- Tytuł:
-
Wielokryterialny dobór parametrów operatora mutacji w algorytmie ewolucyjnym uczenia sieci neuronowej
Multi benchmark choice of mutation parameters in evolutionary algorithm of neural network learning - Autorzy:
- Płaczek, S.
- Powiązania:
- https://bibliotekanauki.pl/articles/377966.pdf
- Data publikacji:
- 2017
- Wydawca:
- Politechnika Poznańska. Wydawnictwo Politechniki Poznańskiej
- Tematy:
-
algorytmy genetyczne
algorytmy ewolucyjne
sztuczne sieci neuronowe
algorytmy uczenia sieci
algorytmy selekcji, krzyżowania, mutacji - Opis:
-
Implementacja Algorytmów Ewolucyjnych (AE) do zadań uczenia Sztucznych Sieci
Neuronowych (SSN) nie jest zadaniem łatwym. Zastosowanie algorytmów ewolucyjnych
wyeliminowało ograniczenia algorytmów gradientowych lecz niestety napotykamy
na szereg nowych problemów. W artykule analizuje się dwuwarstwową sieć neuronową
, w której, w charakterze genotypu przyjmuje się dwa chromosomy połączone
szeregowo. Tworzy się całą populację sieci neuronowych o indywidualnych własnościach
chromosomów oblicza się wartości funkcji celu oraz realizuje się proces selekcji.
W proponowanym rozwiązaniu eliminuje się algorytm krzyżowania i stosuje się
tylko mutację. Operator mutacji, jego parametry mogą być identyczne dla dwóch chromosomów,
różne i nieskorelowane lub różne i skorelowane. W artykule analizuje się
różne charakterystyki algorytmu mutacji, zalety i wady.
The optimization of the learning algorithm in neural networks is not a trivial task. Considering the non–linear characteristics of the activation functions , the entire task is multidimensional and non–linear with a multimodal target function. Implementing evolutionary computing in the multimodal optimization tasks gives the developer new and effective tools for seeking the global minimum. A developer has to find optimal and simple transformation between the realization of a phenotype and a genotype. In the article, a two–layer neural network is analyzed. Two serially connected chromosomes represent the genotype. In the first step the population is created. In the main algorithm loop, a parent selection mechanism is used together with the fitness function. To evaluate the quality of evolutionary computing process different measured characteristics are used. The final results are depicted using charts and tables. - Źródło:
-
Poznan University of Technology Academic Journals. Electrical Engineering; 2017, 91; 175-186
1897-0737 - Pojawia się w:
- Poznan University of Technology Academic Journals. Electrical Engineering
- Dostawca treści:
- Biblioteka Nauki
Artykuł