یافتن بهترین مجموعه عملگر‌های ژنتیکی از الگوریتم ژنتیک برای آموزش شبکه عصبی پرسپترون چندلایه

مجموعه مقاله اصلی استفاده شده در این گزارش

 

1. Title: “Multiple Layer Perceptron Training using Genetic Algorithms”, U. Seiffert, CiteSeerX, (2001), 159–164
2. Title: “Adaptive directed mutation for real-coded genetic algorithms”, P. Tang, M. Tseng, Journal of Applied Soft Computing, vol. 13, no. 1, (2013), 600-614
3. Title: “A new optimization algorithm for single hidden layer feed forward neural networks”, Leong Kwan Li , Journal of Applied Soft Computing, vol. 13, no. 1, (2013), 2857–2862
4. Title: “Training Feed forward Neural Networks Using Genetic Algorithms”, David J. Montana , BBN Systems
5. Package: 4 Article For types of Selection in Genetic Algorithm
6. Package: 11 Article For types of Crossover in Genetic Algorithm
7. Package: 4 Article For types of Mutation in Genetic Algorithm

 

ترجمه و گزارش مقاله

چکیده:

هدف از آموزش شبکه عصبی یافتن مقدار بهینه وزن ها و بایاس‌ها می‌باشد به نحوی که خطای شبکه به حداقل ممکن برسد. با این دید آموزش شبکه عصبی یک مسئله بهینه‌سازی با تعداد پارامترهای مشخص است. روش‌های متعددی برای آموزش شبکه‌های عصبی خصوصا شبکه پرسپترون چند لایه وجود دارد. در روش‌های مرسوم جهت آموزش شبکه‌های عصبی مانند الگوریتم ‌پس‌انتشار خطا و دیگر روش‌های مبتنی بر گرادیان با توجه به نوع مسئله و ذات مشتق‌گیری خود دارای معایبی مانند همگرایی کند و افتادن در کمینه محلی دارد.

در سال‌های اخیر الگوریتم‌های زیاد بهینه‌یابی تکاملی برگرفته از طبیعت معرفی شده‌اند، مزیت عمده این الگوریتم‌ها نسبت به الگوریتم‌های معمول بهینه‌یابی در فرار از کمینه‌های محلی و پردازش داده‌ها با متغیرهای زیاد می‌باشد. در این مقاله (گزارش)، آموزش شبکه عصبی با استفاده از الگوریتم ژنتیک با مجموعه‌ای از عملگر‌های ژنتیکی مختلف مورد بررسی قرار داده‌ایم.

نتایج حاصل از پیاده‌سازی بر روی مجموعه داده‌های مختلف از مخزن UCI نشان می‌دهد که الگوریتم ژنتیک با مجموعه عملگرهای ژنتیکی (انتخاب Elitist ،برش BLX-α و جهش ADM) عملکرد مناسبی در آموزش شبکه‌های عصبی دارد و در مقایسه با آموزش شبکه با استفاده از الگوریتم پس‌انتشار خطا (BP) و الگوریتم‌های ژنتیک با عملگرهای برش و جهش متفاوت (۸ الگوریتم متفاوت) نتایج دقیق‌تری بدست می‌آورد.

1. تعداد صفحات: ۲۵
2. زبان: فارسی
3. فرمت: Word
4. توضیحات: فایل گزارش اماده شده توانایی انتشار برای یک مقاله کنفرانسی خوب را دارد.

 

کد و پیاده‌سازی مقاله

پیاده‌سازی مقاله شامل:

• اموزش شبکه عصبی MLP با استفاده از GA با عملگرهای انتخاب Elitist ،برش One-point و جهش ADM
• اموزش شبکه عصبی MLP با استفاده از GA با عملگرهای انتخاب Elitist ،برش Two-point و جهش ADM
• اموزش شبکه عصبی MLP با استفاده از GA با عملگرهای انتخاب Elitist ،برش Uniform و جهش ADM
• اموزش شبکه عصبی MLP با استفاده از GA با عملگرهای انتخاب Elitist ،برش BLX-alpha و جهش ADM
• اموزش شبکه عصبی MLP با استفاده از GA با عملگرهای انتخاب Elitist ،برش One-point و جهش Random Mutation
• اموزش شبکه عصبی MLP با استفاده از GA با عملگرهای انتخاب Elitist ،برش Two-point و جهش Random Mutation
• اموزش شبکه عصبی MLP با استفاده از GA با عملگرهای انتخاب Elitist ،برش Uniform و جهش Random Mutation
• اموزش شبکه عصبی MLP با استفاده از GA با عملگرهای انتخاب Elitist ،برش BLX-alpha و جهش Random Mutation

نکته: تمام جداول و شکل‌های موجود در بخش آزمایشات مقاله، پیاده‌سازی شده است و خروجی آنها نیز در پوشه‌‌ی results یا کنار فایل کدها ذخیره شده است.

1. زبان برنامه نویسی : Matlab
2. تعداد فایل‌ها : ۱۲

 

ارتباط با بخش پشتیبانی

1. ارتباط با پشتیبان از طریق تلگرام
2. ارتباط با پشتیبان از طریق ایمیل