CONFIGURAÇÃO AUTOMÁTICA DE ARQUITETURA DE REDE NEURAL ARTICIAL POR ALGORITMO GENÉTICO

CONFIGURAÇÃO AUTOMÁTICA DE ARQUITETURA DE REDE NEURAL ARTICIAL POR ALGORITMO GENÉTICO

Santos, Edson Simões dos; Matias, Italo; Pontes, Márcio Oliveira; Schwartz, Gustavo Lemos

Artigo Completo:

Os algoritmos de otimização, baseados em métodos heurísticos, têm sido largamente utilizado na solução de diversos problemas, principalmente quando uma solução analítica não é viável em relação ao custo e tempo de obtenção de um resultado satisfatório. Também se tornou crescente o emprego da Inteligência Computacional (IC) em demanda da complexidade destes problemas e pela possibilidade de serem tratados computacionalmente. O objetivo deste estudo e projetar um sistema, através de um Algoritmo Genético (AG), capaz de autoconfigurar uma arquitetura de Rede Neural Articial (RNA) utilizada numa aplicação específica. O algoritmo evolutivo utilizado (AE) manipula a quantidade de camadas ocultas, número de neurônios das camadas e funções de ativação para obter uma melhoria na arquitetura da rede utilizada no problema proposto sem que um conhecimento especialista do sistema a ser modelado pela RNA seja exigido. Estratégia de crossover, mutação e elitismo são utilizadas na evolucão da populacão do AG. As operações de otimização neste trabalho ocorrem num espaço de busca limitado pelo autor num teste prévio. O método de configuração automática da RNA por AG obteve uma configuração de rede em conjunto com o parâmetro função de ativação, e retornou o menor erro após o treinamento para um determinado conjunto de soluções gerado.

Os algoritmos de otimização, baseados em métodos heurísticos, têm sido largamente utilizado na solução de diversos problemas, principalmente quando uma solução analítica não é viável em relação ao custo e tempo de obtenção de um resultado satisfatório. Também se tornou crescente o emprego da Inteligência Computacional (IC) em demanda da complexidade destes problemas e pela possibilidade de serem tratados computacionalmente. O objetivo deste estudo e projetar um sistema, através de um Algoritmo Genético (AG), capaz de autoconfigurar uma arquitetura de Rede Neural Articial (RNA) utilizada numa aplicação específica. O algoritmo evolutivo utilizado (AE) manipula a quantidade de camadas ocultas, número de neurônios das camadas e funções de ativação para obter uma melhoria na arquitetura da rede utilizada no problema proposto sem que um conhecimento especialista do sistema a ser modelado pela RNA seja exigido. Estratégia de crossover, mutação e elitismo são utilizadas na evolucão da populacão do AG. As operações de otimização neste trabalho ocorrem num espaço de busca limitado pelo autor num teste prévio. O método de configuração automática da RNA por AG obteve uma configuração de rede em conjunto com o parâmetro função de ativação, e retornou o menor erro após o treinamento para um determinado conjunto de soluções gerado.

Palavras-chave:

DOI: 10.5151/spolm2019-074

Referências bibliográficas

• [1] Cantu-Paz E.; Kamath C. (2005). An empirical comparison of combinations of evolutionary algorithms and neural networks for classication problems, IEEE Transactions on systems, Man and Cybernetics { Part B: Cybernetics, 915-927. Fernandes, A. M. (2008) Intelig^encia Articial: noc~oes gerais. 3. ed. Florian opolis: Visual Books. Golberg D.E., Holland J.H. (1988). Genetic algorithms and machine learning. Mach Learn, v. 3, 95{99. Gutierrez, G.; et al. (18-Oct-2005). Non-Direct encoding method based on cellular automata to design neural network architectures. Computing and Informatics, v. 24, 1001{1023. Lian J.; Lee Y.; Sudho S. D.; Zak S. H. (March 2008). Self-Organizing radial basis function netwoek for real-time approximation of continuous-time dynamical systems, IEEE Transactions on neural network, v. 19, n. 3. Liu G. P.; Kadirkamanathan V.; Billings S. A. (Feb, 1999). Variable neural networks for adaptive control of nonlinear systems, IEEE Trans. Trans. Syst. Man Cybern. B. Cybern., vol. 398, n. 1, 34-43. Luger, G. F. (2004). Intelig^encia Articial: estruturar e estrategias para soluc~ao de problemas complexos. 4 ed. Porto Alegre: Bookmann. Martins, E. R.; et al. Congurac~ao de redes neurais articiais para prognose da produc~ao de povoamentos clonais de eucalipto. Revista Brasileira de Ci^encias Agrarias, v. 10, n. 4, p. 532{537, 2015. Matworks. Multilayer neural network architecture. Disponvel em: <https:// www.mathworks.com/help/deeplearning/ug/multilayer-neural-network-architecture .html>. Acesso em: 24 de abril de 2019. Mekki H.; Chtourou M.; Derbel N. (2006). Variable structure neural networks for adaptive control of nonlinear systems using the stochastic approximation, Simulation Modeling Practice and Theory 14, 1000-1009. Mekki H.; Chtourou M. (2012). Variable structure neural networks for real time approximation of continuous time dynamical systems using evolutionary articial potential elds. Wseas Transactions on Systems, n. 2, 75{84. Michalewicz, W. (1999). Genetic Algorithms + Data Structures = Evolution Programs. 3.ed. New York: Springer. Mitchell, M, Taylor, C. E. (1999). Evolutionary computation: An overview. Annual Review of Ecology and Systematics, v.30, 593-616. Mota, J. F. (2007). Um estudo de caso para a determinac~ao do preco de venda de imoveis urbanos via redes neurais articiais e metodos estatsticos multivariados. Disserta c~ao (Metodos Numericos em Engenharia). Universidade Federal do Parana, Curitiba- PR. Raviv, Y. Intrator, N. (1999). Variance reduction via noise and bias constraints. In: Combining Articial Neural Nets: Ensemble and Modular Multi-Net Systems. London, Springer-Verlag, 163-175. Rivero, D; et al. (2008). Articial neural network development by means of genetic programming with graph codication. World Academy of Science, Engineering and Technology, v. 21, 880{885. Santos, E. S. (2013). Projeto e construc~ao de um controlador adaptativo por realimentac~ao de estados de um p^endulo invertido utilizando intelig^encia computacional. Dissertac~ao (Mestrado em Pesquisa Operacional e Intelig^encia Computacional) UCAM, Campos dos Goytacazes-RJ. Schuma, C. D.; Birdwell, J. D. (2013). Variable structure dynamic articial neural networks. Biologically Inspired Cognitive Architectures. n. 6, 126{130. Tawil M. (1999). Kunstliche neuronale netze - methode und anwendung. IMW Institutsmittelung, n. 24, 69-72. Universidade de S~ao Paulo. Redes Neurais Articiais. Disponvel em: <http://www.icmc.usp.br/pessoas/andre/research/neural/>. Acesso em: 22 de abril de 2019. Yao, X; Liu, Y. (1997). A new evolutionary system for evolving articial neural networks. IEEE Transactions on Neural Networks, v. 8, n.3, 694-713.

Como citar:

Santos, Edson Simões dos; Matias, Italo; Pontes, Márcio Oliveira; Schwartz, Gustavo Lemos; "CONFIGURAÇÃO AUTOMÁTICA DE ARQUITETURA DE REDE NEURAL ARTICIAL POR ALGORITMO GENÉTICO", p-1012-1024. In: Anais do XIX Simpósio de Pesquisa Operacional & Logística da Marinha. São Paulo: Blucher, 2020.
ISSN 21756295, DOI 10.5151/spolm2019-074