我必须对具有10个参数的模型进行校准。使用GA进行校准,但为了避免GA在局部最优处的收敛,我想使用ANN来找到全局最优。我可以使用GA期间获得的相同参数值进行人工神经网络。如何做到ANN?我的模型类似于Output = F(输入,参数)。谢谢。
答案 0 :(得分:2)
GA和ANN同样可能陷入局部最小值。选择一个,并使用众多旨在避免过早收敛的技术之一。
使用GA,最重要的是降低选择压力,这样可以避免局部最小值,但代价是收敛速度较慢。假设您有时间等待选择压力极低,那么更好的解决方案可能会更有可能被选中以利于更糟。这通常适用于所有启发式参数优化 - 大多数新手都会认为快速,贪婪的收敛是一件好事。它不是。尽量让你的收敛尽可能慢,这将让你的算法探索尽可能多的奇怪的选择。
其他有用的事情:增加人口规模,增加demes(仅间歇性地“沟通”的孤立群体),重新随机化并多次运行优化,增加与一般人群相似的适应性惩罚。
答案 1 :(得分:0)
人工神经网络通常不是参数优化的良好匹配,因为人工神经网络在模式识别方面表现优异,而不是探索问题空间。既然你似乎没有远远超过人工神经网络的路径,我会按照@ Gurgeh的建议重新开始。避免GA中的局部最小值的技术。
答案 2 :(得分:0)
这听起来像是GA问题。 ANN帮不上忙。一般而言,遗传算法用于优化问题,而人工神经网络适用于解决分类问题。 GA可用于ANN优化。弱点是使用ANN进行校准。除非您可以将校准结果表示为分类假设,否则应使用GA的机制和技术来适应GA,以尽可能避免出现局部最优。