Redes neuronales agnósticas de pesos aplicadas a la resolución de problemas de mediana complejidad

Abstract

Si bien siempre se ha tratado de analizar el cerebro humano y de emular su comportamiento por medio de redes neuronales artificiales, esto comúnmente se ha realizado a través del entrenamiento y el ajuste de los valores de pesos de las conexiones, limitando la topología de la red a la establecida inicialmente. Con la aparición de la Neuroevolución esto ha cambiado, permitiendo también mejorar y entrenar a una red mediante técnicas de computación evolutivas. Con la utilización de dichas técnicas lo que se buscó fue que diferentes redes (con diferentes características) compitan, haciendo que sobrevivan las más aptas. Al día de hoy existen diferentes métodos y algoritmos de Neuroevolución pero todos se basan en dos posibles enfoques los cuales siguen teniendo como clave ajustar los valores de los pesos de conexión en las redes entrenadas. En estos últimos años, con la aparición de las redes neuronales agnósticas de pesos, se ha presentado una nuevo tipo de entrenamiento evolutivo en el cual los pesos jamás son ajustados, proponiendo así un nuevo enfoque a los ya conocidos. Es por ello que en este trabajo se presentan los enfoques ya existentes, dando a conocer sus algoritmos de entrenamiento evolutivo. Además se estudia a estas nuevas redes y al particular enfoque que proponen probando su rendimiento, exponiendo sus puntos fuertes y sus mayores problemas, comparándola así contra el enfoque de neuroevolución más convencional. Este trabajo trata de determinar si el particular método de entrenamiento que estas redes proponen funciona como sus creadores lo presentan y si el mismo es viable para su utilización, por lo menos para tipos de problemas similares al aquí tratado. Finalmente, también se comentan posibles mejoras para este nuevo enfoque que podrían ser estudiadas en futuras investigaciones.