[发明专利]一种基于三联体编码的神经网络进化方法与系统

说明书

一种基于三联体编码的神经网络进化方法，步骤1，初始化一个指定规模的种群，种群中每一个个体都是一个由三联体构成的DNA序列；步骤2，将每一个DNA解码成神经网络并进行适应度计算，如果该种群内存在可解决目标问题的个体，则根据适应度解码最优个体的DNA获得目标网络，并结束进化，否则进入下一步；步骤3，先将个体按照适应度值排序，优先复制最佳个体到新种群，然后在旧种群里通过轮盘赌算法选择两个个体进行重组交叉变异操作，得到的新个体放入新种群，该操作一直重复到种群规模达到指定数量，然后返回步骤2。本发明还提供了一种基于三联体编码的神经网络进化系统，解决了现有进化算法在网络生成效率、网络交叉、重组等方面存在的技术缺陷。

技术领域

本发明属于神经网络技术领域，特别涉及一种基于三联体编码的神经网络进化方法与系统。

背景技术

人工神经网络(ANN)是受到生物神经网络启发的一种计算系统，它由一组称为人造神经元的连接单元或节点组成，神经元之间的连接可以将信号从一个神经元传输到另一个神经元，接收信号的神经元处理信号后再发出信号，将信号传递到与之相连的其他的人工神经元。人工神经网络通过实例来学习和训练，且通常没有具体的编程任务。在常见的ANN中，神经元之间传递的信号是实数，且每个神经元的输出通过其输入之和的非线性函数来计算。人工神经元和其间的连接会随着学习的过程进行调整。神经元通常有一个阈值，当信号强度超过该阈值则会对下一个神经元发送信号。ANN的最初目标是用类似人脑的方式解决问题，而如今人工神经网络已用于各种领域，包括计算机视觉，语音识别，机器翻译，社交网络过滤和视频游戏以及医疗诊断等等。

然而随着时间的推移，人工神经网络研究的重点却集中在了实现具体任务的准确度上，其与生物学理论基础逐渐偏离。在技术的不断发展过程中，神经网络和进化计算领域开始融合，且产生了一个全新的领域——神经计算。在该领域中，神经网络是可以演化的，也就是说，以传统神经网络的计算为基础，根据目标问题的设定，初始神经网络的权值和结构是可以运用技术方法来演变的。这种能够演变的神经网络在解决控制问题时能取得很不错的效果。

1996年，Moriarty等人在Kluwer Academic Publishers的《Efficientreinforcement learning through symbiotic evolution》一文中提出了一种名为“共生的自适应神经进化系统(SANE)”的具有很大扩展性能的新型增强学习系统。SANE可以在神经元强化稀疏的条件下快速形成有效的神经网络，通过共生进化实现高效学习，个体能够保持多样化，遗传算法可以同时搜索解空间的许多不同区域，比标准的神经进化系统能更快解决更难的问题。然而在每个神经元具有适应值之后，交叉操作会作用于组合最佳表现神经元的染色体，初始阶段较差的遗传物质可能会在交叉操作中丢失。2014年Ken Stanley等人在Evolutionary Computation的《Evolving neural networks through augmentingtopologies》一文中提出了一种名为NEAT的增强拓扑神经进化算法。它改变了网络的权重参数和结构，提出了三种新颖的技术，通过实验对比证实，该方法比迄今为止的神经进化方法效率高出几倍。然而，因其使用了直接编码方式，网络生成的效率并不高。

上述已有的神经进化技术虽然具有不错的解决控制问题的效果，然而，上述方案在网络的生成效率，网络交叉、重组等遗传操作难以实现的问题上表现一般，算法的求解效率仍然有一定的提升空间。

发明内容

为了克服上述现有技术的缺点，解决上述进化算法在网络生成效率、网络交叉、重组等方面存在的技术缺陷，本发明的目的在于提供一种基于三联体编码的神经网络进化方法与系统。

为了实现上述目的，本发明采用的技术方案是：

一种基于三联体编码的神经网络进化方法，包括：

步骤1，初始化一个指定规模的种群，种群中每一个个体都是一个由三联体构成的DNA序列；