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

 
Рис. 5.120. 
Веса, полученные по завершении обучения сети с 
толерантностью 0,03 (рис. 5.119). 
В результате обучения нейронной сети, реализующей логическую 
систему XOR с начальными значениями весов, представленными на 
рис. 5.102 и 5.32, была найдена еще одна комбинация весов, подобная 
полученным при минимизации погрешности Q с помощью программы 
Evolver. 
В принципе, сформированный в текущем примере и 
представленный на рис. 3.200 набор весов сети, обученной с помощью 
программы 
BrainMaker, 
отличается от двух аналогичных комбинаций 
«наилучших» весов из примера 3.27 только знаками. Например, если 
сравнить веса с рис. 3.200 с весами, показанными на рис. 5.37, то 
можно зафиксировать, что веса 
w
11
, 
w
12
, w
21
, 
w
22
 
изменили знаки на 
противоположные, а веса w
31,
w
32
, 
w
10
, 
w
20
, 
W
30
 
имеют в обоих случаях 
одни и те же знаки, т.е. w
31
и 
w
20
 
остались отрицательными, a
 
w
32
, 
w
10
, 
w
30
 
- положительными. Результаты тестирования сформированной сети 
(с весами на рис. 3.200) для входов 
и
1
 
= 1 и 
и
2
 
= 0 приведены на рис. 
5.119. Для пары входов 
и
1
= 0 
и u
2
= 1 значение 
у
осталось 
неизменным, т.е. равным 0,9700.
Для 
и
1
= 0 и 
и
2
= 
0, а также для 
и
1
= 
1 и 
и
2
 
= 1 выходное значение 
у
равно 0,0301.
Рассмотренные 
примеры 
иллюстрируют 
гибридный 
подход, 
основанный на объединении двух различных методов - генетического 

---

А.Е. Кононюк Дискретно-непрерывная математика 
324 
алгоритма и градиентного метода обучения весов нейронной сети, из-
вестного под названием обратного распространения ошибки. В при-
мере 3.27 для обучения нейронной сети применялся генетический ал-
горитм программы