Parametrização automática de redes neurais utilizando algoritmos evolutivos

Resumo

A Inteligência Artificial consiste em uma área onde são desenvolvidos métodos ou sistemas que atuam de maneira inteligente, aproximando-se do comportamento humano, em situações que envolvem resolução de problemas, aquisição e representação de conhecimento, reconhecimento padrões, etc. Dentro deste contexto, um tipo de modelo computacional que ganhou destaque são as Redes Neurais Artificiais (RNA’s), que são formadas por blocos básicos inspirados no neurônio biológico. Uma RNA possui capacidade de atuar em diversas aplicações como, por exemplo, aproximação universal de funções, controle de processos, reconhecimento e classificação de padrões e agrupamento de dados. Para atender uma ampla gama de aplicações, uma RNA exige a determinação de uma série de parâmetros, dentre eles: topologia, número de camadas, quantidade de neurônios, função de ativação, método de treinamento, etc. Ou seja, o projeto de uma RNA com a configuração mais adequada para cada tipo de problema requer uma série de escolhas, testes preliminares e experiência do projetista. Contudo, para evitar que tais escolhas sejam realizadas de maneira empírica, é possível tratar esta parametrização como um problema de otimização, permitindo sua resolução através da utilização de algoritmos evolutivos, que são ferramentas de otimização desenvolvidas para simular diversos processos evolutivos naturais. Neste trabalho foram aplicados o Algoritmo Genético e a Evolução Diferencial com codificação binária para parametrizar automaticamente redes neurais de camada oculta única aplicadas na modelagem de um conversor buck e na previsão de resistência à compressão de concreto autoadensável (SCC) com adição de fibras. As redes neurais utilizadas foram treinadas com o algoritmo Máquina de Aprendizado Extremo e os resultados das simulações mostram que o Algoritmo Genético foi a técnica que apresentou o melhor desempenho ao parametrizar a rede no processo de modelagem do conversor buck, enquanto a Evolução Diferencial combinada com a codificação binária GVP foi a melhor estratégia para parametrizar a rede neural no processo de previsão de resistência à compressão de SCC.

DOI:https://doi.org/10.56238/sevened2024.007-089