Neuroniniai tinklai ir genetiniai algoritmai

Ištrauka

Baigiamasis bakalauro darbas
Neuroniniai tinklai ir genetiniai algoritmai

Įvadas 3
1. Neuroniniai tinklai 4
1.1 Neuroninių tinklų struktūra ir veikimo principas 4
1.2 Neuroninių tinklų mokymas 5
2. Genetiniai algoritmai 5
2.1 Įvadas 5
2.2 Sprendimų paieškos erdvė 6
2.3 Biologinis pagrindas 7
2.4 Genetinis algoritmas 7
2.5 Chromosomos kodavimas 8
2.6 Kryžminimas ir mutacija 9
2.7 Selekcija 10
2.8 Pastovios būsenos selekcija ir elitizmas 11
3. Genetinio algoritmo pritaikymas neuroniniam tinklui 12
3.1 Chromosomų kodavimas, operatoriai ir algoritmo realizavimas 12
4. Uždaviniai ir eksperimentavimo metodika 13
4.1 Uždaviniai 13
4.2 Eksperimentavimo metodai 13
5. Eksperimentai 15
5.1 Bandymai su XOR problema 15
5.2 Bandymai su IRIS duomenimis 17
5.3 Bandymai su skaičių atpažinimu 19
Išvados 21
Literatūros sąrašas: 22

Įvadas
Šio darbo tikslas yra susipažinti su genetiniais algoritmais, jų veikimo principais, pritaikyti
juos neuroniniams tinklams ir palyginti gautus rezultatus su standartine neuroninių tinklų mokymo
funkcija “back-propagation”.
Genetiniai algoritmai buvo atrasti visai neseniai ir jais buvo domimasi tik per pastaruosius
kelis dešimtmečius. Todėl ši sritis kol kas yra labai jauna ir mažai ištirta. Galbūt dėl savo
netradicinių ir sunkiai kontroliuojamų veikimo principų ji nelabai domina aplinkinius stengtis ją
plėtoti ar tiesiog domėtis. Bet nežiūrint to jau egzistuoja realūs bandymai pritaikyti įvairioms
problemoms spręsti ir tikriausiai vis daugiau dėmesio yra skiriama šiai sričiai.

1. Neuroniniai tinklai
1.1 Neuroninių tinklų struktūra ir veikimo principas
Neuroniniai tinklai buvo sukurti remiantis panašiais veikimo principais kaip ir žmogaus
smegenys. Abiejų veikimas yra grindžiamas neuronų, pačių mažiausių sudedamųjų dalių,
tarpusavio sąveika. Nors jų funkcijos apsiriboja tik signalų perdavimu, tačiau dideli tinklai sudaryti
iš daugybės neuronų gali greitai ir tiksliai apdoroti nemažus kiekius informacijos. Taip pat jie
toleruoja klaidas ir gali interpretuoti netikslią informaciją arba prisitaikyti prie naujų situacijų.
Kaip jau buvo minėta neuroninių tinklų pagrindas yra neuronai. Jie yra tarpusavyje sujungti
jungtimis, kurių pagalba yra perduodami signalai (1 pav.). Kiekviena jungtis turi svorį, kuris
nurodo jungties stipruma ir kaip modifikuojamas perduodamas signalas. Pats neuronas yra
sudarytas iš dviejų dalių: sumatoriaus ir aktyvavimo funkcijos. Sumatorius sumuoja visus
ateinančius signalus iš kitų neuronų, prieš tai juos padauginęs iš jungčių svorių, o aktyvavimo
funkcija transformuoja gautą rezultatą. Jai dažniausiai yra naudojama sigmoidinė funkcija
, tačiau gali būti pasirinktos ir kitos, pvz.: hiperbolinis tangentas. Gauname, kad
kiekvienas neuronas yra apskaičiuojamas pagal tokią formulę: , kur n
– prieš tai esančio sluoksnio neuronų skaičius; w – jungties svoris; o – neurono išvedimas.