目录
1 选题的背景和意义
1.1 选题的背景和意义
1.2 国内外研究现状及发展趋势
1.2.1 人工神经网络
1.2.2 遗传算法
1.2.3 发展趋势
2 研究的基本内容
2.1 基本框架
2、简要概述神经网络与遗传算法基本原理。
2.2 研究的重点和难点
2.3 拟解决的关键问题
3 研究的方法及措施
4 预期成果
2、资料收集准备阶段
3、论文写作及答辩阶段
3月下旬－5月下旬 论文修改、定稿、小组答辩；
参考文献
1 选题的背景和意义
1.1 选题的背景和意义
本课题牵涉神经网络和遗传算法。两者都是当今广泛应用的智能算法。两者有共同点也有不同点，有各自的优点和缺点。人们也尝试将两者结合，实现互补。在结合过程中最常见的便是用遗传算法作为训练神经网络的算法。众所周知，神经网络的经典算法一直难以克服陷入局部极小点的缺点，而遗传算法的随机特征能一定程度克服这个缺点。本文另辟蹊径，将神经网络应用于遗传算法中。适应度函数作为遗传算法的重要组成部分，通常是事先确定的。比如在用遗传算法搜索函数最小点时，函数本身就是天然的适应度函数。但是认真想一想，把这个函数作为适应度函数其实也并不完全好。函数值的大小并不一定反应该点是否接近最小值，或者保留它有利于搜索最小值。本文利用神经网络来训练适应度函数，避免适应度函数对遗传算法中单个“染色体”或“物种”做出过于严格的判断。此外，适应度函数如果太复杂会使计算负担加重，而神经网络一般只涉及简单得计算，故而可以提高效率。
如果该方法能够成功，那么我们不仅提供了一种新的优化方法，而且能更加真实地反应物种进化的过程。对生物学研究也会有启发。
1.2 国内外研究现状及发展趋势
1.2.1 人工神经网络
神经网络算法研究在80年代迎来高潮，揭开神经网络计算机研制序幕的是美国加州理工学院生物物理学家John Hopfield提出了Hopfield模型。1984年，他又提出了连续时间Hopfield神经网络模型，为神经计算机的研究做了开拓性的工作，开创了神经网络用于联想记忆和优化计算的新途径，有力地推动了神经网络的研究，1985年，又有学者提出了波耳兹曼模型，在学习中使用统计热力学模拟退火技术，保证整个系统趋于稳定。
1986年进行认知微观结构地研究，提出了并行分布处理的理论。1988年，美国加州大学的蔡少堂等人提出了细胞神经网络(CNN)模型。2004年，武妍[8]等人提出一种将输入调整与权值调整的BP算法相结合并通过双重调整最小化误差函数的基于结果反馈的神经网络训练算法。该算法成功地提高了神经网络的泛化能力。隋婷婷和王晓峰[49](2016)针对传统神经网络模型的不足，提出一种基于CLMF的深度卷积神经网络。在同种条件下该算法复杂场景下目标正确识别率更高，且速度也更快。至今，提出的神经网络模型已经有数百种，关于神经网络的研究还在持续不断的进行中。
1.2.2 遗传算法
在遗传算法的研究中，主要有三类研究方向：
（1）研究遗传算法的理论。
（2）用遗传算法作为一种工具解决实际工程问题。主要进行优化，关心的是能否在传统方法上有所改进。
（3）用遗传算法研究进化现象，主要涉及到人工生命等复杂性的科学领域。
对于遗传算法优化更是有许多的研究：
D.Whitey(1991)在他的论文中提出了基于领域交叉的交叉算子，这个算子是特别针对用序号表示基因的个体的交叉，
