ترجمه مقاله پرورش شبکه های عصبی پیش نگر با بهینه سازی ازدحام ذرات و الگوریتم جستجوی گرانشی – نشریه الزویر

عنوان فارسی: | پرورش شبکه های عصبی پیش نگر ( فید فوروارد ) با استفاده از بهینه سازی ازدحام ذرات و الگوریتم جستجوی گرانشی |
عنوان انگلیسی: | Training feedforward neural networks using hybrid particle swarm optimization and gravitational search algorithm |
تعداد صفحات مقاله انگلیسی : 13 | تعداد صفحات ترجمه فارسی : 22 |
سال انتشار : 2012 | نشریه : الزویر - Elsevier |
فرمت مقاله انگلیسی : PDF | فرمت ترجمه مقاله : ورد تایپ شده |
کد محصول : 7116 | رفرنس : دارد |
محتوای فایل : zip | حجم فایل : 2.20Mb |
رشته های مرتبط با این مقاله: مهندسی کامپیوتر |
گرایش های مرتبط با این مقاله: مهندسی الگوریتم ها و محاسبات و هوش مصنوعی |
مجله: ریاضی کاربردی و محاسبات - Applied Mathematics and Computation |
دانشگاه: گروه تحقیقاتی محاسبات نرم، دانشکده علوم کامپیوتر و سیستم های اطلاعاتی، مالزی |
کلمات کلیدی: FNN ، شبکه عصبی، یادگیری شبکه عصبی، الگوریتم جستجوی گرانشی، بهینه سازی ازدحام ذرات، PSO ، الگوریتم تکاملی، پرایترنس چند لایه |
وضعیت ترجمه عناوین تصاویر و جداول: ترجمه شده است |
وضعیت ترجمه متون داخل تصاویر و جداول: ترجمه نشده است |
وضعیت فرمولها و محاسبات در فایل ترجمه: به صورت عکس، درج شده است |
چکیده
1. مقدمه
2. بهینه سازی ازدحام ذرات
3. الگوریتم جستجوی گرانشی
4.الگوریتم ترکیبی PSOGSA
5. PSO ،GSA و PSOGSA برای پرورش FNN ها
5.1 تابع تناسب
5.2 استراتژی کد کردن
6.نتایج و مباحث
7.نتایج
Abstract
The Gravitational Search Algorithm (GSA) is a novel heuristic optimization method based on the law of gravity and mass interactions. It has been proven that this algorithm has good ability to search for the global optimum, but it suffers from slow searching speed in the last iterations. This work proposes a hybrid of Particle Swarm Optimization (PSO) and GSA to resolve the aforementioned problem. In this paper, GSA and PSOGSA are employed as new training methods for Feedforward Neural Networks (FNNs) in order to investigate the efficiencies of these algorithms in reducing the problems of trapping in local minima and the slow convergence rate of current evolutionary learning algorithms. The results are compared with a standard PSO-based learning algorithm for FNNs. The resulting accuracy of FNNs trained with PSO, GSA, and PSOGSA is also investigated. The experimental results show that PSOGSA outperforms both PSO and GSA for training FNNs in terms of converging speed and avoiding local minima. It is also proven that an FNN trained with PSOGSA has better accuracy than one trained with GSA.
چکیده
الگوریتم جستجوی گرانشی ( GSA ) یک روش بهینه سازی جدید ابتکاری است که بر قانون جاذبه و تعاملات جرمی مبتنی است. ثابت شده است که این الگوریتم توانایی خوبی برای جستجو برای رسیدن به حالت بهینه کلی داشته ، اما سرعت جستجوی آن در آخرین تکرار ها پایین است. این کار ، یک ترکیب از بهینه سازی ازدحام ذرات ( PSO ) و GSA را ارائه میدهد تا مشکلی که مطرح کردیم را ، حل کند. در این مقاله ، GSA و PSOGSA به عنوان روش های پرورش جدید برای شبکه های عصبی پیش نگر ( FNN ) مورد استفاده قرار گرفته است تا کارایی این الگوریتم ها را در کاهش مشکل گیر کردن در حالت بهینه ی موضعی و همگرایی آرام الگوریتم های یادگیری تکاملی فعلی ، مورد بررسی قرار دهد. نتایج با الگوریتم های استاندارد یادگیری مبتنی بر PSO برای FNN ها مقایسه کردیم. صحت به دست آمده برای FNN های پرورش یافته با PSO ، GSA و PSOGSA نیز مورد بررسی قرار گرفته است. نتایج آزمایشی نشان میدهد که PSOGSA ها از هر دو روش PSO و GSA برای FNN های پرورش یافته از نظر سرعت همگرایی و پیشگیری از حالت بهینه موضعی، بهتر عمل کرده است. همچنین ثابت شده است که FNN های پرورش یافته با استفاده از PSOGSA دارای صحت بهتر از مورد پرورش یافته با GSA ، میباشد.