本文档属于类型a，即报告了一项原创性研究。以下是该研究的学术报告：
本文的主要作者是Xin Yao和Yong Liu，他们分别来自澳大利亚国防学院（Australian Defence Force Academy）的计算机科学学院。该研究发表在1998年6月的《IEEE Transactions on Systems, Man, and Cybernetics—Part B: Cybernetics》期刊上，卷号为28，期号为3，页码为417-425。
该研究的主要科学领域是进化人工神经网络（Evolutionary Artificial Neural Networks, EANNs）。研究背景在于，当前在进化人工神经网络的过程中，通常选择最后一代中的最佳个体作为最终结果。然而，这种做法忽略了整个种群中包含的有用信息。因此，本研究提出了一种新的方法，通过整合最后一代中的所有个体来形成最终结果，从而充分利用整个种群中的信息。研究的目的是展示种群信息在进化学习中的重要性，并证明通过结合多个个体可以提升学习系统的泛化能力。
研究的主要流程包括以下几个步骤：
进化人工神经网络的设计
研究使用了EPNet（Evolutionary Programming Network）工具，这是一个基于进化编程（Evolutionary Programming, EP）的自动人工神经网络设计系统。EPNet同时进化神经网络的架构和权重，避免了传统方法中因权重随机初始化带来的噪声问题。EPNet通过五种突变操作（混合训练、节点删除、连接删除、连接添加、节点添加）来生成新的个体，并在每一代中进行部分训练以保持父代与子代之间的行为联系。
实验数据集的准备
研究使用了三个真实世界的数据集进行实验：澳大利亚信用卡数据集、糖尿病数据集和心脏病数据集。每个数据集被随机划分为训练集、验证集和测试集，分别占50%、25%和25%的比例。输入属性被线性缩放到0.0到1.0之间，输出属性使用1-of-N编码表示。
种群的线性组合
研究提出了四种线性组合方法，将最后一代中的所有个体整合为一个集成系统。这四种方法分别是：多数投票法（Majority Voting）、基于排名的线性组合法（Rank-based Linear Combination）、递归最小二乘法（Recursive Least-Square, RLS）以及使用遗传算法（Genetic Algorithm, GA）优化子集的方法。每种方法都通过不同的方式计算个体在集成系统中的权重。
实验结果的分析
研究对每种组合方法进行了30次实验，并计算了平均测试错误率和网络大小。结果表明，集成系统的泛化能力优于单个最佳个体，尤其是在使用RLS算法时，集成系统在所有三个数据集上的表现均优于最佳个体。
多数投票法
多数投票法在两个数据集（澳大利亚信用卡和糖尿病）上优于最佳个体，但在心脏病数据集上表现较差。这表明多数投票法虽然简单，但无法有效区分个体的重要性。
基于排名的线性组合法
该方法在所有数据集上的表现均优于或等同于最佳个体。它利用了个体的适应度信息来计算权重，是一种简单且有效的方法。
递归最小二乘法
RLS算法在所有数据集上的表现均显著优于最佳个体。该方法通过最小化均方误差来计算权重，是一种推荐用于线性组合的算法。
遗传算法优化子集法
使用遗传算法优化的子集集成系统在澳大利亚信用卡和糖尿病数据集上优于最佳个体，但在心脏病数据集上表现较差。这表明，虽然子集优化可以减少集成系统的大小，但可能需要更多的计算资源来获得更好的结果。
本研究证明了在进化学习中利用种群信息的重要性。通过整合最后一代中的所有个体，可以显著提升学习系统的泛化能力。四种线性组合方法中，RLS算法表现最佳，展示了其在集成系统中的有效性。此外，基于排名的线性组合法因其简单性和有效性，特别适合用于进化学习。研究还表明，种群中包含的信息比任何单个个体都更丰富，未来的进化学习系统应充分利用这些信息。
新颖的研究方法
本研究首次提出通过整合整个种群中的个体来形成最终结果，突破了传统方法中仅选择最佳个体的局限性。
多种组合方法的比较
研究详细比较了四种线性组合方法，展示了它们在提升泛化能力方面的不同效果，为未来研究提供了重要参考。
实际应用价值
通过实验验证，集成系统在真实世界数据集上的表现优于单个最佳个体，展示了该方法在实际应用中的潜力。
研究还探讨了进化学习与优化之间的区别，强调了在进化学习中利用种群信息的重要性。此外，研究提出了未来可能的研究方向，例如通过物种形成（Speciation）来鼓励模块化神经网络的进化，从而进一步提升集成系统的性能。
本研究为进化人工神经网络领域提供了重要的理论和方法支持，展示了利用种群信息提升学习系统性能的有效途径。