◆张润泽

（大连理工大学 辽宁 116000）

随着理论基础的不断完善，神经网络算法得到了快速的发展，并且被广泛应用在工业设计，军事发展以及生物医学等方面，且研究过程取得了较大的进展。对于神经网络来说，学习能力是衡量神经网络算法的重要指标，但是就神经网络算法自身缺陷来说，依然存在着较大的缺陷，即通过梯度下降的模式使得最终结果落入局部最小化，导致收敛速度变慢。

1 传统BP 算法和遗传算法

1.1 传统神经元网络算法

目前的算法研究中，关于神经算法主要存在3 种，分别是前向多层神经网络，自组织神经网络以及Hopfield 神经网络，其中最为广泛使用的是前向多层神经网络，也被称之为神经网络MLFN 算法的主要结构为单向多层结构，每一层由多个神经组织单元构成，且每层的神经元组织结构在功能上是相互独立的，单向结构决定了整个网络结构中的数据信息依靠层与层之间相互传递，且数据信息只能自下而上，进行单一方向的传输[1]，例如传统的BP 算法中就是依靠Delta学习规则进行网络结构内的权值修正，在算法执行过程中，数据会从一个方向逐渐传输，直至到网络的每一个角落，而从另一个方向修正权值，第L层的第j个神经元的第i个权值的修正值定：

例如在第L层的第j个神经元上，为了将第i个输入信号和第j个输出信号进行关系连接，设定一个权值Wji，从而建立了网络中上层和下层之间的关联，这样计算出来的误差可以清晰地反映出来自上下两层，一般称之为Delta 函数：