REDES NEURONALRG ¥ ALGORTEMOS GEWETICOS
J. Alberto Delgado R.
Profesor Asistente
Departamento de Ingenierfa Fléctrica
‘Universidad Nacional de colombia
aperract
‘nis paper presents the training of a neural
network with a genetical algorithm. The
‘fects due to the size ot chromosomes and
gens are discussed for the learning of the
ROR probiea.
Este articulo presenta e] entrenamiento de
una red neuronal con un aigoritne genético.
Se analizan los efector debidos al nimero de
Gronosomae yal tamafo de los genes durante
Gi aprendizaje de 1a funcion legica XOR.
Loe algeritmoe genético: pusden cer una
Alternativa para antrenar redes neuronales
Gon funcién de activacion tipe Linitador dure
Y pesos discretos.
El algoritmo de propagacién inversa (BP) se
ha ¢studiado (1) para una red neuronal con
pesor discretos "durante al” aprendizase
Ge" la funcién 16gica XOR- Fate tipo de red
es consecuencia natural del desarrollo
digital Visr donde lee conexiones toman
Valores binarios,
Los resultados experinentales (1) muestran
que pare lograr 60 0 70% de convergencia, 1a
Fed requiere née de 1000 niveles discretos,
io cual equivale a 10 bite de almacenamiento
por peso de interconexion. $i el namero. de
Rivelee discretos om menor ai ‘umbral (300)
ia” rea" no aprende, debido “a que im
correccion en les.’ pesos no es lo,
Suficientemente
de
Los algoritmos
‘entrenamiento. para redes
Reuronales con pesos discretos, puesto que se
logra el aprendizaje. con pocos niveles. En
el caso de la funcicn” “legica XOR. son
Suticientes cuatro niveles iecretos por
Peso, 10 cual equivale @ dos bite.
MEGHOMA ARETPICIAL
Un modelo simple de_ la dingmica
Entrada/salida (B/s) de 1a neurone natural
se observa en ie figura.
La salide de
ecuacion,
este modelo saticface 1a
(EE, rw)
JTBE, vol. 13, 1992
donde
Sa mharo
fos a, siaco
wot Umbraa
Si i Sonales de Entrada
Mi i Pesce de cade Conexion
En palabras, 1a salida de 1a neurona toma el
Varbe vconstante de si cuando ja. Suna
ponderada de las entradas excede el unbral
Enesco contrario, y= “1:
Fig.1.~ Modele £/S de 1a neurona natural.
La ecuacién (1) #¢ puede escribir cone,
yee, O-xD (2)
donde,
RED WEOROWAL [2], [3)
La figura 2
multicapa,
Fed ace}.
red
en notacién eimplificada
neuronal
La capa de entrada no realiza procesaniento,
Simpienente recibe. ine entradas y. ias
Gistribuye 2 la caps ooulta:
La capa ocuita y 1a capa de calida realizan
Procesamiento y. contienen neuronas como 1a
‘on la figure i
de entrada y salida se conectan al
exterior, mientras la capa del medio no. Por
lio se denomina a esta Gitina, capa oculta
Durante e entrenamiento de 1a red, los pesos
Se modifican pare satiefacer ia’ relacién
entradas = ealida, (Xt, %2) > (¥)~ Bn el
Sprendizaje de ls funcién. légica xoR hay
Chatre relsciones o patrones.
6Fig.2.- Red neuronal multicapa 2-2-1.
BL peso,
se interpreta como el veler de 1a conexién
Gue Jiega 8 la neurons | de 1a capa 1, desde
{e*neurona 5 de ia capa 1-1- Loe pesos con el
indice }0 corresponden ®\ pesos umbrai, "y
Sonecta 1a neurone a una entrada con valor
Sonstante de =~
ALooRITMOS GEMETICOS [4], [5]
Los algoritmos genéticos (AGs) se basan en 1a
Becanita de la seleccién natural. Utilizan la
Supervivencie de lee cadenas wejor adaptadas
Bara buscar un éptine-
Une aiterencias entre los _algoritmos
Genéticos y otros métodos de optimizacian
= toe Ace trabajan con un cédigo
correspondiente a los pardmetros, no con los
bardmetros. Esto ce, los pardmetroa se
Sodifioan como una cadena de longitud finita
sobre un alfabeto finito,
> Loe AGe realizan 1a basqueda desde varios
puntos det expacio y'no deade una condicion
= Los AG explotan s6lamente 1a informacién
Ge Ta funeion objetivo:
= Loe Acs utilizan reglas de traneicién
probabilfeticas.
Para entrenar 1a red neuronal, el conjunto de
Pesce se coditica como una ‘cadena binarts
Iiamada cromosona. Cada cromosona produce un
Grror sobre todos los. patrones de
entrenaniento, of objetivo es minimizer este
‘ror 0 waximizar eu reciproce:
La funcion de bondad a naximizar es,
a
ER, oad*
np : Nanero de potrones
JP i Salles de Sa red para cada
patron
+ Silide aeseada de 1a rea
donae,
6s
EL proceso inicia con una poblacién aleatoria
Ge "cadenas yee. construyen generacione:
Sucesivas usande los operadores genéticos a
Feproduccion y cruce. las cadenas mejores,
Eagan (3), tienen mayor probabilidad de
Sobrevivir’ y participar en croces- £1 eruce
Conbina parte de una cadena con otra y puede
foun Buenos segmentoe hallados al azar ch
ia poblacign-
cada _cromosoma es una cadena de bits
Correspondiente a los pesos, segan (4). cada
feoo ce representa en Dinavio complenento a
Soe y tiene su equivalente decimal.
PoP oP ePoPoPo Peel?
B1 entrenamiento se realiza en funcién del
tamano de ia poblacién (ndmere de cadens
he) y del tanaho de loe genes (ndmero de bits
er peso: nb).
la Tabla 1 es 1a funciGn Légice XOR aye debe
Bprender Jared neuronal de La tigura'a. Kote
gi deeds valores bipotares (22,75) en iugar
Tabla 1.-
Se considera que no hay convergencia durante
ei entrenaaiento” cuando el. namero de
{teractones es mayor que diez. Cada iveracton
corresponde = un recorrido por la Tabla i.
La figura 3 muestra el porcentaje de
convergencias como funcicn de1 nimero de
Gromosomas (nc) ¥ del ninero de bite por peso
(nb). Note que el nimero de aprendizajes
Sumenta con el tamano de la poblacion, este
G5, a mayor diversidad hay mae oportunidad de
haliar el optino.
1a figura 4 presenta 21 promedio de
iteraciones por convergencia coxo funcién del
tamaflo do la poblacion y de lec gones- El
irregular,
tds posibilidad de aprendiasje.
21 punto correspondiente a diez cromosomas y
Seis bits por gene produce el menor nanere
Promedio de. iteraciones, Glo. indica un
Fapido aprendizaje.
n 1a figura 5 se observa o1 tienpe promedio
Por convergencia como funcién det tamaho
BS" poplacién yas lee genes: es clare, el
Ticfonente en tianpo de G0 con ei aumento de
iQopoblacien y devios niveles discrecos por
paod feasahe Senca)
SIEE, Vol. 13, 1992Porcentoje Convergencios
Pcs 10
Fig.2.- Porcentaje de Convergencias como
funcién del tomato de la peblacién y de los
Iteraciones promedio
Fig.4,~ Iteraciones promedio por convergencia
gone dancin det tamano de ta poblacién y de
jo genes.
4 Tiempo CPU Promedto(S)
Fig-5.- Tiempo promedio por iteracién como
funcién del tamaho de la poblacién y de los
genes.
SIRE, Vol. 13, 1992
La figura 6 corresponde a seis rea
Reuronales multicapa 2-2-1 entrenadas con un
Algoritne genético, 1a poblacion es de diez
Sadenas y el tamehe de ‘los genes ea de dos
bles”
concLvsromes
Se ha nostrado 1a posibilidad de entrenar una
zed neuronal con ‘un algoritmo genético. La
Vontaja es 1a miniizacion de ie funcion
objetivo a pasar del ruido de ia superficie
Ge fos pence:
Gon e1 algoritup genético es posible entrenar
Sa"red ‘con 4 niveles discretoe en contracte
con 300 niveles cono minino para el algoritme
Ge propagacién inversa (BP)
Un inconveniente del algoriteo genético
genes, 10 cual podria ser una limicacién para
Fedes mas grande:
(1) Von Lehnen, A, Pack, E-G., Liao
Marrakcnt, A.) y"' Patel, 3.8.2 "Packer
Influencing Learning by’ Backpropagation",
TREE = IGM, Vol. I, pp. 235-341, 1988.
(2) Midrow, B. y tehr Mu: "30, Years of
Adaptive neural” “Networke: "” Perceperon,
Madaline and Backpropagation", Proc. TERE,
Wel. 78, No.3, pp. 1415-1441, Septienbre
985.
(3) Lippmann, R. Pi: "An Introduction to
Computing with Noural Nets", TEEE Acoustice
Speech and Ginal Procecsing,” pp. 4-22, Abril
[4] Coldverg, D. £1 "Genetic Algorithes in
Search, Optimization and Nachine Learning’
Reading, M-A-, Addison-Wesley, 1986.
{3] Wayner, P.: "Genetic Algorithme", BYTE,
Pp. 36-368, Enero 1991.
de 1a Universidad de los Andes y Magister en
Control y Tratamiento de Sefiales de la micma
Universiaaa.
Actualmente e= Profesor Agistente en el
Departanento, Ge, Ingenieria’ Electrica ‘de Ta
Universigad Nacional de Colombia.
Qo interés con las redes neurons
Slgoritnos “genéticos aplicadas a la
Ingenieria Eigcerics y Electronica.
Direccién para correspondencia
25260 Santafé do Bogota, Colombia.
o3 rrenaciones
eRoMOSOMA FINAL: HHHHTORITINO!
sos
x
Xe 08
-RoWoSOUA FIRAL = Lo1nLonoToNON
4 rreraciones 08
ROMOSOMA FINAL: NlOLOHIOIONIOIIO
Fig.6.- Redes _neuronals
cRowosoMA FINAL: 1010091
multicspa 2-2-1, entrenadas con un
Bigoritae genético para el problens del XOR.
oe
TEE, VoL. 13, 1992