Практический подход к изучению эволюционных методов настройки весовых коэффициентов искусственных нейронных сетей

Описана проблематика разработки нейроконтроллеров для управления динамическими объектами, включающая в себя сложность формирования обучающих наборов данных. Указано, что одним из известных способов обучения управляющей объектом искусственной нейронной сети является нейроэволюционный подход, предполагающий использование генетического алгоритма для настройки синаптических весовых коэффициентов искусственной нейронной сети. Предложена идея использования средства демонстрации эволюционного подхода к настройке весовых коэффициентов искусственной нейронной сети для практического обучения студентов основам нейроэволюционного подхода. Разработано программное обеспечение для демонстрации нейроэволюционного подхода на примере эволюции искусственной нейронной сети заданной структуры, предназначенной для управления упрощенной компьютерной моделью автономного транспортного средства. Описан способ разрешения проблемы стагнации при использовании эволюционного подхода к обучению искусственной нейронной сети. Предложены варианты применения разработанного программного обеспечения при обучении студентов основам технологий искусственного интеллекта и эволюционным методам многокритериальной оптимизации.

1. Чернодуб, А. Н. Обзор методов нейроуправления / А. Н. Чернодуб, Д. А. Дзюба // Проблемы программирования. 2011. № 2. С. 79–94.

2. Katoch, S. A Review on Genetic Algorithm: Past, Present, and Future / S. Katoch, S. S. Chauhan, V. Kumar // Multimed Tools Appl. 2021. Vol. 80. P. 8091–8126.

3. McCall, J. Genetic Algorithms for Modelling and Optimisations / J. McCall // Journal of Computational and Applied Mathematics. 2020. Vol. 184, No 1. P. 205–222.

4. Васенков, Д. В. Методы обучения искусственных нейронных сетей / Д. В. Васенков // Компьютерные инструменты в образовании. 2007. № 1. С. 20–29.

5. Maren, A. J. A Logical Topology of Neural Networks / A. J. Maren // Proceedings of the Second Workshop on Neural Networks, Auburn, USA, February 11–13, 1991. Auburn: Auburn University, 1991. P. 17–44.

6. Мищенко, В. А. Использование генетических алгоритмов в обучении нейронных сетей / В. А. Мищенко, А. А. Коробкин // Современные проблемы науки и образования. 2011. № 6.

7. Шумков, Е. А. Использование генетических алгоритмов для обучения нейронных сетей / Е. А.Шумков // Научный журнал КубГАУ. 2013. № 91.

8. Montana, D. J. Training Feedforward Neural Networks Using Genetic Algorithms / D. J. Montana, L. Davis // IJCAI’89: Proceedings of the 11th International Joint Conference on Artificial Intelligence. 1989. Vol. 1. P. 762–767.

9. Yao, Xin. Evolving Artificial Neural Networks / Xin Yao // Proceedings of the IEEE. 1999. Vol. 87, No 9. P. 1423–1447.

10. Picek, S. On the Recombination Operator in the Real-Coded Genetic Algorithms / S. Picek, D. Jakobovic, M. Golub // 2013 IEEE Congress On Evolutionary Computation, June 20–23, Cancun, Mexico, 2013. P. 3103–3110.

11. Zankinski, I. Effects of the Neuron Permutation Problem on Training Artificial Neural Networks with Genetic Algorithms / I. Zankinski // International Conference on Numerical Analysis and Its Applications, June 15–22, Lozenetz, Bulgaria, 2016. P. 777–782.

12. Haflidason, S. On the Significance of the Permutation Problem in Neuroevolution / S. Haflidason, R. Neville // GECCO’09: Proceedings of the 11th Annual Conference on Genetic and Evolutionary Computation, June 8, 2009. P. 787–794.

13. Pretorius, K. Neural Network Crossover in Genetic Algorithms Using Genetic Programming / K. Pretorius, N. Pillay // Genetic Programming and Evolvable Machines. 2024. Vol. 25. No 7.

14. Gomez, F. J. Active Guidance for a Finless Rocket Using Neuroevolution / F. J. Gomez, R. Miikkulainen // Proceedings of the 2003 International Conference on Genetic and Evolutionary Computation: Part II, July 12, San Francisco, California, USA, 2003. P. 2084–2095.

15. Gomez, F. J. Co-Evolving Recurrent Neurons Learn Deep Memory POMDPs // F. J. Gomez, J. Schmidhuber // GECCO’05: Proceedings of the 7th Annual Conference on Genetic and Evolutionary Computation, June 25–29, Washington DC, USA, 2005. P. 491–498.