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

5.3.7.1. Эволюция весов связей 
Эволюционный подход к обучению нейронных сетей состоит из двух 
основных этапов. Как указывалось ранее, первый из них - это выбор 
соответствующей схемы представления весов связей. Он заключается в 
принятии решения - можно ли кодировать эти веса двоичными 
последовательностями или требуется какая-то другая форма. На 
втором этапе уже осуществляется сам процесс эволюции, основанный 
на генетическом алгоритме.
После выбора схемы хромосомного представления генетический 
алгоритм применяется к популяции особей (хромосом, содержащих 
закодированное множество весов нейронной сети) с реализацией 
типового цикла эволюции, состоящего из четырех шагов.
1) Декодирование каждой особи (хромосомы) текущего поколения для 
восстановления множества весов и конструирование соответствующей 

---

А.Е. Кононюк Дискретно-непрерывная математика 
284 
этому множеству нейронной сети с априорно заданной архитектурой и 
правилом обучения.
2) 
Расчет 
общей 
среднеквадратичной 
погрешности 
между 
фактическими и заданными значениями на всех выходах сети при 
подаче на ее входы обучающих образов. Эта погрешность определяет 
приспособленность особи (сконструированной сети); в зависимости от 
вида сети функция приспособленности может быть задана и другим 
образом.
3) Репродукция особей с вероятностью, соответствующей их 
приспособленности, либо согласно их рангу (в зависимости от способа 
селекции - например, по методу рулетки или ранговому методу).
4) Применение генетических операторов - таких как скрещивание, 
мутация и/или инверсия для получения нового поколения.
Блок-схема, иллюстрирующая эволюцию весов, представлена
на рис. 5.55.

---

А.Е. Кононюк Дискретно-непрерывная математика 
285 
Рис. 5.55. Блок-схема генетического алгоритма поиска наилучшего 
набора весов нейронной сети (случай эволюции весов). 
В соответствии с этой схемой были рассчитаны веса для нейронной 
сети, реализующей систему XOR с помощью программы