多种群并行进化神经网络的研究及应用

提出一种新的多种群并行遗传算法 (NMPGA) ,并将其作为多层前馈神经网络(MFNNs)的学习算法 ,从而形成一类新的 MFNN模型——多种群并行进化神经网络(MPENNs)。首先 ,对一给定的网络结构 ,随机产生一初始权重的集合 ,这个集合实际上对应着一组具有相同结构但不同权重的神经网络。然后 ,采用 NMPGA对 MFNNs的权重进行进化。最后 ,性能最好的网络被选作目标问题的解。在 NMPGA算法中 ,作者采用浮点数编码来克服传统二进制编码的精度不足问题 ,并设计了专门的杂交算子和变异算子来增强算法性能。实验结果表明 ,MPENNs能成功解决异或问题、三元奇偶问题及成品烟的感官质量评价问题。

基于Spark大数据计算模型的多种群并行进化遗传算法

由于经典SPGA缺乏多种群并行进化能力,当问题规模较大时,计算效率偏低。为此,深入研究Spark大数据计算模型并行机制与多种群并行进化机制的潜在关系,将多种群并行进化机制引入经典SPGA,形成一种新的SPGA——MPE-SPGA;将提出的算法应用于TSP,选取EIL51、CH130和TSP225三种数据集,分别代表小型、中型和大型数据集。实验结果表明,提出的MPE-SPGA在小型数据集上计算时间比原算法减少3%,计算性能有小幅提升;在中型和大型数据集上,计算时间分别减少了22%和31%,性能提升显著。