view in publisher's site

Neural network topology and weight optimization through neuro differential evolution

This research proposes a novel algorithm, Neuro Differential Evolution (NDE), to optimize the topology and weights of neural networks. NDE makes a clear distinction between neural network topology optimization and weight optimization. A genetic algorithm (GA) is implemented to optimize the network topology as this is a discrete problem while differential evolution (DE) is applied to the network weights, which are continuous variables. The results presented in this paper demonstrate that this combined approach can successfully grow neural networks, from just a single neuron, that can produce feasible solutions when other methods fail. NDE outperforms the current state of the art neuroevolution algorithms on a range of increasingly complex reinforcement learning problems.

توپولوژی شبکه عصبی و بهینه‌سازی وزن از طریق تکامل تفاضلی عصبی

این تحقیق یک الگوریتم جدید، تکامل تفاضلی عصبی (NDE)، برای بهینه‌سازی توپولوژی و وزن شبکه‌های عصبی پیشنهاد می‌کند. NDE تمایز واضحی بین بهینه‌سازی توپولوژی شبکه عصبی و بهینه‌سازی وزن ایجاد می‌کند. الگوریتم ژنتیک (GA)برای بهینه‌سازی توپولوژی شبکه اجرا می‌شود زیرا این یک مساله گسسته است در حالی که تکامل تفاضلی (DE)به وزن شبکه اعمال می‌شود که متغیرهای پیوسته هستند. نتایج ارائه‌شده در این مقاله نشان می‌دهد که این رویکرد ترکیبی می‌تواند با موفقیت شبکه‌های عصبی را از یک نورون واحد رشد دهد، که می‌تواند زمانی که روش‌های دیگر شکست می‌خورند، راه‌حل‌های عملی تولید کند. NDE در طیف وسیعی از مسائل یادگیری تقویت پیچیده، عملکرد بهتری نسبت به الگوریتم های فعلی تکامل عصبی دارد.
ترجمه شده با

سفارش ترجمه مقاله و کتاب - شروع کنید

با استفاده از افزونه دانلود فایرفاکس چکیده مقالات به صورت خودکار تشخیص داده شده و دکمه دانلود فری‌پیپر در صفحه چکیده نمایش داده می شود.