⑴ 遺傳演算法優化概率神經網路的matlab代碼
原理大概是，設置一個初始種群，種群里的個體就是平滑因子，經過遺傳演算法的選擇、交叉、變異後，逐漸找到一個最佳的spread，即為最終結果。
附件是一個GA-BP演算法的程序，雖然不同，但是原理是相近的，可以參考。
遺傳演算法的基本運算過程如下：
a)初始化：設置進化代數計數器t=0，設置最大進化代數T，隨機生成M個個體作為初始群體P(0)。
b)個體評價：計算群體P(t)中各個個體的適應度。
c)選擇運算:將選擇運算元作用於群體。選擇的目的是把優化的個體直接遺傳到下一代或通過配對交叉產生新的個體再遺傳到下一代。選擇操作是建立在群體中個體的適應度評估基礎上的。
d)交叉運算：將交叉運算元作用於群體。遺傳演算法中起核心作用的就是交叉運算元。
e)變異運算：將變異運算元作用於群體。即是對群體中的個體串的某些基因座上的基因值作變動。
群體P(t)經過選擇、交叉、變異運算之後得到下一代群體P(t+1)。
f)終止條件判斷:若t=T,則以進化過程中所得到的具有最大適應度個體作為最優解輸出，終止計算。
⑵ 遺傳演算法優化BP神經網路權閾值的適應度評價函數
評價閾值好壞的標准應該是：（網路實際輸出T-理論輸出P）的平方和。這里的實際輸出指神經網路計算值，理論輸出表示期望輸出值。
這個平方和值應該盡量小。越小說明神經網路計算越准確。