الگوریتم ژنتیک هدایت شده با جستجوی درخت مونت کارلو برای بهینه سازی وزن های شبکه عصبی

در این تحقیق، امکان استفاده از یک استراتژی جستجو در الگوریتم های ژنتیک برای بررسی ساختار کامل درخت ژنتیکی مورد بررسی قرار میگیرد. اگرچه روش های مختلفی برای جستجوی درخت وجود دارد، الگوریتم های ساده تری مانند جستجوی عرضی، عمقی و تکنیک های تکراری معمولا منابع محاسباتی زیادی مصرف کرده و زمان اجرای طولانی تری دارند. در مقابل، تکنیک های رقابتی معمولا مکانیزم ترجیحی برای انجام جستجوی احتمالاتی هستند که نتایج بهینه را سریع تر ارائه میدهند. مساله ای که در این مقاله دنبال می کنیم، بهینه سازی شبکه های عصبی با استفاده از الگوریتم های ژنتیک است. این الگوریتم ها درختی از حالت های ممکن ایجاد کرده و از طریق تابع برازندگی، ارزیابی میشوند. از آنجا که جستجوی درخت مونت کارلو (STCM) در انجام جستجو در درخت با استفاده از حالت ها و پاداش ها موثر واقع شده است، در این مقاله، ترکیب این دو رویکرد برای بهینه سازی جستجو به منظور دستیابی به بهترین نتایج در شبکه های عصبی با الگوریتم های ژنتیک پیشنهاد می شود.

کلیدواژه ها:

الگوریتم ژنتیک ، STCM ، بهینه سازی ، یادگیری تقویتی ، شبکه عصبی