Algoritmos backpropagation y genetico

Algoritmo de retro propagación Sean: Wji = Peso para la neurona j en la capa k que esta conectado desde la neurona i en la capa k-1. F = Función de activación (contínua y diferenciable) Opj =F(NETpj) Salida del j-ésima neurona. NETpj = S WjiOpi Donde Opi corresponde a la entrada de la red (Xi) Sila neurona i está en la primera capa de la red (k=0). DpWji = Incremento en el peso Wji provocado porel p-ésimo patrón. 1.- Inicialice todos los pesos y valores umbrales de la red con número reales pequeños generados al azar. 2.- Repita lo siguiente hasta que el error ET del conjunto deentrenamiento sea aceptablemente pequeño, o alguna condición predeterminada de "fin de entrenamiento" sea verdadera: 2.1 Por cada patrón p en el conjunto de entrenamiento: 2.1.1 Lea el vector de entrada Xp y elvector de la salida deseada Tp. 2.1.2 Calcule la salida de la red. 2.1.3 Calcule el error Ep generado por el patrón p. 2.1.4 Ajuste todos los pesos de la red aplicando la siguiente regla ( regla deltageneralizada) a cada uno de los pesos Wji Wji(t+1) = Wji (t) + DpWji donde DpWji = hdpjOpi h = Coeficiente de aprendizaje ( 0 < h < 1) d Se calcula de la siguiente manera: a) Si j corresponde a unaneurona en la capa de salida de la red: dpj = (Tpj - Opj) F' (NETpj) si la función de activación es la sigmoide, entonces: F´(x) = F(x)(1 - F(x) ), y dpj = (Tpj - Opj) Opj (1 - Opj) b) Si j nocorresponde a una neuróna de salida, es decir, está en una de las capas escondidas entonces:
k donde la sumatoria acumula el error propagado hacia atrás.

 pj  F ( NET pj )  pk wkj

2.1.5 Regrese alpaso 2.1 3.- Regrese al paso 2.

Pasos de un algoritmo genético, general. 1. Generar una población de n genes aleatorios. 2. Evaluar a todos los individuos según la función de aptitud (fitnessfunction). 3. Generar nuevos individuos utilizando funciones como Mutar, Cruzar (crossover), Variar, etc. Mutación

  

Se decide con alguna probabilidad si se aplica la mutación o no. De...