Algoritmos evolutivos multiobjetivo de redes neuronales Spiking

Las redes neuronales de Spiking (SNN) desempeñan un papel esencial en los problemas de clasificación. Aunque existen muchos modelos de SNN, la Red Neuronal de Spiking Evolutiva (ESNN) se utiliza ampliamente en muchos trabajos de investigación recientes. Los algoritmos evolutivos, principalmente la evolución diferencial (ED), se han utilizado para mejorar el algoritmo ESNN. Sin embargo, muchos problemas de optimización del mundo real incluyen varios objetivos contradictorios. En lugar de una optimización única, la optimización multiobjetivo (MOO) puede utilizarse como un conjunto de soluciones óptimas para resolver estos problemas. En este libro, la búsqueda de armonía (HS) y el enfoque memético se utilizaron para mejorar el rendimiento de la MOO con ESNN. En consecuencia, se aplicó la Evolución Diferencial Multiobjetivo con Búsqueda de Armonía Memética con Red Neuronal de Spiking en Evolución (MEHSMODE-ESNN) para mejorar la estructura y los índices de precisión de la ESNN. Para evaluar el rendimiento de este modelo híbrido multiobjetivo mejorado se utilizan conjuntos de datos estándar del aprendizaje automático de la UCI. Los resultados experimentales han demostrado que el modelo Memetic Harmony Search Multi-Objective Differential Evolution with Evolving Spiking Neural Network (MEHSMODE-ESNN) ofrece mejores resultados en términos de precisión y estructura de red.