Введение
CLASS 1 Теоретические основы процесса обучения ней онных сетей с помощью генетических алгоитмов CLASS
1.1 Анализ методов обучения нейронных сетей прямого распространения 22
1.2 Генетические алгоритмы в качестве метода эволюционного моделирования при решении задач оптимизации 31
1.3 Влияние отбора и проблема сходимости генетических алгоритмов к глобальным кстремумам целевых функций 40
Выводы 48
2 Пути повышения скорости и устойчивости ра оты генетических алгоритмов 50
Метод увеличения скорости генетического кодирования линейным кодом 51
Мажоритарный генетический алгоритм в качестве модели волюции диплоидных популяций 62
Выводы 69
3 Анализ свойств генетических операторов мажо итарного генетического алгоритма 71
Оператор кроссинговера в мажоритарном генетическом алгоитме 73
Математическая модель оператора кроссинговера маоритарного генетического алгоритма 76
Оценка деструктивных свойств оператора кроссинговера мажоритарного генетического алгоритма 83
Оператор мутации в мажоритарном генетическом алгоритме 96
Математическая модель оператора мутации мажоритарного генетического алгоритма 98
Оценка деструктивных свойств оператора мутации мажоритарного генетического алгоритма 102
Выбор оптимального алгоритма процесса протекания мутации на основе анализа вероятностей апостериорных гипотез 113
Математическая модель-процесса несвободной мутации в мажоритарном генетическом алгоритме 125
Выводы 136
4 Экспериментальные исследования мажоритарного генетического алгоритма 139
4.1Характеристики популяции, определяющие меру сходимости эволюционного процесса 140
4.2Решение задач глобальной оптимизации с помощью мажоритарного генетического алгоритма 143
Обучение искусственных нейронных сетей прямого распространения с помощью мажоритарного генетического алгоритма 157
Выводы 164
Заключение 166
Список используемых источников 170
Приложения
