ANELAR

Abstract

Los arreglos neuronales evolutivos (ANE) han demostrado ser capaces de aprender comportamiento complejo y han sido aplicados satisfactoriamente en la resolución de problemas en áreas tales como robótica y control de procesos. A diferencia de los métodos convencionales, basados en una única red neuronal, los ANE están conformados por un conjunto de redes que se organizan en forma de arreglo. Por otro lado, los arreglos neuronales evolutivos de longitud adaptable (ANELA) poseen las mismas características de los ANE y además son capaces de ajustar automáticamente su longitud durante el proceso evolutivo. Sin embargo, si bien han demostrado ser muy eficientes, no están diseñados para minimizar el tamaño de la estructura sino para maximizar su rendimiento. En este artículo se presenta ANELAR que, si bien comparte la definición de la arquitectura con ANELA, mejora el método de aprendizaje para obtener arreglos neuronales de longitud reducida con la menor pérdida de eficiencia posible. Se ha aplicado ANELA y ANELAR a problemas de evasión de obstáculos y recolección de objetos, evidenciando su superioridad con respecto a los métodos tradicionales que manejan poblaciones simples de redes neuronales. Finalmente se presentan las conclusiones y se plantean algunas líneas de trabajo futuras.