Оптимізація штучної нейронної мережі у середовищі MATLAB
1398
Готова лабораторна робота
на тему “Оптимізація штучної нейронної мережі за допомогою генетичних алгоритмів у середовищі програми MATLAB”
МЕТА РОБОТИ
Вивчити і закріпити знання та основні аспекти роботи, а також отримати практичні навички оптимізації штучної нейронної мережі за допомогою генетичних алгоритмів у середовищі програми MATLAB.
ТЕОРЕТИЧНІ ВІДОМОСТІ
1. Оптимізація штучної нейронної мережі за допомогою генетичних алгоритмів. У розглянутих в попередніх лабораторних роботах прикладах використовуються окремі випадки значень параметрів моделі нейронної мережі
; (1)
де , – постійні вхідні сигнали та стани мережі відповідно; – скаляр, що відповідає вхідній провідності нейрона ; – скаляр, який відповідає вхідній ємності нейрона ; – коефіцієнт підсилення активаційної функції ; – діагонально-стабільна симетрична матриця з , ; ; ; ; , – локально неперервна за Лівшицем та нелінійно діагональна,
, для кожного , , .
Для інших , , та зони розподілу зон кількості переможців відповідно змінюється, тому для гарантування коректного функціонування мережі у необхідному регіоні вказані параметри повинні бути адекватно адаптовані. У нормальному режимі необхідно вибрати лише одного переможця серед будь-яких двох вхідних сигналів з діапазону , . Тому мають бути знайдені значення параметрів , , та , які гарантують коректне функціонування мережі у діапазоні зміни . Для того, щоб визначити такі параметри, необхідно розв’язати наступну задачу параметричного синтезу.
Задача параметричного синтезу. Знайти такі значення параметрів , , та які задовольняють умови
;
;
, ,
що для всіх пар у діапазоні модель (1) демонструє лише одного позитивного компонента у встановленому режимі.
При умові:
, (3)
де , , – роздільна здатність вхідних сигналів мережі існування властивості
; , (4)
де , , у встановленому режимі лише позитивний компонент вектора буде відповідати найбільшому компоненту вектора . Тому може бути запропонований наступний алгоритм отримання шуканих параметрів:
крок 1: задаються початкові значення та , які задовольняють нерівності з умови (3) та нерівностей , ;
крок 2: знаходження значень та в результаті розв’язання сформульованої задачі параметричного синтезу.
ЗАВДАННЯ
Реалізувати генетичні алгоритми у середовищі MATLAB. Написати М-файл для функції, яку треба оптимізувати. Запустити генетичний алгоритм. Продемонструвати графіки результатів.
ХІД РОБОТИ
1. Створення М-файлу для функцій, які треба оптимізувати
function z = mc_lab (x)
z = x(1) ^3 – 5*x(1) *x(2)+ 10*x(1)+ x(2) ^3 – 4*x(2).
Для того, щоб перевірити, що М-файл повертає правильне значення, треба ввести t_ivastchuk ([2 3]). Отримана відповідь буде мати такий вигляд: ans =13.
2. Виклик генетичних алгоритмів
Рис. 1. Панель інструментів генетичних алгоритмів
Для використання панелі інструментів генетичних алгоритмів треба ввести інформацію про:
· функція придатності – цільова функція, яку треба мінімізувати. Ввести функцію придатності потрібно у формі @ mc_lab, mc_lab.m – М-файл, який обчислює функцію придатності. Знак @ вказує шлях функції до mc_lab.
· число змінних – довжина вхідного вектора функції придатності. Для функції mc_lab, описаної при написанні М-файлів, яку треба оптимізувати, вводимо 2.
Щоб запустити генетичні алгоритми, треба клацнути на клавіші Start. Панель інструментів покаже результати оптимізації в полях Status i Results.
, , де x – кінцева точка, що повертається алгоритмом.
, де fval – значення функції придатності в кінцевій точці.
Рис. 2. Задання параметрів в панелі інструментів генетичних алгоритмів
ОТРИМАНІ РЕЗУЛЬТАТИ
Рис. 3. Отримані результати по Generation, Number of variables
Generation – покоління;
Number of variables (2) – число змінних 2;
ВИСНОВОК
На даній лабораторній роботі, я вивчила і закріпила знання та основні аспектів роботи, а також отримала практичні навички оптимізації штучної нейронної мережі за допомогою генетичних алгоритмів у середовищі програми MATLAB. Створила М-файл, в якому записала свою функції, яку оптимізувала за допомогою генетичних алгоритмів. Отримала результати оптимізації.