Chispa de partículas aplicada a una red neural como retropropagación para la optimización del tiempo de juego
Palabras clave:
Aprendizaje automático., Optimización de Enjambre de partículas., Juego de Chrome.Resumen
Este trabajo explora el algoritmo de enjambre de partículas como retropropagación de una red neuronal, basado en el juego offline de Google Chrome, que es un corredor sin fin, con el objetivo de maximizar el tiempo de juego. Para optimizar la red, se utilizó Particle Swarm Opmization (PSO), que es una técnica de retropropagación creada para simular el comportamiento de una bandada de pájaros. Se puede concluir que el algoritmo de PSO fue eficiente para el proceso de optimización ya que los jugadores lograron alcanzar el tiempo máximo estipulado en solo 4 rondas.
Descargas
Citas
AGUIAR, F. G. Utilização de Redes Neurais Artificiais para detecção de padrões de vazamento em dutos. 2010. p.95. Tese de Doutorado, Térmica e Fluidos - Universidade de São Paulo, São Paulo, 2010.
BÖRSTLER, J.; BRUCE, K.; MICHIELS, I. Sixth workshop on pedagogies and tools for learning object oriented concepts. ECOOP, p. 84-87, 2003. Acesso em: 04 out. 2020.
HARBOUR, J. S. Programação de Games com Java. Tradução da 2.ed. Boston: Cengage Learning, 2010.
HAYKIN, S. Redes Neurais: princípios e prática. Porto Alegre: Bookman Editora, 2007.
KENNEDY, J.; EBERHART, R. Particle swarm optimization. IEEE, p. 1942-1948, 1995. Acesso em: 04 out. 2020.
KHARE, A.; RANGNEKAR, S. A review of particle swarm optimization and its applications in solar photovoltaic system. Applied Soft Computing, v. 13, n. 5, p. 2997-3006, 2013. Acesso em: 04 jan. 2021.
MARINI, F.; WALCZAK, B. Particle swarm optimization (PSO). A tutorial. Chemometrics and Intelligent Laboratory Systems, v. 149, p. 153-165, 2015. Acesso em: 07 out. 2020.
MARTINIANO, A.; FERREIRA, R.P.; FERREIRA, A.; FERREIRA, A.; SASSI, R.J. Utilizando uma rede neural artificial para aproximação da função de evolução do sistema de Lorentz. Revista Produção e Desenvolvimento, v. 2, n. 1, p. 26-38, abr. 2016. Acesso em: 01 out. 2020.
MANZANO, J. A. N. G.; JÚNIOR, R. A. C. Programação de computadores com java. Saraiva Educação SA, 2014.
MCCULLOCH, W. S.; PITTS, W. A logical calculus of the ideas immanent in nervous activity. The bulletin of mathematical biophysics, v. 5, n. 4, p. 115-133, 1943. Acesso em: 02 jan. 2021.
MOHAMMAD, A. A.; SOHRAB, Z.; ALI, L.; ALI, E.; IOANNIS, C. Reservoir permeability prediction by neural networks combined with hybrid genetic algorithm and particle swarm optimization. Geophysical Prospecting, v. 61, n. 3, p. 582-598, 2013. Acesso em: 18 jan. 2021.
NORVIG, P.; RUSSELL, S. Inteligência Artificial: Tradução da 3.ed. Rio de Janeiro: Elsevier Brasil, 2013.
ORACLE. Class Canvas. Java Platform. 7.ed, 2018. Disponível em: <https://docs.oracle.com/javase/7/docs/api/java/awt/Canvas.html>. Acesso em: 06 out. 2020.
POLAK, E., Computational Methods in Optimization: A Unified Approach. Cambridge: Academic Press, 1971.
RUMELHART D. E.; HINTON G. E.; WILLIANS R. J. Learinig representations by back propagation error. Nature, v. 323, nº. 9, p. 533-536, 1986. Acesso em: 22 jan. 2021.
SARAMAGO, S. F. P.; Métodos de otimização randômica: Algoritmos genéricos e Simulated annealling. Sociedade Brasileira de Matemática Aplicada e Computacional, v. 6, p. 25-26, 2003. Acesso em: 01 abr. 2021.
SLOWIK, A.; BIALKO, M. Training of Artificial Neural Networks Using Differential Evolution Algorithm, IEEE, p. 60-65. 2008. Acesso em: 02 out. 2020.
TAVARES, L.V.; Correia, F. N. Optimização linear e não linear: conceitos, métodos e algortimos. 2.ed. Lisboa: Livraria Portugal, 1986.
VAHLDICK, A. Uma experiência lúdica no ensino de programação orientada a objetos. XVIII Simpósio Brasileiro de Informática na Educação, Blumenau, n.1, 2007.
WOS. Trust the Difference. Web of Science Fact Book, 2021. Disponível em: <https://www.webofknowledge.com>. Acesso em: 09 mar. 2021.
XU, C. W. Learning Java with Games. 2.ed. New York: Springer, 2018.
ZHENYA, H.; Chengjian, W.; Luxi Y.; Xiqi G.; Susu Y. Extracting rules from fuzzy neural network by particle swarm optimisation, IEEE, p. 74-77. 1998. Acesso em: 09 mar. 2021.
ZSOLT, L. K. Redes Neurais Artificiais: fundamentos e aplicações. São Paulo: Livraria da física, 2002.
Archivos adicionales
Publicado
Cómo citar
Número
Sección
Licencia
Derechos de autor 2022 Revista Brasileira de Iniciação Científica
Esta obra está bajo una licencia internacional Creative Commons Atribución-NoComercial-CompartirIgual 4.0.
