机械优化设计及应用第八章.ppt

1、第八章第八章 智能优化计算简介智能优化计算简介本章对目前常用的几种智能优化计算算法作简单介绍，内容包括神经网络、遗传算法、模拟退火算法和神经网络权位混合优化学习策略。第一节第一节 人工神经网络与神经网络优化算法人工神经网络与神经网络优化算法人工神经网络是近年来得到迅速发展的一个前沿课题。神经网络出于其大规模并行处理、容错性、自组织、自适应能力和联想功能强等待点，已成为解决很多问题的有力工具。本节首先对神经网络作简单介绍，然后介绍几种常用的神经网络，包括前向神经网络、Hopfield网络。一、人工神经网络发展简史一、人工神经网络发展简史 二、人工神经元模型与人工神经网络模型二、人工神经元模型与人

2、工神经网络模型njijiji 1jjXxyfX三、前向神经网络三、前向神经网络1多层前向网络一个M 层的多层前向网络可描述为：1）网络包含一个输入层（定义为第0层）和M-1个隐层，最后一个隐层称为输出层。2）第l层包含 个神经元和一个阈值单元（定义为每层的第0单元），输出层不含阈值单元。lN3）第l-l层第i个单元到第l层第j个单元的权值表为 。,l 1 lij4）第l层（l0）第j个（j0）神经元的输入定义为 ，输出定义为 ，为隐单元激励函数，常采用sigmoid函数 。输入单元一般采用线性激励函数 ，阈值单元的输出始终为1。,l 1Nll 1 ll 1jijii 0 xylljjyf x

3、f exp11f xx f xx 5）目标函数通常采用,12M 1NPP2M 1pj pj pp 1p 1j 1EEyt2.BP2.BP算法算法BP算法是前向神经网络经典的有监督学习算法，它的提出对前向神经网络的发展起过历史性的推动作用。对于上述的M层的人工神经网络，BP算法可由下列迭代式描述：,1Pl 1 ll 1 ll 1 ll 1 lll 1ijijijijj pi pp 1kkEkkk yk ,12,1l 1llj pj pj plNj pll 1l 1j pm pjmm 1yktfxklMkfxkkklM实质上，BP算法是一种梯度下降算法，算法性能依赖于初始条件，学习过程易于陷入局部

4、极小。数值仿真结果表明，BP算法的学习速度、精度、初值鲁棒性和网络推广性能都较差，不能满足应用的需要，实用中应根据需要适当改进。四、四、HopfieldHopfield网络网络 在网络中引入能量函数以构造动力学系统，并使网络的平衡态与能量函数的极小解相对应，从而将求解能量函数极小解的过程转化为网络向平衡态的演化过程。1 1离散型离散型HopfieldHopfield网络网络离散型Hopfield网络的输出为二值型，网络采用全连接结构。令 ，为各神经元的输出，为各神经元与第个神经元的连续权值，为第 个神经元的阈值，则有1v2vnv1i2iniii 10-10niijijiij 1ij iuvfv

5、f uu 能量函数定义为 12nnnijijiii 1 j 1i 1j iEvvv 则其变化量为 0nnniijijji 1i 1j 1ij iEEvvvv 结论：能量函数总是随神经元状态的变化而下降的。2 2连续型连续型HopfieldHopfield网络网络连续型Hopfield网络动态方程可简化描述如下：niiijijii 1iiiduuCT vIdtRvg u定义能量函数 12innnnv1ijijiii0i 1 j 1i 1i 1ET vvI vgv dv R 则其变化量 nii 1idvdEEdtv dt其中 11122212nnnniiijjjijiijjijjijij 1j 1

6、j 1j 1iiinn1iiijjijiijjijiij 1j 1uuET vT vITTvT vIvRRdudvTTvCTTvC gvdtdt 于是，当 ijjiTT 02n1iiii 1dvdEC gvdtdt 且当=0idvdt=dE0dt因此，随时间的增加，神经网络在状态空间中的轨迹总是向能量函数减小的方向变化，且网络的稳定点就是能量函数的极小点。广泛用于联想记忆和优化计算问题。第二节第二节 遗遗 传传 算算 法法一、遗传算法概要一、遗传算法概要对于一个求函数最大值的优化问题，一般可描述为下述数学规划模型 max fxs.t.xRPU遗传算法中，将 维决策向量 用个记号 （=1,2，）

7、所组成的符号串 来表示 nT12nx xxxnixixT12n12nxxxxx xxx把每一个 看作一个遗传基因，它的所有可能取值称为等位基因，这样，就可看作是由n个遗传基因所组成的一个染色体。ix 染色体的长度可以是固定的，也可以是变化的。等位基因既可以是一组整数，也可以是某一范围内的实数值，或者是记号。最简单的等位基因是由0和1这两个整数组成的，相应的染色体就可表示为一个二进制符号串。这种编码所形成的排列形式 是个体的基因型，与它对应的 值是个体的表现型。xx染色体 也称为个体，对于每一个个体 ，要按照一定的规则确定出其适应度。xx个体的适应度与其对应的个体表现型 的目标函数值相关联，越接

8、近于目标函数的最优点，其适应度越大；反之，其适应度越小。xx遗传算法中，决策变量 组成了问题的解空间。对问题最优解的搜索是通过对染色体 的搜索来进行的，从而由所有的染色体 组成了问题的搜索空间。xxx遗传算法的运算对象是由M个个体所组成的集合，称为群体。遗传算法的运算过程也是一个反复迭代的过程，第t代群体记作 ，经过一代遗传和进化后，得到第t+1代群体，它们也是由多个个体组成的集合，记作 。P t1P t 这个群体不断地经过遗传和进化，并且每次都按照优胜劣汰的规则将适应度较高的个体更多地遗传到下一代，这样最终在群体中将会得到一个优良的个体，它所对应的表现型将达到或接近于问题的最优解。遗传算法中

9、最优解的搜索过程也模仿生物的进化过程，使用所谓的遗传算子作用于群体 中，进行下述遗传操作，从而得到新一代群体 。P t1P t（1）选择。根据各个个体的适应度，按照一定的规则或方法，从第t代群体 中选择出一些优良的个体遗传到下一代群体 中。P t1P t（2）交叉。将群体 内的各个个体随机搭配成对，对每一个个体，以某个概率（称为交叉概率）交换它们之间的部分染色体。P t（3）变异。对群体 中的每一个个体，以某一概率（称为变异概率）改变某一个或一些基因座上基因值为其它的等位基因。P t二、遗传算法的特点二、遗传算法的特点遗传算法是一类可用于复杂系统优化计算的鲁棒搜索算法，与其它一些优化算法相比，

10、主要有下述几个特点：（1）遗传算法以决策变量的编码作为运算对象。传统的优化算法往往直接利用决策变量的实际值本身进行优化计算，但遗传算法不是直接以决策变量的值，而是以决策变量的某种形式的编码为运算对象，从而可以很方便地引入和应用遗传操作算子。（2）遗传算法直接以目标函数值作为搜索信息。传统的优化算法往往不只需要目标函数值，还需要目标函数的导数等其它信息。这样，对许多目标函数无法求导或很难求导的函数，遗传算法就比较方便。（3）遗传算法同时进行解空间的多点搜索。传统的优化算法往往从解空间的一个初始点开始搜索，这样容易陷入局部极值点。遗传算法进行群体搜索，而且在搜索的过程中引入遗传运算，使群体又可以不

11、断进化。这是遗传算法所特有的一种隐含并行性。（4）遗传算法使用概率搜索技术。遗传算法属于一种自适应概率搜索技术，其选择、交叉、变异等运算都是以一种概率的方式来进行的，从而增加了其搜索过程的灵活性。实践和理论都已证明，在一定条件下遗传算法总是以概率1收敛于问题的最优解。三、遗传算法的发展三、遗传算法的发展四、四、遗传算法的应用遗传算法的应用 遗传算法提供了一种求解复杂系统优化问题的通用框架，它不依赖于问题的具体领域，对问题的种类有很强的鲁棒性，所以广泛应用于很多学科。（1）函数优化。函数优化是遗传算法的经典应用领域，也是对遗传算法进行性能测试评价的常用算例。对于一些非线性、多模型、多目标的函数优

12、化问题，用其它优化方法较难求解，而遗传算法即可以方便地得到较好的结果。（2）组合优化。遗传算法是寻求组合优化问题满意解的最佳工具之一。实践证明，遗传算法对于组合优化问题中的NP完全问题非常有效。（3）生产调度问题。生产调度问题在很多情况下所建立起来的数学模型难以精确求解，即使经过一些简化之后可以进行求解也会因简化得太多而使求解结果与实际相差太远。现在遗传算法已经成为解决复杂调度问题的有效工具。（4）自动控制。遗传算法已经在自动控制领域中得到了很好的应用，例如基于遗传算法的模糊控制器的优化设计、基于遗传算法的参数辨识、基于遗传算法的模糊控制规则的学习、利用遗传算法进行人工神经网络的结构优化设计和

13、权值学习等。（5）机器人学。机器人是一类复杂的难以精确建模的人工系统，而遗传算法的起源就来自于对人工自适应系统的研究，所以机器人学自然成为遗传算法的一个重要应用领域。（6）图像处理。图像处理是计算机视觉中的一个重要研究领域。在图像处理过程中，如扫描、特征提取、图像分割等不可避免地存在一些误差，这些误差会影响图像处理的效果。如何使这些误差最小是使计算机视觉达到实用化的重要要求，遗传算法在这些图像处理中的优化计算方面得到了很好的应用。（7）人工生命。人工生命是用计算机、机械等人工媒体模拟或构造出的具有自然生物系统特有行为的人造系统，自组织能力和自学习能力是人工生命的两大重要特征。人工生命与遗传算法

14、有着密切的关系，基于遗传算法的进化模型是研究人工生命现象的重要理论基础。（8）遗传编程。Koza发展了遗传编程的概念，他使用了以LISP语言所表示的编码方法，基于对一种树形结构所进行的遗传操作来自动生成计算机程序。（9）机器学习。基于遗传算法的机器学习在很多领域中都得到了应用。例如基于遗传算法的机器学习可用来调整人工神经网络的连接权，也可以用于人工神经网络的网络结沟优化设计。五、基本遗传算法五、基本遗传算法基本遗传算法是一种统一的最基本的遗传算法。它只使用选择、交叉、变异这三种基本遗传算子，其遗传进化操作过程简单，容易理解，是其它一些遗传算法的雏形和基础，不仅给各种遗传算法提供了一个基本框架，

15、同时也具有一定的应用价值。1.1.基本遗传算法的构成要素基本遗传算法的构成要素（1）染色体编码方法。基本遗传算法使用固定长度的二进制符号串来表示群体中的个体，其等位基因是由二值符号集0,1所组成。初始群体中每个个体的基因值可用均匀分布的随机数来生成。（2）个体适应度评价。基本遗传算法按与个体适应度成正比的概率来决定当前群体中每个个体遗传到下代群体中的机会多少。为正确计算这个概率，这里要求所有个体的适应度必须为正数或零。（3）遗传算子。基本遗传算法使用下述三种遗传算子：选择运算使用比例选择算子，交叉运算使用单点交义算子，变异运算使用基本位变异算子或均匀变异算子。（4）基本遗传算法的运行参数。基本

16、遗传算法有下述四个运行参数需要提前设定：群体大小M，即群体中所含个体数目，一般取为20100；遗传运算的终止进化代数T，一般取为100500；交叉概率 ，一般取为0.40.99；变异概率 ，一般取为0.00010.1。mpcp（5）基本遗传算法的形式化定义。基本遗传算法可定义为一个8元组：0SGACEPM2 2基本遗传算法的实现基本遗传算法的实现（1）个体适应度评价。在遗传算法中，以个体适应度的大小来确定该个体被遗传到下一代群体中的概率。个体适应度越大，该个体被遗传到下一代的概率也越大；反之，个体的适应度越小，该个体被遗传到下一代的概率也越小。基本遗传算法使用比例选择算子来确定群体中各个个体遗

17、传到下一代群体中的数量。为正确计算不同情况下各个个体的遗传概率，要求所有个体的适应度必须为正数或零，不能是负数。为满足适应度取非负值的要求，基本遗传算法一般采用下面两种方法之一将目标函数值 变换为个体的适应度 。fx F x 1）对于目标函数是求极大化，方法为 minminmin000fCfCFfCxxxx式中，为一个适当地相对比较小的数，它可用下面几种方法之一来选取：预先指定的一个较小的数；进化到当前代为止的最小目标函数值；当前代或最近几代群体中的最小目标值。minC 2）对于求目标函数最小值的优化问题，变换方法为 maxmaxmax0CffCFfCxxxx式中，为一个适当地相对比较大的数，

18、它可用下面几种方法之一来选取：预先指定的一个较大的数；进化到当前代为止的最大目标函数值；当前代或最近几代群体中的最大目标值。maxC（2）比例选择算子。比例选择实际上是一种有退还随机选择，也叫做赌盘选择，因为这种选择方式与赌博中的赌盘操作原理非常相似。比例选择算子的具体执行过程是：先计算出群体中所有个体的适应度之和；其次计算出每个个体的相对适应度的大小，此值即为各个个体被遗传到下一代群体中的概率；最后再使用模拟赌盘操作（即0到1之间的随机数）来确定各个个体被选中的次数。（3）单点交叉算子。单点交叉算子是最常用和最基本的交叉操作算子。单点交叉算子的具体执行过程如下：对群体中的个体进行两两随机配对

19、；对每一对相互配对的个体，随机设置某基因座之后的位置为交叉点；对每一对相互配对的个体，依设定的交叉概率在其交叉点处相互交换两个个体的部分染色体，从而产生出两个新个体。（4）基本位变异算子。基本位变异算子的具体执行过程为：对个体的每一个基因座，依变异概率指定其为变异点；对每一个指定的变异点，对其基因值作取反运算或用其它等位基因值来代替，从而产生出一个新的个体。3 3遗传算法的应用步骤遗传算法的应用步骤遗传算法提供了一种求解复杂系统优化问题的通用框架。对于具体问题，可按下述步骤来构造：（1）确定决策变量及其各种约束条件，即确定出个体的表现型 和问题的解空间。x（2）建立优化模型，即描述出目标函数的

20、类型及其数学描述形式或量化方法。（3）确定表示可行解的染色体编码方法，即确定出个体的基因型 及遗传算法的搜索空间。x（4）确定解码方法，即确定出由个体基因型 到个体表现型 的对应关系或转换方法。xx（5）确定个体适应度的量化评价方法，即确定出由目标函数值 到个体适应度 的转换规则。f x F x（6）设计遗传算子，即确定出选择运算、交叉运算、变异运算等遗传算子的具体操作方法。（7）确定遗传算法的有关运行参数，即确定出遗传算法的M，T，等参数。cpmp六、遗传算法的模式定理六、遗传算法的模式定理1模式与模式空间（1）模式空间。采用字符集K=0,1对位体参数进行二进制编码，位串空间表示为S SL

21、L=0,1L L，该空间的基数为|S SL L|=2L L。扩展字符集K=0,1,*，其中*是通配符，即可与0或l匹配。扩展位串空间表示为SeSeL L=0,1,*L L，该空间的基数为|SeSeL L|=3L L。称SeSeL L为S SL L的模式空间。显然，包含2L L 个位串的位串空间，对应着3L L 个模式位串的模式空间。（2）模式。扩展位串空间SeSeL L=0,1,*L L中的任何一个点，称为对应于位串空间S SL L=0,1L L的一个模式。模式是由S SL L中具有共同特征的位串所组成的集合，它描述了该集合中位串上的共同基因特征。例如，模式00*表示位串程度为4，两个高位基因

22、为00的位串集合，即0000，0001，0010，0011。（3）模式的阶。模式的阶是指模式中所含有0，1确定基因位的个数，记作O（H）。（4）模式的定义长度。模式的定义长度是指模式中从左到右第一个非*位和最后一个非*位之间的距离，记作 。()H（5）模式的维数。模式的维数是指模式中所包含的位串的个数，也称为模式的容量，记作 ，。()D H()()=2L O HD H（6）模式的适应值。令 为模式H在第t代群体中所包含位串数量，模式在t代群体中包含的个体位串为 ，称为模式H在群体中的生存数量或者采样样本，则模式H在第t代群体中的适应值估计为(,)mm H t,12ma aajaH,mjj 1f

23、 af H tm从编码空间来看，是当前群体中包含于模式H 的个体数量，反映了所对应的模式空间的分布情况。该数量越大，说明群体搜索越集中于模式H代表的子空间。,m H t从模式空间来看，是模式H 在当前群体中的个体采样数量，反映了所对应的编码空间的分布情况。该数量越大，说明群体中的个体越趋向相似和一致，在编码空间的搜索范围越小。,m H t例如，模式H*101*，则 =3，=2，=2 =25-3=22=4。可见，一个模式H由位串长度L、阶 、定义长度 、容量 和适应值 等五个指标来描述。()O H()H()D H()L O H()O H()H()D H,f H t2 2模式生存模型模式生存模型遗

24、传算法在群体进化过程中，可以看作是通过选择、交叉和变异算子，不断发现重要基因，寻找较好模式的过程。高适应值的个体被选择的概率大于低适应值的个体。选择算子对于模式的作用表现为，其适应值越高，被选择的概率也就越大，所以好的模式在群体中的个体采样数量会不断增加，其上的重要基因或者有效基因也得以遗传下来；对交叉算子来讲，如果它不分割一个模式的话，则该模式不变，反之可以导致模式消失或所包含的高适应值个体数量减少，同时交叉算子还可以创建新的模式；变异算子的变异率很小，对模式生成和破坏的概率也很小。假设 为第t代规模为n的群体，则 。P t P t 12natatat（1）选择算子对模式H 生存数量的影响。

25、假定在t代群体中模式H 的生存数量为 ，在选择操作过程中，个体按概率被选择，则在第t+1代，模式H 的生存数量为,m H tiinii 1f apf a,1nii 1m H t nf Hm H tf a将群体的平均适应值表示为 ，故上式可表示为 nii 1f afn,1m H t f Hm H tf该式说明下一代群体中模式H 的生存数量与模式的适应值成正比，与群体平均适应值成反比。当 时，H 的生存数量增加；当 时，H 的生存数量减少。群体中任一模式的生存数量都将在选择操作中按上式规律变化。f Hff Hf设 ，其中c为常数，则公式变为f Hfcf,11fcfm H tm H tm H tcf

26、群体从 =0开始选择操作，假设c 保持固定不变，则上式可以表示为t,01tm H tm Hc当c0时，模式的生存数量以指数规律增加；当c0时，生存数量以指数规律减少。（2）交叉算子对模式H 生存数量的影响。交叉操作对模式的影响与其定义长度 有关。越大，模式被破坏的可能性越大。若染色体位串长度为L，在单点交叉算子作用下，模式H 的存活概率 。HH 11spHL 在交叉概率为 的单点交叉算子作用下，该模式的存活概率为cp 11scppHL 那么，模式H 在选择、交叉算子共同作用下的生存数量可用下式计算,111csf Hf HpHm H tm H tpm H tffL 可见，在选择算子、交叉算子共同

27、作用下，模式生存数量的变化与其平均适应值及定义长度 密切相关。当 ，且 较小时，群体中该模式生存数量以指数规律增长；反之则以指数规律减少。H f HfH（3）变异算子对模式H 生存数量的影响。对于群体中的任一个体，变异操作就是以概率 随机改变某一基因位的等位基因。mp为了使模式H 在变异操作中生存下来，其上所有确定位的等位基因均不发生变化的概率为 1O Hmp一般情况下 1，所以模式H 的生存概率可近似表示为 =。那么在选择、变异算子的共同作用下，模式的生存数量为mp 1O Hmp 1mp O H,11mf Hm H tm H tp O Hf综合考虑选择、交叉和变异算子的共同作用，模式的生存数

28、量可表示为,1111cmf HHm H tm H tpp O HfL忽略高次极小项 ，上式变为 1cmpHLp O H,111cmf HHm H tm H tpp O HfL3 3模式定理模式定理 通过以上关于三个遗传算子对生存模式数量的影响分析，可以得出如下“模式定理”：模式定理：在选择、交叉、变异算子的作用下，那些低阶、定义长度短、超过群体平均适应值的模式的生存数量，将随着迭代次数的增加以指数规律增长。第三节第三节 模拟退火算法模拟退火算法一、物理退火过程和一、物理退火过程和MetropolisMetropolis物理退火过程由以下三部分组成：（1）加温过程。其目的是增强粒子的热运动，使其

29、偏离平衡位置。当温度足够高时，固体将熔解为液体，从而消除系统原先可能存在的非均匀态，使随后进行的冷却过程以某一平衡态为起点。熔解过程与系统的墒增过程联系，系统能量也随温度的升高而增大。（2）等温过程。物理学的知识告诉我们，对于与周围环境交换热量而温度不变的封闭系统，系统状态的自发变化总是朝自由能减少的方向进行，当自由能达到最小时，系统达到平衡态。（3）冷却过程。其目的是使粒子的热运动减弱并渐趋有序，系统能量逐渐下降，从而得到低能的晶体结构。Metropolis等在1953年提出了重要性采样法，即以概率接受新状态。具体而言，在温度t，由当前状态 产生新状态j，两者的能量分别为 和 ,若 ,则接受

30、新状态j 为当前状态；iiEjEjEiE否则，若概率 大于1，0)区间内的随机数，则仍接受新状态 为当前状态，若不成立则保留i为当前状态，其中 为Boltzmann常数。exprjipEEktjk这种重要性采样过程在高温下可接受与当前状态能量差较大的新状态，而在低温下基本只接受与当前能量差较小的新状态，而且当温度趋于零时，就不能接受比当前状态能量高的新状态。这种接受准则通常称为Metropo1is准则。二、模拟退火算法的基本思想和步骤二、模拟退火算法的基本思想和步骤（1）给定初温 ，随机产生初始状态 ，令 =0。0tt0ssk（2）一般迭代步骤：1）重复下述过程产生新状态 =Genete；js

31、if min 1,exprandom0,1)jjC sC sss直到抽样稳定准则满足，转2）。2）退温 ，并令 +1。直到算法终止准则满足，转（3）。updatek 1kttkk（3）输出算法搜索结果。三、模拟退火算法关键参数和操作的设定三、模拟退火算法关键参数和操作的设定 1 1状态产生函数状态产生函数 设计状态产生函数（邻域函数）的出发点应该是尽可能保证产生的候选解遍布全部的解空间。通常，状态产生函数由两部分组成，即产生候选解的方式和候选解产生的概率分布。2 2状态接受函数状态接受函数 状态接受函数一般以概率的方式给出，不同接受函数的差别主要在于接受概率的形式不同。设计状态接受概率，应该遵

32、循以下原则：（1）在固定温度下，接受使目标函数值下降的候选解的概率要大于使目标值上升的候选解的概率。（2）随着温度的下降，接受使目标函数值上升的解的概率要逐渐减小。（3）当温度趋于零时，只能接受目标函数值下降的解。状态接受函数的引入是SA算法实现全局搜索的最关键的因素，SA算法中通常采用 作为状态接受函数。min 1,expC t3 3初温初温 初始温度、温度更新函数、内循环终止准则和外循环终止准则通常被称为退火历程。实验表明，初温越大，获得高质量解的几率越大，但花费的计算时间将增加。因此，初温的确定应折中考虑优化质量和优化效率，常用方法包括：（1）均匀抽样一组状态，以各状态目标值的方差为初温

33、。（2）随机产生一组状态，确定两两状态间的最大目标值差 ，然后依据差值，利用一定的函数确定初温。max（3）利用经验公式给出。4 4温度更新函数温度更新函数温度更新函数即温度的下降方式，用于在外循环中修改温度值。5 5内循环终止准则内循环终止准则内循环终止准则，或称抽样稳定准则，用于决定在各温度下产生候选解的数目。在非齐时SA算法理论中，由于在每个温度下只产生一个或少量候选解，所以不存在逃择内循环终止准则的问题。而在齐时SA算法理论中，收敛条件要求在每个温度下产生候选解的数目趋于无穷大，以使相应的马尔柯夫链达到平稳概率分布，显然在实际应用算法时这是无法实现的。常用的抽样准则包括；（1）检验目标

34、函数的均值是否稳定。（2）连续若干步的目标值变化较小。（3）按一定的步数抽样。6 6外循环终止准则外循环终止准则外循环终止准则，即算法终止准则，用于决定算法何时结束。设置温度终值是种简单的方法。SA算法的收敛性理论中要求温度终值趋于零，这显然不符合实际。通常的做法是：（1）设置终止温度的阈值。（2）设置外循环迭代次数。（3）算法收敛到的最优值连续若干步保持不变。（4）检验系统熵是否稳定。第四节第四节 神经网络权位的混合优化学习策略神经网络权位的混合优化学习策略一、一、BPSABPSA混合学习策略混合学习策略在BPSA混合学习策略中，采用以BP为主框架，并在学习过程中引入SA策略。这样做既利用了

35、基于梯度下降的思路来提高局部搜索性能，也利用了SA的概率突跳性来实现最终的全局收敛，从而可提高学习速度和精度。混合学习策略的算法步骤如下：（1）随机产生初始权值 ，确定初温 ，令=1。01tk（2）利用BP计算 。k（3）利用SA进行搜索：1）利用SA状态产生函数产生新权值 =+，其中 （-1，1）为随机扰动。2）计算 的目标函数值与 的目标函数值之差 。3）计算接受概率 。4）若 random0，1)，则取 ；否则 保持不变。k k k kCmin 1,exprkpC trp k k k（4）利用退温函数 进行退温，其中 为退温速率。若 对应的目标函数满足要求精度 ，则终止算法，并输出结果；

36、否则令 +1，转步骤（2）。k 1ktvt0,1v kkk二、二、BPGABPGA混合学习策略混合学习策略 神经网络的连接权包含着神经网络系统的全部知识。反向传播的BP神经网络的学习算法是基于梯度下降的，因而具有以下缺点：网络训练速度慢、容易陷入局部极小值、全局搜索能力差等。而遗传算法的搜索遍及整个解空间，因此容易得到全局最优解，而且遗传算法不要求目标函数连续、可微，甚至不要求目标函数有显函数的形式，只要求问题可计算。因此，将擅长全局搜索的遗传算法和局部寻优能力较强的BP算法结合起来，可以避免陷入局部极小值，提高算法收敛速度，很快找到问题的全局最优解。BP算法和遗传算法结合训练神经网络权重的主

37、要步骤为：（1）以神经网络节点之间的连接权重和节点的阈值为参数，采用实数编码。采用三层神经网络，设输入节点数为 ，输出节点数为 ，隐层节点数为r，则编码长度 。pq11nprrq（2）设定神经网络节点连接权重的取值范围 ，产生相应范围的均匀分布随机数赋给基因值，产生初始群体。minmax,xx（3）对群体中个体进行评价。将个体解码赋值给相应的连接权（包括节点阈值），引入学习样本，计算出学习误差E，然后定义个体的适应度 。11fE（4）对群体中的个体执行遗传操作：1）选择操作。采用比例选择算子，若群体规模为M，则适应度为 的个体 被选中进入下一代的概率为 。ifixiiMjj 1fpf2）交叉操

38、作。由于采用实数编码，故选择算术交叉算子。父代中的个体 和 以交叉概率 进行交叉操作，可产生的子代个体为 和 ，其中 为参数，。1x2xcp1112xaxa x 1212xa xax a0,1a3）变异操作。采用均匀变异算子。个体 的各个基因位以变异概率 发生变异，即按概率 用区间 中的均匀分布随机数代替原有值。ixmpmpminmax,xx（5）引入最优保留策略。（6）判断满足遗传算法操作终止条件否？不满足则转步骤（3），否则转步骤(7)。（7）将遗传算法搜索的最优个体解码，赋值给神经网络权重（包括节点阈值），继续采用BP算法优化神经网络的权重和阈值。三、三、GASAGASA混合学习策略混合

39、学习策略采用三层前馈网络，GA和SA结合训练神经网络权重的步骤如下：（1）给定模拟退火初温 ，令 1。0tk（2）以神经网络节点之间的连接权重和节点的阈值为参数，采用实数编码。采用三层神经网络，设输入节点数为 ，输出节点数为 ，隐层节点数为r，则编码长度 。pq11nprrq（3）设定神经网络节点连接权重的取值范围 ，产生相应范围的均匀分布随机数赋给基因值，产生初始群体。minmax,xx（4）对群体中个体进行评价。将个体解码赋值给相应的连接权（包括节点阈值），引入学习样本，计算出学习误差E，然后定义个体的适应度为 。11fE（5）对群体中的个体执行遗传操作：1）选择操作。采用比例选择算子，若

40、群体规模为M，则适应度为 的个体 被选中进入下一代的概率为 。ifixiiMjj 1fpf 2）交叉操作。由于采用实数编码，故选择算术交叉算子。父代中的个体 和 以交叉概率进行交叉操作，可产生的子代个体为 和 ，其中 为参数，。1x2xcp1112xaxa x 1212xa xax a0,1a 3）变异操作。采用均匀变异算子。个体 的各个基因位以变异概率 发生变异，即按概率用区间 中的均匀分布随机数代替原有值。ixmpmpminmax,xx（6）引入最优保留策略。（7）对群体中每一个个体引入模拟退火操作：1）利用SA状态产生函数产生新基因值 ，其中(-1，1)为随机扰动。g kg k2）计算

41、的目标函数值与 的目标函数值之差 。g k g kC3）计算接受概率 min 1,exprkpC t4）若 random0，1)，则取 ；否则 保持不变。rp g k g k g k5）引入最优保留策略。6）利用退温函数 进行退温，其中 为退温速率。k 1ktvt0,1v（8）判断满足遗传算法操作终止条件否？不满足则转步骤（4），否则转步骤（9）。（9）将遗传算法搜索的最优个体解码，赋值给神经网络权重（包括节点阈值）。第五节第五节 工程设计应用工程设计应用铁路营业里程的预测，对国家宏观经济规划、铁路有关企业的生产和经营计划的制定是非常重要的。铁路营业里程的数值受多个因素的影响，而且这些因素多是

42、复杂的非线性因素。神经网络在非线性系统建模中广泛使用，采用前馈神经网络预测铁路营业里程。由于具有任意个节点的三层前馈网络可以以任意精度逼近一个连续函数，所以采用三层前馈网络。考虑到我国企事业系统大多以5年为计划期，故输入节点数=5；以连续5年的数据来预测第6年的数据，故输出节点数为m=1。经过试算选取隐层节点数q=8。当网络拓扑结构确定后，网络学习归结为确定网络的权值。一、原始数据序列、学习样本、测试样本一、原始数据序列、学习样本、测试样本二、二、BPBP算法学习训练结果算法学习训练结果三、三、BPSABPSA混合优化算法学习训练结果混合优化算法学习训练结果四、四、BPGABPGA混合优化算法学习训练结果混合优化算法学习训练结果五、五、BPSABPSA混合优化算法学习训练结果混合优化算法学习训练结果