Hybrid Evolutionary Algorithm for Multilayer Perceptron Networks with Competetive Performance

Kód výsledku v IS VaVaI

<a href="https://www.isvavai.cz/riv?ss=detail&h=RIV%2F67985807%3A_____%2F07%3A00088599" target="_blank" >RIV/67985807:_____/07:00088599 - isvavai.cz</a>

Výsledek na webu

—

DOI - Digital Object Identifier

—

Jazyk výsledku

angličtina

Název v původním jazyce

Hybrid Evolutionary Algorithm for Multilayer Perceptron Networks with Competetive Performance

Popis výsledku v původním jazyce

Hybrid models combining neural networks and genetic algorithms have been studied recently with the goal of achieving either better performance of the resulting network or faster training. In this paper we deal with variants of genetic learning applied for the structure optimization and weights evolution of multi-layer perceptron networks. Several genetic operators are tested, including memetic-type local search, that produce good results in terms of network performace. It is shown, that combining evolutionary algorithms with neural networks can lead to better results than relying on neural networks alone in terms of the quality of the solution (both training and generalization error). Comparison to gradient algorithms in terms of time complexity is discussed which does not bring overly optimistic results sometimes met in literature.

Název v anglickém jazyce

Hybrid Evolutionary Algorithm for Multilayer Perceptron Networks with Competetive Performance

Popis výsledku anglicky

Hybrid models combining neural networks and genetic algorithms have been studied recently with the goal of achieving either better performance of the resulting network or faster training. In this paper we deal with variants of genetic learning applied for the structure optimization and weights evolution of multi-layer perceptron networks. Several genetic operators are tested, including memetic-type local search, that produce good results in terms of network performace. It is shown, that combining evolutionary algorithms with neural networks can lead to better results than relying on neural networks alone in terms of the quality of the solution (both training and generalization error). Comparison to gradient algorithms in terms of time complexity is discussed which does not bring overly optimistic results sometimes met in literature.

Druh

D - Stať ve sborníku

CEP obor

IN - Informatika

OECD FORD obor

—

Projekt

<a href="/cs/project/1ET100300419" target="_blank" >1ET100300419: Inteligentní modely, algoritmy, metody a nástroje pro vytváření sémantického webu</a><br>

Návaznosti

P - Projekt vyzkumu a vyvoje financovany z verejnych zdroju (s odkazem do CEP)<br>Z - Vyzkumny zamer (s odkazem do CEZ)

Rok uplatnění

2007

Kód důvěrnosti údajů

S - Úplné a pravdivé údaje o projektu nepodléhají ochraně podle zvláštních právních předpisů

Název statě ve sborníku

Evolutionary Computation

ISBN

978-1-4244-1339-3

ISSN

—

e-ISSN

—

Počet stran výsledku

8

Strana od-do

—

Název nakladatele

IEEE

Místo vydání

Los Alamitos

Místo konání akce

Singapore

Datum konání akce

25. 9. 2007

Typ akce podle státní příslušnosti

WRD - Celosvětová akce

Kód UT WoS článku

000256053701029