Una comparación entre estrategias evolutivas y RPROP para la estimación de redes neuronales

• ORTÍZ, DIANA ^[1] ; VILLA, FERNÁN ^[1] ; VELÁSQUEZ, JUAN ^[1]
  1. [1] Universidad Nacional de Colombia

     Universidad Nacional de Colombia

     Colombia

     
• Localización: Avances en Sistemas e Informática, ISSN 1909-0056, Vol. 4, Nº. 2, 2007, págs. 135-144
• Idioma: español
• Títulos paralelos:
  • A Comparison between Evolutionary Strategies and RPROP for Estimating Neural Networks
• Enlaces
  • Texto completo
• Dialnet Métricas: 1 Cita
• Resumen
  • español

    Rprop ha sido reconocido como uno de los más poderosos algoritmos para entrenar redes neuronales artificiales; sin embargo, el algoritmo de estrategias de evolución es un fuerte competido para resolver problemas de optimización debido a su capacidad para buscar el óptimo global sin la necesidad de usar información sobre el gradiente. En este artículo, se comparan ambos algoritmos usando tres series de tiempo no lineales del mundo real, con el fin de determinar cual algoritmo ofrece mejores resultados en la práctica. Los resultados indican que estrategias de evolución converge más rápido que Rprop al punto de óptima local, pero en la mayoría de los casos los resultados obtenidos con Rprop son mejores en magnitud, aunque en la práctica los valores de la función objetivo son muy cercanos.

  • English

    Rprop has been recognized as one of the most powerful algorithms for training artificial neural networks;

    however, the evolution strategies algorithm is a strong competitor for solving optimization problems due to its capacity for searching the global optimum without the necessity of using information about of the gradient. In this paper, we compare both algorithms using three non-linear time series from the real world, with the aim of determinate which algorithm offers betters results in the practice. The results indicate that evolution strategies converges faster than Rprop to the local optima, but in most cases the results obtained using Rprop are better in magnitude, even in practice the values of the objective function are very near.