Deterministically crowded - neuroevolution of augmenting topologies

Abstract

Las redes artificiales neuronales (RNN) son modelos computacionales que aproximan la actividad cerebral para resolver un problema, sin embargo, el rendimiento de estas redes depende en la correcta configuración de su estructura y de una multitud de parámetros, que en muchos casos son fijados mediante un proceso de prueba y error. La presente te- sis propone un algoritmo que automatiza el proceso de afinación de RNNs. El algoritmo propuesto es una variación del algoritmo "Neuro Evolution of Augmenting Topologies" (NEAT), el cual utiliza conceptos biológicos como evolución, mutación y especiación, para mejorar de manera consistente la adaptación de una población inicial de RNN s generadas de manera aleatoria. El algoritmo propuesto difiere al utilizar una estrate- gia diferente para la especiación de la población, se pasa de utilizar "fitness sharing" a utilizar "deterministic crowding", éste algoritmo propuesto se lo nombra como "Determi- nistically Crowded - Neuro Evolution of Augmenting Topologies" (DC-NEAT). A partir de la comparación de NEAT y DC-NEAT a la hora de resolver el problema de balanceo de una vara con configuración completa, observamos que DC-NEAT obtiene redes mas simples en estructura que NEAT, pero requiere un número mayor de generaciones.