طراحی بهینه شبکه های عصبی با استفاده از روش های بهینه سازی چند هدفه

شبکه های عصبی مصنوعی (anns)، ایده ای برای پردازش اطلاعات هستند که در آن ها از سیستم عصبی- زیستی الهام گرفته شده است. یکی از مرسوم ترین انواع شبکه های عصبی، شبکه عصبی پرسپترون چندلایه (mlp) است که به طور موفقیت آمیزی در بازه وسیعی از کاربردها از جمله طبقه بندی داده ها مورد استفاده قرار گرفته است. درصورتی که بخواهیم از یک ann استفاده کنیم لازم است مدل و توپولوژی مناسب شبکه را انتخاب کرده که این معمولاً نیاز به هزینه محاسباتی بالا برای آزمایش و فرایند تصمیم گیری دشواری دارد. چون که یک شبکه با تعداد واحد محاسباتی کم، ممکن است به درستی مجموعه ی داده ها را آموزش ندهد. در حالی که یک مجموعه ی بزرگ ممکن است بیش آموزش یا حتی آموزش بد داشته باشد. تعیین پارامترهای مختلف ann، مثل تعداد لایه های پنهان، تعداد نرون در هر لایه پنهان و مقداردهی اولیه وزن ها یک فرایند ساده نیست و پیداکردن تنظیمات بهینه در یک شبکه عصبی یک فرایند زمان بر است. مطالعات متعددی در زمینه ی مسئله ی آموزش و بهینه سازی ساختار شبکه های عصبی مصنوعی وجود دارد. پژوهش های زیادی با استفاده از الگوریتم های بهینه ساز تک هدفه با هدف آموزش شبکه یا سایز شبکه صورت گرفته است. از آن جایی که شاخص های مختلف شبکه عصبی (توپولوژی و آموزش شبکه ی عصبی) به منظور بهینه سازی با یکدیگر در تعارض هستند، طراحی شبکه عصبی را می توان به عنوان یک مسئله چندهدفه در نظر گرفت. در این پایان نامه روش جدیدی در بهینه سازی چندهدفه مبتنی بر الگوریتم بهینه سازی صفحات شیب دار به نام الگوریتم بهینه سازی صفحات شیب دار چندهدفه(moipo) ارائه شده است. از طریق الگوریتم پیشنهادی، به بهینه سازی هم زمان معماری و آموزش شبکه¬ی عصبی پرسپترون چندلایه پرداخته می شود. عملکرد روش moipo، به وسیله ی چندین تابع معتبرِ چندهدفه ی معروف و پیچیده نیز مورد ارزیابی قرار گرفته است و از نظر قابلیت تخمین جبهه پرتو حقیقی با الگوریتم mopso مقایسه شده است. این مطالعه نشان می دهد که شبکه ی عصبی طراحی شده به وسیله ی روش پیشنهادی، در مسئله ی طبقه بندی داده از لحاظ تعادل بین دقت و سادگی شبکه، نسبت به دیگر الگوریتم های در نظر گرفته شده عملکرد بهتری دارد.