Počet záznamů: 1

Boosted Neural Networks in Evolutionary Computation

  1. 1.
    0333959 - UIVT-O 2010 RIV DE eng C - Konferenční příspěvek (zahraniční konf.)
    Holeňa, Martin - Linke, D. - Steinfeldt, N.
    Boosted Neural Networks in Evolutionary Computation.
    [Neuronové sítě s boostingem v evolučních výpočtech.]
    Neural Information Processing. Berlin: Springer, 2009 - (Leung, C.; Lee, M.; Chan, J.), s. 131-140. Lecture Notes in Computer Science, 5864. ISBN 978-3-642-10682-8.
    [ICONIP 2009. International Conference on Neural Information Processing /16./. Bangkok (TH), 01.12.2009-05.12.2009]
    Grant CEP: GA ČR GA201/08/0802; GA ČR GEICC/08/E018
    Výzkumný záměr: CEZ:AV0Z10300504
    Klíčová slova: evolutionary algorithms * empirical objective functions * surrogate modelling * surrogate modelling * artificial neural networks * boosting
    Kód oboru RIV: IN - Informatika

    The paper deals with a neural-network-based version of surrogate modelling, a modern approach to the optimization of empirical objective functions. The approach leads to a substantial decrease of time and costs of evaluation of the objective function, a property that is particularly attractive in evolutionary optimization. In the paper, an extension of surrogate modelling with regression boosting is proposed, which increases the accuracy of surrogate models, thus also the agreement between results obtained with the model and those obtained with the original objective function. The extension is illustrated on a case study in materials science. Presented case study results clearly confirm the usefulness of boosting for neural-network-based surrogate models.

    Článek se zabývá variantou náhradního modelování, moderního přístupu k optimalizaci empirických cílových funkcí, založenou na neuronových sítích. Tento přístup vede k podstatnému snížení doby a nákladů na vyhodnocování cílové funkce, což je vlastnost zvláště atraktivní v evoluční optimalizaci. V článku je navrženo rozšíření náhradního modelování pomocí regresního boostingu, které zvyšuje přesnost náhradních modelů, a tudíž i soulad mezi výsledky získanými pomocí modelu a pomocí původní cílové funkce. Rozšíření je ilustrováno na případové studii v materiálových vědách.
    Trvalý link: http://hdl.handle.net/11104/0178812