74、神经网络与进化计算：原理、案例及硬件实现探索

神经网络与进化计算：原理、案例及硬件实现探索

1. 遗传算法在神经网络中的应用案例

1.1 遗传算法基础与欺骗问题

遗传算法（GAs）主要通过交叉函数重组种群成员的表征组件来生成新解，同时也会使用一定程度的变异，但重点在于交叉操作。当适应度与表征部分的预期能力相关性不佳时，特定任务环境会呈现出欺骗性。这种欺骗问题主要体现在以下几个方面：
- 竞争约定问题 ：相同的网络可能因解释函数的同态性而具有不同的搜索表征，导致后代解决方案包含重复组件，且往往不如父代网络适应度高。
- 交叉算子不兼容 ：交叉算子与不同拓扑结构的网络常常不兼容。
- 多解与低概率 ：对于预定义任务，特定拓扑可能有多个解，每个解的互连和权重分布不同，这大大降低了生成可行后代解决方案的概率。

1.2 应对欺骗问题的方法

为减少遗传算法在进化连接主义网络时对欺骗现象的敏感性，Koza和Rice利用遗传编程（GP）技术生成具有比传统GA二进制表征更复杂表征的神经网络，避免使用对神经网络解决方案搜索有强烈偏差的解释函数。

1.3 不同算法案例

• GNARL算法 ：该算法通过结构级突变进行拓扑选择，同时通过突变进化连接权重。在食物跟踪任务测试中，它能同时进化架构和参数，且对架构搜索空间限制较少，得到了许多有趣且适应度高的解决方案。
• Kohonen特征图拓扑优化 ：Polani和Uthmann使用遗传算