Optimización de redes neuronales artificiales mediante algoritmos genéticos. Aplicación a la predicción de carga

  1. Marín Martín, Francisco Javier
Dirigée par:
  1. Francisco Sandoval Hernández Directeur/trice

Université de défendre: Universidad de Málaga

Année de défendre: 1998

Jury:
  1. Joan Cabestany Moncusí President
  2. Gonzalo Joya Caparrós Secrétaire
  3. Marie Cottrell Rapporteur
  4. Manuel Graña Romay Rapporteur
  5. Juan Julián Merelo Guervós Rapporteur

Type: Thèses

Teseo: 65475 DIALNET

Résumé

En este trabajo se presenta un estudio sobre la utilización de los algoritmos genéticos en todo el proceso de diseño -fase de configuración y fase de entrenamiento- de redes neuronales artificiales de conexionado hacia adelante y de total conectividad, que trabajan en modo de aprendizaje supervisado, En primer lugar se estudia la metodología y los fundamentos de los algoritmos genéticos, poniendo de manifiesto mediante el problema del encaminamiento o enrutamiento que el correcto funcionamiento del algoritmo genético pasa por el balanceo de la explotación de buenas soluciones con la exploración en regiones desconocidas del espacio de búsqueda. Por ello, se ha realizado un estudio de la influencia de los parámetros de control: tamaño de la población, frecuencia de aplicación de los operadores cruce y mutación en la optimización de funciones. Se ha encontrado el inconveniente del elevado tiempo de computación, lo que nos ha llevado a la búsqueda de estrategias de paralelización que dividan la población total en subpoblaciones y que se hacen correr en distintas máquinas. La estrategía diseñada y que hemos utilizado consiste en dividir a la población en subpoblaciones independientes, con la característica de que cada una de ellas se asocia a una salida de la red neuronal, y por tanto sólo codifica a los pesos pertenecientes a dicha neurona. Con esto, el tamaño de los individuos se reduce proporcionalmente al número de neuronas de la capa de salida, pero es necesario un mecanismo que intercambie periódicamente información de cada subpoblación por lo que se ha llegado a un algoritmo genético tipo cooperativo-coevolutivo: cada subpoblación evoluciona independientemente, existiendo una cooperación periódica entre ellas y el valor fitness de un individuo de una subpoblación es también función de los individuos de las demás subpoblaciones. Se han implementado y analizado, creando una librería de