آموزش شبکه عصبی با الگوریتمهای متاهیوریستیک — جامع و کاربردی
این مقاله به بررسی اصول اساسی شبکههای عصبی، نحوه آموزش آنها، الگوریتمهای مورد استفاده برای تنظیم وزنها و بایاسها و ترکیب آنها با الگوریتمهای فرا ابتکاری (متاهیوریستیک) میپردازد.
این مقاله به بررسی اصول اساسی شبکههای عصبی، نحوه آموزش آنها، الگوریتمهای مورد استفاده برای تنظیم وزنها و بایاسها و ترکیب آنها با الگوریتمهای فرا ابتکاری (متاهیوریستیک) میپردازد.
در این مقاله از سری آموزشهای مجله پی استور به بررسی الگوریتمهای هیوریستیک «Heuristics»، متاهیوریستیک یا فراابتکاری «Meta-Heuristics» و احتمالاتی «Probabilistic» خواهیم پرداخت. هدف ما بررسی تعریف، شباهتها، تفاوتها و ارائه مثالهایی از هر یک از این الگوریتمها است.
الگوریتم گرگ خاکستری Grey Wolf Optimizer که به الگوریتم GWO معروف است یک الگوریتم بهینه سازی مبتنی بر جمعیت است که از رفتار گرگ های خاکستری در زندگی کردن و روش شکار آنها الهام گرفته شده است. در این مقاله از مجله پی استور، الگوریتم گرگ خاکستری را تشریح خواهیم کرد و در ادامه کدهای پیاده سازی این الگوریتم در متلب و پایتون را بیان می کنیم.