神经网络入门五.docVIP

神经网络入门连载之五 4.5 神经网络的编码（Encoding the Network）　　 在本书的开始几章中，你已经看到过怎样用各种各样的方法为遗传算法编码。但当时我并没有向你介绍过一个用实数编码的具体例子，因为我知道我要留在这里向你介绍。我曾经讲到，为了设计一个前馈型神经网络，编码是很容易的。我们从左到右读每一层神经细胞的权重，读完第一个隐藏层，再向上读它的下一层，把所读到的数据依次保存到一个向量中，这样就实现了网络的编码。因此，如果我们有图14所示的网络，则它的权重编码向量将为:? ???0.3, -O.8， -O.2， 0.6， O.1， -0.l， 0.4， 0.5　　在这一网络中，为了简单，我没有把偏移值的权重包括进去。但在实际实现编码时，你必须包含偏移值这个权重，否则你肯定无法获得你所需要的结果。  图14 为权重编码。 在此之前讲的事情你都懂了吗？好极了，那下面就让我们转来考虑，怎样用遗传算法来操纵已编码的基因吧。4.6??遗传算法（The Genetic Algorithm）? ?? ???到此，所有的权重已经象二进制编码的基因组那样，形成了一个串，我们就可以象本书早先讨论过的那样来应用遗传算法了。遗传算法（GA）是在扫雷机已被允许按照用户指定的帧数（为了某种缘故, 我下面更喜欢将帧数称作滴答数，英文是ticks）运转后执行的。你可以在ini文件中找到这个滴答数（iNumTicks）的设置。下面是基因组结构体的代码。这些对于你应该是十分面熟的东西了。??Struct SGenome{??vector double 　 vecWeights;??double 　　　　　 dFitness;??SGenome():dFitness(0) {}??SGenome(vector double w, double f):vecWeights(w),dFitness(f){}??//重载的排序方法 ? ?? ?friend bool??operator(const SGenome lhs, const SGenome rhs)? ?? ?? ?{ ? ???　? ?? ?return (lhs.dFitness rhs.dFitness);? ?? ?? ?} };　　从上面的代码你可看出，这一SGenome结构和我们在本书所有其他地方见到的SGenome结构几乎完全一致，唯一的差别就是这里的染色体是一个双精度向量std::vector。因此，可以和通常一样来应用杂交操作和选择操作。但突变操作则稍微有些不同，这里的权重值是用一个最大值为dMaxPerturbation的随机数来搔扰的。这一参数dMaxPerturbation在ini文件中已作了声明。另外，作为浮点数遗传算法，突变率也被设定得更高些。在本工程中，它被设成为0.1。下面就是扫雷机工程遗传算法类中所见到的突变函数的形式:void CGenAlg::Mutate(vectordouble chromo){??// 遍历权重向量，按突变率将每一个权重进行突变??for (int i=0; ichromo.size(); ++i)??{? ???// 我们要骚扰这个权重吗？? ???if (RandFloat() m_dMutationRate)? ???{? ?? ? // 为权重增加或减小一个小的数量? ?? ? chromo += (RandomClamped() * CParams::dMaxPerturbatlon);? ???}??}}　　如同以前的工程那样，我已为v1.0版本的Smart Minesweepers工程保留了一个非常简单的遗传算法。这样就能给你留下许多余地，可让你利用以前学到的技术来改进它。就象大多数别的工程一样，v1.O版只用轮盘赌方式选精英，并采用单点式杂交。注意:当程序运行时，权重可以被演化成为任意的大小，它们不受任何形式的限制。 4.7??扫雷机类（The CMinesweeper Class）　　 这一个类用来定义一个扫雷机。就象上一章描述的登月艇类一样，扫雷机类中有一个包含了扫雷机位置、速度、以及如何转换方向等数据的纪录。类中还包含扫雷机的视线向量（look-at vector）；它的2个分量被用来作为神经网络的2个输入。这是一个规范化的向量，它是在每一帧中根据扫雷机本身的转动角度计算出来的，它指示了扫雷机当前是朝着哪一个方向，如图11所示。下面就是扫雷机类CMinesweeper的声明:class CMinesweeper{private:? ???// 扫雷机的神经网络? ?? ?C