文/黄丽娟

遗传算法是计算的一种模型，模拟生物进化的遗传机制，是自然选择的生物进化过程。它是一种最优解的方法，是通过模拟自然演化过程而来。人工神经网络具有非线性自适应信息处理能力，克服了传统人工智能方法在直觉识别、语音识别、非结构化的信息处理能力等方面的不足。并且成功应用在模拟识别、优化组合、预测等领域。人工神经网络模拟人类认知的方向上得到了更为深入的发展。结合遗传算法形成计算智能已经成为人工智能的一个重要方向，并将在文本检索中得到发展。

1 遗传算法

遗传算法作为一种现代的优化的方法，借鉴进化论和遗传学的理论。它的本质是一种搜索方法。本文将遗传算法应用于文献检索优化设计中，以获得较好的全局最优解。遗传算法的基本操作是基于编码机制，模拟自然选择和遗传中的复制、交叉和变异现象，遵循优胜劣汰的原则，在潜在的条件下，逐一生成近似最优方案。求解种群，从而进行种群优化，最终得最优个体。

使用遗传算法，首先，设计遗传优化模型。设计遗传算法的过程基本上可分为几个步骤，编码方案的制定、适应度函数的确定、选择策略的确定、交叉和变异操作的设计以控制参数的选择。遗传算法的设计完成后，可以根据遗传优化算法的结构进行编程和实现，可以解决具体问题。

2 人工神经网络模型算法

作为人工智能研究的一种方法，人工神经网络具有很强的非线性映射能力。人工神经网络的拓扑结构，它属于多层感知器结构，包括输入、输出和几个隐藏层。在运行网络过程中，首先，信息的输入通过输入层的节点传到隐藏层。节点的激活函数计算后，将每个节点的计算的信息传到输出节点，得到最后的输出结果。bp 算法是人工神经网络中应用最广泛的模型算法。本文将bp 算法应用于文本检索的优化。在优化过程中，利用人工神经网络计算检索结果，保证了训练样本的准确性，大大减少了优化计算量，提高了计算效率。

所谓BP 算法，即反向误差传递法，分为正向和反向两个传播阶段。在正向的传播阶段，信息通过不同的交换从输入层传播到输出层。这个过程也是训练结束后网络正常运行的过程。在此过程中，网络执行以下操作：

式中：Xp表示第p 个样本输入，W(1)、W(2)、…、W(n)分别表示第1、2、…、n 层的权值向量，而F1、F2、…、Fn对应各层的激活函数；Op为网络输出值。反向传播阶段是根据最小误差调整权重矩阵的阶段。这两个阶段的工作一般应按精度要求进行控制。这里我们对第p 个样本进行误差测量：

式中：m 为输出层的神经元个数；apn表示第p 个样本的理想输出向量所包含的第n 个元素。最后将网络关于整个样本集的误差测度定义为

3 人工神经网络的深度学习过程

最早的感知器是一个线性分类模型，它是一个线性表达式，因此在二维草图中不可能找到一条直线来区分两类数据点。为了解决这个问题，出现了多层感知器。最重要的特点是神经元层次多，所以又称为深神经网络。

信息由第一层次逐步向更高层次传递。在图1中，神经元的第一层是输入层，最后一层是输出层，中间层称为隐藏层。重要的是，在深度的神经网络，隐藏层中的数字没有很严重的限制，可以根据实际使用需要来设计。在深层神经网络中，信息的传递是一个从第一层到更高层的渐进过程。

假设第一层是输入层，输入信息是x1、x2、x3。对于第一层，L1 用于表示该层中的所有神经元，其输出为y1。由多层神经元组成的深层神经网络，本质上是通过在具有复杂网络结构的多维空间中拟合高阶多项式来表达的，从而避免了一阶线性表达式的局限性，并求解类似的异或问题。

一般来说，深度神经网络是按照一定的网络结构设计的，输出结果通过权值计算给分类激活函数进行分类。假设输入是任意向量x，一旦网络模型被训练和确定，网络本身本质上就是多维空间中的复函数。假设分类激活的值是y，那深神经网络就可以理解成一个复函数的变换，使得y=F(x）。

4 深度神经网络的识别过程应用于人工智能

深度神经网络是人工神经网络的一种重要的形式，在文本识别、大数据分析等领域得到了越来越广泛的研究和应用。有效的网络模型设计在不同的应用中会有所不同。为了便于理解，假设深层网络已经过训练，其识别过程只是一个简单的前向函数计算问题。假设输入是向量x，输出y=f（x）？其中f 由训练的网络结构和参数确定。

以深部神经网络为例，介绍了其训练过程的基本原理。辨识过程：依据输入计算网络输出正向的原理。总得来说，训练过程是通过监督的学习来计算每一次训练的误差，并沿着误差减小的方向逐步迭代参数，使网络最终稳定。

获得了每层的深度神经网络的参数调整的方法，并且依据此方法进行连续迭代来完成训练的整个过程。并且在实际的训练的过程当中，有可能会出现如梯度消失、误差振荡等等异常处理的情况，这些问题都需要专业技术人员来分析和调整，从而给出相应的最优解决方案，以保证训练效果。将神经网络算法融到深度的学习中来，以此可以提高人工智能的深度和广度的层次关系。它将可以广泛应用在驾驶、智能的交通、图像的识别、大数据的分析等等领域。

5 人工神经网络与遗传算法的结合是必要的

人工神经网络是具有比较强的自我适应、自我学习、自我组织和大规模并行处理的能力中这几年来，人工神经网络广泛应用在工业、科研、医药、商业等等的社会生活的领域。它的应用主要是在飞机型号的识别和预测上面。人工神经网络在纺织业中也有广泛的应用，但是如何高效地确定神经网络的参数及结构，特别是确定神经网络中隐层的神经元的数目，一直是神经网络研究的重难点。为了得到合理的参数和结构，需要进行很多的实验研究，目前还要进行训练。虽然训练速度慢，容易陷入局部最优的情景，并且全局搜索能力比较弱。所以遗传算法的固有特点可以对人工神经网络进行优化。虽然遗传算法不凡也有缺点。如果问题的解空间较大或者实时性的要求比较高的时候，遗传算法可能会面临迭代次数过多，从页导致的运行速度约束。并且遗传算法也需要不断地生成新的不一样种群，每一个个体都需要计算出适应的度值，才可以大大地限制算法的运行速度。假如两者能有机结合，相辅相成，新制度将兼有两者之优点，就可以达到扬长避短的目标。人工神经网络善于从数据中进行学习，但遗传算法却善于解决复杂的全局优化的问题，具有比较强的全局寻优能力。遗传算法在搜索适应性、广度等方面优于人工神经网络，但人工神经网络在学习精度和优化方面优于遗传算法。两种技术的结合将产生强大的生命力。

综合以上的阐述，神经网络在自动识别和学习等方面具有较强的优势，但全局搜索能力却比较弱，而遗传算法对于全局优化问题却具有较强的处理能力，全局优化效果明显。因此，利用遗传算法优化的神经网络是可以处理复杂的非线性问题，能优势互补。因此，将遗传算法跟人工神经网络相结合必将为人工智能的科学提供一条捷径，所以本研究具有一定的可行性和前沿性。