திரள் நுண்ணறிவு மற்றும் பரிணாமக் கணக்கீட்டுக்கான சர்வதேச இதழ்

சுருக்கம்

மெமெடிக் ஹார்மனி தேடல் அல்காரிதம் அடிப்படையிலான மல்டி-அப்ஜெக்டிவ் டிஃபரன்ஷியல் ஈவல்விங் ஸ்பைக்கிங் நியூரல் நெட்வொர்க்குகள்

அப்துல்ரசாக் யாஹ்யா சலே*, சித்தி மரியம் ஷம்சுதீன் மற்றும் ஹஸா நுஸ்லி அப்துல் ஹமீத்

ஸ்பைக்கிங் நியூரல் நெட்வொர்க் (SNN) வகைப்பாடு சிக்கல்களில் முக்கிய பங்கு வகிக்கிறது. SNN இன் பல மாதிரிகள் இருந்தாலும், Evolving Spiking Neural Network (ESNN) பல சமீபத்திய ஆராய்ச்சிப் பணிகளில் பரவலாகப் பயன்படுத்தப்படுகிறது. ஈஎஸ்என்என் அல்காரிதத்தை மேம்படுத்த பரிணாம வழிமுறைகள், முக்கியமாக வேறுபட்ட பரிணாமம் (டிஇ) பயன்படுத்தப்பட்டது. இருப்பினும், பல நிஜ உலக தேர்வுமுறை சிக்கல்கள் பல முரண்பாடான நோக்கங்களை உள்ளடக்கியது. ஒற்றை தேர்வுமுறைக்கு பதிலாக, மல்டி-அப்ஜெக்டிவ் ஆப்டிமைசேஷன் (MOO) இந்த சிக்கல்களைத் தீர்க்க உகந்த தீர்வுகளின் தொகுப்பாகப் பயன்படுத்தப்படலாம். இந்த தாளில், ESNN உடன் MOO இன் செயல்திறனை மேம்படுத்த ஹார்மனி தேடல் (HS) மற்றும் மெமெடிக் அணுகுமுறை பயன்படுத்தப்பட்டது. இதன் விளைவாக, மெமெடிக் ஹார்மனி தேடல் மல்டி-அப்ஜெக்டிவ் டிஃபெரன்ஷியல் எவல்யூஷன் வித் எவல்விங் ஸ்பைக்கிங் நியூரல் நெட்வொர்க் (MEHSMODEESNN) ESNN கட்டமைப்பு மற்றும் துல்லிய விகிதங்களை மேம்படுத்த பயன்படுத்தப்பட்டது. இந்த மேம்படுத்தப்பட்ட மல்டி அப்ஜெக்டிவ் ஹைப்ரிட் மாதிரியின் செயல்திறனை மதிப்பிடுவதற்கு UCI இயந்திரக் கற்றலில் இருந்து தரநிலை தரவுத் தொகுப்புகள் பயன்படுத்தப்படுகின்றன. Evolving Spiking Neural Network (MEHSMODE-ESNN) உடன் Memetic Harmony Search மல்டி-அப்ஜெக்டிவ் டிஃபெரன்ஷியல் எவல்யூஷன் துல்லியம் மற்றும் நெட்வொர்க் கட்டமைப்பின் அடிப்படையில் சிறந்த முடிவுகளைத் தருகிறது என்பதை சோதனை முடிவுகள் நிரூபித்துள்ளன.