遗传算法优化的神经网络与模糊神经网络研究

"人工智能-遗传神经网络的综合进化研究" 本文主要探讨了遗传神经网络的综合进化算法，这是一种结合了神经网络、模糊逻辑和遗传算法的计算智能方法。作者郑艺丁在其硕士论文中提出了一种基于遗传原理的两阶段神经网络综合进化算法，该算法在训练神经网络连接权重的同时，运用两阶段优化策略选择并优化神经元的激励函数。 传统的神经网络通常使用固定类型的激励函数，如Sigmoid或RBF（径向基函数）。然而，该研究创新性地引入了遗传算法，以寻找网络中S型函数和RBF函数的最佳组合。通过三层前向网络对连续搅拌釜反应器（CSTR）系统的pH值控制过程进行仿真，研究发现，采用遗传算法优化的激励函数组合不仅能提升训练和测试的精度，还能增强网络的泛化能力。 此外，考虑到实际对象的特性往往具有不对称性，论文进一步研究了模糊神经网络中隶属度函数的改进。作者提出使用不对称高斯函数替换传统的高斯函数，以提升模糊神经网络的性能。通过遗传算法，可以学习模糊推理层与清晰化层之间的连接权重以及模糊化层中不对称高斯函数的中心点c和左右半径。实验证明，采用不对称隶属函数的模糊神经网络在精度上优于常规模糊神经网络。 这项研究强调了神经网络中的激励函数和模糊神经网络中的隶属度函数对于模拟非线性问题的重要性。它们的选择、组合及改进对网络性能有着显著影响，是深入理解神经网络理论的关键领域。关键词包括遗传算法、激励函数、模糊神经网络以及不对称高斯函数。 此项工作不仅展示了遗传算法在优化神经网络结构和参数上的潜力，也揭示了在处理非对称性问题时，改进的模糊神经网络模型的优势。这为未来的人工智能研究，特别是在控制理论和控制工程领域的应用，提供了新的思路和方法。