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.
|