WiMi Hologram Cloud Inc. ha anunciado que ha adoptado un algoritmo de inteligencia de grupo para optimizar la red neuronal artificial. Este algoritmo facilita el proceso de determinación de la estructura de la red y el entrenamiento de la red neuronal artificial. El algoritmo de inteligencia de grupo es mejor para encontrar los pesos de conexión y los sesgos óptimos durante el entrenamiento en comparación con los algoritmos tradicionales. El algoritmo de inteligencia de grupo es un algoritmo de optimización metaheurístico inspirado en la observación de los patrones de comportamiento de grupos de animales e insectos a medida que cambia su entorno.

Estos algoritmos utilizan el simple comportamiento colectivo de ciertos grupos de organismos biológicos para generar inteligencia de grupo. Esto permite a los algoritmos de inteligencia de grupo resolver problemas de optimización complejos utilizando la interacción entre grupos de agentes de búsqueda artificiales y el entorno. Los algoritmos de inteligencia de grupo pueden resolver distintos tipos de problemas de optimización, incluidos los continuos, los discretos o los de optimización multiobjetivo. Por lo tanto, tienen una amplia gama de aplicaciones en diversos campos.

WiMi utilizó un algoritmo de inteligencia de grupo para optimizar redes neuronales artificiales con el fin de mejorar la capacidad de generalización de las redes neuronales artificiales mediante la optimización de los pesos de conexión, las ponderaciones y los sesgos o la estructura de la red. Los pasos del algoritmo son los siguientes: determinar la estructura y los parámetros de la red neuronal: Establecer y ajustar la estructura y los parámetros de la red neuronal en función del problema específico, como el número de capas, el número de neuronas de cada capa, la activación de las funciones, etc. Preparar el conjunto de datos de entrenamiento: Seleccionar un conjunto de datos de entrenamiento adecuado para entrenar la red neuronal.

Inicializar el conjunto de datos: Generar aleatoriamente un conjunto de soluciones como posibles soluciones al problema, que representan el conjunto de datos inicial. En el contexto de la optimización de redes neuronales, esto puede incluir la generación aleatoria de un conjunto de pesos iniciales y valores de sesgo como soluciones iniciales para la red neuronal. Calcular la aptitud: Se define una función de aptitud basada en la naturaleza del problema y se utiliza para evaluar la calidad de cada solución.

En el contexto de la optimización de redes neuronales, esto puede incluir el cálculo del error entre la salida de la red y la etiqueta real como la aptitud. Búsqueda: Actualización de cada solución de la población según una determinada regla de actualización (por ejemplo, una regla de actualización basada en el modelado del paso de movimiento de los organismos enjambre, como PSO, AFSA y SFLA) o un conjunto de reglas de actualización según algún mecanismo algorítmico (por ejemplo, ACO). La aptitud y los factores estocásticos de cada solución se tienen en cuenta en la actualización para mejorar la eficacia de la búsqueda.Condiciones de minación: Garantizar que el proceso satisface ciertas condiciones de terminación, como alcanzar un número máximo de veces de presencia o encontrar una solución satisfactoria.

Prueba y evaluación: Probar y evaluar la red neuronal optimizada utilizando un conjunto de datos de prueba para verificar su rendimiento y capacidad de generalización. El algoritmo de optimización de inteligencia de grupo es un método de búsqueda estocástica probabilística, por lo que el resultado de optimización obtenido no es necesariamente la solución óptima, sino normalmente una solución mejor. Además, WiMi incorporará otras técnicas como la selección de características y el preprocesamiento de datos para mejorar aún más el rendimiento y la generalización de la red neuronal.