Год сдачи: 2013 Информация о файлах в архиве: СТРУКТУРНО-ПАРАМЕТРИЧЕСКАЯ ОПТИМИЗАЦИЯ СЛОЖНЫХ СИСТЕМ.doc - отчет по курсовой
Папка "программа" содержит исходники программы, по которой в отчете получены результаты (исходники на Delphi) Краткое описание В данной работе осуществляется объединение генетических алгоритмов и нейронных сетей, как методов индуцированных биологией, анализируются результаты такого слияния на примере решения задач аппроксимации функций.
В первой главе ставятся цели и задачи работы, во второй описываются применяемые в исследовании методы и алгоритмы, в третьей главе показаны результаты проведенного исследования, осуществляется их интерпретация и производится анализ. Цели и задачи
Передо мной были поставлены следующие цели и задачи:
1. Реализовать генетический алгоритм с вещественным кодированием на примере решения задачи безусловной оптимизации;
2. Применить данный алгоритм для нахождения весовых коэффициентов нейронной сети, аппроксимирующей заданную функцию;
3. Привести наглядное представление результатов обучения одной и той же нейронной сети генетическим алгоритмом и методом обратного распространения ошибки;
4. Осуществить алгоритм Фальмана и генетический алгоритм с бинарным кодированием для определения оптимальной структуры нейронной сети;
5. Провести сравнительный анализ полученных результатов. Заключение
В данной работе рассматривалась задача обучения и нахождения оптимальной структуры нейронной сети с помощью генетических алгоритмов.
Рассмотрев результаты работы программы можно сделать следующие выводы:
1. Метод вещественного кодирования в большинстве случаев более эффективен при нахождении весовых коэффициентов сети, чем метод обратного распространения ошибки.
2. Метод Фальмана достаточно хорошо справляется с задачами подбора оптимальной структуры нейронной сети в том случае, когда в нее входит 1 скрытый слой. Этот метод экономичен в плане затрат времени и эффективен в плане точности.
3. Бинарный генетический алгоритм не показал действительно хороших результатов, но оказался полезным в плане экспериментального подбора оптимальной структуры нейронной сети для аппроксимации сложных функций.
Таким образом, на базе полученных результатов можно делать вывод об успешном применении генетических алгоритмов, которые, получив дальнейшую доработку, могут стать более эффективными в этой сфере их использования.
Главное окно программы, Графическое сравнение результатов аппроксимации функции Розенброка (МОРО, RGA) 
|