Aprendizaje de redes neuronales artificiales basado en algoritmos evolutivos de inspiración cuántica

Abstract

El propósito de la tesis denominada “Aprendizaje de redes neuronales artificiales basado en algoritmos evolutivos de inspiración cuántica” se centró en implementar un algoritmo evolutivo para solucionar el problema de búsqueda local y convergencia lenta propios de los métodos clásicos de aprendizaje supervisado de redes neuronales artificiales. El diseño de investigación es no experimental descriptivo. Se realiza una implementación del algoritmo para luego ajustarlo al problema y finalmente compararlo con el algoritmo back-propagation. La población para el entrenamiento de la red neuronal está compuesta por el conjunto de datos “Human activity recognition using smartphones dataset” del repositorio de machine learning de la University of California, Irvine (UCI). Los resultados de la investigación apoyan el paradigma de las metaheurísticas y su gran uso en problemas de optimización frente a otros métodos clásicos y fueron los siguientes: se logró implementar con éxito un algoritmo evolutivo de inspiración cuántica que minimice una función objetivo, se logró xiv ajustar el algoritmo evolutivo de inspiración cuántica al proceso de aprendizaje de la red neuronal artificial y de la comparación con el algoritmo back-propagation se obtuvo una mejora en tiempo del 46% y en convergencia del 55%.