基于MECA算法的BP网络研究.docVIP

基于MECA算法的BP网络研究 　　摘要：本文利用思维进化克隆算法（Mind Evolution Colon Algorithm 以下简称MECA）来设计BP网络。该算法?⑺嘉?进化算法和生物克隆机制结合，采用实数编码和自适应技术，既保留了思维进化算法的全局有哪些信誉好的足球投注网站特性，又能在很大程度上避免未成熟收敛。该算法应用于训练XOR问题，实验结果显示该算法在设计神经网络时优于BP算法和GA，网络训练的质量和效率都有很大提高。 　　关键词：MECA 亲和性 BP 　　中图分类号：TP183 文献标识码：A 文章编号：1007-9416（2016）10-0139-02 　　Abstract：This paper designs BP neural network with mind evoluntion clone algorithm （MECA） . The algorithm combines mind evolution algorithm and biology clone mechanism ， introduces real number coding and adaptation technology . It not only reserves the entire search character of mind evolution algorithm ， but also avoids premature in much degree . We applied it in training XOR problem . The experiment result showed that it was superior to BP and GA in designing neural network . The quality and efficiency of the network training were enhanced greatly . 　　Key Words：MECA； appetence； BP 　　1 引言 　　人工神经网络是对生物神经系统的模拟，由大量非线性处理单元通过密集连接而构成的一个并行信息处理系统。其信息处理功能是由网络单元的激活特性、网络拓扑结构、连接权值和神经元的阈值所决定。神经网络按其结构可分为前向神经网络和反馈神经网络，神经网络在拓扑结构固定时，其学习归结为连接权的变化。事先给定一个收敛判据，当训练误差小于此值时学习结束。在前向神经网络的学习中，主要有两种： 一是采用误差逆传播（Error Back-propagation）算法（简称BP算法）。BP算法把网络输出出现的误差归结为各连接权的“过错”，通过把输出层的误差逐层向输入层逆向传播以“分摊”给各层单元，从而获得各层单元的参考误差以便调整相应的连接权。这种方法采用逐步增减式的探测方法获得网络的权值，本质上属于梯度下降算法，因而不可避免其本身的固有不足：训练时间过长、局部极小点易逃离、误差函数必须可导、不一定收敛、训练结果依赖于探测过程等。 　　为了避免BP算法存在的缺陷，可用遗传算法GA来优化神经网络。GA采用全局随机有哪些信誉好的足球投注网站方法，能在复杂的、不可导的向量空间中快速收敛，在这点上它优于BP算法。但GA仍然存在许多不足：（1）初始群体是随机生成的，算法在解群分布不均匀时易于出现未成熟收敛，陷入局部极优；（2）采用二进制编码，当神经网络的规模稍大时，染色体的长度就可能很长，从而影响GA训练的精度和效率；（3）当GA快速收敛到最优解时，无法精确确定最优解的位置，微调能力较差，会引起网络的局部振荡。 　　本文采用MECA来设计BP网络，避免了BP算法和GA训练网络时的不足。第二节描述了MECA，第三节根据BP网络的特点，与MECA相结合构造了抗体―抗体、抗体―抗原的亲和性函数。最后用XOR问题测试该算法并与BP算法和GA相比较，实验结果显示该算法在设计神经网络时优于BP算法和GA，网络训练的质量和效率都有很大提高。 　　2 MECA 　　MECA由图1所示的6个阶段主要组成。抗原、抗体、抗原和抗体之间的亲和性对应于优化问题的目标函数、优化解、解与目标函数的匹配程度。图1中Gen代表克隆选择算法（迭代）的代次。根据优化问题，设定目标函数和各种约束作为算法的抗原，采用随机的方法产生抗体， 从包含最优解的数据库中随机选择产生M个初始抗体；计算抗原和抗体之间的亲和力函数值。按抗体-抗原亲和力函数值对M个个体从大到小排序，对每个亲和力最高的个体，以其为中心半径点，在一定的半径个体中随机选择k-1个个体，形成一个子群体（子群体大小为k）。同时对N个亲和力函数最高的个体进行相同的操作，产生N个子群体。之后进行克隆变异、克隆重组和克隆选择操作