Diseño automático de redes neuronales artificiales mediante algoritmos bioinspirados

Abstract

RESUMEN: En los últimos años, los algoritmos bioinpirados han mostrado su poder en la solución de diferentes problemas multimodales y de optimización no lineal. Debido a la eficiencia y adaptabilidad de dichos algoritmos, en esta investigación de explora una manera de diseñar automáticamente Redes Neuronales Artificiales (RNA). Para realizar esta tarea se decidió buscar los mejores pesos sinápticos, los bias, la mejor arquitectura o topología y el tipo de función de transferencia para cada neurona. Estas características son evolucionadas al mismo tiempo al utilizar cinco algoritmos bioinspirados: la optimización por enjambre de partículas básica (PSO), la segunda generación de optimización por enjambre de partículas (SGPSO), evolución diferencial (DE), colonia artificial de abejas (ABC) y un algoritmo nuevo, propuesto para mejorar el desempeño del algoritmo básico u original del PSO, el cual recibe el nombre de nuevo modelo de optimización por enjambre de partículas (NMPSO). Primero, se realizó la búsqueda de los mejores valores para cada uno de los parámetros de cada algoritmo bioinspirado. A continuación se seleccionó la mejor configuración de los parámetros y fue aplicada al análisis experimental para obtener los mejores resultados (con el mínimo error de entrenamiento y generalización). La metodología propuesta fue aplicada a la solución de problemas de clasificación de patrones.

ABSTRACT: In the last years, bioinspired algorithms have shown their power in different multimodal and non-linear optimization problems. Due to the efficiency and adaptability of bioinsopired algorithms, in this research we explore a new way to automatically design an artificial neural network (ANN). For this task, we decide to find the best set of synaptic weights, the bias but also its topology and transfer functions for each neuron. These characteristics are evolved at the same time using five bioinspired algorithms: Particle Swarm Optimization (PSO), Second Generation Particle Swarm Optimization (SGPSO), Differential Evolution (DE), Artificial Bee Colony (ABC ) and NMPSO algorithm . The New Model of Particle Swarm Optimization (NMPSO) is an algorithm proposed to improve the performance of the basic PSO algorithm. First, a study for searching the best parameters values for each bioinspired algorithm was done. Then, the best parameter configuration was applied to the experimental analysis to obtain the best results (with the minimum training and testing error). The proposed methodology was applied to solve pattern classification problems.