چکیده:

بسیاری از بررسی ها یك رشته بیت را با استفاده از الگوریتم  ژنتیك به منظور بیان ساختار شبکه نگاشت داده اند تا كارایی شبكه های پس انتشار خطا را بهبود بخشند. زیرا محدودیت ها در تكنیك های جستجوی گرادیان كه برای مسائل بهینه سازی غیر خطی پیچیده استفاده می شدند،اغلب كارایی متناقض و غیر قابل پیش بینی را نتیجه داده اند.این مقاله برروی چگونگی جمع آوری و ارزیابی مجدد ماتریس های وزن bpn تمركز دارد، در حالیكه عملگرهای الگوریتم ژنتیك در هر نسل به منظور بهینه سازی ماتریس های وزن پردازش می شوند. در این روش over fitting، یك اشكال از bpn هاست كه معمولا در طول مرحله بعد ازآموزش  شبكه عصبی با نزول خطای آموزش و افزایش خطای پیش بینی اتفاق می افتد ، قابل حذف شدن می باشد .این مقاله هم چنین، پارامترها و توپولوژی شبكه عصبی را در جهت افزایش امكان پذیری اجرای فضای جواب برای مسائل غیرخطی پیچیده  توسعه می دهد.

مقدمه:

مدل های شبكه عصبی مصنوعی (ANN ) به طور گسترده در كاربردهای متفاوتی استفاده شده اند. شبكه های پس انتشار خطا ، پركاربردترین مورد استفاده در شبكه های عصبی مصنوعی،برای حل تعداد زیادی از مسائل واقعی بكار گرفته شده است.

در سال های اخیر بسیاری از الگوریتم های  یادگیری به طور گسترده ای به منظور آموزش شبكه های عصبی برای حل مسائل پیچیده غیر خطی طراحی شده و توسعه یافته اند. یكی از نقص ها ی اساسی در شبكه های عصبی جاری این است كه تحقیق و پژوهش وابسته به طراحی شبكه عصبی می باشد.طراحی یك شبكه عصبی شامل انتخاب یك مجموعه بهینه از پارامتر ها ی طراحی می باشدنحقخ تا همگرایی سریع را در طول آموزش و دقت مورد نیاز را هنگام فراخوانی بدست آورد.

محققان به طور معمول شبكه های عصبی با BPN را بسیار آموزش داده اند.

دقت هر تقریب آموزش بستگی به انتخاب وزن های مناسب برای شبكه عصبی دارد.متاسفانه bp یك الگوریتم جستجوی محلی است. بنابراین موجب واقع شدن در تله می نیمم محلی می شود .اگر وزن های اولیه در یك شیب محلی واقع شود ، الگوریتم احتمالا در یك بهینه محلی قرار خواهد گرفت .محققان از روش های متفاوتی استفاده می كنند تا این ویژگی ها یbp  را تنظیم كنند.