Využití umělých neuronových sítí k urychlení evolučních algoritmů

Abstract

V předkládané práci studujeme možnosti využití umělých neuronových sítí k urychlení evolučních algoritmů. Urychlení spočívá ve snížení počtu volání fitness funkce, jejíž vyhodnocení je u některých typů optimalizačních úloh značně časově i finančně náročné. Jako regresní model používáme neuronovou síť, která slouží pro odhadnutí hodnoty fitness jedinců v průběhu evolučního algoritmu. Zároveň s regresním modelem pracujeme i se skutečnou fitness funkcí, kterou používáme pro přehodnocení jedinců vybraných podle předem zvolené strategie. Tyto jedince ohodnocené skutečnou fitness funkcí pak využijeme pro zlepšení regresního modelu. Díky tomu, že je velká část jedinců ohodnocována pouze regresním modelem, se podstatně snižuje celkový počet volání skutečné fitness funkce, který je potřebný pro nalezení kvalitního řešení optimalizační úlohy.

In the present work, we study possibilities of using artificial neural networks for accelerating of evolutionary algorithms. Improving consists in decreasing in number of calls to the fitness function, the evaluation of which is in some kinds of optimization problems very time- consuming and expensive. We use neural network as a regression model, which serves for fitness estimation in a run of evolutionary algorithm. Together with the regression model, we work also with the real fitness function, which we use for re-evaluation of individuals that are selecting according to a beforehand chosen strategy. These individuals re-evaluated by the real fitness function are used for improving the regression model. Because a significant number of individuals are evaluated only with the regression model, the number of calls to the real fitness function, that is needed for finding of a good solution of the optimization problem, is substantially reduced.