论文部分内容阅读
人工神经网络(Artificial Neural Network)是一门是近年来再度兴起并得到迅速发展的前沿交叉学科，它是一种在对人脑组织结构和运行机制的认识理解基础之上模拟其结构和智能行为的工程系统。它拥有很好地非线性泛化能力。目前，神经网络已经广泛应用于自动控制领域、处理组合优化问题、模式识别、图像处理、传感器信号处理、机械人控制、信号处理、卫生保健、医疗、商业预测、化工领域、焊接领域以及数据挖掘、电力系统、交通、军事、矿业、农业和气象等方面。 但是，在实际应用中，这种经典的网络算法存在着诸多的缺陷，其中之一就是局部极小值问题。在收敛过程中时常导致结果的振荡，并且有时候收敛不到精确的解。 为了解决这个问题，本文将生物仿生算法——遗传算法、蚁群算法应用于神经网络的权值优化当中。本文利用遗传算法的优秀的全局收敛能力，首先通过遗传算法找到权值的全局最优解。而后，为了弥补遗传算法在收敛精度上的不足，再通过蚁群算法将权值收敛到任意精度的全局最优解。同时，文本通过对传统遗传算法的改进，增强了其收敛到全局最优值的能力，通过对蚁群算法的改进，增强了其收敛到全局最优的能力和收敛的速度，并且取得了非常好的效果。最后基于前面的研究，本文设计了基于遗传蚁群算法的系统，并将调整后的海关进出口数据用于该系统做实证分析。结果表明，遗传蚁群算法能够很成功地使神经网络权值收敛到全局最优解。