Хоу Меньхай1

1 Российский университет дружбы народов (Москва, Россия)

1 houmenhai@gmail.com

Постановка проблемы. С учетом растущей актуальности разработки методов искусственного интеллекта в сфере здравоохранения, проект инновационного генетического алгоритма (GANet) направлен на оптимизацию архитектуры нейронных сетей для улучшения прогнозирования диабета с применением генетических алгоритмов. Проект предлагает новаторский подход к автоматизации и усовершенствованию процесса проектирования структур нейронных сетей, ориентированных на бинарную классификацию.

Цель. Разработать и оценить эффективность инновационного генетического алгоритма, который бы способствовал созданию и оптимизации архитектур нейронных сетей в рамках задач бинарной классификации с акцентом на передовых стратегиях мутации.

Результаты. Представлен уникальный метод мутации в рамках проекта GANet, который позволяет нейронам изменяться внутри подсетей с разнообразным количеством слоев и нейронов, способствуя тем самым формированию более сложных и эффективных структур. Проведены эксперименты на открытых данных о диабете, которые показали значительное улучшение в точности прогнозирования этого заболевания.

Практическая значимость. Результаты проекта GANet демонстрируют важность и эффективность применения генетических алгоритмов в процессе оптимизации нейронных сетей. Исследование открывает новые возможности для будущих разработок в области медицинской диагностики и предоставляет основу для дальнейших исследований в направлении автоматизации проектирования искусственного интеллекта.

Хоу Меньхай Оптимизация архитектуры нейронной сети с помощью генетических алгоритмов на примере прогнозирования диабета // Нейрокомпьютеры: разработка, применение. 2024. T. 26. № 4. С. 35-44. DOI: https://doi.org/10.18127/ j19998554-202404-04

1. Metaxiotis K., Psarras J. The contribution of neural networks and genetic algorithms to business decision support. Academic myth or practical solution? // Management Decision. 2004. V. 42. № 2. P. 229–242. DOI 10.1108/00251740410518534.
2. Al‐tabtabai H., Alex A.P. Using genetic algorithms to solve optimization problems in construction // Engineering, Construction and Architectural Management. 1999. V. 6. № 2. P. 121–132. DOI 10.1108/eb021105.
3. Петухов Н.И., Царегородцев Д.В., Куликов Р.С., Малышев А.П. Применение генетического алгоритма для определения мест размещения опорных точек локальной навигационной системы и минимизации их числа // Радиотехника. 2021. Т. 85. № 9. С. 27−40. DOI 10.18127/j00338486-202109-03.
4. Yao X. Evolutionary Artificial Neural Networks // International Journal of Neural Systems. 1993. V. 4. № 3. P. 203–222. DOI 10.1142/s0129065793000171.
5. Mishra D.B., Bilgaiyan S., Mishra R., Acharya A.A., Mishra S. A Review of Random Test Case Generation using Genetic Algorithm // Indian Journal of Science and Technology. 2017. V. 10. № 30. P. 1–7. DOI 10.17485/ijst/2017/v10i30/107654.
6. Chen Z., Zhan Z., Shi W., Chen W., Zhang J. When Neural Network Computation Meets Evolutionary Computation: A Survey // Advances in Neural Networks. 2016. V. 9719. P 603–612. DOI 10.1007/978-3-319-40663-3_69.
7. Shi J., Habib M., Yan H. A Review Paper on Different Application of Genetic Algorithm for Mobile Ad-hoc Network (MANET) // International Journal of Online and Biomedical Engineering. 2020. V. 16. № 5. P. 119–139. DOI 10.3991/ijoe.v16i05.13325.
8. Hosny O.A., Elbarkouky M.M.G. Elhakeem A. Construction Claims Prediction and Decision Awareness Framework using Artificial Neural Networks and Backward Optimization // Journal of Construction Engineering and Project Management. 2015. V. 5. № 1. P. 11–19. DOI 10.6106/JCEPM.2015.5.1.011.
9. Lin C.D., Anderson-Cook C.M., Hamada M.S., Moore L.M., Sitter R.R. Using Genetic Algorithms to Design Experiments: A Review // Quality and Reliability Engineering International. 2015. V. 31. № 2. P. 155–167. DOI 10.1002/qre.1591.
10. Sharma J., Singhal R.S. Genetic Algorithm and Hybrid Genetic Algorithm for Space Allocation Problems – A Review // International Journal of Computer Applications. 2014. V. 95. № 4. P. 33–37. DOI 10.5120/16585-6283.
11. Karakatič S., Podgorelec V. A survey of genetic algorithms for solving multi depot vehicle routing problem // Applied Soft Computing. 2015. V. 27. P. 519–532. DOI 10.1016/j.asoc.2014.11.005.
12. Petke J., Haraldsson S.O., Harman M., Langdon W.B., White D.R., Woodward J.R. Genetic Improvement of Software: A Comprehensive Survey // IEEE Transactions on Evolutionary Computation. 2018. V. 22. № 3. P. 415–432. DOI 10.1109/TEVC.2017. 2693219.
13. Paola J.D., Schowengerdt R.A. A review and analysis of backpropagation neural networks for classification of remotely-sensed multi-spectral imagery // International Journal of Remote Sensing. 1995. V. 16. № 16. P. 3033–3058. DOI 10.1080/01431169508954607.