（遼寧工業(yè)大學(xué) 管理學(xué)院，遼寧 錦州 121001）

遺傳算法和神經(jīng)網(wǎng)絡(luò)是智能算法中兩個重要方法。BP（Back-Propagation algorithm）神經(jīng)網(wǎng)絡(luò)本質(zhì)上是基于梯度下降的一種迭代學(xué)習(xí)算法，其誤差曲面是非常復(fù)雜的多元曲面，存在許多局部極小解，當(dāng)梯度為0 時，BP 算法則無法辨別極小點性質(zhì)，使訓(xùn)練難以收斂到指定誤差；若在誤差曲面平坦區(qū)，則調(diào)整時間長，影響收斂速度[1]。為了克服這些缺陷，學(xué)者提出了許多改進措施，如附加動量項、自適應(yīng)學(xué)習(xí)率，與現(xiàn)代優(yōu)化方法結(jié)合等。而建立在遺傳學(xué)基礎(chǔ)上的遺傳算法（genetic algorithms，GA）主要特點是對目標(biāo)函數(shù)無限制，廣泛用于人工神經(jīng)網(wǎng)絡(luò)訓(xùn)練與優(yōu)化問題[2-3]。

如何使遺傳算法和BP 算法有機結(jié)合，許多學(xué)者做了大量研究。一般用遺傳算法優(yōu)化BP 神經(jīng)網(wǎng)絡(luò)結(jié)構(gòu)和初始權(quán)值閾值[4-5]。但遺傳算法求解優(yōu)化問題時，只能求得給定區(qū)間內(nèi)的優(yōu)化值[6]。而神經(jīng)網(wǎng)絡(luò)權(quán)值和閾值所在區(qū)間一般無法預(yù)知，故本文采用能夠動態(tài)調(diào)整權(quán)值和閾值所在區(qū)間的自適應(yīng)遺傳算法（IAGA），徹底取代BP 算法反向調(diào)整權(quán)值閾值的過程，達(dá)到自適應(yīng)調(diào)整權(quán)值閾值的目的，從而將BP 算法和IAGA 有機結(jié)合起來，充分發(fā)揮各自優(yōu)勢，有效克服BP 算法學(xué)習(xí)過程中易陷入局部極小值、振蕩等缺陷。

1 BP 算法及IAGA 算法

1.1 BP 算法原理

三層BP 算法其結(jié)構(gòu)如圖1 所示。

圖1 BP 神經(jīng)網(wǎng)絡(luò)的結(jié)構(gòu)

X=[X1,X2,…,Xk,…,XN]為N個訓(xùn)練樣本集，Xk=[Xk1,Xk2,…,XkM]T為任一訓(xùn)練樣本，(k=1,2,…,N)，Yk=[yk1,yk2,…,ykP]T實際輸出為，dk=[dk1,dk2,…,dkP]T為期望輸出。神經(jīng)元激勵函數(shù)均使用Sigmoid 函數(shù)：

經(jīng)神經(jīng)網(wǎng)絡(luò)正向傳播后工作信號的實際輸出為：

式中：i=1,2,…,I，p=1,2,…,P

設(shè)n為迭代次數(shù)，權(quán)值、閾值和網(wǎng)絡(luò)實際輸出是n的函數(shù)。則輸出層第p個神經(jīng)元誤差信號為：

神經(jīng)元p的誤差能量定義為，則輸出層所有神經(jīng)元的誤差能量總和為E(n)：

在誤差信號的反向傳播過程中，BP 算法是通過調(diào)整權(quán)空間中的梯度使E(n)值下降的，詳細(xì)推導(dǎo)過程見文獻(xiàn)[7]。

1.2 IAGA 算法描述

為了能更好的說明IAGA 自適應(yīng)移動搜索區(qū)間的過程，以某一權(quán)值在初始區(qū)間[U1,U2]中的調(diào)整過程為例，且U1＞U2，U2點的目標(biāo)函數(shù)值優(yōu)于U1點。隨機產(chǎn)生pop個初始種群，設(shè)所有神經(jīng)元的誤差能量總和達(dá)到指定較小精度要求時所對應(yīng)的權(quán)值為ω*，且ω*不在[U1,U2]內(nèi)，ω*＞U2。經(jīng)過幾次選擇、交叉和變異遺傳操作后種群中目標(biāo)函數(shù)值最小的個體逐漸向U1點趨近，這時可取

2 IAGA 優(yōu)化BP 算法

2.1 IAGA 優(yōu)化BP 權(quán)值閾值的思想

神經(jīng)網(wǎng)絡(luò)最優(yōu)解所對應(yīng)權(quán)值和閾值的區(qū)間范圍一般很難預(yù)知，而遺傳算法求解優(yōu)化問題時，若最優(yōu)解不在給定的取值范圍內(nèi)，只能求得一個指定區(qū)間內(nèi)的較優(yōu)解，有可能求不到真正使誤差能量總和達(dá)到指定精度要求的較優(yōu)解，使神經(jīng)網(wǎng)絡(luò)的擬合效果下降，為此本文將區(qū)間自適應(yīng)遺傳算法用于神經(jīng)網(wǎng)絡(luò)權(quán)值閾值的調(diào)整，即用IAGA 的優(yōu)化功能，取代誤差信號反向傳播逐層修改權(quán)值和閾值的過程。IAGA 優(yōu)化BP 算法的數(shù)學(xué)模型為：

2.2 IAGA 優(yōu)化BP 權(quán)值和閾值算法描述

步驟1：對訓(xùn)練樣本進行預(yù)處理。

為避免出現(xiàn)奇異樣本數(shù)據(jù)所引起訓(xùn)練時間增加和無法收斂等問題，將訓(xùn)練樣本數(shù)據(jù)進行歸一化處理，使量綱數(shù)據(jù)變?yōu)闊o量綱純量。

步驟2：變量的初始化。

輸入：種群規(guī)模pop，最大迭代次數(shù)T，交叉概率pc，變異概率pm，權(quán)值與閾值的初始區(qū)間。

步驟3：計算碼長，隨機產(chǎn)生初始種群。

步驟4：設(shè)置迭代次數(shù)t=0。

步驟5：形成父代種群。

步驟6：解碼。

步驟7：保留m個適應(yīng)度高精英個體。

步驟8：選擇。

步驟9：交叉。采用單點交叉方式。

步驟10：變異。

步驟11：保留優(yōu)秀個體[8]。

步驟12：判斷是否滿足更新區(qū)間條件，不滿足，則執(zhí)行步驟13，滿足則移動搜索區(qū)間。

步驟13：將交叉產(chǎn)生的個體，按自適應(yīng)變異方式進行變異。

步驟14：精英替代變異后適應(yīng)度值低的個體。

步驟15：形成新一代種群，遺傳進化一代完成，即t=t+1；

步驟16：判斷訓(xùn)練誤差結(jié)束條件，滿足則終止遺傳運算，不滿足要求，則轉(zhuǎn)到步驟5。

步驟17：將計算得到的權(quán)值和閾值代入工作信號正向傳播的輸出公式(4)，并計算神經(jīng)網(wǎng)絡(luò)的實際輸出。

步驟18：反歸一化處理。為了與原始數(shù)據(jù)擬合，需將神經(jīng)網(wǎng)絡(luò)的輸出數(shù)據(jù)反歸一化處理。

步驟19：與試驗數(shù)據(jù)擬合。

3 仿真結(jié)果與分析

3.1 試驗數(shù)據(jù)與預(yù)處理

用曹秀麗等[9]所做的大豆油甲酯合成工藝試驗數(shù)據(jù)為訓(xùn)練樣本，驗證區(qū)間自適應(yīng)遺傳算法優(yōu)化神經(jīng)網(wǎng)絡(luò)權(quán)值閾值，試驗訓(xùn)練數(shù)據(jù)如表1 所示。因Sigmoid 函數(shù)在接近0 或1 時，基本達(dá)到飽和狀態(tài)，增加變慢，故將試驗數(shù)據(jù)歸一化處理到區(qū)間[0.1,0.8]之間，加快網(wǎng)絡(luò)的收斂速度。

表1 試驗訓(xùn)練樣本

3.2 BP 神經(jīng)網(wǎng)絡(luò)的訓(xùn)練

網(wǎng)絡(luò)結(jié)構(gòu)為4-7-1。權(quán)值和閾值初始區(qū)間取值為[-10,10]，種群規(guī)模80，編碼精度為1.00e-4。當(dāng)遺傳操作代數(shù)count=1 000 時，進行區(qū)間移動。交叉概率pc=0.95，變異概率pm=0.05，精英個體數(shù)4。用MATLAB R2016b 編程完成上述思想，當(dāng)輸出誤差達(dá)到2.58×10-8時，算法結(jié)束，此時得到的權(quán)值閾值結(jié)果為：

將訓(xùn)練好的權(quán)值和閾值代入BP神經(jīng)網(wǎng)絡(luò)工作信號正向傳播過程的計算公式，即式(4)，可得網(wǎng)絡(luò)的實際輸出，并實際輸出反歸一化處理后得到如表2所示數(shù)據(jù)。

表2 網(wǎng)絡(luò)輸出值與實驗值擬合精度情況 %

從表2 可知，用IAGA 優(yōu)化方法替代梯度下降法來調(diào)整權(quán)值和閾值，可使BP 神經(jīng)網(wǎng)絡(luò)的輸出數(shù)據(jù)與實驗數(shù)據(jù)完全擬合，說明是一種有效的權(quán)值閾值調(diào)整方法。

4 結(jié)論

用IAGA 徹底取BP 神經(jīng)網(wǎng)絡(luò)反向調(diào)整權(quán)值和閾值的方法，可以兩種智能優(yōu)化方法各自的優(yōu)點有機地結(jié)合起來。IAGA 具有優(yōu)化BP 神經(jīng)網(wǎng)絡(luò)的能力，解決了BP 算法的困境。計算結(jié)果表明，該方法可使訓(xùn)練誤差的目標(biāo)值達(dá)到很高的學(xué)習(xí)精度。在大豆油甲酯合成工藝問題中，誤差可以達(dá)到2.58×10-8，平均相對誤差為0%，證明了該方法是一種可靠有效的優(yōu)化方法。