Otimização evolucionária multimodal de redes neurais artificiais para composição de ensembles

Abstract

Esta dissertação apresenta um novo método de otimização de redes neurais artificiais para composição de ensembles de redes neurais artificiais. O método proposto combina o algoritmo evolucionário Evolução Diferencial com Vizinhança Global e Local (DEGL - Differential Evolution with Global and Local Neighborhood) com três técnicas multimodais: fitness sharing, especiação e simple subpopulation scheme. Para uma boa generalização de um ensemble seus componentes devem apresentar duas características: bom desempenho e diversidade. Como o poder de generalização de uma rede neural artificial está intimamente relacionado à sua arquitetura e aos seus pesos iniciais, para atingir bom desempenho, as redes neurais artificiais foram construídas de maneira automática através do algoritmo evolucionário. Para manter a diversidade entre as redes e para que um maior número de soluções ótimas fosse encontrado, técnicas multimodais foram incorporadas ao algoritmo evolucionário. O desempenho deste método é investigado através de experimentos realizados em seis bases benchmarks de aprendizagem de máquina para problemas de classificação. O método proposto se mostrou competitivo quando comparado a outros métodos da literatura e estatisticamente relevante quando comparado a métodos baseados em seus componentes