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

Подбор 
параметров 
либо 
преобразование 
пространства 
параметров. 
Генетический алгоритм используется при подготовке 
данных для нейронной сети, играющей роль классификатора. Эта 
подготовка может выполняться путем преобразования пространства 
параметров либо выделением некоторого подпространства, содержа-
щего необходимые параметры.
Первый из этих методов, так называемое преобразование пространства 
параметров, применяется чаще всего в алгоритмах типа «ближайший 
сосед», хотя известны также его приложения в нейросетевых 
классификаторах. Второй подход заключается в выделении 
подмножества учитываемых параметров. Оказывается, что огра-
ничение множества параметров часто улучшает функционирование 
нейронной сети в качестве классификатора и, к тому же, сокращает 
объемы вычислений. Подобное ограничение множества учитываемых 
нейронной сетью параметров применялось, в частности, для контроля 
сценариев происшествий на ядерных объектах, а также для 

---

А.Е. Кононюк Дискретно-непрерывная математика 
279 
распознавания китайских иероглифов. Известны и другие примеры
подготовки данных для нейронных сетей при помощи генетических 
алгоритмов.
Подбор параметров и правил обучения. 
Генетический алгоритм 
также применяется для подбора параметров обучения - чаще всего 
скорости обучения (learning rate) и так называемого момента для 
алгоритма обратного распространения ошибки . Такое адаптивное 
уточнение параметров алгоритма обратного распространения (они 
кодируются в хромосомах) в результате эволюции может 
рассматриваться как первая попытка эволюционной модификации 
правил обучения. Вместо непосредственного применения генети-
ческого алгоритма для подбора параметров обучения развивается 
эволюционный подход, направленный на построение оптимального 
правила (алгоритма) обучения.
Эволюция правил обучения будет представлена дальше.
Заметим, что эволюционная концепция уже может рассматриваться как 
переход от вспомогательного к равноправному объединению 
генетического алгоритма и нейронных сетей.