63- #1106 MODELO DE REDES NEURONALES ARTIFICIALES Y METAHEURISTICO PARA LA OPTIMIZACIÓN DE FUNCIONES CONTINUAS DE ESTUDIO
El modelamiento y simulación de los factores queafectan un sistema real, son clave para garantizar larepresentatividad de un modelo computacional con elque se busca encontrar soluciones a problemáticas queno conviene estudiar a través de enfoquesconvencionales (Wilson & Stein, 1995). Debido...
- Autores:
- Tipo de recurso:
- Fecha de publicación:
- 2019
- Institución:
- Universidad Industrial de Santander
- Repositorio:
- Repositorio UIS
- Idioma:
- spa
- OAI Identifier:
- oai:noesis.uis.edu.co:20.500.14071/5492
- Acceso en línea:
- https://revistas.uis.edu.co/index.php/memoriasuis/article/view/10472
https://noesis.uis.edu.co/handle/20.500.14071/5492
- Palabra clave:
- Redes neuronales artificiales
metaheurísticas
optimización continua
- Rights
- openAccess
- License
- Attribution-NonCommercial 4.0 International (CC BY-NC 4.0)
Summary: | El modelamiento y simulación de los factores queafectan un sistema real, son clave para garantizar larepresentatividad de un modelo computacional con elque se busca encontrar soluciones a problemáticas queno conviene estudiar a través de enfoquesconvencionales (Wilson & Stein, 1995). Debido al avance en la capacidad de procesamiento deinformación por medio de los computadores, se hadespertado el interés por el modelado de diversos tiposde sistemas y funciones empleando redes neuronales(Misra & Saha, 2010). Además, los problemas deoptimización son de vital importancia dada la necesidadde generar el mayor beneficio posible de lamaximización o minimización de variables específicasbajo escenarios sensibles a su parametrización(Floudas & Gounaris, 2009). Dada la dificultad de encontrar representacionesexactas a problemas particulares, se formula undesarrollo por medio de redes neuronales paraponderar las variables más importantes de un sistemay de métodos metaheurísticos para optimizar losparámetros asociados al modelo obtenido. Este estudioutilizada funciones de prueba para optimización (Pan,Sang, Duan, & Gao, 2014) con el fin de compararresultados con modelados y óptimos ya conocidos. Elprimer enfoque se centra en la optimización de lasfunciones exactas antes mencionadas, mientras elsegundo enfoque optimiza la representación obtenidaspor la red neuronal de estas. Se usaron dosarquitecturas de redes: regresión general (GRNN) yperceptrón multicapa (MLPNN) y dos metaheurísticas:algoritmo genético (GA) y enjambre de partículas(PSO). Se puede observar en estos resultados que, con lasconfiguraciones en la arquitectura de la red neuronal yla inicialización de parámetros metaheurísticos, selogra modelar y optimizar sistemas teóricos con unrendimiento similar o mejor a las respuestas conocidasy se espera que este enfoque pueda ser implementadopara realizar predicciones en datos reales. |
---|