پایان نامه درباره ، الگوريتم، تکاملي، الگوريتمهاي، s، //، تکامل، layer

جدول_شماره_ * ARABIC s 1 1: شبه کد الگوريتم پيش انتشار خطاinitialize network weights (often small random values)
do
forEach training example ex
prediction = neural-net-output(network, ex) // forward pass
actual = teacher-output(ex)
compute error (prediction – actual) at the output units
compute for all weights from hidden layer to output layer // backward pass
compute for all weights from input layer to hidden layer // backward pass continued
update network weights // input layer not modified by error estimate
until all examples classified correctly or another stopping criterion satisfied
return the network
براي آموزش شبکه عصبي مصنوعي الگوريتم هاي ديگري توسط محققان پيشنهاد گرديده است. الگوريتمهاي بهينه سازي کلاسيک مورد اشاره در روشهاي تحقيق در عمليات، روشهاي ابتکاري و فراابتکاري بهينه سازي و نيز الگوريتم هاي بهينه سازي تکاملي مانند الگوريتم ژنتيک و الگوريتم بهينه سازي ازدحام ذرات از ان جمله اند.
به منظور طراحي و معماري شبکه عصبي مصنوعي مي بايد تعداد لايه ها و تعداد نورون ها در هر لايه به همراه تابع فعالسازي را مشخص نمود. عموما تعداد لايه پنهان بيش از سه عدد سبب بيش برازش شده و مدل به جاي يادگيري اقدام به حفظ کردن مي نمايد. تعداد نورون هاي در هر لايه نيز با توجه به محدوديتهاي محاسباتي و اثرگذاري بر قطعيت خروجي شبکه عصبي مصنوعي تعيين مي گردد. عموما در شبکه عصبي مصنوعي با يک لايه پنهان، تعداد نورون ها در لايه پنهان از جذر ضرب تعداد نورون هاي ورودي در تعداد نورون هاي خروجي تخمين زده مي شود. تابع فعالسازي نيز حسب ماهيت رفتار داده مورد بررسي از بين توابع اشاره شده انتخاب مي گردد.
براي محاسبه دقت و يا خطاي شبکه عصبي مصنوعي از شاخصهاي متنوعي استفاده مي گردد که پرکاربردترين آنها ميانگين مربع خطا (mse) و جذر ميانگين مربع خطا (rmse) مي باشند.
3-3-3 الگوريتمهاي تکامليالگوريتم هاي متعددي با عنوان الگوريتمهاي تکاملي توسط محققان ارائه شده اند. ايده کلي در کليه اينگونه الگوريتمها مشابه يکديگر مي باشد: بر روي يک جمعيت از اعضاء به علت طبيعي اي انتخاب صورت مي گيرد (بقاي منطبق) و اين سبب افزايش ميزان تطبيق جمعيت مي شود. با در نظر گرفتن يک تابع هزينه به صورت تصادفي مجموعه راه حلهاي کانديدا انتخاب مي شود. بر اساس اين تطبيق برخي از بهترين کانديداها براي رفتن به نسل بعد با به کارگيري بازترکيب و يا جهش انتخاب مي شوند. بازترکيب عملگري است که روي دو يا بيشتر کانديداي انتخاب شده اعمال شده و يک يا بيشتر کانديداي جديد ايجاد مي نمايد. جهش روي يک کانديدا صورت گرفته و يک کانديداي جديد ايجاد مي نمايد. کانديداهاي خروجي بازترکيب و يا جهش مجموعه جديدي را تشکيل داده و بر سر ميزان تطبيق براي رفتن به نسل بعد با مجموعه کانديداهاي قبلي به رقابت مي پردازند. اين مراحل تا آنجا که يکي از کانديداها سطح کيفيت مورد انتظار را برآورده نمايد و يا حد مورد انتظار از پيش تعيين شده اي ارضاء شود تکرار مي شود. در الگوريتمهاي تکاملي، تکامل به سمت بهينگي است و يا حداقل نزديکي. به صورت کلي، تکامل يک فرايند تطبيق است. به عبارت ديگر، الگوريتم تکاملي جمعيت را با محيط بيشتر و بيشتر تطبيق مي دهد. شکل کلي الگوريتمهاي تکاملي در شبه کد جدول شماره ‏32 نمايش داده شده است.
جدول شماره STYLEREF 1 s ‏3 SEQ جدول_شماره_ * ARABIC s 1 2: شبه کد عمومي الگوريتم هاي تکامليBEGIN
INITIALISE population with random candidate solutions;
EVALUATE each candidate;
REPEAT UNTIL (TEMINATION CONDITION is satisfied) DO
1 SELECT parents;
2 RECOMBINE pairs of parents;
3 MUTATE the resulting offspring;
4 EVALUATE new candidates;
5 SELECT individuals for the nxt generation;
DO
END
REF _Ref412629788 h * MERGEFORMAT شکل شماره ‏36 در قالب فلوچارت الگوريتمهاي تکاملي را نمايش مي دهد:

شکل شماره STYLEREF 1 s ‏3 SEQ شکل_شماره_ * ARABIC s 1 6 : فلوچارت عمومي الگوريتم هاي تکاملياجزاي اصلي الگوريتمهاي تکاملي عبارتند از عضو، تابع تکامل (تابع تطبيق)، جمعيت، مکانيزم انتخاب والدين، عملگر بازترکيب و جهش، مکانيزم انتخاب بازماندگان (مکانيزم جايگزيني).
از شناخته شده ترين الگورتميهاي تکاملي مي توان به الگوريتمهاي زير اشاره نمود:
الگوريتم ژنتيک، الگوريتم توده مورچگان، الگوريتم توده زنبور عسل، الگوريتم استراتژي تکامل، الگوريتم تبريد شبيه سازي شده، الگوريتم بهينه سازي ازدحام ذرات
3-3-3-1 الگوريتم ژنتيکالگوريتم ژنتيک CITATION JSG05 l 1065 [20] روش يادگيري بر پايه تکامل بيولوژيک است که در سال 1970 توسط John Holland معرفي گرديد. يک الگوريتم ژنتيک براي حل يک مساله مجموعه بسيار بزرگي از راه حل هاي ممکن را توليد مي کند. هر يک از راه حل ها با استفاده از يک تابع تناسب مورد ارزيابي قرار گرفته و تعدادي از بهترين راه حل ها در فرايندي به نام تکامل کانديد توليد راه حل هاي جديد مي شوند. بدين ترتيب فضاي جستجو در جهتي تکامل پيدا مي کند که به راه حل مطلوب برسد.
الگوريتم ژنتيک در مسائلي که فضاي جستجوي بزرگي داشته باشند مي تواند به کار گرفته شود. همچنين در مسائلي که با فضاي فرضيه پيچيده که تاثير اجزاي آن در فرضيه کلي ناشناخته باشند مي توان از اين الگوريتم براي جستجو استفاده نمود. بهينه سازي گسسسته از ديگر کاربردهاي اين الگوريتم بوده و مزيت حداقل بودن احتمال به تله افتادن در کمينه محلي در آن نسبت به ساير الگوريتم هاي تکاملي مناسب تر مي باشد. اين الگوريتم از لحاظ محاسباتي پرهزينه بوده و ضمنا تضميني براي رسيدن به جواب بهينه ندارد.
روش متداول پياده سازي الگوريتم ژنتيک بدين ترتيب مي باشد که ابتدا مجموعه اي از حل ها (کانديداها) که جمعيت ناميده مي شود توليد و به طور متناوب با حل هاي ديگر جايگزين مي شوند. در هر مرتبه، تمامي حل ها با استفاده از يک تابع تناسب مورد ارزيابي قرار داده مي شوند. آنگاه تعدادي از بهترين حل ها با استفاده از يک تابع احتمال، انتخاب شده و جمعيت جديد را تشکيل مي دهد. تعدادي از فرضيه هاي انتخاب شده به همان صورت مورد استفاده واقع شده و مابقي با استفاده از عملگرهاي ژنتيکي نظير ترکيب و جهش براي توليد فرزندان به کار مي روند.
به صورت کلي مي توان اين الگوريتم را به صورت شبه کد جدول شماره ‏33 نمايش داد:
جدول شماره STYLEREF 1 s ‏3 SEQ جدول_شماره_ * ARABIC s 1 3: شبه کد الگوريتم ژنتيک// Initialise generation 0:
k := 0;
Pk := a population of n randomly-generated individuals;
// Evaluate Pk:
Compute fitness(i) for each i ∈ Pk;
do
{
// Create generation k + 1:
// 1. Copy:
Select (1 − χ) × n members of Pk and insert intoPk+1;
// 2. Crossover:
Select χ × n members of Pk; pair them up; produce offspring; insert the offspring intoPk+1;
// 3. Mutate:
Select µ × n members of Pk+1; invert a randomly-selected bit in each;
// Evaluate Pk+1:
Compute fitness(i) for each i ∈ Pk;
// Increment:
k := k + 1;
}
while fitness of fittest individual in Pk is not high enough;
return the fittest individual from Pk;
عملگر ترکيب با استفاده از دو رشته والد دو رشته فرزند به وجود مي آورد. براي اين کار قسمتي از بيت هاي والدين در بيتهاي فرزندان کپي مي شود. انتخاب بيت هايي که بايد از هر يک از والدين کپي شوند به روشهاي مختلف انجام شده و براي تعيين



قیمت: 10000 تومان

متن کامل در سایت homatez.com

About: admin