مقایسه عملکرد الگوریتم های چندهدفه برای مساله آموزش شبکه عصبی

شبکه عصبی مصنوعی یکی از پرکاربردترین تکنیک های یادگیری ماشین جهت حل مسایل دسته بندی است. از جملهدشواری های موجود در به کارگیری این تکنیک، ساخت یک شبکه عصبی با قابلیت تعمیم خوب است. دو معیار جهت دستیافتن به این هدف، آموزش شبکه ای است که کمترین خطا را روی داده های آموزش دارا باشد و همچنین ساختار آن از نظر تعداداتصالات بهینه باشد. لذا، آموزش و ساخت چنین شبکه هایی در حقیقت یک نوع مساله بهینه سازی چندهدفه خواهد بود.بنابراین، در این مقاله از الگوریتم های بهینه سازی تکاملی چندهدفه مانند MOAGPSO ،MOTLBO ،MOPSO ،NSGA- II وMPIPSO برای آموزش و تولید شبکه های عصبی بر اساس دو هدف ذکرشده استفاده می شود. کارایی این الگوریتم ها با استفاده از آزمایشهایی بر روی مجموعه داده Iris با استفاده از معیارهای تعداد جواب های آرشیو پارتو، فاصله از نقطه ایده آل، معیارپوشش مجموعه، فاصله گذاری و معیار بیشترین گسترش مورد مقایسه قرار گرفتند. نتایج عملکرد بهتر الگوریتم MOIPSO رادر بیشتر معیارها در مقایسه با سایر الگوریتم های مورد مقایسه نشان می دهد.

کلیدواژه ها:

آموزش شبکه عصبی ، بهینه سازی چندهدفه ، الگوریتم های تکاملی