Mexatronika va robototexnika: muammolar va rivojlantirish istiqbollari

38 
Суфиохунова Г.Ж. 
ГЕЛИОҚУРИЛМАЛАР КУЗАТИШ ТИЗИМИДА ҚЎЛЛАНИЛУВЧИ 
ДАТЧИКЛАР ТАҲЛИЛИ 
198 
39 
Хамидов Б.Т., Кодирова Д.Б. 
ОБУЧЕНИЕ НЕЙРОННЫХ СЕТЕЙ С ПОМОЩЬЮ 
ГЕНЕТИЧЕСКИХ АЛГОРИТМОВ 
201 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 

---

201 
ОБУЧЕНИЕ НЕЙРОННЫХ СЕТЕЙ С ПОМОЩЬЮ 
ГЕНЕТИЧЕСКИХ АЛГОРИТМОВ 
 
1Хамидов Б.Т., 2Кодирова Д.Б. 
1Ташкентский химико-технологический институт, доцент 
(998)8166128, 
[e-mail]
 
2Ташкентский химико-технологический институт, магистрант 
Аннотация. В данной статье подробно рассмотрен пример построения 
генетического алгоритма. Также приведен пример использования данного 
алгоритма для обучения нейронных сетей. Рассматриваются варианты 
преобразования классической схемы алгоритма для решения задачи обучения 
нейронных сетей.
Ключевые слова: генетические алгоритмы, нейронные сети, персептрон, 
кодирования, хромосома. 
В настоящее время создано большое количество архитектур 
нейронных сетей и методов их обучения [3]. Наиболее распространенной 
является связка – многослойный персептрон (далее МП) и алгоритм 
обратного распространения ошибки. Для МП также применяют и другие 
методы, в частности для «грубого» обучения применяют RProp, для «точного» 
- 
квазиньютоновские 
методы 
и 
др. 
Данные 
методы, 
в 
основном градиентные и не лишены недостатков. Один из основных – 
точные значения градиента не всегда доступны и кроме того решение 
задачи 
оптимизации 
в 
условиях 
большой 
размерности 
требует 
значительных вычислительных, а следовательно, и временных затрат [3,4].
При использовании генетических алгоритмов для обучения многослойный 
персептрон 
можно 
действовать 
двумя 
способами. 
Первый–искать 
непосредственно комбинацию весов синоптических связей нейронной сети, а 
второй – искать нейронную сеть с нужными параметрами (количество слоев и 
нейронов в них, функция активации, входы–выходы сети и т.д.), то есть 
решается задача структурной оптимизации. В первом случае генерируются 
банки особей нейронных сетей и генетическим алгоритмом ищется комбинация 
синаптических весов, то есть методы обучения нейронных сетей при данном 
подходе не используются! А во втором случае генерируются особи с разными 
параметрами и с помощью выбранного метода обучения или нескольких эти 
нейронные сети обучаются. Одной из областей применения генетических 
алгоритмов является обучение нейронной сети [1]. В данной работе 
рассматривается генетический алгоритм синтеза архитектуры многослойной 
сети прямого распространения, определяемой числом слоев и числом нейронов 

---

202 
в слое Процесс обучения нейронной сети с помощью генетического алгоритма 
разбивается на два этапа:
на первом этапе с помощью генетического алгоритма осуществляется 
поиск общих параметров нейронной сети, а именно: количества скрытых слоев 
и нейронов в каждом слое;
на втором этапе генетический алгоритм используется для поиска 
значений связей между нейронами и функций активации. 
Целевая функция задается для множества примеров и представляет собой 
максимальное относительное отклонение от эталонного значения, выраженное 
в процентах. Цель применения эволюционной парадигмы – минимизация 
функции 
С =
k
max
j = 1
(y
ij
′
− y
ij
)
y
ij
∙ 100% 
где k – количество примеров; yij’ – значение i-го выхода нейронной сети 
для j – того примера.
В данной работе предлагается два способа кодирования хромосом. В 
первом случае разработка структуры хромосомы производится так, чтобы гены 
в одних и тех же локусах хромосом являлись гомологичными, так как это 
упрощает выполнение генетических операторов кроссинговера и мутации.
Число генов в хромосоме постоянно и равно максимальному числу слоев 
нейросети. Ген g1 соответствует входному слою, а ген gn – выходному слою. 
Гены g2, …, gn-1 соответствуют скрытым слоям. Структура связей между двумя 
соседними слоями соответствует полному двудольному графу. Значением гена