關(guān)于西電人工智能大作業(yè)

1、人工智能大作業(yè)學(xué)生：021151* 021151*時間：2013年12月4號一啟發(fā)式搜索解決八數(shù)碼問題1. 實(shí)驗(yàn)?zāi)康膯栴}描述：現(xiàn)有一個3*3的棋盤，其中有0-8一共9個數(shù)字，0表示空格，其他的數(shù)字可以和0交換位置（只能上下左右移動）。給定一個初始狀態(tài)和一個目標(biāo)狀態(tài)，找出從初始狀態(tài)到目標(biāo)狀態(tài)的最短路徑的問題就稱為八數(shù)碼問題。例如：實(shí)驗(yàn)問題為283104765123804765到目標(biāo)狀態(tài)：從初始狀態(tài)： 要求編程解決這個問題，給出解決這個問題的搜索樹以及從初始節(jié)點(diǎn)到目標(biāo)節(jié)點(diǎn)的最短路徑。2. 實(shí)驗(yàn)設(shè)備及軟件環(huán)境利用計(jì)算機(jī)編程軟件Visual C+ 6.0，用C語言編程解決該問題。3. 實(shí)驗(yàn)方法(1).

2、算法描述：.把初始節(jié)點(diǎn)S放到OPEN表中，計(jì)算，并把其值與節(jié)點(diǎn)S聯(lián)系起來。.如果OPEN表是個空表，則失敗退出，無解。.從OPEN表中選擇一個值最小的節(jié)點(diǎn)。結(jié)果有幾個節(jié)點(diǎn)合格，當(dāng)其中有一個為目標(biāo)節(jié)點(diǎn)時，則選擇此目標(biāo)節(jié)點(diǎn)，否則就選擇其中任一節(jié)點(diǎn)作為節(jié)點(diǎn)。.把節(jié)點(diǎn)從OPEN表中移出，并把它放入CLOSED的擴(kuò)展節(jié)點(diǎn)表中。.如果是目標(biāo)節(jié)點(diǎn)，則成功退出，求得一個解。.擴(kuò)展節(jié)點(diǎn)，生成其全部后繼節(jié)點(diǎn)。對于的每一個后繼節(jié)點(diǎn)： a.計(jì)算。 b.如果既不在OPEN表中，也不在CLOSED表中，則用估價函數(shù)把它添加入OPEN表。從加一指向其父輩節(jié)點(diǎn)的指針，以便一旦找到目標(biāo)節(jié)點(diǎn)時記住一個解答路徑。 c.如果已在OP

3、EN表或CLOSED表上，則比較剛剛對計(jì)算過的值和前面計(jì)算過的該節(jié)點(diǎn)在表中的值。如果新的值較小，則 I.以此新值取代舊值。 II.從指向，而不是指向它的父輩節(jié)點(diǎn)。 III.如果節(jié)點(diǎn)在CLOSED表中，則把它移回OPEN表。 轉(zhuǎn)向，即GO TO 。 (2).流程圖描述： (3).程序源代碼：#include <stdio.h>#include<stdlib.h>struct nodeint number33;/用二維數(shù)組存放8數(shù)碼 int W;/W表示與目標(biāo)狀態(tài)相比錯放的數(shù)碼數(shù)int Depth;/記錄當(dāng)前節(jié)點(diǎn)的深度struct node *parent;/指向父節(jié)點(diǎn)的指

4、針struct node *next;/指向鏈表中下一個節(jié)點(diǎn)的指針;int CounterW(int Number33)/函數(shù)說明：計(jì)算當(dāng)前狀態(tài)與目標(biāo)狀態(tài)的W值int i,j;int W=0;int Desnode33=1,2,3,8,0,4,7,6,5;for(i=0; i<3; i+)for(j=0; j<3; j+)if(Numberij != Desnodeij)W+; return W;void PrintNode(node *A)int i,j;for(i=0; i<3; i+)for(j=0; j<3; j+)printf("%d ",

5、A->numberij);printf("n");printf("n");int CheckNode(node *open, node *close, int a33)/檢驗(yàn)該節(jié)點(diǎn)狀態(tài)是否出現(xiàn)過的子程序int CheckFlag=0;int flag1,flag2;node *p=open;node *q=close;while(p != NULL) flag1=0;for(int i=0; i<3; i+)for(int j=0; j<3; j+)if(aij=p->numberij)flag1+;if(flag1 = 9)br

6、eak;elsep=p->next;while(q != NULL)flag2=0;for(int i=0; i<3; i+)for(int j=0; j<3; j+)if(aij = q->numberij)flag2+;if(flag2 = 9)break;elseq=q->next;if(flag1=9) | (flag2=9)CheckFlag=1;/如果出現(xiàn)過，置標(biāo)志位為1return CheckFlag;struct node *FindNextNode(node *Prenode, node *open, node *close) /擴(kuò)展Prenod

7、e指向的節(jié)點(diǎn)，并將擴(kuò)展所得結(jié)點(diǎn)組成一條單鏈表int i,j,m,n; /循環(huán)變量int temp; /臨時替換變量int flag=0; int a33;/臨時存放二維數(shù)組struct node *p, *q, *head; head=(node *)malloc(sizeof(node);/head指向該鏈表首結(jié)點(diǎn)，并且作為返回值p=head;q=head;head->next=NULL;/初始化for(i=0;i<3;i+)/找到二維數(shù)組中0的位置for(j=0;j<3;j+)if(Prenode->numberij=0)flag=1;break;if(flag=1

8、)break;/根據(jù)0的位置的不同，對a進(jìn)行相應(yīng)的變換 for(m=0;m<3;m+)/將Prenode->number賦給afor(n=0;n<3;n+)amn=Prenode->numbermn; if(i+1<=2)/情況1，0向下移temp=aij; aij=ai+1j; ai+1j=temp;int CheckNum=CheckNode(open, close, a); if(CheckNum = 0)/若該結(jié)點(diǎn)未出現(xiàn)過則執(zhí)行下面的操作 q=(node *)malloc(sizeof(node); for(m=0;m<3;m+)/將a賦給擴(kuò)展節(jié)點(diǎn)q

9、->number for(n=0;n<3;n+) q->numbermn=amn; PrintNode(q); q->parent=Prenode; q->Depth=q->parent->Depth+1;/子結(jié)點(diǎn)的深度等于其父結(jié)點(diǎn)深度加1 q->W=CounterW(q->number); q->next=NULL; p->next=q;/擴(kuò)展節(jié)點(diǎn)插入head鏈表 p=p->next; for(m=0;m<3;m+)/將Prenode->number重新賦給afor(n=0;n<3;n+)amn=Pre

10、node->numbermn;if(i-1>=0)/情況2,0向上移temp=aij; aij=ai-1j; ai-1j=temp;int CheckNum=CheckNode(open, close, a); if(CheckNum = 0)/若該結(jié)點(diǎn)未出現(xiàn)過則執(zhí)行下面的操作 q=(node *)malloc(sizeof(node); for(m=0;m<3;m+)/將a賦給q->number for(n=0;n<3;n+) q->numbermn=amn; PrintNode(q); q->parent=Prenode; q->Depth=

11、q->parent->Depth+1; q->W=CounterW(q->number); q->next=NULL; p->next=q; p=p->next; for(m=0; m<3; m+)for(n=0; n<3; n+)amn=Prenode->numbermn;if(j-1>=0)/情況3,0向左移 temp=aij; aij=aij-1; aij-1=temp;int CheckNum=CheckNode(open, close, a); if(CheckNum = 0)/若該結(jié)點(diǎn)未出現(xiàn)過則執(zhí)行下面的操作 q=(

12、node *)malloc(sizeof(node); for(m=0; m<3; m+)/將a賦給q->number for(n=0; n<3; n+) q->numbermn=amn; PrintNode(q); q->parent=Prenode; q->Depth=q->parent->Depth+1; q->W=CounterW(q->number); q->next=NULL; p->next=q; p=p->next; for(m=0;m<3;m+)for(n=0;n<3;n+)amn=Pr

13、enode->numbermn;if(j+1<=2)/情況4,0向右移temp=aij; aij=aij+1; aij+1=temp;int CheckNum=CheckNode(open, close, a); if(CheckNum = 0)/若該結(jié)點(diǎn)未出現(xiàn)過則執(zhí)行下面的操作 q=(node *)malloc(sizeof(node); for(m=0; m<3; m+)/將a賦給q->number for(n=0; n<3; n+) q->numbermn=amn; PrintNode(q); q->parent=Prenode; q->D

14、epth=q->parent->Depth+1; q->W=CounterW(q->number); q->next=NULL; p->next=q; p=p->next; head=head->next;return head; node *insert(node *open,node *head) /將head鏈表的結(jié)點(diǎn)依次插入到open鏈表相應(yīng)的位置， /使open表中的結(jié)點(diǎn)按從小到大排序。函數(shù)返回open指針node *p,*q;/p、q均指向open表中的結(jié)點(diǎn)，p指向q所指的前一個結(jié)點(diǎn)int flag=0;if(open=NULL) &

15、amp;& (head != NULL)/初始狀態(tài)，open表為空 /首先將head表第一個結(jié)點(diǎn)直接放入open表中open=head;q=head; head=head->next;q->next=NULL;if(open != NULL) && (open->next=NULL) &&(head != NULL)/open表中只有一個元素q=open; if(head->W + head->Depth) < (open->W + open->Depth)/若后一結(jié)點(diǎn)的f值小于首結(jié)點(diǎn)，則將它插入到首結(jié)點(diǎn)位

16、置open=head;head=head->next;open->next=q; else/或者第二個結(jié)點(diǎn)的位置 q->next=head; head=head->next; q=q->next; q->next=NULL;p=open;while(head!=NULL)q=open;if(head->W + head->Depth) < (open->W + open->Depth) /插入到表頭open=head;head=head->next;open->next=q;continue;else q=q->

17、;next; p=open; /否則，q指像第二個結(jié)點(diǎn)，p指向q前一個結(jié)點(diǎn)while(q->next!=NULL) /將head的一個結(jié)點(diǎn)插入到鏈表中（非表尾的位置）if(q->W < head->W) q=q->next;p=p->next;elsep->next=head;head=head->next;p->next->next=q; break;if(q->next=NULL)/將head的一個結(jié)點(diǎn)插入到表尾或倒數(shù)第二個位置if(q->W + q->Depth) < (head->W + head

18、->Depth)q->next=head;head=head->next;q->next->next=NULL;elsep->next=head;head=head->next;p->next->next=q;return open; void main()int i,j;int key=0;node FirstNode; node *open, *close;node *p, *r;node *NodeList;printf("請輸入初始狀態(tài)的8數(shù)碼（按每行從左往右依次輸入,用0表示空格）：n"); for(i=0;

19、i<3; i+)for(j=0; j<3; j+)scanf("%d",&FirstNode.numberij);printf("n");printf("搜索樹為：n");for(i=0; i<3; i+) for(j=0; j<3; j+)printf("%d ",FirstNode.numberij);printf("n");printf("n"); FirstNode.parent=(node *)malloc(sizeof(node);

20、 FirstNode.Depth=0;/開始結(jié)點(diǎn)深度為零 FirstNode.W=CounterW(FirstNode.number); open=&FirstNode; p=&FirstNode; if(open->W = 0)/該結(jié)點(diǎn)的狀態(tài)與目標(biāo)結(jié)點(diǎn)相同 printf("該結(jié)點(diǎn)已為目標(biāo)結(jié)點(diǎn)狀態(tài)！n"); return; r=&FirstNode; close=&FirstNode;r->next=NULL; open=NULL; NodeList=FindNextNode(r,open,close);/NodeList指向新擴(kuò)

21、展出來的鏈表 open=insert(open,NodeList);/將擴(kuò)展出來的結(jié)點(diǎn)插入到open表中 while(open != NULL) r->next=open;/將open表的第一個元素加到close表，r始終指向close表的最后一個元素 open=open->next; r=r->next; r->next=NULL; if(r->W = 0) key=1; printf("n啟發(fā)式搜索成功！n"); break; NodeList=FindNextNode(r,open,close);/對close表最后一個結(jié)點(diǎn)進(jìn)行擴(kuò)展，擴(kuò)展

22、得到的鏈表接到head表 open=insert(open,NodeList);/將擴(kuò)展的結(jié)點(diǎn)按順序插入到open表中if(key = 1) p=close; printf("最優(yōu)搜索過程如下：n"); printf("結(jié)點(diǎn)深度為:%dn",FirstNode.Depth); printf("-n"); while(p!=NULL) for(i=0; i<3; i+) for(j=0; j<3; j+) printf("%d ",p->numberij); printf("n"

23、); printf("n"); p=p->next; if(p != NULL) printf("結(jié)點(diǎn)深度為:%dn",p->Depth); printf("-n"); else printf("查找失敗，該問題無解！n"); 4. 實(shí)驗(yàn)結(jié)果搜索樹為：最短路徑為：5. 實(shí)驗(yàn)分析本次實(shí)驗(yàn)采用啟發(fā)式搜索，利用C語言編寫程序?qū)崿F(xiàn)八數(shù)碼問題的求解。采用簡單的估價函數(shù)： 其中是搜索樹中節(jié)點(diǎn)的深度；用來計(jì)算對應(yīng)于節(jié)點(diǎn)的數(shù)據(jù)庫中錯放的棋子個數(shù)。例如初始節(jié)點(diǎn)的估價函數(shù)值為3。 估價函數(shù)能夠提供一個評定候選擴(kuò)展節(jié)點(diǎn)的方法

24、，以便確定哪個節(jié)點(diǎn)時最有可能在通向目標(biāo)的最佳路徑上。這樣選擇正確的估價函數(shù)，可以減少擴(kuò)展節(jié)點(diǎn)個數(shù)，對于實(shí)驗(yàn)所給的初始節(jié)點(diǎn)和估價函數(shù)，只用擴(kuò)展11個節(jié)點(diǎn)就能找到目標(biāo)節(jié)點(diǎn)；相比于盲目搜索可以減少被擴(kuò)展的節(jié)點(diǎn)數(shù)，減少很多空間占用和時間損耗。 利用啟發(fā)信息來決定哪一個是下一步要擴(kuò)展的節(jié)點(diǎn)，這種搜索總是選擇“最有希望”的節(jié)點(diǎn)作為下一步被擴(kuò)展的節(jié)點(diǎn)。這實(shí)際上是通過估價函數(shù)值的大小重排OPEN表，小的一直排在OPEN表的前面。每次取OPEN表的第一個節(jié)點(diǎn)放到CLOSED表中進(jìn)行擴(kuò)展，這樣一步步靠近目標(biāo)節(jié)點(diǎn)，直到最后找到目標(biāo)節(jié)點(diǎn)，停止擴(kuò)展。6. 結(jié)論正確選擇估價函數(shù)對確定搜索結(jié)果具有決定性作用。使用不能識別某

25、些節(jié)點(diǎn)真是希望的估價函數(shù)會形成非最小代價路徑；而使用一個過多地估計(jì)了全部節(jié)點(diǎn)希望的估價函數(shù)，又會擴(kuò)展過多的節(jié)點(diǎn)。在選對估價函數(shù)的前提下，啟發(fā)式搜索能準(zhǔn)確識別有希望和沒有希望的節(jié)點(diǎn)，從而很快擴(kuò)展到目標(biāo)節(jié)點(diǎn)，找到最短路徑。在本次實(shí)驗(yàn)中如果選擇估價函數(shù)值為（用來計(jì)算對應(yīng)于節(jié)點(diǎn)的數(shù)據(jù)庫中錯放的棋子個數(shù)），將會擴(kuò)展更少的節(jié)點(diǎn)，更加快的找到到達(dá)目標(biāo)節(jié)點(diǎn)的最短路徑。二英文期刊翻譯Adaptive Evolutionary Artificial NeuralNetworks for Pattern Classification自適應(yīng)進(jìn)化人工神經(jīng)網(wǎng)絡(luò)模式分類摘要：這篇文章提出了一種新的進(jìn)化方法稱為混合進(jìn)化人工神

26、經(jīng)網(wǎng)絡(luò)(HEANN),同時提出進(jìn)化人工神經(jīng)網(wǎng)絡(luò)(ANNs)拓?fù)浣Y(jié)構(gòu)和權(quán)重。進(jìn)化算法(EAs)具有較強(qiáng)的全局搜索能力且很可能指向最有前途的領(lǐng)域。然而,在搜索空間局部微調(diào)時，他們效率較低。HEANN強(qiáng)調(diào)全局搜索的平衡和局部搜索的進(jìn)化過程，通過調(diào)整變異概率和步長擾動的權(quán)值。這是區(qū)別于大多數(shù)以前的研究，那些研究整合EA來搜索網(wǎng)絡(luò)拓?fù)浜吞荻葘W(xué)習(xí)來進(jìn)行權(quán)值更新。四個基準(zhǔn)函數(shù)被用來測試的HEANN進(jìn)化框架。此外,HEANN測試了七個分類基準(zhǔn)問題的UCI機(jī)器學(xué)習(xí)庫。實(shí)驗(yàn)結(jié)果表明在少數(shù)幾代算法中，HEANN在微調(diào)網(wǎng)絡(luò)復(fù)雜性的性能是優(yōu)越的。同時，他還保留了相對于其他算法的泛化性能。簡介：人工神經(jīng)網(wǎng)絡(luò)(ANNs)已

27、經(jīng)成為一種強(qiáng)大的工具被用于模式分類1,2。ANN拓?fù)鋬?yōu)化和連接權(quán)重訓(xùn)練經(jīng)常被單獨(dú)處理。這樣一個分治算法產(chǎn)生一個不精確的評價選擇的神經(jīng)網(wǎng)絡(luò)拓?fù)浣Y(jié)構(gòu)。事實(shí)上,這兩個任務(wù)都是相互依存的且應(yīng)當(dāng)同時解決以達(dá)到最佳結(jié)果。 一個模式分類的關(guān)鍵任務(wù)是設(shè)計(jì)一個緊湊和廣義ANN拓?fù)?。為特定的問題選擇一個適當(dāng)?shù)腁NN拓?fù)涫侵陵P(guān)重要的，由于ANN泛化相關(guān)性信息處理能力和ANN拓?fù)涞膹?qiáng)關(guān)聯(lián)能力。過度的小型網(wǎng)絡(luò)的大小表明問題不能學(xué)得很好,而一個特別大的網(wǎng)絡(luò)規(guī)模將導(dǎo)致過度學(xué)習(xí)和差的推廣性能。耗時的實(shí)驗(yàn)訓(xùn)練方法和爬山建設(shè)性或修剪算法3-7用于設(shè)計(jì)一個ANN架構(gòu)，對于一個給定的任務(wù)只有探索小型建筑子集，或往往是停在結(jié)構(gòu)局部最優(yōu)

28、解。相關(guān)的神經(jīng)網(wǎng)絡(luò)是一個流行的8建設(shè)性算法而用于構(gòu)造有多個維層的ANN拓?fù)?。新的隱藏節(jié)點(diǎn)一個接一個的被添加進(jìn)來且都與每一個現(xiàn)有的隱藏節(jié)點(diǎn)在當(dāng)前的網(wǎng)絡(luò)連接。因此,網(wǎng)絡(luò)可以被視為擁有多個可以形成一個級聯(lián)結(jié)構(gòu)的集中度值層。然而,網(wǎng)絡(luò)是傾向于結(jié)構(gòu)局部最優(yōu)解由于它具有建設(shè)性的行為。設(shè)計(jì)一個ANN拓?fù)涫褂眠M(jìn)化算法(EAs)已經(jīng)成為一種流行的方法來克服建設(shè)性或修剪方法9-13的缺點(diǎn)。它有很強(qiáng)的全局搜索能力,可以有效地搜索通過接近完整的ANN拓?fù)漕?。許多工作已經(jīng)致力于進(jìn)化神經(jīng)網(wǎng)絡(luò)ANN拓?fù)浣Y(jié)構(gòu)。兩個主要的方法來發(fā)展ANN拓?fù)涞奈墨I(xiàn)報告是沒有重權(quán)值和ANN拓?fù)渫竭M(jìn)化的兩個拓?fù)浜蜋?quán)重。演化的一個無權(quán)值得ANN拓

29、撲,必須從一組隨機(jī)的初始權(quán)重訓(xùn)練評估其適應(yīng)性。姚和劉11指出,這個適應(yīng)性評價方法很嘈雜因?yàn)橐粋€顯性型的適應(yīng)性是用來代表隱形型的適應(yīng)性。雖然的進(jìn)化ANN拓?fù)涞倪m應(yīng)性可以通過運(yùn)行多個不同的隨機(jī)初始權(quán)重而得到的平均結(jié)果來估計(jì),為適應(yīng)性計(jì)算評價時間是急劇增加。因此,只有小ANN拓?fù)湓?4和15中被演化。同時進(jìn)化的ANN拓?fù)浜蜋?quán)重,權(quán)重信息拓?fù)浜途幋a在每個個體是獨(dú)立的。因此嘈雜的適應(yīng)性評價問題可以被緩解。一個突出的工作稱為EPNet被姚和劉11引入，那是一個同時進(jìn)化ANN拓?fù)浜蜋?quán)重例子。姚和劉用混合訓(xùn)練來進(jìn)化ANN權(quán)重測試。梯度學(xué)習(xí)和模擬退火都納入進(jìn)化過程演變的ANN權(quán)重。Martínez-E

30、studillo等人在最好的獨(dú)立ANN下使用梯度學(xué)習(xí)方法演變權(quán)重。他們用聚類算法劃分的個體在總數(shù)中分成幾個屬于同一區(qū)域的吸引力集群。然而,由于靈敏度高的反向傳播算法對初始權(quán)重，使用梯度學(xué)習(xí)方法如反向傳播算法進(jìn)化ANN權(quán)重引起噪聲適應(yīng)性評價。Palmes et al12使用基于突變EA在一個進(jìn)化的ANN下解決這個問題。其他作品也集中在同步進(jìn)化的ANN拓?fù)浜蜋?quán)重。Anget al13介紹增長概率允許網(wǎng)絡(luò)演變到合適的大小。Angeline et al9使用參數(shù)突變和結(jié)構(gòu)性突變進(jìn)化安重量、隱藏節(jié)點(diǎn)和網(wǎng)絡(luò)鏈接。Jian和Yugeng10用進(jìn)化規(guī)劃(EP)進(jìn)化體系結(jié)構(gòu)和前饋神經(jīng)網(wǎng)絡(luò)的權(quán)重和遞歸神經(jīng)網(wǎng)絡(luò)。L

31、iang et al17提出了一種改進(jìn)遺傳算法的進(jìn)化神經(jīng)網(wǎng)絡(luò)的結(jié)構(gòu)和參數(shù)。Gutiérrez et al。18使用模擬退火控制參數(shù)突變和五個結(jié)構(gòu)突變進(jìn)化徑向基函數(shù)(RBF)神經(jīng)網(wǎng)絡(luò)。所有這些以前作品的目的是產(chǎn)生一個緊湊和廣義的ANN。通常,拓?fù)涞囊粋€ANN可以編碼到一個染色體編碼方案來使用直接或間接編碼方案。在直接編碼方案中,所有的ANN拓?fù)渚幋a直接進(jìn)入一個染色體，這是通過使用二進(jìn)制表示，而這表明存在網(wǎng)絡(luò)連接和隱藏的節(jié)點(diǎn)。間接編碼方案只有編碼的一些重要參數(shù)的一個ANN拓?fù)?如數(shù)量的隱藏層和隱藏的節(jié)點(diǎn)。其他細(xì)節(jié)ANN拓?fù)涫穷A(yù)定義的或指定的一組確定的發(fā)展規(guī)則19。直接編碼方案易于實(shí)現(xiàn),適

32、合于精確的搜索。盡管間接編碼方案可以減少染色體的長度,它可能不適合找一個緊湊的具有良好的泛化能力的ANN19。在本文中,一個直接編碼方案是用來代表ANN拓?fù)洹＿M(jìn)化的ANN拓?fù)浜蜋?quán)重可以幫助緩解此問題的嘈雜的評價。然而,僅僅依靠EA來進(jìn)化神經(jīng)網(wǎng)絡(luò)是相當(dāng)?shù)托?zhí)行本地搜索。進(jìn)一步訓(xùn)練使用傳統(tǒng)的梯度下降方法進(jìn)化后可以是一個簡單的方法來調(diào)整網(wǎng)絡(luò)。認(rèn)為情勢的過早收斂在進(jìn)化過程中,ANN發(fā)現(xiàn)經(jīng)過進(jìn)一步培訓(xùn)可能不是最優(yōu)的。其他方法如使用退火溫度指導(dǎo)重量擾動步長9和調(diào)度的突變概率12的個人網(wǎng)絡(luò)的種群可以被認(rèn)為是初步指南向本地搜索,但沒有不同的方向已經(jīng)被提供。因此,EA應(yīng)該引導(dǎo)正確維持兩者之間的平衡整個搜索空間的

33、探索和開發(fā)的重要區(qū)域。出于平衡的重要性，在進(jìn)化過程和同步進(jìn)化的ANN拓?fù)浜蜋?quán)重下的全局和本地搜索,本文提出了一種新的進(jìn)化方法稱為混合進(jìn)化人工神經(jīng)網(wǎng)絡(luò)(HEANN)，同時發(fā)展ANN拓?fù)浜蜋?quán)重。此外,HEANN演示了一個平衡的全局搜索和局部搜索通過引入一個在演化工程中產(chǎn)生新穎的自適應(yīng)變異技術(shù)。而不是使用傳統(tǒng)的方法來降低突變概率或步長大小,HEANN使用信息從種群引導(dǎo)進(jìn)化過程將逐漸向全局搜索到本地搜索過渡。首先,概括損失(GL)在種群是用來適應(yīng)變異概率和步長。第二，適應(yīng)性價值的每個個體的種群是用來確定突變的嚴(yán)重性，在給定個體的種群。在本文中,主要有兩個因素：網(wǎng)絡(luò)拓?fù)鋬?yōu)化和進(jìn)化能力。一種很流行的方法,

34、優(yōu)化兩個或兩個以上的目標(biāo)是基于Pareto優(yōu)勢20-22。然而,查找和估算Pareto適應(yīng)度的計(jì)算成本會增，當(dāng)優(yōu)化目標(biāo)數(shù)量增加時21。另一個流行的方法是基于多目標(biāo)學(xué)習(xí)10,12、20,它聚合了幾個目標(biāo)變成一個標(biāo)量成本函數(shù)。在這種情況下,該方法假設(shè)凸性的Pareto。這種方法是用在當(dāng)前的實(shí)現(xiàn)。其余的部分組織如下：第二部分詳細(xì)的描述了HEANN和每個成分。第三部分分析了所提出的自適應(yīng)變異技術(shù)在ANN拓?fù)?添加或刪除節(jié)點(diǎn),連接)下的影響,這種技術(shù)平衡全局和局部搜索的進(jìn)化過程。第四節(jié)顯示了結(jié)果的新的自適應(yīng)進(jìn)化框架四個基準(zhǔn)函數(shù)。第五部分包含實(shí)驗(yàn)結(jié)果的HEANN。第六節(jié)提出了討論結(jié)果。最后,第七節(jié)總結(jié)了本

35、文的工作。結(jié)論：本文描述了一種新的方法來同時進(jìn)化ANN拓?fù)浜蜋?quán)重。解決的弱點(diǎn)在精細(xì)調(diào)諧，ANN EAs,HEANN使用一種自適應(yīng)變異策略來改進(jìn)本地搜索功能，在設(shè)計(jì)神經(jīng)網(wǎng)絡(luò)方面。GL和適應(yīng)性價值被認(rèn)為在演化過程下幫助了突變適應(yīng)。此外,全局和局部的突變策略的分析研究HEANN。 首次測試是針對基準(zhǔn)函數(shù)來證明提高局部搜索能力和能夠擺脫局部極值的能力。實(shí)驗(yàn)結(jié)果表明，HEA比傳統(tǒng)的EA好。HEANN是用來測試七真是世界分類問題?？偟膩碚f，實(shí)驗(yàn)結(jié)果顯示了在各方面的優(yōu)越性HEANN，相比其他算法。非常聚合的人工神經(jīng)網(wǎng)絡(luò)可以由HEANN產(chǎn)生與其自適應(yīng)變異策略。此外,HEANN需要更少的后代能達(dá)到良好的結(jié)果。唯一的缺點(diǎn)是，它有很多可以由用戶定義的HEANN參數(shù)。然而，HEANN對這些參數(shù)不是很敏感。不同的突變測試參數(shù)結(jié)果表明，HEANN對于這些參數(shù)不是很敏感，但他的這些價值不應(yīng)過低的被估計(jì)。如果沒有需要在進(jìn)化過程中集中計(jì)算的梯度學(xué)習(xí)而使用一個更大的種群規(guī)模也是可行的。最終的種群肯定包含更多的信息比