The combination of genetic algorith

The combination of genetic algorithm and neural network for
weight training consists of three major phases. The first phase is
to decide the representation of connection weights, i.e., whether
we use a binary strings form or directly use a real number form
to represent the connection weights. Since this paper uses a real
code genetic algorithm, what we have to do is just to set each neuron’s
connection weights and bias to its correspondent gene segments.
However, it is difficult to reach convergence using the
binary-encoded simple genetic algorithms (SGA) to solve the optimization
problems that have too much design variables. So, a real
code genetic algorithm was used to overcome the disadvantages of
SGA. The second step is the evaluation on the fitness of these connection
weights by constructing the corresponding neural network.
The objective function (shown in Eq. (3)) is selected as the
fitness function directly. Because of the generalization of ANN, its
model can be used as the knowledge source for the optimization
algorithm. This method can compute the objective function in real
time. The evaluation criterion of the individuals was ‘‘LOWS-BEST”.
The third one is applying the evolutionary process such as selection,
crossover, and mutation operations by a genetic algorithm
according to its fitness. The evolution stops when the fitness is
smaller than a predefined value.

ผลลัพธ์ (ไทย) 1:

ขั้นตอนวิธีพันธุกรรมและเครือข่ายประสาทฝึกอบรมน้ำหนักประกอบด้วยขั้นตอนหลัก 3 ระยะแรกการตัดสินใจแสดงเชื่อมต่อน้ำหนัก เช่น ว่าเราใช้แบบสตริงที่ไบนารี หรือใช้แบบจำนวนจริงโดยตรงแสดงการเชื่อมต่อน้ำหนัก เนื่องจากเอกสารนี้ใช้จริงรหัสพันธุกรรมอัลกอริทึม สิ่งที่เราต้องทำเป็นเพียงการ ตั้งค่าของแต่ละเซลล์ประสาทเชื่อมต่อน้ำหนักและความโน้มเอียงของเซ็กเมนต์ยีนผู้สื่อข่าวอย่างไรก็ตาม มันเป็นเรื่องยากถึงใช้บรรจบกันเข้ารหัสไบนารีอย่างพันธุอัลกอริทึม (SGA) การปรับแก้ปัญหาที่มีตัวแปรมากเกินไปออก ดังนั้น ความจริงรหัสที่ใช้เพื่อเอาชนะข้อเสียของอัลกอริทึมทางพันธุกรรมSGA ขั้นตอนสองเป็นราคาประเมินในการออกกำลังกายเชื่อมต่อเหล่านี้น้ำหนัก โดยสร้างเครือข่ายประสาทที่เกี่ยวข้องเลือกฟังก์ชันวัตถุประสงค์ (แสดงใน Eq. (3)) เป็นการออกกำลังกายฟังก์ชันโดยตรง เพราะ generalization ของแอน ของแบบจำลองสามารถใช้เป็นแหล่งความรู้สำหรับการเพิ่มประสิทธิภาพอัลกอริทึมการ วิธีนี้สามารถคำนวณฟังก์ชันวัตถุประสงค์ในความจริงเวลา เกณฑ์การประเมินของบุคคลถูก ''ส่วน ต่ำ"คนที่สามคือใช้กระบวนการวิวัฒนาการเช่นการเลือกไขว้ และการกลายพันธุ์การดำเนินการตามขั้นตอนวิธีพันธุกรรมตามความเหมาะสม หยุดการวิวัฒนาการเมื่อออกกำลังกายที่มีขนาดเล็กกว่าค่าที่กำหนดไว้ล่วงหน้า

ผลลัพธ์ (ไทย) 2:

การรวมกันของขั้นตอนวิธีทางพันธุกรรมและโครงข่ายประสาทเทียมสำหรับการฝึกอบรมน้ำหนักประกอบด้วยขั้นตอนที่สำคัญสาม ขั้นตอนแรกคือการตัดสินใจเป็นตัวแทนของน้ำหนักการเชื่อมต่อคือไม่ว่าเราจะใช้รูปแบบไบนารีสตริงหรือโดยตรงใช้รูปแบบจำนวนจริงที่จะเป็นตัวแทนน้ำหนักการเชื่อมต่อ เนื่องจากกระดาษนี้ใช้เป็นจริงขั้นตอนวิธีพันธุกรรมรหัสสิ่งที่เราต้องทำคือเพียงแค่การตั้งเซลล์ประสาทแต่ละการเชื่อมต่อน้ำหนักและมีอคติกับกลุ่มยีนผู้สื่อข่าวของ. แต่มันเป็นเรื่องยากที่จะไปถึงการบรรจบกันโดยใช้ไบนารีที่เข้ารหัสขั้นตอนวิธีพันธุกรรมง่าย (SGA) เพื่อแก้ปัญหาการเพิ่มประสิทธิภาพปัญหาที่มีตัวแปรการออกแบบที่มากเกินไป ดังนั้นจริงขั้นตอนวิธีพันธุกรรมรหัสถูกใช้ในการเอาชนะข้อเสียของเอสจีเอ ขั้นที่สองคือการประเมินผลในการออกกำลังกายของการเชื่อมต่อเหล่านี้น้ำหนักโดยการสร้างเครือข่ายประสาทที่สอดคล้องกัน. ฟังก์ชั่นวัตถุประสงค์ (แสดงในสมการ (3).) ถูกเลือกเป็นฟังก์ชั่นการออกกำลังกายโดยตรง เพราะการทั่วไปของแอนที่ของรูปแบบที่สามารถนำมาใช้เป็นแหล่งความรู้สำหรับการเพิ่มประสิทธิภาพขั้นตอนวิธี วิธีนี้สามารถคำนวณฟังก์ชันวัตถุประสงค์ในแบบ real เวลา เกณฑ์การประเมินผลของบุคคลที่เป็น '' ระดับต่ำสุดที่ดีที่สุด ". หนึ่งในสามคือการใช้กระบวนการวิวัฒนาการเช่นการเลือกครอสโอเวอร์และการดำเนินงานการกลายพันธุ์โดยวิธีทางพันธุกรรมตามการออกกำลังกาย วิวัฒนาการหยุดเมื่อออกกำลังกายคือมีขนาดเล็กกว่าค่าที่กำหนดไว้ล่วงหน้า