Resumen

Las redes neuronales y los sistemas difusos son dos paradigmas de computación suave para el modelado de sistemas. Adaptar un sistema neuronal o difuso requiere resolver dos problemas de optimización: optimización estructural y optimización paramétrica. La optimización estructural es un problema de optimización discreta que es muy difícil de resolver utilizando técnicas de optimización convencionales. La optimización paramétrica se puede resolver utilizando técnicas de optimización convencionales, pero la solución puede quedar fácilmente atrapada en un mal óptimo local. La computación evolutiva es un enfoque de optimización global estocástico de propósito general bajo el paradigma neo-darwiniano universalmente aceptado, que es una combinación de la teoría evolutiva darwiniana clásica, el seleccionismo de Weismann y la genética de Mendel. Los algoritmos evolutivos son un enfoque principal para la adaptación y optimización. En este documento, primero presentamos los algoritmos evolutivos con énfasis en los algoritmos genéticos y las estrategias evolutivas. También se descri

• Materias:Probabilidad Colectiva Minería de datos Algoritmo de evolución Computación evolutiva Sistemas neuronales
• Subjects:Collective probability Data mining Evolutionary algorithm Evolutionary Computation Neural systems
• Palabras claves:Redes neuronales; Sistemas difusos; Optimización; Computación evolutiva; Algoritmos genéticos; Algoritmos evolutivos
• Keywords:Neural networks; Fuzzy systems; Optimization; Evolutionary computation; Genetic algorithms; Evolutionary algorithms