摘要
针对遗传算法优化SOFM神经网络的不足,提出利用合作型协同进化遗传算法实现SOFM神经网络优化的方法。其基本思想是:针对SOFM神经网络中存在的"死神经元"现象,在SOFM神经网络中引入全局搜索能力很强的合作型协同进化遗传算法,这样既解决了分类结果对样本输入顺序的过分依赖,又实现了SOFM神经网络在竞争过程中的全局最优性。将新算法用于矿井突水水源判定问题,结果表明,该算法具有较好的全局收敛性,且可在很大程度上避免"死神经元"现象。
引文
[1]YAO X.A review of evolutionary artificial neural networks[J].International Journal of Intelligent Systems,1993,8(4):539-567.
[2]梁化楼,戴贵亮.人工神经网络与遗传算法的结合:进展及展望[J].电子学报,1995,23(10):194-199.
[3]罗健,刘军祥.一种基于遗传算法的新型神经网络设计[J].系统工程理论与实践,2001(10):42-47.
[4]李建珍.基于遗传算法的人工神经网络学习算法[J].西北师范大学学报,2002,38(2):33-37.
[5]杨梅,卿晓霞.基于改进遗传算法的神经网络优化方法[J].计算机仿真,2009,26(5):198-201.
[6]胡仁平,刘刚.基于改进遗传算法的神经网络优化设计[J].计算机应用与软件,2011,28(1):249-252.
[7]SOARES S,ANTUNES C H,ARA JO R.Comparison of a genetic algorithm and simulated annealing for automatic neural network ensemble development[J].Neurocomputing,2013,121:498-511.
[8]黎明,严超华.遗传算法优化前向神经网络结构和权重向量[J].中国图象图形学报,2013,21(6):4-6.
[9]李智勇,童调生.基于多物种进化遗传算法的神经网络结构学习方法[J].计算机工程与应用,2013,49(22):80-83.
[10]HILLIS W D.Co-evolution parasites improve simulated evolution as an optimization procedure[C].Proceeding of 2nd Artificial Life Conference,1991:325-369.
[11]巩敦卫,孙晓燕.协同进化遗传算法理论及应用[M].北京:科学出版社,2009.
[12]冯乃勤,南书坡,郭战杰.对学习矢量量化神经网络中“死”点问题的研究[J].计算机工程与应用,2009,45(4):64-66.
[13]POTTER M A.The design and analysis of a computational model of cooperative co-evolution[D].Fairfax:George Mason University,1997.
[14]PEDRAJAS N G,MARTINEZ C H.Multi-objective cooperative co-evolution of artificial neural networks[J].Neural Networks,2009:1259-1278.
[15]孙晓燕,巩敦卫.基于合作式协同进化遗传算法的神经网络优化[J].中国矿业大学学报,2006,35(1):114-119.
[16]潘清跃,宋仁国.基于人工神经网络—遗传算法的表面熔凝工艺优化[J].材料研究学报,2008,12(3):251-256.
[17]彭黔荣,杨敏.基于混合遗传算法的人工神经网络模型及其对有机化合物熔点的预测[J].化工学报,2005,56(10):1922-1927.
[18]陆震鸣,何喆.基于人工神经网络—遗传算法的樟芝培养基优化[J].生物工程学报,2011,17(12):1773-1779.
[19]谭伟,陆百川.神经网络结合遗传算法用于航迹预测[J].重庆交通大学学报,2010,29(1):147-150.