Algoritmos genéticos e processamento paralelo aplicados à definição e treinamento de redes neurais perceptron de múltiplas camadas

ln this work, it was deveIoped a parallel cooperative genetic algorithm with different evolution behaviors to train and to define architectures for MuItiIayer Perceptron neural networks. MuItiIayer Perceptron neural networks are very powerful tools and had their use extended vastIy due to their abiIity of providing great resuIts to a broad range of appIications. The combination of genetic algorithms and parallel processing can be very powerful when applied to the Iearning process of the neural network, as well as to the definition of its architecture since this procedure can be very slow, usually requiring a lot of computational time. AIso, research work combining and appIying evolutionary computation into the design of neural networks is very useful since most of the Iearning algorithms deveIoped to train neural networks only adjust their synaptic weights, not considering the design of the networks architecture. Furthermore, the use of cooperation in the genetic algorithm allows the interaction of different populations, avoiding local minima and helping in the search of a promising solution, acceIerating the evolutionary process. Finally, individuaIs and evolution behavior can be exclusive on each copy of the genetic algorithm running in each task enhancing the diversity of populations

Neste trabalho foi desenvolvido um algoritmo genético paralelo cooperativo com diferentes comportamentos evolutivos para o treinamento e definição de redes neurais Perceptron de Múltiplas Camadas. As redes neurais Perceptron de Múltiplas Camadas são ferramentas poderosas e tiveram seu uso intensificado já que são capazes de proporcionar bons resultados para diversas aplicações. A combinação de algoritmos genéticos e de processamento paralelo aplicados no processo de treinamento e na definição de redes neurais Perceptron de Múltiplas Camadas é interessante uma vez que o processo de aprendizagem geralmente é lento e a maioria dos algoritmos de treinamento existente realiza apenas o ajuste dos pesos sinápticos da rede neural. Sabe-se que, sem conhecimento prévio da aplicação, é difícil definir uma arquitetura ideal para a rede neural. Desta maneira, tem-se que técnicas para automatizar a definição da arquitetura de redes neurais são de interesse. Além disso, o uso de cooperação no algoritmo genético permite a exploração de áreas promissoras do espaço de busca encontradas por diferentes populações, pode evitar mínimos locais e possibilita a re-introdução nas populações de informações previamente perdidas. Por fim, através da incorporação de diferentes comportamentos evolutivos, intensifica-se a diversidade dos indivíduos e, assim, a busca por uma solução promissora