進(jìn)化計(jì)算遺傳算法隨機(jī)神經(jīng)網(wǎng)絡(luò)波耳茲曼機(jī)碩士論文

1、基于進(jìn)化計(jì)算的隨機(jī)神經(jīng)網(wǎng)絡(luò)優(yōu)化及其應(yīng)用研究管理科學(xué)與工程， 2011， 碩士【摘要】 進(jìn)化計(jì)算是一類基于生物自然選擇和自然遺傳機(jī)制的搜索方法,包括遺傳算法、進(jìn)化策略和進(jìn)化規(guī)劃等算法。進(jìn)化計(jì)算是一種有效的優(yōu)化技術(shù),可以優(yōu)化權(quán)值和選擇合適的拓?fù)浣Y(jié)構(gòu),而且不要求目標(biāo)函數(shù)連續(xù),具有很好的全局搜索性質(zhì)。隨機(jī)神經(jīng)網(wǎng)絡(luò)是一類功能強(qiáng)大的人工神經(jīng)網(wǎng)絡(luò),在優(yōu)化計(jì)算和模擬學(xué)習(xí)領(lǐng)域中發(fā)揮著重要的作用。人們通常所說的人工神經(jīng)網(wǎng)絡(luò)一般有兩種:一種是采用隨機(jī)性神經(jīng)元激活函數(shù)的隨機(jī)神經(jīng)網(wǎng)絡(luò),另一種是采用隨機(jī)型加權(quán)連接,即在普通人工神經(jīng)網(wǎng)絡(luò)中加入適當(dāng)隨機(jī)噪聲的波耳茲曼機(jī)。雖然隨機(jī)神經(jīng)網(wǎng)絡(luò)功能強(qiáng)大且應(yīng)用廣泛,但復(fù)雜的學(xué)習(xí)過程和較

2、慢的收斂速度限制了隨機(jī)神經(jīng)網(wǎng)絡(luò)的進(jìn)一步推廣和應(yīng)用。如何優(yōu)化隨機(jī)神經(jīng)網(wǎng)絡(luò)的學(xué)習(xí)過程并提高其收斂速度成為研究的一個難點(diǎn)。因此,將進(jìn)化計(jì)算和隨機(jī)神經(jīng)網(wǎng)絡(luò)相結(jié)合,以進(jìn)化計(jì)算的隨機(jī)性、全局性、隱并行性和魯棒性等優(yōu)點(diǎn),彌補(bǔ)了神經(jīng)網(wǎng)絡(luò)學(xué)習(xí)過程的復(fù)雜、訓(xùn)練速度慢、易陷入局部極小點(diǎn)和全局搜索能力差等缺陷,優(yōu)化了隨機(jī)神經(jīng)網(wǎng)絡(luò)的學(xué)習(xí)過程,逐漸成為一個有效的解決辦法。進(jìn)化計(jì)算與神經(jīng)網(wǎng)絡(luò)的結(jié)合促使“進(jìn)化人工神經(jīng)網(wǎng)絡(luò)”的發(fā)展。本文對進(jìn)化算法和隨機(jī)神經(jīng)網(wǎng)絡(luò)相結(jié)合的情況進(jìn)行了研究,嘗試將進(jìn)化算法強(qiáng)大的優(yōu)化計(jì)算能力. 更多還原【Abstract】 Evolutionary computation is a class

3、 of search method based on biological natural selection and natural genetic mechanisms, including genetic algorithms, evolution strategies and evolutionary planning algorithm. Evolutionary computation is an effective optimization technique to optimize weights and select the appropriate topology, and

4、 does not require a continuous objective function, with a good global search property.Random neural network is a class of powerful artificial neural network, playing. 更多還原 【關(guān)鍵詞】 進(jìn)化計(jì)算； 遺傳算法； 隨機(jī)神經(jīng)網(wǎng)絡(luò)； 波耳茲曼機(jī)； 【Key words】 evolutionary computation； genetic algorithm； random neural network； boltzmann

5、machine； 【索購全文】Q聯(lián)系Q：138113721 Q聯(lián)系Q: 139938848付費(fèi)即發(fā)摘要 6-8 Abstract 8-9 第一章 緒論 10-14 1.1 研究背景及意義 10 1.2 國內(nèi)外研究現(xiàn)狀 10-12 1.3 本文研究問題 12-13 1.4 本文組織結(jié)構(gòu) 13-14 第二章 進(jìn)化計(jì)算與隨機(jī)神經(jīng)網(wǎng)絡(luò)概述 14-27 2.1 引言 14 2.2 遺傳算法 14-19 遺傳算法的原理 14-15 遺傳算法的數(shù)學(xué)機(jī)理分析 15-16 遺傳算法的求解過程 16-19 遺傳算法的特點(diǎn) 19 2.3 隨機(jī)神經(jīng)網(wǎng)絡(luò) 19-25 隨機(jī)神經(jīng)網(wǎng)絡(luò)模型 20-21 隨機(jī)神經(jīng)網(wǎng)絡(luò)模型的主要

6、特性 21-23 隨機(jī)神經(jīng)網(wǎng)絡(luò)的學(xué)習(xí)過程 23-24 隨機(jī)神經(jīng)網(wǎng)絡(luò)強(qiáng)化學(xué)習(xí)算法 24-25 2.4 進(jìn)化算法與 Boltzmann 機(jī)結(jié)合研究概述 25-26 2.5 本章小結(jié) 26-27 第三章 基于遺傳算法的Boltzmann 機(jī)優(yōu)化 27-37 3.1 引言 27 3.2 Boltzmann 機(jī) 27-28 Boltzmann 機(jī)的拓?fù)浣Y(jié)構(gòu) 27-28 BM 機(jī)學(xué)習(xí)算法 28 3.3 用遺傳算法優(yōu)化 Boltzmann 機(jī) 28-31 算法的原理 28-29 算法的各子步驟的說明 29-31 3.4 算法步驟 31-32 3.5 實(shí)例驗(yàn)證 32-36 3.6 本章小結(jié) 36-37 第四章 用遺傳算法優(yōu)化 RNN 學(xué)習(xí)過程 37-46 4.1 引言 37 4.2 RNN 的強(qiáng)化學(xué)習(xí)算法 37-40 RNN 的強(qiáng)化學(xué)習(xí)算法模型 37-39 強(qiáng)化學(xué)習(xí)算法的線性權(quán)值更新策略 39-40 4.3 用遺傳算法優(yōu)化 RNN 的強(qiáng)化學(xué)習(xí)算法 40-43 算法原理 40-41 算法中各操作算子的說明 41-43 算法步驟 43 4.4 算法實(shí)例 43-45 4.5 本章小結(jié) 45