نقش الگوریتم ژنتیک در آموزش و کاهش پیچیدگی شبکه عصبی مقالة

"اغلب مسائل تصمیم‌گیری با استفاده از روش‌های کلاسیک قابل حل هستند،اما به دلیل ساختار ویژه این مسایل و ارتباط تنگاتنگ با افراد تصمیم گیرنده،استفاده از شبکه‌های عصبی برای برآورد ساختار ترجیحات تصمیم گیرنده،به دلیل کارایی قابل ملاحظه‌ای که در حل این نوع مسائل دارد،بیشتر شده است،البته،در اکثر موارد با کمبود اطلاعات(داده)روبه‌رو هستیم و شبکه عصبی برای ارائه کارایی مناسب به داده‌ها زیاد نیاز دارد؛به همین دلیل،در این مقاله به نقش کاربرد الگوریتم ژنتیک در شبکه عصبی در برطرف کردن این مشکل پرداخته می‌شود. از مشکلات اساسی که موجب کاهش ارائه‌پذیری شبکه می‌شود،کمی داده‌های آموزشی و در نتیجه تناسب بیش از حد شبکه نسبت به نمونه‌های آموزشی است؛در این حالت،به هنگام آموزش مقدار خطا کاهش زیادی می‌یابد اما زمانی که نمونه‌های جدیدی به شبکه ارائه شود، خطای آن غیر قابل قبول می‌شود؛در صورت اخیر،شبکه تنها نمونه‌های آموزشی را به خاطر می‌سپارد و دیگر برای سایر نمونه‌ها قابل استفاده نیست. (سکستون و دیگران،2002) عملگر صفر گره‌ای5 (NNZM) :این عملگر برای حذف گره‌های زاید در شبکه در نظر گرفته می‌شود؛نحوه اعمال آن بدین صورت است که در آن ابتدا به صورت تصادفی گره‌ای از شبکه انتخاب می‌شود و به ازای هرکدام از اتصالات آن به طور تصادفی عدد صفر یا یک تولید می‌شود. نتیجه تصمیم‌گیری می‌تواند تا آن اندازه قوی باشد که داده‌های کم به تصمیم‌گیری بهینه منجر شود، زیرا شبکه عصبی در مواردی که داده‌های ورودی زیاد باشد کاربرد مناسب دارد و با داده‌های کم جهت آموزش مقدار خطا بسیار کاهش می‌یابد اما زمانی که نمونه‌های جدیدی به شبکه ارائه می‌شود،خطای آن غیر قابل قبول می‌شود که در این صورت شبکه تنها نمونه‌های آموزشی را به خاطر می‌سپارد و قابل استفاده برای نمونه‌های دیگر نیست."