[pt] ALGORITMO EVOLUTIVO COM INSPIRAÇÃO QUÂNTICA, REPRESENTAÇÃO MISTA E DECAIMENTO DE PESOS APLICADO A NEUROEVOLUÇÃO

[en] QUANTUM-INSPIRED EVOLUCIONARY ALGORITHM WITH MIXED REPRESENTATION AND WEIGHT DECAY APPLIED TO NEUROEVOLUTION

[pt] ANTONIO CESAR DE OLIVEIRA PITTA BOTELHO

[pt] REDE NEURAL ARTIFICIAL

[pt] METODO DE DECAIMENTO DE PESOS

[pt] NEUROEVOLUCAO

[pt] ALGORITMOS COM INSPIRACAO QUANTICA

[pt] COMPUTACAO EVOLUCIONARIA

[pt] CLASSIFICACAO DE PADRAO

[pt] ALGORITMO GENETICO

[en] ARTIFICIAL NEURAL NETWORKS

[en] NEUROEVOLUTION

[en] EVOLUTIONARY COMPUTATION

[en] PATTERN CLASSIFICATION

[en] GENETIC ALGORITHM

[pt] Algoritmos evolutivos com inspiração quântica representam um dos mais recentes avanços na área de computação evolucionária. Eles têm sido utilizados para se evoluir redes neurais artificiais em contrapartida aos métodos tradicionais de treinamento baseados no gradiente decrescente e retropropagação do erro. O algoritmo utilizado neste trabalho foi o NeuroEvolutivo com Inspiração Quântica e representação mista Binária e Real (NEIQ-BR) desenvolvido para modelagem de redes neurais do tipo perceptron de múltiplas camadas e utilizado em problemas de classificação de padrões. A técnica de regularização de complexidade denominada decaimento de pesos tem como objetivo fazer com que os pesos excessivos, ou seja, aqueles que têm pequena ou nenhuma influência sobre a rede, assumam valores próximos de zero, reduzindo com isto a complexidade da rede e melhorando sua capacidade de generalização. Este trabalho introduz a técnica de regularização de complexidade de decaimento de pesos no algoritmo neuroevolutivo em referência e avalia o desempenho do algoritmo em três casos benchmark de classificação de padrões. Os resultados serão comparados aos obtidos com o algoritmo original.

[en] Quantum-inspired evolutive algorithms represent one of the most recent advances in evolutionary computation. They have been used to evolve artificial neural networks in contrast to traditional training methods based on the decreasing gradient and backpropagation. The algorithm used in this work was to Quantum-Inspired Evolucionary algorithm for Neuro-evolution with binary-real representation (QIENBR) developed for modeling neural networks of multilayer perceptron and used to problems of pattern classification. The regularization technique called weight decay aims to make the weights who have little or no influence on the network, take values close to zero, with this reducing network complexity and improving their ability to generalize. This work implements weight decay in the algorithm QIEN-BR and to evaluates the performance of the new algorithm, we will use three benchmark cases of classification. The results will be compared with those obtained with the original algorithm.

2014-10-28

[pt] TEXTO

application/pdf

PORTUGUÊS

https://www.maxwell.vrac.puc-rio.br/colecao.php?strSecao=resultado&nrSeq=23603@1

https://www.maxwell.vrac.puc-rio.br/colecao.php?strSecao=resultado&nrSeq=23603@2

https://doi.org/10.17771/PUCRio.IRR.23603