The Usage of Golden Section in Calculating the Efficient Solution in Artificial Neural Networks Training by Multi-objective Optimization

Abstract

Abstract. In this work a modification was made on the algorithm of Artificial Neural Networks (NN) Training of the Multilayer Perceptron type (MLP) based on multi-objective optimization (MOBJ), to increase its computational efficiency. Usually, the number of efficient solutions to be generated is a parameter that must be provided by the user. In this work, this number is automatically determined by an algorithm, through the usage of golden section, being generally less when specified, showing a sensible reduction in the processing time and keeping the high generalization capability of the obtained solution from the original method.

Estimação e previsão da estrutura a termo das taxas de juros usando técnicas de inteligência computacional

“…O critério de validação cruzada foi estabelecido da seguinte forma: a cada k iterações durante o treinamento, avaliou-se o erro na amostra de treinamento e validação; quando o erro na amostra de validação for maior que o 10 Secção áurea é um método de busca unidimensional baseado no conceito de razão áurea. Para maiores detalhes ver (Teixeira, Braga, Sadanha, Takahashi & Medeiros 2007).…”