[发明专利]一种结合堆叠降噪稀疏自动编码器的遗传算法

权利要求书

1.一种结合堆叠降噪稀疏自动编码器的遗传方法，具体包括如下步骤：

(1)使用堆叠降噪稀疏自动编码器对环境图像进行特征提取；

(2)经过SOM神经网络将堆叠降噪稀疏自动编码器所提取的特征映射拟合作为个体适应度值；

(3)利用遗传算法根据得到的个体适应度值完成机器人的任务分配；

所述的步骤(1)具体包括：

(1.1)对原始输入进行预处理，根据特定环境选择在输入时加入特定类型的噪声，原始输入x处理后的随机映射表达为

(1.2)将经处理后的环境图像x⁽ⁱ⁾输入编码器，由编码器对其进行编码操作，编码器函数为y⁽ⁱ⁾＝f_θ(x⁽ⁱ⁾)＝s(Wx⁽ⁱ⁾+b),其中θ＝{W,b}为网络参数,W代表y⁽ⁱ⁾的权重矩阵，b代表偏置向量，s(x)＝1/(1+e^-x)为激活函数；输入数据经编码器处理后得到隐藏特征表达y⁽ⁱ⁾；

(1.3)将隐藏特征表达输入解码器进行解码处理，解码器函数为g_θ'(y)＝s(W'y+b')，其中θ'＝{W',b'},W'为g_θ'(y)的权重矩阵，取W'＝W^T，W^T为W'的转置矩阵，b'为偏置向量；输入数据经过编码解码操作得到重构向量z⁽ⁱ⁾；根据公式L(x,z)＝||x-z||²得到重构误差L(x,z)；

(1.4)对模型参数进行优化调整，最小化重构误差；{θ,θ'}用最小均方误差来优化网络参数，其表达式为：

其中，m为样本个数，L为代价函数，采用交叉熵代价函数；

n为样本维数；

(1.5)用深度网络结构的形式，将降噪稀疏自动编码器逐层堆叠，形成一个由编码器上下连接而成的模型结构，即为堆叠降噪稀疏自动编码器；

所述的步骤(1.2)具体包括：

在输入数据经编码器处理时加入稀疏限制，加入了稀疏限制之后代价函数表达式为：

λ代表代价函数中的权重衰减系数，β为稀疏性代价系数，s为隐藏层中神经元的数量，l为网络层数；稀疏限制其中ρ为稀疏参数；表示某一层网络节点输出值的平均值，表示某一层节点的输出值；

所述的堆叠降噪稀疏自动编码器具体包括：

对网络进行训练时，一层的输出作为后一层的输入，逐层进行训练，第一层降噪稀疏自动编码器，用编码函数f_θ对输入x进行降噪编码，第一层的结果输出作为第二层的样本输入，并训练得到第二层的编码函数整个深度网络过程以此重复，依次类推；经过由深度网络结构的降噪稀疏自动编码器所提取的特征作为输入传入SOM神经网络；

所述的步骤(2)具体包括：

(2.1)SOM网络初始化，即初始化网络权值：随机指派任意值作为权值的初始参量分别赋给输入层和映射层；

(2.2)将堆叠降噪稀疏自动编码器所提取特征作为输入层输入；

(2.3)利用欧式距离计算公式计算映射层W_j的权值与输入层X的距离，

式中，W_ij为输入层i神经元和映射层j神经元之间的权值,X_i为输入数据，m为样本数；通过计算，对于任意的j，都有某个单元k，使得d_k＝min_j(d_j)，称该神经元为获胜神经元，记为j*；

(2.4)修正输出神经元j*及其邻接神经元的权值：

Δw_ij＝w_ij(t+1)-w_ij(t)＝η(t)[x_i(t)-w_ij(t)]；

式中，η为介于0和1之间的变量，随时间变换逐渐下降至0，

(2.5)计算输出O_k：f(*)为非线性函数；所得结果若符合SOM网络设定要求，即可作为遗传算法适应度值依据，遗传算法根据O_k进行遗传算子操作；

所述步骤(3)具体包括：

(3.1)编码，确定初始种群：染色体的基因顺序值表示机器人编队编号，字串值表示要完成任务的目标编号，机器人编队编号与任务的目标编号形成一种映射关系；

(3.2)根据堆叠降噪稀疏自动编码器所提供的所有机器人个体适应度值对机器人进行遗传算子操作：产生随机数若q_i-1≤μ≤q_i，则选择染色体C_i；重复N_s次，得到新选出的染色体组C'_i∈C,i＝1,2,...N_s；

所述步骤(3.2)具体包括：

(3.2.1)采用单点交叉的方法，以概率P_c进行交叉运算：从[0,1]中产生随机数P，若P＜P_c，则选择C_i作为一个父代；确定父代后，对其进行随机组合；对于每一组染色体，产生随机整数c∈[1,l]，对染色体进行交叉；交叉完成后，检验每一后代的可行性；若两个后代均可行，则用它们代替其父代，否则保留其中可行的，重复交叉过程直到所有后代都可行或达到指定次数为止；

(3.2.2)采用逆转变异算子，在个体中随机挑选两个逆转点，再将两个逆转点间的基因交换：从[0,1]中产生随机数P，若P＜P_m，则选择C_i作为变异染色体；变异染色体确定后，产生k个[0,n]范围内的随机整数作为新的染色体，若该染色体不满足条件，则重复进行上述变异过程直到变异染色体可行或达到指定的次数为止；

(3.2.3)当连续N代子代种群的最优染色体适应度都≤父代最优染色体的适应度时，即算法终止，得到的染色体即最优任务分配方案。