进化计算是一类基于生物自然选择和自然遗传机制的搜索方法,包括遗传算法、进化策略和进化规划等算法。进化计算是一种有效的优化技术,可以优化权值和选择合适的拓扑结构,而且不要求目标函数连续,具有很好的全局搜索性质。随机神经网络是一类功能强大的人工神经网络,在优化计算和模拟学习领域中发挥着重要的作用。人们通常所说的人工神经网络一般有两种:一种是采用随机性神经元激活函数的随机神经网络,另一种是采用随机型加权连接,即在普通人工神经网络中加入适当随机噪声的波耳兹曼机。虽然随机神经网络功能强大且应用广泛,但复杂的学习过程和较慢的收敛速度限制了随机神经网络的进一步推广和应用。如何优化随机神经网络的学习过程并提高其收敛速度成为研究的一个难点。因此,将进化计算和随机神经网络相结合,以进化计算的随机性、全局性、隐并行性和鲁棒性等优点,弥补了神经网络学习过程的复杂、训练速度慢、易陷入局部极小点和全局搜索能力差等缺陷,优化了随机神经网络的学习过程,逐渐成为一个有效的解决办法。进化计算与神经网络的结合促使“进化人工神经网络”的发展。本文对进化算法和随机神经网络相结合的情况进行了研究,尝试将进化算法强大的优化计算能力应用到随机神经网络的学习过程中,通过进化算法的竞争寻优和隐并行计算能力来简化随机神经网络的学习过程。并且通过实验证实了用优化后的随机神经网络解决问题能取得较优的效果。本文主要进行了以下的研究工作:(一)介绍了本文的研究背景和写作的意义、本课题目前的研究成果和本文的主要研究内容。(二)介绍了遗传算法的原理、数学机理以及遗传算法的求解过程;对随机神经网络的模型、主要特征和学习过程进行了系统的阐述。并且对目前进化算法和随机神经网络结合研究的现状进行了综述。(三)针对波耳兹曼机学习过程的特点,将遗传算法用于波耳兹曼机的学习过程中,用遗传算法来优化波耳兹曼机的学习过程,期望能不通过概率统计来完成波耳兹曼机的学习过程,针对波耳兹曼机的特点设计了优化其学习过程的遗传算法。并且将此方法应用于天气的预报实例上,取得了不错的效果。(四)对随机神经网络的强化学习模型和权值更新策略进行了研究,针对随机神经网络强化学习模型学习算法中权值更新的复杂性和算法对环境变化反应迟钝的局限性,将遗传算法应用于随机神经网络强化学习过程中,提出了优化随机神经网络权值更新策略的方法。并且根据随机神经网络的特点设计了应用于该网络计算的遗传算法。虽然本文中对进化算法优化随机神经网络做了大量的研究并且提出了一些算法,但还要针对算法的理论基础和应用范围还需要做进一步的研究。