Conrprop: un algoritmo para la optimización de funciones no lineales con restricciones
DOI:
https://doi.org/10.17533/udea.redin.14944Palabras clave:
Optimización no lineal, restricciones, propagación hacia atrás, rpropResumen
Resilent backpropagation (RPROP) es una poderosa técnica de optimización basada en gradientes que ha sido comúnmente usada para el entrenamiento de redes neuronales artificiales, la cual usa una velocidad por cada parámetro en el modelo. Aunque esta técnica es capaz de resolver problemas de optimización multivariada sin restricciones, no hay referencias sobre su uso en la literatura de investigación de operaciones. En este artículo, se propone una modificación de resilent backpropagation que permite resolver problemas no lineales de optimización sujetos a restricciones generales no lineales. El algoritmo propuesto fue probado usando seis problemas comunes de prueba; para todos los casos, el algoritmo de resilent backpropagation restringido encontró la solución óptima, y para algunos casos encontró un punto óptimo mejor que el reportado en la literatura.
Descargas
Citas
P. M. Pardalos, M. G. C. Resende. Handbook of Applied Optimization. Ed. Oxford University Press. New York. 2002. pp. 263-299.
Y. LeCun, L. Bottou, B. Orr, K. R. Muller. “Efficient Backprop”. Neural Networks - Tricks of the Trade, Springer Lecture Notes in Computer Sciences. Vol. 1524. 1998. pp. 5–50, DOI: https://doi.org/10.1007/3-540-49430-8_2
M. Riedmiller, H. Braun. “A direct adaptive method for faster backpropagation learning: The RPROP algorithm”. Proceedings of the IEEE International Conference on Neural Networks. San Francisco (CA). 1993. pp. 586-591.
M. Riedmiller. “Advanced supervised learning in multi-layer perceptrons – from backpropagation to adaptive learning algorithms”. Computer Standards and Interfaces. Vol. 16. 1994. pp. 265-278. DOI: https://doi.org/10.1016/0920-5489(94)90017-5
C. Igel, M. Hüsken. “Improving the Rprop learning algorithm”. Proceedings of the Second International Symposium on Neural Computation, NC2000, ICSC Academic Press. Berlín. pp. 115-121.
D. Ortíz, F. Villa, J. Velásquez. “A Comparison between Evolutionary Strategies and RPROP for Estimating Neural Networks”. Avances en Sistemas e Informática. Vol.4. 2007. pp. 135-144.
F. Hoffmeister, J. Sprave. “Problem-independent handling of constraints by use of metric penalty functions”. L. J. Fogel, P. J. Angeline, T. Bäck (Editores). Proceedings of the Fofth Annaul Conference on Evolutionary Programming. (EP΄96). San Diego (CA). MIT press. 1996. pp. 289-294.
J. Bracken, G. McCormick. Selected Applications of Nonlinear Programming. Ed. Jhon Wiley & Sons. Inc. New York. 1968. pp. 16.
H. Rosenbrock. “An Automatic Method for Finding the Greatest and Least value of a Function”. Computer Journal. Vol. 3. 1960. pp. 175-184. DOI: https://doi.org/10.1093/comjnl/3.3.175
A. R. Colville. A comparative study on nonlinear programming codes. IBM Scientific Center Report No. 320-2949. New York. 1968. pp. 12.
D. Paviani. A new method for the solution of the general nonlinear programming problem. Ph.D. dissertation. The University of Texas. Austin. Texas. 1969. pp. 18.
Descargas
Publicado
Cómo citar
Número
Sección
Licencia
Derechos de autor 2018 Revista Facultad de Ingeniería
Esta obra está bajo una licencia internacional Creative Commons Atribución-NoComercial-CompartirIgual 4.0.
Los artículos disponibles en la Revista Facultad de Ingeniería, Universidad de Antioquia están bajo la licencia Creative Commons Attribution BY-NC-SA 4.0.
Eres libre de:
Compartir — copiar y redistribuir el material en cualquier medio o formato
Adaptar : remezclar, transformar y construir sobre el material.
Bajo los siguientes términos:
Reconocimiento : debe otorgar el crédito correspondiente , proporcionar un enlace a la licencia e indicar si se realizaron cambios . Puede hacerlo de cualquier manera razonable, pero no de ninguna manera que sugiera que el licenciante lo respalda a usted o su uso.
No comercial : no puede utilizar el material con fines comerciales .
Compartir igual : si remezcla, transforma o construye a partir del material, debe distribuir sus contribuciones bajo la misma licencia que el original.
El material publicado por la revista puede ser distribuido, copiado y exhibido por terceros si se dan los respectivos créditos a la revista, sin ningún costo. No se puede obtener ningún beneficio comercial y las obras derivadas tienen que estar bajo los mismos términos de licencia que el trabajo original.
Twitter