目录
1 背景
2 国内外研究现状
2.1 神经网络国内外的现状和研究
2.2 遗传算法国内外的现状和研究
2.3 神经网络和遗传算法结合的国内外现状和研究
参考文献
基于神经网络的遗传算法
1 背景
随着计算机的发展，基于人工智能的互联网时代已经来临。人们开始感受到计算机和人工智能技术的影响。计算机技术不再只属于实验室中的一小群研究人员。个人电脑和众多技术杂志使计算机技术展现在人们面前。不可否认的是人工智能已经并且将继续不可避免地改变我们的生活。而遗传算法作为一种在计算机科学人工智能领域中全新的全局优化搜索算法，以其简单通用、鲁棒性强、适于并行处理以及高效、实用等显著特点，在各个领域得到了广泛应用，取得了良好效果，并逐渐成为重要的智能算法之一。
本课题涉及的另一种算法——神经网络，同样是重要的智能算法之一。目前，人工神经网络(ANN)的研究取得了令人瞩目的重要进展，有关的理论和方法已经发展成一门介于物理学、数学、计算机科学和神经生物学之间的交叉学科。它在模式识别，图像处理，智能控制，通信，机器人以及专家系统等领域得到广泛的应用。
上述两者有共同点也有不同点，有各自的优点也有缺点。人们也尝试将两者结合，实现互补。最常见的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。适应度函数是遗传算法的重要组成部分。适应度函数通常是事先确定的。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的计算，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。
2 国内外研究现状
2.1 神经网络国内外的现状和研究
神经网络（Neural Network，即NNs）是心理学家W.S.McCulloch和数理逻辑学家W.Pitts于1943年建立的一种基于现代神经科学，反映人脑结构及功能的一种抽象数学模型。
J.J.Hopfield[1]等人提出了可用作联想存储器的互联网络，这种网络称为Hopfield模型，并用它探讨了旅行商问题的求解方法。这种网络模型是一种循环神经网络，具有很强的计算能力和稳定性。只是该模型不能用来描述许多由同一种介质组成的系统，如生命系统。
L.O.Chua[2]（蔡少棠）等人在Hopfield模型的基础上做出了一定的推广和发展，提出了细胞神经网络（CNN）。这是一种由多个细胞神经网络组成的生物视觉信息处理模型，充分利用了细胞神经网络的并行处理能力，并且具有快速性。
Rumelhart[3-4](1986)等学者出版了《Parallel distribution processing: explorations in the microstructures of cognition》，对具有非线性连续转移函数的多层前馈网络的误差反向传播算法即BP算法进行了详尽的分析，解决了没有权值调整有效算法的不足。BP神经网络算法是目前最引人注目、应用最广泛的神经网络算法之一。
Jeffury Elman[16-18]针对语音处理问题提出了一种具有局部记忆单元和局部反馈连接的前向神经网络，称为Elman神经网络。
