[pt] ALGORITMO EVOLUCIONÁRIO COM INSPIRAÇÃO QUÂNTICA E REPRESENTAÇÃO MISTA APLICADO A NEUROEVOLUÇÃO

• Ano de defesa: 2011
• Autor(a) principal: ANDERSON GUIMARAES DE PINHO
• Tipo de documento: Tese
• Tipo de acesso: Acesso aberto
• Idioma: por
• Instituição de defesa: MAXWELL
• Palavras-chave em Português: [pt] REDE NEURAL ARTIFICIAL; [pt] ALGORITMOS COM INSPIRACAO QUANTICA; [pt] COMPUTACAO EVOLUCIONARIA; [pt] CLASSIFICACAO DE PADRAO; [pt] ALGORITMO GENETICO; [en] ARTIFICIAL NEURAL NETWORKS; [en] EVOLUTIONARY COMPUTATION; [en] PATTERN CLASSIFICATION; [en] GENETIC ALGORITHM
• Link de acesso: https://www.maxwell.vrac.puc-rio.br/colecao.php?strSecao=resultado&nrSeq=17224&idi=1; https://www.maxwell.vrac.puc-rio.br/colecao.php?strSecao=resultado&nrSeq=17224&idi=2; http://doi.org/10.17771/PUCRio.acad.17224

[pt] Esta dissertação objetivará a unificação de duas metodologias de algoritmos evolutivos consagradas para tratamento de problemas ou do tipo combinatórios, ou do tipo numéricos, num único algoritmo com representação mista. Trata-se de um algoritmo evolutivo inspirado na física quântica com representação mista binário-real do espaço de soluções, o AEIQ-BR. Este algoritmo trata-se de uma extensão do modelo com representação binária de Jang, Han e Kin, o AEIQ-B para otimizações combinatoriais, e o de representação real de Abs da Cruz, o AEIQ-R para otimizações numéricas. Com fins de exemplificação do novo algoritmo proposto, o discutiremos no contexto de neuroevolução, com o propósito de configurar completamente uma rede neural com alimentação adiante em termos: seleção de variáveis de entrada; números de neurônios na camada escondida; todos os pesos existentes; e tipos de funções de ativação de cada neurônio. Esta finalidade em se aplicar o algoritmo AEIQ-BR à neuroevolução – e também, numa analogia ao modelo NEIQ-R de Abs da Cruz – receberá a denominação NEIQ-BR. N de neuroevolução, E de evolutivo, IQ de inspiração quântica, e BR de binário-real. Para avaliar o desempenho do NEIQ-BR, utilizarse- á um total de seis casos benchmark de classificação, e outros dois casos reais, em campos da ciência como: finanças, biologia e química. Resultados serão comparados com algoritmos de outros pesquisadores e a modelagem manual de redes neurais, através de medidas de desempenho. Através de testes estatísticos concluiremos que o algoritmo NEIQ-BR apresentará um desempenho significativo na obtenção de previsões de classificação por neuroevolução.