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

 
Рис. 5.87. 
Результат тестирования нейронной сети, обученной программой 
BrainMaker 
с 
толерантностью 0,022 (рис. 5.86), для u
1
= 0, и
2
 = 0 
и
 d =0.
 
Рис. 5.88. 
Результат тестирования той же сети для u
1
= 0, 
и
2
 
= 1
 
и 
d= 
1. 
 
Рис. 5.89. 
Результат тестирования той же сети для u
1
= 1,u
2
= 0 и d=1. 

---

А.Е. Кононюк Дискретно-непрерывная математика 
307 
 
Рис. 5.90. 
Результат тестирования той же сети для 
и
1
 = 
1, 
и
2
 
= 1 и 
d 
= 0. 
 
Рис. 5.91. 
Веса нейронной сети, обученной программой 
BrainMaker 
с 
толерантностью 0,022 (рис. 5.86). 
Дальнейшее снижение уровня толерантности до 0,021, к сожалению, 
уже не ведет к большей обученности сети, даже если бы программа 
работала еще в течение многих часов. Таким образом, наилучшим 
решением считается сеть со значениями весов, показанными на рис. 
5.91, которые следует сравнить с набором весов для примера 3.27, 
приведенными на рис. 5.37. Нетрудно заметить, что объединение 
генетического алгоритма программы 
Evolver 
с программой 
BrainMaker 
дало лучшие результаты, чем на рис. 5.37. Если бы 
вычисления сразу проводились с толерантностью 0,022, а в качестве 
начальных весов принимались значения с рис. 5.64, то результат был 
бы лучше, чем на рис. 5.37. Аналогичный результат можно было 
ожидать и в примере 5.1 при установлении уровня толерантности, 
равным 0,022.