Redes neuronales agnósticas de pesos aplicadas a la resolución de problemas de mediana complejidad

Autores
Guerrero, Pedro E.
Año de publicación
2021
Idioma
español castellano
Tipo de recurso
tesis de grado
Estado
versión aceptada
Colaborador/a o director/a de tesis
García, Oscar
Descripción
Fil: Guerrero, Pedro E. Universidad Nacional de Luján; Argentina.
Si bien siempre se ha tratado de analizar el cerebro humano y de emular su comportamiento por medio de redes neuronales artificiales, esto comúnmente se ha realizado a través del entrenamiento y el ajuste de los valores de pesos de las conexiones, limitando la topología de la red a la establecida inicialmente. Con la aparición de la Neuroevolución esto ha cambiado, permitiendo también mejorar y entrenar a una red mediante técnicas de computación evolutivas. Con la utilización de dichas técnicas lo que se buscó fue que diferentes redes (con diferentes características) compitan, haciendo que sobrevivan las más aptas. Al día de hoy existen diferentes métodos y algoritmos de Neuroevolución pero todos se basan en dos posibles enfoques los cuales siguen teniendo como clave ajustar los valores de los pesos de conexión en las redes entrenadas. En estos últimos años, con la aparición de las redes neuronales agnósticas de pesos, se ha presentado una nuevo tipo de entrenamiento evolutivo en el cual los pesos jamás son ajustados, proponiendo así un nuevo enfoque a los ya conocidos. Es por ello que en este trabajo se presentan los enfoques ya existentes, dando a conocer sus algoritmos de entrenamiento evolutivo. Además se estudia a estas nuevas redes y al particular enfoque que proponen probando su rendimiento, exponiendo sus puntos fuertes y sus mayores problemas, comparándola así contra el enfoque de neuroevolución más convencional. Este trabajo trata de determinar si el particular método de entrenamiento que estas redes proponen funciona como sus creadores lo presentan y si el mismo es viable para su utilización, por lo menos para tipos de problemas similares al aquí tratado. Finalmente, también se comentan posibles mejoras para este nuevo enfoque que podrían ser estudiadas en futuras investigaciones.
Materia
Computación evolutiva
Algoritmos genéticos
CNE complejas y WANN complejas
Redes neuronales agnósticas
Arquitecturas neuronales
Nivel de accesibilidad
acceso abierto
Condiciones de uso
https://creativecommons.org/licenses/by-nc-nd/2.5/ar/
Repositorio
REDIUNLU (UNLu)
Institución
Universidad Nacional de Luján
OAI Identificador
oai:ri.unlu.edu.ar:rediunlu/1843

id REDIUNLU_7a2a01a094db67a2b27ea4e06dfcaac1
oai_identifier_str oai:ri.unlu.edu.ar:rediunlu/1843
network_acronym_str REDIUNLU
repository_id_str w
network_name_str REDIUNLU (UNLu)
spelling Redes neuronales agnósticas de pesos aplicadas a la resolución de problemas de mediana complejidadGuerrero, Pedro E.Computación evolutivaAlgoritmos genéticosCNE complejas y WANN complejasRedes neuronales agnósticasArquitecturas neuronalesFil: Guerrero, Pedro E. Universidad Nacional de Luján; Argentina.Si bien siempre se ha tratado de analizar el cerebro humano y de emular su comportamiento por medio de redes neuronales artificiales, esto comúnmente se ha realizado a través del entrenamiento y el ajuste de los valores de pesos de las conexiones, limitando la topología de la red a la establecida inicialmente. Con la aparición de la Neuroevolución esto ha cambiado, permitiendo también mejorar y entrenar a una red mediante técnicas de computación evolutivas. Con la utilización de dichas técnicas lo que se buscó fue que diferentes redes (con diferentes características) compitan, haciendo que sobrevivan las más aptas. Al día de hoy existen diferentes métodos y algoritmos de Neuroevolución pero todos se basan en dos posibles enfoques los cuales siguen teniendo como clave ajustar los valores de los pesos de conexión en las redes entrenadas. En estos últimos años, con la aparición de las redes neuronales agnósticas de pesos, se ha presentado una nuevo tipo de entrenamiento evolutivo en el cual los pesos jamás son ajustados, proponiendo así un nuevo enfoque a los ya conocidos. Es por ello que en este trabajo se presentan los enfoques ya existentes, dando a conocer sus algoritmos de entrenamiento evolutivo. Además se estudia a estas nuevas redes y al particular enfoque que proponen probando su rendimiento, exponiendo sus puntos fuertes y sus mayores problemas, comparándola así contra el enfoque de neuroevolución más convencional. Este trabajo trata de determinar si el particular método de entrenamiento que estas redes proponen funciona como sus creadores lo presentan y si el mismo es viable para su utilización, por lo menos para tipos de problemas similares al aquí tratado. Finalmente, también se comentan posibles mejoras para este nuevo enfoque que podrían ser estudiadas en futuras investigaciones.Universidad Nacional de LujánGarcía, Oscar2023-07-03T17:03:21Z2023-07-03T17:03:21Z2021Thesisinfo:eu-repo/semantics/bachelorThesisinfo:eu-repo/semantics/acceptedVersionhttp://purl.org/coar/resource_type/c_7a1finfo:ar-repo/semantics/tesisDeGradoapplication/pdfapplication/pdfhttp://ri.unlu.edu.ar/xmlui/handle/rediunlu/1843spaesinfo:eu-repo/semantics/openAccesshttps://creativecommons.org/licenses/by-nc-nd/2.5/ar/reponame:REDIUNLU (UNLu)instname:Universidad Nacional de Luján2025-09-29T14:29:51Zoai:ri.unlu.edu.ar:rediunlu/1843instacron:UNLuInstitucionalhttps://ri.unlu.edu.arUniversidad públicaNo correspondehttps://ri.unlu.edu.ar/oaivcano@unlu.edu.ar;fgutierrez@mail.unlu.edu.ar;faquilinogutierrez@gmail.com ArgentinaNo correspondeNo correspondeNo correspondeopendoar:w2025-09-29 14:29:52.087REDIUNLU (UNLu) - Universidad Nacional de Lujánfalse
dc.title.none.fl_str_mv Redes neuronales agnósticas de pesos aplicadas a la resolución de problemas de mediana complejidad
title Redes neuronales agnósticas de pesos aplicadas a la resolución de problemas de mediana complejidad
spellingShingle Redes neuronales agnósticas de pesos aplicadas a la resolución de problemas de mediana complejidad
Guerrero, Pedro E.
Computación evolutiva
Algoritmos genéticos
CNE complejas y WANN complejas
Redes neuronales agnósticas
Arquitecturas neuronales
title_short Redes neuronales agnósticas de pesos aplicadas a la resolución de problemas de mediana complejidad
title_full Redes neuronales agnósticas de pesos aplicadas a la resolución de problemas de mediana complejidad
title_fullStr Redes neuronales agnósticas de pesos aplicadas a la resolución de problemas de mediana complejidad
title_full_unstemmed Redes neuronales agnósticas de pesos aplicadas a la resolución de problemas de mediana complejidad
title_sort Redes neuronales agnósticas de pesos aplicadas a la resolución de problemas de mediana complejidad
dc.creator.none.fl_str_mv Guerrero, Pedro E.
author Guerrero, Pedro E.
author_facet Guerrero, Pedro E.
author_role author
dc.contributor.none.fl_str_mv García, Oscar
dc.subject.none.fl_str_mv Computación evolutiva
Algoritmos genéticos
CNE complejas y WANN complejas
Redes neuronales agnósticas
Arquitecturas neuronales
topic Computación evolutiva
Algoritmos genéticos
CNE complejas y WANN complejas
Redes neuronales agnósticas
Arquitecturas neuronales
dc.description.none.fl_txt_mv Fil: Guerrero, Pedro E. Universidad Nacional de Luján; Argentina.
Si bien siempre se ha tratado de analizar el cerebro humano y de emular su comportamiento por medio de redes neuronales artificiales, esto comúnmente se ha realizado a través del entrenamiento y el ajuste de los valores de pesos de las conexiones, limitando la topología de la red a la establecida inicialmente. Con la aparición de la Neuroevolución esto ha cambiado, permitiendo también mejorar y entrenar a una red mediante técnicas de computación evolutivas. Con la utilización de dichas técnicas lo que se buscó fue que diferentes redes (con diferentes características) compitan, haciendo que sobrevivan las más aptas. Al día de hoy existen diferentes métodos y algoritmos de Neuroevolución pero todos se basan en dos posibles enfoques los cuales siguen teniendo como clave ajustar los valores de los pesos de conexión en las redes entrenadas. En estos últimos años, con la aparición de las redes neuronales agnósticas de pesos, se ha presentado una nuevo tipo de entrenamiento evolutivo en el cual los pesos jamás son ajustados, proponiendo así un nuevo enfoque a los ya conocidos. Es por ello que en este trabajo se presentan los enfoques ya existentes, dando a conocer sus algoritmos de entrenamiento evolutivo. Además se estudia a estas nuevas redes y al particular enfoque que proponen probando su rendimiento, exponiendo sus puntos fuertes y sus mayores problemas, comparándola así contra el enfoque de neuroevolución más convencional. Este trabajo trata de determinar si el particular método de entrenamiento que estas redes proponen funciona como sus creadores lo presentan y si el mismo es viable para su utilización, por lo menos para tipos de problemas similares al aquí tratado. Finalmente, también se comentan posibles mejoras para este nuevo enfoque que podrían ser estudiadas en futuras investigaciones.
description Fil: Guerrero, Pedro E. Universidad Nacional de Luján; Argentina.
publishDate 2021
dc.date.none.fl_str_mv 2021
2023-07-03T17:03:21Z
2023-07-03T17:03:21Z
dc.type.none.fl_str_mv Thesis
info:eu-repo/semantics/bachelorThesis
info:eu-repo/semantics/acceptedVersion
http://purl.org/coar/resource_type/c_7a1f
info:ar-repo/semantics/tesisDeGrado
format bachelorThesis
status_str acceptedVersion
dc.identifier.none.fl_str_mv http://ri.unlu.edu.ar/xmlui/handle/rediunlu/1843
url http://ri.unlu.edu.ar/xmlui/handle/rediunlu/1843
dc.language.none.fl_str_mv spa
es
language spa
language_invalid_str_mv es
dc.rights.none.fl_str_mv info:eu-repo/semantics/openAccess
https://creativecommons.org/licenses/by-nc-nd/2.5/ar/
eu_rights_str_mv openAccess
rights_invalid_str_mv https://creativecommons.org/licenses/by-nc-nd/2.5/ar/
dc.format.none.fl_str_mv application/pdf
application/pdf
dc.publisher.none.fl_str_mv Universidad Nacional de Luján
publisher.none.fl_str_mv Universidad Nacional de Luján
dc.source.none.fl_str_mv reponame:REDIUNLU (UNLu)
instname:Universidad Nacional de Luján
reponame_str REDIUNLU (UNLu)
collection REDIUNLU (UNLu)
instname_str Universidad Nacional de Luján
repository.name.fl_str_mv REDIUNLU (UNLu) - Universidad Nacional de Luján
repository.mail.fl_str_mv vcano@unlu.edu.ar;fgutierrez@mail.unlu.edu.ar;faquilinogutierrez@gmail.com
_version_ 1844621818549239808
score 12.559606