بهینه سازی مبتنی بر الگوریتم خفاش تعاونی چند جمعیتی مدل شبکه عصبی مصنوعی

عملکرد یک شبکه عصبی مصنوعی [ANN] به وزن اتصال و ساختار شبکه بستگی دارد. بسیاری از الگوریتم های بهینه سازی برای انتخاب مدل ANN استفاده شده اند. این مقاله یک الگوریتم بهینه سازی را بر اساس الگوریتم مشارکتی الهام گرفته از خفاش ارائه می کند. مزیت الگوریتم خفاش در ترکیب الگوریتم مبتنی بر جمعیت و جستجوی محلی نهفته است . با این حال،در جستجوی محلی قدرتمندتر است . بنابراین ، برای تعادل بهتر اکتشاف و بهره برداری در جمعیت ، برخی اصلاحات در معادله سرعت الگوریتم خفاش استاندارد اعمال می شود. علاوه بر این ، ما دو توپولوژی همکاری زیرجمعیت جدید را برای بهبود بیشتر توانایی الگوریتم برای حفظ تنوع خفاش در جمعیت پیشنهاد می کنیم . اولی ترکیبی از دو مکانیسم شناخته شده حلقه و ارباب برده ، و دومی یک استراتژی تکاملی مشترک از زیرجمعیت های برده را در استراتژی ارباب-برده وارد می کند .روش های پیشنهادی برای انتخاب یک مدل ANN استفاده می شوند، جایی که ساختار شبکه عصبی مصنوعی و وزن های آن بهینه سازی می شوند. شش مجموعه داده مرجع طبقه بندی و دو مجموعه داده پیش بینی سری زمانی آزمایش شده و عملکرد الگوریتم های پیشنهادی ارزیابی شده و با روش های دیگر از ادبیات مقایسه می شود. تجزیه و تحلیل آماری نشانمی دهد که برای مسئله طبقه بندی ، بهبود قابل توجهی در الگوریتم خفاش با همکاری استراتژی های حلقه وmaster- -slave در مقایسه با سایر روش های موجود در ادبیات از نظر خطای طبقه بندی برای سه مورد از پنج مورد و بهبود قابل توجهی در تعداد وزن های اتصال در شبکه وجود دارد.

کلیدواژه ها:

الگوریتم الهام گرفته از خفاش ، شبکه های عصبی مصنوعی ، طبقه بندی ، پیش بینی سری های زمانی ، همکاری چند جمعیتی .