Diseño de redes de neuronas y nuevas técnicas de optimización mediante algoritmos genéticos

Resumo

El objetivo fundamental de esta tesis es la construcción de un nuevo método que mejora el proceso de diseño y entrenamiento de redes de neuronas artificiales alimentadas hacia delante utilizando programación evolutiva en forma de algoritmos genéticos, y la aportación de nuevas técnicas para su aplicación en la resolución de problemas de optimización mediante este tipo de sistemas evolutivos, Se introduce un nuevo operador de cruce basado en la morfología matemática para algoritmos genéticos con codificación real. Este operador, denominado cruce morfológico, posee propiedades originales que proporcionan excelentes resultados en diferentes problemas de optimización. El operador se ha empleado para minimizar la función de error en redes de neuronas, observándose que se realiza el entrenamiento de forma más rápida y eficiente que cuando se aplican métodos de aprendizaje clásicos como la retropropagación del gradiente. La utilización de este operador permite entrenar cualquier tipo de red independiente de su arquitectura. Asimismo, se presenta una nueva formalización con base algebraica para la descripción del conjunto de arquitecturas de redes de neuronas que son candidatas a resolver un determinado problema especificado mediante el conjunto de patrones de entrenamiento. Las propiedades de esta formalización proporiconan un método para codificar arquitecturas neuronales con un número exacto de bits. Este método, denominado método de codificación de arquitecturas básicas, permite emplear a los algoritmos genéticos como técnica de búsqueda de arquitecturas neuronales de forma más eficiente. La aplicación de las técnicas desarrolladas en esta tesis permite la construcción de un sistema de entrenamiento y diseño de redes de neuronas mediante algoritmos genéticos en el que, dado un conjunto de patrones de entrenamiento, se obtenga tanto la configuración arquitectónica de la red como el conjunto de l