Question

我正在尝试使用神经网络解决XOR问题。对于训练我正在使用遗传算法。

但经过一定代（200）后，错误卡在1.输出正确，除了1 x或0，其中输出为0而不是1 我不明白为什么会这样。

人口规模：100
交叉率：70
突变率：5
精英人数：2
激活功能：sigmoid
选择方法：7名参赛者的比赛选择

变异算法=

for (int i=0; i< individual.getNbrOfWeights(); i++)

    if (random(0,100) < mutationRate)
    {
        genome[i] = genome[i] + random(-0.1,0.1);
    }

健身计算=

double error = 0;

error = error + feedForward({0, 1}, 1);
error = error + feedForward({1, 0}, 1);
error = error + feedForward({1, 1}, 0);
error = error + feedForward({0, 0}, 0);     

fitness = error;

其中错误是目标输出

我尝试在变异中将权重设置在[-2 2]的范围内，但它甚至变得更差（误差卡在1.6中）。所以如果有必要将重量设定在一定范围内，我现在不会......

我真的需要你的帮助，先谢谢。

修改

实际上问题出现在权重初始化和变异方法上。

当我在[-1 1]之间设置权重时，算法不会收敛。但是我扩大范围越多，它就越能提供更好的结果，比如[-4 4]。
对于突变，我尝试了两种方法（突变一种随机选择的基因）：

- ＆GT;在[-0.1 0.1]之间添加随机扰动，具有5％的突变率。这样，我在第1800代获得了最好的结果（网络输出，如所需的网络输出）

- ＆GT;用新的基因改变基因的价值。新值应属于该范围。在这种情况下，我不得不将突变率设置为50％，因为算法可以收敛。并且权重必须在至少-7和7之间，否则它将不会收敛。

Answer 1

您指定了sigmoid作为激活函数，但是您应用负数，sigmoid与正数一起使用。我认为这是问题的原因。您应指定另一个激活功能，例如双曲正切函数（tanh）。

编辑：我现在很确定：重点是适应值。我怀疑你将它评估为误差（即使其最小化），同时选择具有更大适应值的更好的个体。

用神经网络和遗传算法求解XOR的问题

1 个答案: