Дискретно-непрерывная математика. Кн. 0 : Алгоритмы. Ч. Генетические алгоритмы

GTO 
имели значения, установленные по 
умолчанию. В частности, предусматривалось обучение каждой сети 
программой 
BrainMaker 
в течение 100 прогонов (runs) и смена 30 
поколений. Для оценки приспособленности сети использовались 
результаты как обучения, и тестирования уже обученной сети. 
Показатели мутации и скрещивания были равны соответственно 10 и 
50. Это означает, что 50% всех нейронов сети подвергалось скрещи-
ванию, а 10% - мутации. Также принималось, что все скрещиваемые 
нейроны подвергаются полному скрещиванию, т.е. потомок наследует 
все веса нейрона от второго родителя. Помимо того, все подлежащие 
мутации нейроны мутировали в соответствии с распределением Гаусса 
с показателем 0,25. Это означает, что к весу добавлялась некоторая 
величина, выбиравшаяся по распределению Гаусса. В качестве 

---

А.Е. Кононюк Дискретно-непрерывная математика 
326 
критерия оценивания потомков применялся тах{1 - RMS}, где RMS 
(также, как и в примере 3.31) означал погрешность, рассчитанную как 
квадратный корень из суммы квадратов разностей между заданным 
(эталонным) и выходным значением, деленный на количество этало-
нов. В результате выполнения программы 
GTO 
при ее взаимодействии 
с программой 
BrainMaker 
рассчитаны значения указанной выше 
погрешности для конкретных сетей, упорядоченные в порядке их 
уменьшения, т.е. от «наилучшей» сети к «наихудшей» (рис. 5.121). 
 
 
 
 
Рис. 5.121. 
Список нейронных сетей, сформированных программой 
GTO 
для примера 5.5 и упорядоченных в последовательности от 
«наилучшей» до «наихудшей». 
Наилучшей из 30 сформированных программой 
GTO
нейронных сетей 
со структурой, показанной на рис. 3.11, оказалась сеть, для которой 
значение max{1 - RMS} было равно 0,9139. Значения весов этой сети 
представлены на рис. 5.122, а результаты ее тестирования програм мой 
BrainMaker 
- на рис. 5.123 – 5.126.

---

А.Е. Кононюк Дискретно-непрерывная математика 
327