摘  要： 為了提高神經(jīng)網(wǎng)絡(luò)進行函數(shù)擬合的精度，首先在三層徑向基神經(jīng)網(wǎng)絡(luò)基礎(chǔ)上通過增加網(wǎng)絡(luò)層次和改變激勵函數(shù)提出了一種四層徑向基小波神經(jīng)網(wǎng)絡(luò)，并采用遺傳算法來確定初始網(wǎng)絡(luò)參數(shù)；其次針對遺傳算法中容易早熟的缺點，在遺傳算法中引入動態(tài)平衡策略，根據(jù)適應(yīng)度的變化來動態(tài)改變遺傳算法中交叉和變異概率，從而增加算法全局探索和局部開發(fā)的平衡能力；最后通過對函數(shù)擬合試驗并與其他方法相比較表明了算法的有效性。
關(guān)鍵詞： 徑向基神經(jīng)網(wǎng)絡(luò)；小波神經(jīng)網(wǎng)絡(luò)；遺傳算法；動態(tài)平衡；函數(shù)擬合

1.2 四層徑向基小波神經(jīng)網(wǎng)絡(luò)數(shù)學模型
    (1)網(wǎng)絡(luò)輸入第p個樣本對第1層第i個神經(jīng)元的輸入為：
    

2 利用改進遺傳算法優(yōu)化四層徑向基小波神經(jīng)網(wǎng)絡(luò)
2.1 算法流程
    利用改進遺傳算法優(yōu)化四層徑向基小波神經(jīng)網(wǎng)絡(luò)，算法流程如圖2所示。

2.2 算法的改進
    遺傳算法是一種應(yīng)用很廣泛的進化算法，同時其又存在很多難以解決的實際問題，包括早熟收斂和各個算子概率的選擇以及進化后期搜索效率低。這些問題導(dǎo)致遺傳算法把握總體的能力較強，但局部搜索能力較差，最終結(jié)果往往不是全局最優(yōu)解[5-6]。因此，對遺傳算法的研究主要是避免早熟收斂和提高進化后期效率?？偟膩砜锤倪M方法有改進遺傳操作、調(diào)整遺傳參數(shù)和采用混合遺傳方法等幾種。
    交叉算子和變異算子決定了遺傳算法的收斂性。交叉算子提供了全局搜索能力，而變異算子則提供了局部搜索能力[7]。在種群進化初期，應(yīng)在種群內(nèi)大范圍地搜索，進行全局進化從而避免早熟收斂；到了進化后期，種群成熟度較高，個體更加逼近最優(yōu)解，種群應(yīng)該在局部范圍內(nèi)搜索，重點進化，盡可能提高精度。由此可知，交叉概率和變異概率的選擇很困難，具有很大的盲目性，要么根據(jù)遺傳算法理論中各參數(shù)的大致范圍來確定，或者根據(jù)開發(fā)者的經(jīng)驗來決定[8-9]。這樣的選擇方法經(jīng)常會導(dǎo)致算法陷入局部最優(yōu)，出現(xiàn)早熟現(xiàn)象。
    動態(tài)平衡策略是一種平衡全局探索能力和局部進化能力的方法。在基于動態(tài)平衡策略的遺傳算法中，首先以較大的交叉概率pc1和較小的變異概率pm1進行全局搜索，一旦發(fā)現(xiàn)一個較好的解，則改變?yōu)橐暂^大的變異概率pm2和較小的交叉概率pc2進行局部搜索，如果在搜索過程中最優(yōu)解得不到改善，則再以較大的交叉概率pc1和較小的變異概率pm1進行全局搜索。
    全局搜索主要依靠交叉算子來產(chǎn)生新個體。隨著種群的不斷進化，種群越來越成熟，個體的相似性越來越高，交叉操作很難產(chǎn)生新的個體，這將影響算法對新的解空間進行搜索，從而導(dǎo)致種群喪失多樣性，這時應(yīng)加強個體的變異。因此，交叉概率應(yīng)隨著進化過程逐漸變小，最后趨于某一穩(wěn)定值，防止算法不能收斂或收斂過程加長；同時變異概率應(yīng)當越來越大，以避免個體出現(xiàn)未成熟收斂[10-11]。
    根據(jù)上述策略，pc1和pm1將隨著進化代數(shù)動態(tài)改變：
    
式中，i為進化代數(shù)，M為總進化代數(shù)，pc1max、pc1min分別為最大最小交叉概率，pm1max、pm1min分別為最大最小變異概率。
    根據(jù)適應(yīng)度的變化來改變交叉和變異概率，也就是進行全局搜索和局部優(yōu)化的切換。假設(shè)以最大化適應(yīng)度為目標，歷代最好適應(yīng)度為gbest，當代最好適應(yīng)度為fbest，以兩者的比值g=fbest/gbest來改變交叉和變異概率，如果g>k，則進行局部優(yōu)化，優(yōu)化代數(shù)為num代，交叉概率和變異概率分別取為pc1、pm1；如果g<k，且局部優(yōu)化num代未完成，交叉概率和變異概率分別取為pc2、pm2，否則按式（1）更新交叉和變異概率。其中k∈[0，1]為系數(shù)。
3 算法有效性驗證
    為了驗證改進算法的性能，本文選擇函數(shù)擬合進行仿真實驗，并將實驗結(jié)果與其他優(yōu)化方法的計算結(jié)果進行比較。為了方便描述，本文算法簡寫為IGWRN算法，選取參考文獻[11]中提出的經(jīng)遺傳算法優(yōu)化的BP神經(jīng)網(wǎng)絡(luò)（簡稱為GABP算法）與參考文獻[12]中提出的三層徑向基小波神經(jīng)網(wǎng)絡(luò)算法（簡稱為WRBF算法）作比較，假定函數(shù)為：
    
  

    從圖3和圖4可以看出，本文提出的IGWRN算法相對于GABP和WRBF算法在擬合精度上有了較大提高。IGWRN算法運行過程中，其迭代次數(shù)與GABP相比有所增加，主要原因是IGWRN算法在發(fā)現(xiàn)較好解之后要進行局部搜索，由此降低了交叉概率，從而使得種群中產(chǎn)生較好新個體的可能性變小，特別是在進化早期，對算法的影響更大。
參考文獻
[1] 褚衍賀，陳洪建，商艷蘭.RBF神經(jīng)網(wǎng)絡(luò)在變速箱齒輪故障診斷中的應(yīng)用[J].微型機與應(yīng)用，2010，29(17)：94-97.
[2] 楊超，王志偉.經(jīng)GA優(yōu)化的WNN在交通流預(yù)測中的應(yīng)用[J].計算機工程，2011，37(14)：149-151.
[3] BUHMANN M D.Radial basis functions on compact support[C].Proceedings of the Edinburgh Mathematical Society，1998：33-46.
[4] SHAHIDEHPOUR M，YAMIN H，Li Zuyi.Market operations in electric power systems[M].John Wiley&Sons，Inc.，2002：69-76.
[5] 董福貴，張世英，譚忠富，等.基于遺傳算法的小波神經(jīng)網(wǎng)絡(luò)在電價預(yù)測中的應(yīng)用[J].計算機工程，2005，31(4)：32-33.
[6] SZU H，CAULFIELD H J.Special section on wavelet  transforms[J].Opt Eng，1992，31(9)：1823-1916.
[7] 張圓圓，景曉軍.基于快速遺傳算法的指紋匹配[J].計算機工程，2011，37(24)：13-15.
[8] 斯蕓蕓，徐道連，周卓然.基于遺傳算法和小波神經(jīng)網(wǎng)絡(luò)的語音識別研究[J].微型機與應(yīng)用，2011，30(16)：68-71.
[9] 任遠，白廣忱.徑向基神經(jīng)網(wǎng)絡(luò)在近似建模中的應(yīng)用研究[J].計算機應(yīng)用，2009，29(1)：115-118.
[10] 雷霆，余鎮(zhèn)危.一種網(wǎng)絡(luò)流量預(yù)測的小波神經(jīng)網(wǎng)絡(luò)模型[J].計算機應(yīng)用，2006，26(3)：526-528.
[11] 馮楠，王振臣.基于遺傳算法和BP神經(jīng)網(wǎng)絡(luò)的電池容量預(yù)測[J].電源技術(shù)，2011，35(12)：1586-1588.
[12] 李偉.基于小波變換和徑向基神經(jīng)網(wǎng)絡(luò)的簽名識別[J].洛陽理工學院學報(自然科學版)，2011，21(1)：65-68.