BP網(wǎng)絡(luò)的非線性分類能力和網(wǎng)絡(luò)結(jié)構(gòu)來設(shè)計(jì)分類器，將遺傳學(xué)習(xí)的結(jié)果直接送入網(wǎng)絡(luò)，不再經(jīng)過BP優(yōu)化，通過網(wǎng)絡(luò)結(jié)構(gòu)輸出結(jié)果。

這種改進(jìn)既體現(xiàn)了系統(tǒng)的非線性，與前面的處理方法相銜接，又通過GA的學(xué)習(xí)優(yōu)化了權(quán)值，提高了運(yùn)算速度。該網(wǎng)絡(luò)為一個(gè)三層 BP 網(wǎng)絡(luò)，結(jié)構(gòu)如圖4-4所示。

4.3.3 遺傳BP計(jì)算過程遺傳BP算法的具體步驟：（1）隨機(jī)產(chǎn)生N組（-1，1）區(qū)間內(nèi)取值的初始網(wǎng)絡(luò)權(quán)值。

（2）用BP算法對(duì)這N組始值分別進(jìn)行訓(xùn)練，若這N組權(quán)值中至少已有一組滿足精度要求，則算法結(jié)束；否則轉(zhuǎn)入步驟（3）。

（3）分別依據(jù)經(jīng)過訓(xùn)練的這N組較好的權(quán)值所對(duì)應(yīng)的上下限確定取值區(qū)間，在區(qū)間內(nèi)再隨機(jī)生產(chǎn)成N組新的權(quán)限，連同經(jīng)過訓(xùn)練的N組權(quán)值在一起，構(gòu)成一個(gè)完整的基因群體，共2*N組權(quán)值。

（4）從這2*N組權(quán)值進(jìn)行選擇、交叉、變異等遺傳操作。（5）從經(jīng)過遺傳操作的這2*N組權(quán)值中選出N組較好的，回復(fù)到步驟（2）。圖4-5 改進(jìn)的 GABP計(jì)算流程圖GABP的計(jì)算過程圖如圖4-5所示。

谷歌人工智能寫作項(xiàng)目：神經(jīng)網(wǎng)絡(luò)偽原創(chuàng)

遺傳算法怎么調(diào)用神經(jīng)網(wǎng)絡(luò)訓(xùn)練好的模型

遺傳算法優(yōu)化的BP神經(jīng)網(wǎng)絡(luò)建模借鑒別人的程序做出的仿真，最近才有時(shí)間整理寫作貓。目標(biāo)： 對(duì)y=x1^2+x2^2非線性系統(tǒng)進(jìn)行建模，用1500組數(shù)據(jù)對(duì)網(wǎng)絡(luò)進(jìn)行構(gòu)建網(wǎng)絡(luò)，500組數(shù)據(jù)測(cè)試網(wǎng)絡(luò)。

由于BP神經(jīng)網(wǎng)絡(luò)初始神經(jīng)元之間的權(quán)值和閾值一般隨機(jī)選擇，因此容易陷入局部最小值。本方法使用遺傳算法優(yōu)化初始神經(jīng)元之間的權(quán)值和閾值，并對(duì)比使用遺傳算法前后的效果。

步驟：未經(jīng)遺傳算法優(yōu)化的BP神經(jīng)網(wǎng)絡(luò)建模1、 隨機(jī)生成2000組兩維隨機(jī)數(shù)(x1,x2)，并計(jì)算對(duì)應(yīng)的輸出y=x1^2+x2^2，前1500組數(shù)據(jù)作為訓(xùn)練數(shù)據(jù)input_train，后500組數(shù)據(jù)作為測(cè)試數(shù)據(jù)input_test。

并將數(shù)據(jù)存儲(chǔ)在data中待遺傳算法中使用相同的數(shù)據(jù)。2、 數(shù)據(jù)預(yù)處理：歸一化處理。3、 構(gòu)建BP神經(jīng)網(wǎng)絡(luò)的隱層數(shù)，次數(shù)，步長(zhǎng)，目標(biāo)。

4、 使用訓(xùn)練數(shù)據(jù)input_train訓(xùn)練BP神經(jīng)網(wǎng)絡(luò)net。5、 用測(cè)試數(shù)據(jù)input_test測(cè)試神經(jīng)網(wǎng)絡(luò)，并將預(yù)測(cè)的數(shù)據(jù)反歸一化處理。6、 分析預(yù)測(cè)數(shù)據(jù)與期望數(shù)據(jù)之間的誤差。

遺傳算法優(yōu)化的BP神經(jīng)網(wǎng)絡(luò)建模1、 讀取前面步驟中保存的數(shù)據(jù)data；2、 對(duì)數(shù)據(jù)進(jìn)行歸一化處理；3、 設(shè)置隱層數(shù)目；4、 初始化進(jìn)化次數(shù)，種群規(guī)模，交叉概率，變異概率5、 對(duì)種群進(jìn)行實(shí)數(shù)編碼，并將預(yù)測(cè)數(shù)據(jù)與期望數(shù)據(jù)之間的誤差作為適應(yīng)度函數(shù)；6、 循環(huán)進(jìn)行選擇、交叉、變異、計(jì)算適應(yīng)度操作，直到達(dá)到進(jìn)化次數(shù)，得到最優(yōu)的初始權(quán)值和閾值；7、 將得到最佳初始權(quán)值和閾值來構(gòu)建BP神經(jīng)網(wǎng)絡(luò)；8、 使用訓(xùn)練數(shù)據(jù)input_train訓(xùn)練BP神經(jīng)網(wǎng)絡(luò)net;9、 用測(cè)試數(shù)據(jù)input_test測(cè)試神經(jīng)網(wǎng)絡(luò)，并將預(yù)測(cè)的數(shù)據(jù)反歸一化處理；10、 分析預(yù)測(cè)數(shù)據(jù)與期望數(shù)據(jù)之間的誤差。

怎么用遺傳算法工具箱調(diào)用神經(jīng)網(wǎng)絡(luò)來尋求最優(yōu)解啊

關(guān)于神經(jīng)網(wǎng)絡(luò)，蟻群算法和遺傳算法

神經(jīng)網(wǎng)絡(luò)并行性和自適應(yīng)性很強(qiáng)，應(yīng)用領(lǐng)域很廣，在任何非線性問題中都可以應(yīng)用，如控制、信息、預(yù)測(cè)等各領(lǐng)域都能應(yīng)用。蟻群算法最開始應(yīng)用于TSP問題，獲得了成功，后來又廣泛應(yīng)用于各類組合優(yōu)化問題。

但是該算法理論基礎(chǔ)較薄弱，算法收斂性都沒有得到證明，很多參數(shù)的設(shè)定也僅靠經(jīng)驗(yàn)，實(shí)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(yōu)能力很強(qiáng)，能夠很快地趨近較優(yōu)解。

主要應(yīng)用于解決組合優(yōu)化的NP問題。這三種算法可以相互融合，例如GA可以優(yōu)化神經(jīng)網(wǎng)絡(luò)初始權(quán)值，防止神經(jīng)網(wǎng)絡(luò)訓(xùn)練陷入局部極小且加快收斂速度。

蟻群算法也可用于訓(xùn)練神經(jīng)網(wǎng)絡(luò)，但一定要使用優(yōu)化后的蟻群算法，如最大-最小蟻群算法和帶精英策略。

matlab工具箱中的神經(jīng)網(wǎng)絡(luò)和遺傳算法要怎么調(diào)用？

都是有兩種調(diào)用方法，一種圖形界面的，這個(gè)從開始菜單，然后工具，然后從里面找神經(jīng)網(wǎng)絡(luò)neuralnetwork，遺傳算法工具是全局優(yōu)化工具箱里面的，globaloptimization。

另外一種通過命令行調(diào)用，這個(gè)需要你理解你都要做什么，我用神經(jīng)網(wǎng)絡(luò)舉例。第一步需要先整理出輸入變量和輸出變量，第二步設(shè)計(jì)并初始化神經(jīng)網(wǎng)絡(luò)，第三部訓(xùn)練，第四部獲得結(jié)果。

如果你想結(jié)合這兩者，就會(huì)更加復(fù)雜，詳細(xì)的你可以再問。我曾經(jīng)做過用遺傳算法優(yōu)化神經(jīng)網(wǎng)絡(luò)的工具。

trainbr加遺傳算法的神經(jīng)網(wǎng)絡(luò)！好處，或者行不行！

神經(jīng)網(wǎng)絡(luò)的設(shè)計(jì)要用到遺傳算法，遺傳算法在神經(jīng)網(wǎng)絡(luò)中的應(yīng)用主要反映在3個(gè)方面：網(wǎng)絡(luò)的學(xué)習(xí)，網(wǎng)絡(luò)的結(jié)構(gòu)設(shè)計(jì)，網(wǎng)絡(luò)的分析。 1．遺傳算法在網(wǎng)絡(luò)學(xué)習(xí)中的應(yīng)用在神經(jīng)網(wǎng)絡(luò)中，遺傳算法可用于網(wǎng)絡(luò)的學(xué)習(xí)。

這時(shí)，它在兩個(gè)方面起作用 (1)學(xué)習(xí)規(guī)則的優(yōu)化用遺傳算法對(duì)神經(jīng)網(wǎng)絡(luò)學(xué)習(xí)規(guī)則實(shí)現(xiàn)自動(dòng)優(yōu)化，從而提高學(xué)習(xí)速率。 (2)網(wǎng)絡(luò)權(quán)系數(shù)的優(yōu)化用遺傳算法的全局優(yōu)化及隱含并行性的特點(diǎn)提高權(quán)系數(shù)優(yōu)化速度。

2．遺傳算法在網(wǎng)絡(luò)設(shè)計(jì)中的應(yīng)用用遺傳算法設(shè)計(jì)一個(gè)優(yōu)秀的神經(jīng)網(wǎng)絡(luò)結(jié)構(gòu)，首先是要解決網(wǎng)絡(luò)結(jié)構(gòu)的編碼問題；然后才能以選擇、交叉、變異操作得出最優(yōu)結(jié)構(gòu)。

編碼方法主要有下列3種： (1)直接編碼法這是把神經(jīng)網(wǎng)絡(luò)結(jié)構(gòu)直接用二進(jìn)制串表示，在遺傳算法中，“染色體”實(shí)質(zhì)上和神經(jīng)網(wǎng)絡(luò)是一種映射關(guān)系。通過對(duì)“染色體”的優(yōu)化就實(shí)現(xiàn)了對(duì)網(wǎng)絡(luò)的優(yōu)化。

(2)參數(shù)化編碼法參數(shù)化編碼采用的編碼較為抽象，編碼包括網(wǎng)絡(luò)層數(shù)、每層神經(jīng)元數(shù)、各層互連方式等信息。一般對(duì)進(jìn)化后的優(yōu)化“染色體”進(jìn)行分析，然后產(chǎn)生網(wǎng)絡(luò)的結(jié)構(gòu)。

(3)繁衍生長(zhǎng)法這種方法不是在“染色體”中直接編碼神經(jīng)網(wǎng)絡(luò)的結(jié)構(gòu)，而是把一些簡(jiǎn)單的生長(zhǎng)語(yǔ)法規(guī)則編碼入“染色體”中；然后，由遺傳算法對(duì)這些生長(zhǎng)語(yǔ)法規(guī)則不斷進(jìn)行改變，最后生成適合所解的問題的神經(jīng)網(wǎng)絡(luò)。

這種方法與自然界生物地生長(zhǎng)進(jìn)化相一致。 3．遺傳算法在網(wǎng)絡(luò)分析中的應(yīng)用遺傳算法可用于分析神經(jīng)網(wǎng)絡(luò)。神經(jīng)網(wǎng)絡(luò)由于有分布存儲(chǔ)等特點(diǎn)，一般難以從其拓?fù)浣Y(jié)構(gòu)直接理解其功能。

遺傳算法可對(duì)神經(jīng)網(wǎng)絡(luò)進(jìn)行功能分析，性質(zhì)分析，狀態(tài)分析。遺傳算法雖然可以在多種領(lǐng)域都有實(shí)際應(yīng)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(wú)給定范圍時(shí)，收斂速度下降；其次，可找到最優(yōu)解附近，但無(wú)法精確確定最擾解位置；最后，遺傳算法的參數(shù)選擇尚未有定量方法。

對(duì)遺傳算法，還需要進(jìn)一步研究其數(shù)學(xué)基礎(chǔ)理論；還需要在理論上證明它與其它優(yōu)化技術(shù)的優(yōu)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。

?

總結(jié)

以上是生活随笔為你收集整理的人工神经网络与遗传算法,遗传算法和神经算法的全部?jī)?nèi)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(wǎng)站內(nèi)容還不錯(cuò)，歡迎將生活随笔推薦給好友。