Коэволюционирующие нейронные сети прямого распространения

• Published in: Проблемы управления и информатики
• Date: 2016
• Main Authors: Руденко, О.Г., Бессонов, А.А.
• Format: Article
• Language: Russian
• Published: Інститут кібернетики ім. В.М. Глушкова НАН України 2016
• Subjects: Методы обработки информации
• Online Access: https://nasplib.isofts.kiev.ua/handle/123456789/208257
• Journal Title: Digital Library of Periodicals of National Academy of Sciences of Ukraine
• Cite this: Коэволюционирующие нейронные сети прямого распространения / О.Г. Руденко, А.А. Бессонов // Проблемы управления и информатики. — 2016. — № 5. — С. 63-74. — Бібліогр.: 26 назв. — рос.

Запропоновано еволюційний алгоритм визначення архітектури нейронних мереж прямого розповсюдження та їх навчання, заснований на коеволюційних моделях кооперації і конкуренції з використанням алгоритмів кластеризації для розбиття основної задачі синтезу нейронної мережі на підзавдання, які вирішуються в окремих субпопуляціях. Запропонований алгоритм реалізує середовище, що сприяє співробітництву та конкуренції популяцій, в яких кожна особина являє собою нейронну мережу прямого розповсюдження, а вся сукупність популяцій несе відповідальність за остаточне вирішення поставленого завдан ня. Результати імітаційного моделювання підтверджують ефективність запропонованого методу синтезу нейронних мереж прямого розповсюдження. An evolutionary algorithm of determining the architecture of feedforward neural networks and performing their training is proposed, based on the co-evolutionary models of cooperation and competition with using of clustering algorithms for partitioning the main problem of neural network synthesis into sub-tasks to be undertaken in certain sub-populations. The proposed algorithm implements an environment that is conducive to cooperation and competition of populations in which every individual is a feedforward neural network, and the totality of the populations is responsible for the final solution of the problem. The simulation results confirm the effectiveness of the proposed method of feedforward neural networks synthesis.