طراحي و آموزش شبكه هاي عصبي مصنوعي به وسيله استراتژي تكاملي با جمعيت هاي موازي

كاربرد شبكه هاي عصبي مصنوعي در حوزه هايي از قبيل دسته بندي تصاوير و سيگنال هاي صوتي مويد توانايي اين ابزار قدرتمند هوش مصنوعي در حل مسائل دنياي امروز است. طراحي و آموزش شبكه هاي عصبي همواره يك فرآيند زمان بر و مشكل بوده است. يك مدل عصبي مناسب بايد بتواند الگوي داده هاي آموزشي را فراگرفته و نيز قابليت تعميم داشته باشد. در اين مقاله، از جمعيت هاي موازي براي طراحي معماري شبكه عصبي و همچنين از استراتژي تكاملي براي آموزش آن استفاده شده است، به طوريكه در هر جمعيت شبكه اي با معماري خاصي تكامل مي يابد. با كمك يك روش انتخاب دومعياره مبتني بر ميزان خطا و پيچيدگي شبكه ها، الگوريتم ارائه شده قادر است شبكه هاي ساده با قابليت تعميم بالا توليد كند. براي ارزيابي كارايي الگوريتم پيشنهادي از 7 مساله استاندارد دسته بندي استفاده شده است. روش ارائه شده با روش هاي تكامل اوزان، تكامل معماري و نيز الگوريتم هاي تكامل همزمان معماري و اوزان مورد مقايسه قرار گرفته است. نتايج آزمايش ها كارايي و پايداري اين روش را نسبت به روش هاي مورد مقايسه نشان مي دهد. در اين مقاله، همچنين تاثير وجود جمعيت هاي موازي، روش انتخاب دومعياره و نيز عملگر ادغام در الگوريتم ارائه شده مورد بررسي قرار گرفته است. از مزاياي اصلي اين روش بهره گيري از پردازش موازي به وسيله جمعيت هاي مستقل است.