Remerciez-le!

Remerciez @Admin pour avoir partagé cet document gratuitement, de la manière la plus simple, en partageant sur les réseaux sociaux.

algorithmes d x27 evolution pour les reseaux de neurones

Algorithmes d'évolution pour les réseaux de neurones Mihail CRUCIANU Rapport de recherche Février Révisé Avril Laboratoire d'Informatique Ecole d'Ingénieurs en Informatique pour l'Industrie avenue Jean Portalis TOURS télécopie courrier électronique crucianu univ-tours fr Résumé Nous nous intéressons à l'utilisation des algorithmes d'évolution pour le développement et l'apprentissage de réseaux de neurones Les multiples aspects qui interviennent sont présentés avec référence à des travaux qui les concernent Les di ?érents problèmes qui se posent sont mis en évidence ainsi que les solutions qui ont été apportées En ?n nous essayons d'extraire des nombreux travaux existants les techniques les plus prometteuses Mots clés réseaux de neurones apprentissage algorithmes d'évolution algorithmes génétiques algorithmes hybrides Abstract This paper deals with the design and training of neural networks using evolutionary algorithms We present the manifold aspects involved together with a review of part of the abundant literature on these topics We highlight the problems one has to solve and the various solutions proposed Among the various techniques exposed we eventually try to select the most promising ones Keywords neural networks learning evolutionary algorithms genetic algorithms hybrid algorithms C Introduction L'étude des réseaux de neurones arti ?ciels RNA et l'étude des algorithmes d'évolution AE se sont développés en parallèle et ont souvent été en interaction durant cette dernière décennie Nous avons distingué entre deux types d'interactions l'utilisation conjointe des RNA et des AE pour la résolution d'un même problème ou l'emploi des AE pour le développement de RNA Nous nous arrêtons dans cette présentation sur ce deuxième aspect Les RNA voir Hertz Krogh et Palmer ou Jodouin pour une introduction au domaine peuvent être regardés comme des modèles non linéaires paramétriques possédant des propriétés d'approximation universelle voir par exemple Hornik et al Sontag Doya Siegelmann et Sontag Les RNA ont une lointaine inspiration biologique un RNA est composé d'unités simples neurones connectées à travers des liens caractérisés par des valeurs numériques poids synaptiques Pour résoudre modéliser un problème à l'aide de RNA il est nécessaire de trouver une architecture adéquate du réseau identi ?cation du modèle et des valeurs optimales pour les poids des connexions estimation du modèle Les AE voir Holland Goldberg ou Fogel pour une introduction au domaine sont des algorithmes de recherche et sous certaines conditions des algorithmes d'optimisation qui peuvent être utilisés entre autres pour déterminer le RNA capable de modéliser un problème D'inspiration biologique les AE ont un caractère stochastique et travaillent sur une population d'individus chaque individu représentant une solution alternative Un individu est décrit par une cha? ne de valeurs numériques génome Les individus de la population sont évalués par rapport à un critère qui dépend du problème à résoudre Une descendance est ensuite générée en privilégiant les meilleurs individus trouvés sélection et en utilisant des opérateurs comme la recombinaison et la mutation La descendance remplace la population courante et l'algorithme continue Di ?érents types d'algorithmes sont connus actuellement sous l'appellation d'algorithmes d'évolution voir Fogel pour des distinctions entre ces classes les algorithmes génétiques les stratégies évolutives evolution strategies