الگوريتم تخمين توزيع با استفاده از شبكه عصبي معكوس ‌پذير و مدل جايگزين

اصفهان : دانشگاه صنعتي اصفهان

مهندسي كامپيوتر

كارشناسي ارشد

مسائل بهينه‌سازي يكي از اصلي‌ترين چالش‌هاي پيش روي علوم مختلف بوده است. با افزايش پيچيدگي مسائل جهان واقعي دست يافتن به پاسخ بهينه در اين مسائل با روش‌هاي مرسوم بهينه‌سازي نظير روش‌هاي دقيق و روش‌هاي ابتكاري امكان‌پذير نيست، زيرا اين روش‌ها به طور معمول به پاسخ بهينه محلي بسنده مي‌كنند. به منظور يافتن راه‌حل‌هاي قابل قبول براي اين گونه مسائل روش‌هاي فراابتكاري مانند الگوريتم تكاملي استفاده مي‌شود. امروزه الگوريتم‌هاي تكاملي به دليل توانايي‌شان در حل بسياري از مسائل پيچيده در زمينه‌هاي مختلف، مورد اقبال واقع شده‌اند. الگوريتم تخمين توزيع گونه‌اي از الگوريتم‌هاي تكاملي است كه با ساختن يك مدل احتمالاتي صريح از ناحيه‌هاي اميدبخش جستجو و نمونه‌گيري از آن، فضاي مسئله را كاوش مي‌كند. استفاده از يك مدل احتمالاتي كارامد كه بتواند بازنمايي مطلوبي از توزيع داده‌ها داشته باشد و همچنين نمونه‌هاي مطلوب ايجاد كند، نقش به سزايي در روند بهينه‌سازي دارد. با توجه به مزايا و قابليت‌هاي اثبات شده شبكه‌هاي عصبي مولد در حوزه‌هاي مختلف يادگيري ماشين بالاخص يادگيري توزيع داده و توليد داده، مي‌توان از اين شبكه‌ها به عنوان مدل احتمالاتي در الگوريتم تخمين توزيع استفاده نمود. در اين پژوهش با استفاده از شبكه‌هاي مولد معكوس‌پذير مقادير تابع هدف نيز به ساختار مدل احتمالاتي افزوده شده و مدل به لحاظ اطلاعاتي قوي‌تر شده است. در الگوريتم تخمين توزيع نيازمند به آموزش شبكه عصبي در هر نسل هستيم كه موجب افزايش كل مدت زمان حل مسئله مي‌گردد. ما با كمك يادگيري فعال رهيافتي براي انتخاب نمونه‌ها در هر نسل پيشنهاد مي‌كنيم تا اين امكان فراهم شود از شبكه آموزش داده شده در چند نسل براي توليد نمونه استفاده كنيم. يكي از چالش‌هاي اصلي در الگوريتم‌هاي تكاملي نياز به فراخواني تابع هدف به تعداد دفعات بسياري در نسل‌هاي متوالي الگوريتم است. به جهت استيلا بر اين مشكل مدل‌هاي جايگزين به جهت پيش‌بيني مقدار تابع هدف استفاده مي‌شوند، و اين كار خود هزينه‌هايي را به همراه دارد. ما براي كاهش اين هزينه‌ها از رويكرد يادگيري فعال بهره گرفته‌ايم و روشي ارائه مي‌كنيم كه آموزش مدل با تعداد محدودي از داده‌هاي باارزش انجام پذيرد و از اين طريق هزينه‌هاي آموزشي مدل جايگزين كاهش يابد. نتايج به دست آمده بر روي توابع آزمايشي، نشان دهنده آن است كه افزودن اطلاعات تابع هدف به مدل احتمالاتي الگوريتم تخمين توزيع باعث افزايش كارايي الگوريتم و در نتيجه بهبود مقادير بهينه شده است. همچنين به كارگيري يادگيري فعال موجب تسريع فرايند بهينه‌سازي نسبت به روش‌هاي پيشين مرتبط مي‌گردد.

224488

هوش مصنوعي

مهندسي برق و كامپيوتر

دانشگاه صنعتي اصفهان