几种仿生算法的研究

论文摘要

本文对仿生算法中的神经网络和遗传算法进行了分析和总结,针对神经网络方法训练速度慢,识别效率低的不足,以及遗传算法选优时的过早收敛的问题,结合神经网络方法和遗传算法各自的特性,提出了相应的改进算法。论文的主要工作如下:首先针对原始数据分布的特点,采用交叉熵算法和最小平均误差的不同的评价函数,结果表明,改进的动态评价函数,提高了神经网络的收敛速度。同时针对神经网络的过饱和情况,引入有效噪声能大大抑制过饱和。通过采用不同算法在模仿人识别方向的数据分类的实验,结果表明:改进的神经网络算法能提高神经网络收敛速度和抗过饱方面的性能。然后针对遗传算法在种群选择的问题,提出了扩大种群替换固定种群的算法。通过路径规划实验中寻找路径的结果表明,扩大种群可以提高寻找路径的速度。同时在遗传算法中的染色体定向选择会过早的收敛,无法保证种群的多样性,大胆的提出最小堆排序的28选择方法。在此基础上,引入解多变量方程的优化实验,实验结果证明了改进算法可以提高遗传算法的训练速度。最后,针对两者的特点,在MatBuckland’s算法基础上,提出了一种加入数据预处理的改进算法。通过模拟一个智能扫雪机器人的不断的学习过程,实验表明了训练的效果会随着学习的加强而不断的进步,验证了提出的改进算法可以加快神经网络的训练速度。

论文目录

• 摘要
• ABSTRACT
• 第一章 绪论
• 1.1 课题背景及意义
• 1.2 仿生算法的研究现状
• 1.3 仿生算法的研究未来发展趋势
• 1.4 研究内容与章节内容
• 第二章 常用仿生算法
• 2.1 仿生算法研究的意义
• 2.2 常用仿生算法
• 2.2.1 人工神经网络
• 2.2.2 遗传算法
• 2.2.3 蚁群算法
• 2.2.4 人工生命
• 2.2.5 粒子群算法
• 2.3 本章小结
• 第三章 反向传播算法的研究及改进
• 3.1 神经网络认识
• 3.2 BP 神经网络介绍
• 3.3 神经网络有效噪声引入的研究
• 3.4 神经网络误差评价函数的算法改进
• 3.4.1 输入实例为正态分布评价函数
• 3.4.2 输入实例为布尔值的评价函数
• 3.5 实验设计
• 3.5.1 实验设计思想
• 3.5.2 噪声引入实验测试与分析
• 3.5.3 神经网络误差评价函数的算法改进
• 3.6 本章小结
• 第四章 基于种群和染色体选优算法的研究及改进
• 4.1 遗传算法介绍
• 4.2 遗传算法的基本原理
• 4.3 种群选择的改进
• 4.3.1 种群选择的改进算法思想
• 4.3.2 扩大种群选择算法试验与分析
• 4.4 染色体选择算法的改进
• 4.4.1 染色体定向选择算法改进思想
• 4.4.2 染色体定向选择算法改进实验
• 4.5 本章小结
• 第五章 结合ANN 和GA 的算法研究及改进
• 5.1 神经网络和遗传算法的特点
• 5.1.1 神经网络和遗传算法的不同点
• 5.1.2 神经网络和遗传算法的相同点
• 5.2 算法的研究及改进
• 5.3 实验结果及分析
• 5.3.1 实验框架
• 5.3.2 实验结果及分析
• 5.4 本章小结
• 第六章 总结及展望
• 6.1 全文工作的总结
• 6.2 下一步工作
• 参考文献
• 致谢
• 附录1 个人介绍及公开发表论文情况