摘要
提出了一种分布计算环境下并行进化神经网络的实现机制 :集中式粗粒度模型 .该模型基于并行遗传算法 ,可以同时对前馈神经网络的结构和权值进行优化 .在分布计算环境中的实现为其在分布式网络中的应用开辟了广阔的前景 .初步的实验结果表明该模型可以加快神经网络的进化速度 ,提高进化的效率 .
Parallel Genetic Algorithms (PGAs) were used to simultaneously optimize the structure and weights for feed-forward neural networks. Aiming at its large-scale application in common distributed network system, a concentrative coarse-grained model for parallel evolutionary neural networks is designed and realized in a laboratorial distributed computation environment. The initial results of experiments indicate that the parallel model can quicken the searching process and improve the evolutionary efficiency.
出处
《系统工程理论与实践》
EI
CSCD
北大核心
2003年第6期74-79,共6页
Systems Engineering-Theory & Practice
基金
国家自然科学基金 ( 70 1 0 1 0 0 8)
清大学经济管理基础研究基金资助
清华大学骨干人才支持项目
关键词
并行进化神经网络
分布计算环境
集中式粗粒度模型
parallel evolutionary neural networks
distributed computation environment
concentrative coarse-grained model
