Evoluční algoritmy pro strukturální učení neuronových sítí

Abstract

Návrh topologie neouronových sítí je velmi komplikovaný problém, zejména když opustíme oblast standartních vrstevnatých sítí. Zajímavé řešení tohoto problému nám může poskytnou evoluční algoritmus. Jeden z možných evolucní algoritmů pro evoluci neuronových sítí je algoritmus NEAT. Cílem této práce je modi fikovat a vylepšit schopnosti algoritmu NEAT. Vylepšení jsou zaměřena na využití polohy neuronu ve struktuře sítě, zlepšení křížení a představení možnosti paralelizace algoritmu zachovávající jeho ideje i ideje NEATu.

Designing neural networks topologies is s complicated problem when we consider general network structures. Evolutionary algorithm can provide us with interesting solutions of this problem. This work introduces an evolutionary algorithm for evolving neural networks. One of the possible algorithms for evolving neural networks is the NEAT algorithm. The goal of this work is to modify and enhance abilities of the NEAT algorithm. Improvements are focused on utilizing position of a neuron in network, improving crossover procedure and introducing solution of algorithm parallelization that preserve abilities of both NEAT and the new algorithm.