Otimização de redes neurais artificiais de múltiplas camadas utilizando algoritmos genéticos e enxame de partículas

Abstract

As pesquisas na área de Redes Neurais Artificiais são caracterizadas pelo desenvolvimento de algoritmos inspirados no funcionamento do sistema nervoso que apresentam diversas aplicações, como classificação de dados. Porém, seu funcionamento depende de um processo de treinamento que, em alguns casos, pode consumir tempo e ter um custo elevado. Este trabalho apresenta uma proposta de técnica de otimização para Redes do tipo MultiLayer Perceptron (MLP), integrando os benefícios de duas categorias de algoritmos de otimização: Algoritmos Genéticos (AG) e Otimização por Enxame de Partículas (PSO – Particle Swarm Optimization). Tal técnica será utilizada para realizar a otimização simultânea da arquitetura e de seus pesos sinápticos, com o objetivo de buscar redes com boas arquiteturas, isto é, com o mínimo de neurônios e com um bom desempenho para cada problema, tudo de forma automática. E, assim, diminuir custos e tempo para a utilização das MLPs. Os resultados mostram que as redes otimizadas segundo o modelo proposto foram eficientes, pois geraram redes MLPs com boas acurácias e, simultaneamente, com boas arquiteturas.

Research on Artificial networks is characterized by the development of algorithms inspired by the nervous system leading to many applications, such as data classification. However, its functioning depends on a training process that, in some cases, may consume time and money. This work presents an optimization technique for MultiLayer Perceptron Networks (MLP), integrating the benefits of two categories of optimization algorithms: Genetic Algorithms and Particle Swarm Optimization. Such techniques will be used to accomplish the simultaneous optimization of the architecture and its synaptic weights, aiming to search for networks with good architecture, i.e, with a minimum of neurons and with a good performance for each problem, all of this automated. Therefore, it lowers the costs and time for the usage of multiple layers neural network. The results show that the optimized networks following the model proposed were efficient, since it had generated MPL networks with good accuracy and, simultaneously, with good architectures.