Internationale Zeitschrift für Schwarmintelligenz und Evolutionsberechnung

Abstrakt

Algorithmus zur Suche nach memetischer Harmonie basierend auf der multiobjektiven differentiellen Evolution sich entwickelnder neuronaler Netzwerke

Abdulrazak Yahya Saleh*, Siti Mariyam Shamsuddin und Haza Nuzly Abdull Hamed

Spiking Neural Networks (SNN) spielen bei Klassifizierungsproblemen eine wichtige Rolle. Obwohl es viele SNN-Modelle gibt, wird in vielen aktuellen Forschungsarbeiten häufig das Evolving Spiking Neural Network (ESNN) verwendet. Evolutionäre Algorithmen, hauptsächlich die differenzielle Evolution (DE), wurden zur Verbesserung des ESNN-Algorithmus verwendet. Viele Optimierungsprobleme in der realen Welt beinhalten jedoch mehrere widersprüchliche Ziele. Statt einer einzelnen Optimierung kann Multi-Objective Optimization (MOO) als Satz optimaler Lösungen zur Lösung dieser Probleme verwendet werden. In diesem Dokument wurden Harmony Search (HS) und ein memetischer Ansatz verwendet, um die Leistung von MOO mit ESNN zu verbessern. Folglich wurde Memetic Harmony Search Multi-Objective Differential Evolution with Evolving Spiking Neural Network (MEHSMODEESNN) angewendet, um die Struktur und Genauigkeit von ESNN zu verbessern. Standarddatensätze aus dem maschinellen Lernen der UCI werden zur Bewertung der Leistung dieses verbesserten multiobjektiven Hybridmodells verwendet. Die experimentellen Ergebnisse haben bewiesen, dass Memetic Harmony Search Multi-Objective Differential Evolution with Evolving Spiking Neural Network (MEHSMODE-ESNN) hinsichtlich Genauigkeit und Netzwerkstruktur bessere Ergebnisse liefert.