بهینه سازی وزن های شبکه عصبی با استفاده از الگوریتم وال پیشرفته

بهینه سازی یک سامانه کمینه یا بیشینه کردن تابعی است که این تابع معیاری از عملکرد سامانه می باشد.این عمل در نهایت به بهبود کارایی سامانه می انجامد. هدف از بهینه سازی یافتن بهترین جواب قابل قبول، با توجه به محدودیت ها و نیازهای مساله است. بعبارت دیگر هدف از بهینه سازی تعیین متغیرهای طراحی است، به گونه ایکه تابع هدف کمینه یا بیشینه شود. شبکه های عصبی، درواقع مدل های مشخص شده توسط یک تابع فعال سازی هستند که به وسیله واحدهای پردازش اطلاعات به هم پیوسته، برای انتقال ورودی به خروجی استفاده می شوند. یکشبکه عصبی همیشه با سیستم عصبی انسان در حال مقایسه است. اطلاعات شبکه های عصبی، مانند عبور اطلاعات از نورون ها، از واحدهای به هم پیوسته عبور می کنند. فرایند یادگیری شبکه های عصبی مصنوعی به عنوان یکی ازدشوارترین چالش ها در یادگیری ماشین در نظر گرفته می شود و اخیرا بسیاری از محققان را به خود جذب کردهاست. مشکل اصلی آموزش شبکه عصبی، ماهیت غیرخطی و بهترین مجموعه ناشناخته از پارامترهای کنترل اصلی(وزن و سوگیری) است. مضرات اصلی الگوریتم های آموزش مرسوم، رکود بهینه محلی و سرعت همگرایی کنداست.این باعث می شود الگوریتم بهینه سازی تصادفی جایگزین قابل اعتماد برای کاهش این معایب باشد. از این رو در این پژوهش جهت وزن دهی به شبکه ی عصبی از الگوریتم وال بهره گرفته شده است. جمعیت اولیه ی ایجاد شده درالگوریتم وال به صورت تصادفی می باشد. تصادفی بودن جمعیت اولیه باعث عدم تنوع جمعیت می گردد. در این پژوهش جهت ایجاد جمعیت اولیه از نظریه ی آشوب بهره گرفته می شود. نتایج بدست آمده از آزمایش ها نشان دهنده ی برتری روش پیشنهادی می باشد.

کلیدواژه ها:

بهینه سازی ، وزن دهی ، شبکه عصبی ، الگوریتم تکاملی و الگوریتم وال پیشرفته