Математическое моделирование процессов генетического поиска для повышения качества обучения нейронных сетей прямого распространения

ОГЛАВЛЕНИЕ
ВВЕДЕНИЕ
1 ТЕОРЕТИЧЕСКИЕ ОСНОВЫ ПРОЦЕССА ОБУЧЕНИЯ НЕЙРОННЫХ СЕТЕЙ С ПОМОЩЬЮ ГЕНЕТИЧЕСКИХ АЛГОРИТМОВ
1.1 Анализ методов обучения нейронных сетей прямого распространения
1.2 Генетические алгоритмы в качестве метода эволюционного моделирования при решении задач оптимизации.
1.3 Влияние отбора и проблема сходимости генетических алгоритмов к глобальным экстремумам целевых функций
Выводы.
2 ПУТИ ПОВЫШЕНИЯ СКОРОСТИ И УСТОЙЧИВОСТИ РАБОТЫ ГЕНЕТИЧЕСКИХ АЛГОРИТМОВ
2.1 Метод увеличения скорости генетического кодирования линейным кодом .
2.2 Мажоритарный генетический алгоритм в качестве модели эволюции диплоидных популяций
Выводы.
3 АНАЛИЗ СВОЙСТВ ГЕНЕТИЧЕСКИХ ОПЕРАТОРОВ МАЖОРИТАРНОГО ГЕНЕТИЧЕСКОГО АЛГОРИТМА
3.1 Оператор кроссинговера в мажоритарном генетическом алгоритме
3.1.1 Математическая модель оператора кроссинговера мажоритарного генетического алгоритма
3.1.2 Оценка деструктивных свойств оператора кроссинговера мажоритарного генетического алгоритма
3.2 Оператор мутации в мажоритарном генетическом алгоритме .
3.2.1 Математическая модель оператора мутации мажоритарного генетического алгоритма .
3.2.2 Оценка деструктивных свойств оператора мутации мажоритарного генетического алгоритма
3.2.3 Выбор оптимального алгоритма процесса протекания мутации на основе анализа вероятностей апостериорных гипотез .
3.2.4 Математическая модель процесса несвободной мутации в мажоритарном генетическом алгоритме
Выводы.
4 ЭКСПЕРИМЕНТАЛЬНЫЕ ИССЛЕДОВАНИЯ МАЖОРИТАРНОГО ГЕНЕТИЧЕСКОГО АЛГОРИТМА
4.1 Характеристики популяции, определяющие меру сходимости эволюционного процесса .
4.2 Решение задач глобальной оптимизации с помощью мажоритарного генетического алгоритма.
4.3 Обучение искусственных нейронных сетей прямого распространения с помощью мажоритарного генетического алгоритма
ЗАКЛЮЧЕНИЕ
СПИСОК ИСПОЛЬЗУЕМЫХ ИСТОЧНИКОВ