1. 研究目的与意义
工程中解决很多实际问题，往往需要抽象建模，将实际问题转化为一个数学模型，而实际问题的复杂性往往是线性函数不能解决的，所以数学模型往往是非线性的，在现有的函数中找出这样的一个函数是困难，这就需要得到一个近似解，通过函数逼近的方法。
人工神经网络是一种很有效的函数逼近的方法，是根据大脑中的神经元对外在事物的学习过程来进行模拟，能够构建逼近误差较小的非线性函数，使得数学模型准确，能够很好的解决实际问题。bp神经网络具有对非线性函数有很强的逼近能力，只需要三层就能够很好的逼近一个非线性函数。由于bp神经网络采用的是梯度下降算法，梯度下降算法是单点搜索算法，不具有全局搜索能力，同时由于开始的结构网络参数是随机给定的，结果容易造成不确定，容易陷入局部最小，收敛速度慢等缺点，而遗传算法可以弥补存在的一些固有缺陷。
遗传算法(genetic algorithm,简称ga)由密歇根大学的john holland教授发起的，建立在达尔文的生物进化论和孟德尔的遗传学说基础上的算法。生物群体可以通过遗传和变异来适应外在环境。进化论中认为群体在不断的发展过程中能狗越来越适应环境，父代的基本特征能够被子代所继承，但是子代不完全等同于父代，而遗传学说揭露了遗传的本质，遗传以基因的形式存在于染色体中，基因的杂交和基突变可以诞生出适应能力强的后代。因此遗传算法是一种模拟生物遗传和进化机理的启发式算法，是一种高效并行全局搜索算法，该算法具有很好的鲁棒性，具有良好的全局搜索能力，能够快速的收敛，收敛并不依赖于梯度，但是具有局部搜索能力差等缺点。
2. 研究内容和预期目标
本课题主要研究传统的bp神经网络的结构，基本原理，bp神经网络的优越性以及采用的梯度下降的原理。可以通过matlab仿真平台实现传统bp神经网络的效果，以代码的形式去体现其原理。同时，研究遗传算法的基本原理，研究遗传算法所存在的弊端，理解遗传算法对于全局搜索的优越性，利用matlab实现其寻找最值的优越性。将遗传算法应用于bp神经网络，优化bp神经网络的权值和阈值，提高损失函数收敛的速度。使用优化后的bp神经网络，进行对多维非线性函数逼近拟合以及寻找最优极值，对其拟合能力进行分析。同时，利用传统的bp神经网络对多维非线性函数进行逼近拟合，分析两种方法的拟合效果，比较两种方法的训练时间以及误差的大小。
遗传算法优化神经网络的过程如下：
（1）将bp神经网络各层结构之间的权值以及各层的权值顺序级联，产生n个染色体（2）计算误差函数，从而确定适应度函数，一般以误差平方和的倒数作为评价函数误差越大，适应度越小，判断是否符合优化标准，如果符合，转向（4）
3. 研究的方法与步骤
本课题采用将传统bp神经网络与遗传算法优化后的神经网络进行拟合对比，评价遗传算法对神经网络的作用，通过改变不同的结构，观察其对误差的影响。本课题采用的步骤如下：
1.研究神经网络的起源以及发展
2.研究遗传算法的理论与基本操作
4. 参考文献
[1] 段玉波，王磊，李飞，张新刚 《基于遗传算法的前馈神经网络结构优化》2013.4
[2] 焦纲领，王士星《基于遗传算法的神经网络参数优化研究》数学的实践与认识第42卷第11期 2012.6
[3] 李伟超，宋大猛，陈斌 《基于遗传算法的人工神经网络》计算机工程与设计第27卷第2期 2006.1
5. 计划与进度安排
进度安排：
（1）3月25日-3月30日，阅读理解bp神经网络的结构和原理
（2）4月1日-4月12日，通过matlab实现bp神经网络结构，并对非线性函数进行拟合
