Многокритериальная оптимизация эволюционирующих сетей прямого распространения

Abstract

Запропоновано використання багатокритерійного підходу до навчання нейронних мереж прямого розповсюдження, що еволюціонують. Розглянуто загальну структуру таких мереж. Проведено порівняльний аналіз одноцільового, скаляризованого багатокритерійного навчання та багатокритерійного навчання за Парето. Імітаційне моделювання за наявністю завад вимірювань з різними законами розподілу підтвердило ефективність запропонованого підходу.

It is proposed to utilize multicriteria approach to training evolutionary feedforward neural networks. The general structure of such neural networks is considered. A comparative analysis of single-objective, scalarized multiobjective learning and Paretobased multiobjective learning is performed. Simulation with the presence of noisy measurements with different distribution laws has confirmed the effectiveness of the suggested approach.