首页 理论教育 应用遗传算法的神经网络案例分析

应用遗传算法的神经网络案例分析

时间:2023-06-27 理论教育 版权反馈
【摘要】:应用遗传算法的神经网络的基本原理是用遗传算法对神经网络的连接权值进行优化学习,利用GA的寻优能力来获取最佳权值。由实验结果可以看出,遗传算法具有快速学习网络权重的能力,并且能够摆脱局部极小点的困扰。由此构成的神经网络控制器的结构中,共有24个权值需确定。其他操作则采用简单的GA的形式。3)鲁棒性实验:改变对象的参数,以检验GA优化后的神经网络控制器的适应性,仿真结果如图5-14所示。

应用遗传算法的神经网络案例分析

应用遗传算法神经网络的基本原理是用遗传算法(GA)对神经网络的连接权值进行优化学习,利用GA的寻优能力来获取最佳权值。目前已有许多成功的应用,现列举两个例子。

1)求解短期地震预报问题。在改进的MGA中,采用了自适应交叉率和变异率,并且把GA和BP结合起来。预报用三种算法:BP、实数编码遗传算法(GA)、改进型GA(MGA)。图5-10给出了三种方法的比较结果。

978-7-111-37611-8-Chapter05-18.jpg

图5-10 三种方法的比较

算法参数:网络选用三层BP网络,前一年的最大震级、最大震级之差、累计能量及累计能量之差为网络的输入,网络的输出是下一年的震级,隐含层节点数为30,这个4—30—1网络共有150个可调权值,各层的激发函数均为Sigmoid型函数。BP算法中,学习率η=0.7;惯性系数α=0.2。实数GA中,群体容量n=40,交叉率PC=0.12,变异率Pm=0.1,亲代度量S=0.9,各参数在算法运行过程中保持不变。MGA中,常量kc=0.1,km=0.11。

由实验结果可以看出,遗传算法具有快速学习网络权重的能力,并且能够摆脱局部极小点的困扰。

2)应用于优化基于神经网络结构的控制器的参数。应用神经网络构成一个控制器,用于控制有纯滞后的对象,整个控制系统结构如图5-11所示。

978-7-111-37611-8-Chapter05-19.jpg

图5-11 控制系统结构

系统采用三层神经网络结构作为控制器,即输入层、隐含层、输出层,根据有关公式与经验,输入层维数n定为2(输入误差e及误差率ec),输出层维数m为1(输出控制量y),隐含层维数n1定为8。由此构成的神经网络控制器的结构中,共有24个权值需确定。BP网络权值的训练算法中,引用GA作为权值优化方法,根据实际应用情况,选用以下的GA的具体实现形式:

1)由于神经网络的权值为实数,所以解空间采用二进制编码。

2)引入精华策略,即每代都保留父代中几个最优解,以保证搜索过程收敛。

3)引入均匀交叉算子,以求得全局最优解。

其他操作则采用简单的GA的形式。

为了说明神经网络结构的控制和GA参数训练的有效性,选取经典控制问题中较为典型的一阶纯滞后对象进行实验。对象模型为(www.xing528.com)

978-7-111-37611-8-Chapter05-20.jpg

式中,时间常数T=1,增益系数K=0.5。采用MATLAB语言编程,分别对系统的定值控制、抗干扰性和鲁棒性进行了仿真实验,结果如图5-12所示。

1)在阶跃输入的情况下,输出响应曲线如图5-12所示。结论:从仿真结果可见,系统动态过程较平稳,超调量小,过渡过程时间短,且静态误差小。说明经过训练后,模糊控制器能达到较好的性能。

2)抗干扰实验:在t=20时加入单位脉冲干扰信号,仿真结果如图5-13所示。

978-7-111-37611-8-Chapter05-21.jpg

图5-12 阶跃输入下输出响应曲线

结论:从仿真结果可见,在脉冲干扰作用后,系统能快速、平稳地恢复稳定状态,说明系统抗干扰能力强。

3)鲁棒性实验:改变对象的参数,以检验GA优化后的神经网络控制器的适应性,仿真结果如图5-14所示。

978-7-111-37611-8-Chapter05-22.jpg

图5-13 单位脉冲干扰信号作用响应曲线

978-7-111-37611-8-Chapter05-23.jpg

图5-14 KT变化响应曲线

结论:从仿真结果可见,对象参数改变,对仿真曲线影响不大。说明系统对不同对象适应性强,有较好的鲁棒性。

免责声明:以上内容源自网络,版权归原作者所有,如有侵犯您的原创版权请告知,我们将尽快删除相关内容。

我要反馈