Как оптимизировать нейронную сеть с помощью генетического алгоритма?

Если это домашнее задание, сделайте то, чему вас учили в классе.

В противном случае полностью откажитесь от MLP. Поддержка векторной регрессии ( http://www.csie.ntu.edu.tw/~cjlin/libsvm/ ) намного надежнее обучается в широком спектре проблем и почти никогда не сталкивается с проблемой застревания в локальном минимуме, часто возникающей при обучении MLP с обратным распространением, что заставляет вас решить задачу оптимизации топографии сети, просто чтобы найти сеть, которая действительно будет обучаться.

ну, вам нужно быть более конкретным в отношении того, что вы пытаетесь оптимизировать. Это размер скрытого слоя? У вас есть скрытый слой? Это оптимизация параметров (скорость обучения, параметры ядра)?

Я предполагаю, что у вас есть набор параметров (количество скрытых слоев, количество нейронов на слой...), которые нужно настроить, вместо перебора всех комбинаций, чтобы выбрать хорошую, GA может помочь вам "прыгнуть" от этой комбинации к другой. Таким образом, вы можете «исследовать» пространство поиска потенциальных кандидатов.

GA может помочь в выборе «полезных» функций. Некоторые функции могут показаться избыточными, и вы захотите их сократить. Однако, скажем, у данных слишком много функций для поиска наилучшего набора функций с помощью некоторых подходов, таких как предварительный выбор. Опять же, GA может «перепрыгнуть» от этого набора кандидатов к другому.

Вам нужно будет найти способ кодирования данных (входные параметры, функции...), переданных в GA. Я думаю, что для поиска набора входных параметров или хорошего набора функций должно работать двоичное кодирование. Кроме того, важен выбор операторов ГА для воспроизведения потомства. Тем не менее, GA также необходимо настроить (ранняя остановка, которая также может быть применена к ANN).

Вот лишь некоторые идеи. Возможно, вы захотите найти дополнительную информацию о GA, выборе функций, сокращении ANN...

Поскольку вы уже используете MATLAB, я предлагаю вам изучить решатель генетических алгоритмов (известный как GATool, часть Global Optimization Toolbox) и Набор инструментов нейронной сети. Между этими двумя вы должны быть в состоянии сэкономить немало времени на выяснение.

В основном вам нужно будет выполнить 2 основные задачи:

1. Придумайте представление (или кодировку) для ваших возможных решений
2. Напишите свою фитнес-функцию (которая в основном проверяет решения-кандидаты) и передайте ее в качестве параметра решателю ГА.

Если вам нужна помощь с точки зрения придумывания фитнес-функции или кодирования возможных решений, вам нужно быть более конкретным.

Надеюсь, поможет.

У Matlab есть простое, но отличное объяснение этой проблемы здесь. Это объясняет как часть ANN, так и часть GA.

Для получения дополнительной информации об использовании ANN в командной строке см. эту .

Найдите Мэтью Сеттлза в Google Scholar. Он проделал определенную работу в этой области в Университете Айдахо в последние 5-6 лет. У него должны быть цитаты, относящиеся к вашей работе.