Training eines vorwärtsgerichteten neuronalen Netzes mit Cuckoo-Suche

Die Cuckoo-Suche (CS) ist ein naturinspirierter und metaheuristischer Algorithmus, der auf einer Brutreproduktionsstrategie von Kuckucksvögeln basiert, um ihre Population zu erhöhen. Dieser Algorithmus dient hauptsächlich dazu, den maximalen oder minimalen Wert eines bestimmten Problems zu bestimmen, das als Zielfunktion bekannt ist. Berichten zufolge hat CS andere naturinspirierte Algorithmen in Bezug auf Recheneffizienz und Konvergenzgeschwindigkeit zur Erreichung einer optimalen Lösung übertroffen. Dieses Kapitel zielt darauf ab, die Anwendung von CS zur Bestimmung der Parameter von künstlichen neuronalen Netzen (ANN) zu erforschen. Das inhärente Problem beim traditionellen Training von ANNs mit Backpropagation besteht darin, dass der Lernprozess keine globale Minimallösung garantieren kann und dazu neigt, in lokalen Minima gefangen zu werden. Die Arbeitsweise solcher ANN-Modelle ist auf eine differenzierbare Neuronenübertragungsfunktion beschränkt. Der CS-Algorithmus wurde beobachtet, um eine Lösung ohne den Einsatz von Derivaten zur Optimierung solcher komplizierten Probleme zu bieten. Der Einsatz von ANNs in einer Vielzahl von Problemen, einschließlich Klassifizierungsaufgaben, Bildverarbeitung, Signalverarbeitung usw., rechtfertigt die Anwendung von CS auf das Backpropagation-Verfahren von ANNs, um eine schnellere Konvergenzrate zu erreichen und das Problem der lokalen Minima zu vermeiden. In diesem Kapitel werden auch Diskussionen und Ergebnisse darüber vorgestellt, wie ANNs, die mit Varianten von CS optimiert wurden, bei der Erkennung von chronischer Nierenerkrankung, der Modellierung der Betriebstemperatur von Photovoltaikmodulen und der Klassifizierung von Waldtypen abschneiden.