الگوريتم رقابت استعماري آشوبي متعامد اصلاح شده و بكارگيري آن در بهبود بازشناسي الگو در شبكۀ عصبي پرسپترون هاي چند لايه

علي رغم موفقيت الگوريتم رقابت استعماري (ICA) در حل مسائل بهينه سازي، اين الگوريتم كماكان از به دام افتادن مكرر در كمينه محلي و سرعت پايين همگرايي رنج مي برد. در اين مقاله، نسخۀ جديدي از اين الگوريتم، به نام رقابت استعماري آشوبي متعامد اصلاح شده (COICA)، پيشنهاد مي شود. در سياست جذب نسخه پيشنهادي، هرمستعمره از طريق تعريف بردار متعامد نويني، فضاي حركت به سمت استعمارگر را جستجو مي كند. همچنين احتمال انتخاب امپراطوري هاي قدرتمند، از طريق تابع توزيع بولتزمان تعريف شده و عمل انتخاب از طريق روش چرخ رولت انجام گرفته است. از الگوريتم پيشنهادي براي آموزش شبكه عصبي پرسپترون چند لايه (MLP) جهت طبقه بندي مجموعه داده هاي استاندارد، از جمله يونسفر و سونار استفاده شده است. براي ارزيابي عملكرد اين الگوريتم و بررسي ميزان تعميم پذيري شبكه عصبي آموزش ديده با نسخه پيشنهادي، از روش اعتبارسنجي متقابل KFold استفاده شده است. نتايج بدست آمده از شبيه سازي ها، كاهش خطاي آموزش شبكه و همچنين بهبود تعميم پذيري الگوريتم پيشنهادي را تاييد مي كند.