ఇంటర్నేషనల్ జర్నల్ ఆఫ్ స్వార్మ్ ఇంటెలిజెన్స్ అండ్ ఎవల్యూషనరీ కంప్యూటేషన్

నైరూప్య

మెమెటిక్ హార్మొనీ శోధన అల్గోరిథం స్పైకింగ్ న్యూరల్ నెట్‌వర్క్‌లను అభివృద్ధి చేయడంలో బహుళ-ఆబ్జెక్టివ్ డిఫరెన్షియల్ ఎవల్యూషన్ ఆధారంగా

అబ్దుల్‌రజాక్ యాహ్యా సలేహ్*, సితి మరియం షంసుద్దీన్ మరియు హజా నుజ్లీ అబ్దుల్ హమేద్

వర్గీకరణ సమస్యలలో స్పైకింగ్ న్యూరల్ నెట్‌వర్క్ (SNN) ముఖ్యమైన పాత్ర పోషిస్తుంది. SNN యొక్క అనేక నమూనాలు ఉన్నప్పటికీ, ఎవాల్వింగ్ స్పైకింగ్ న్యూరల్ నెట్‌వర్క్ (ESNN) అనేక ఇటీవలి పరిశోధన పనులలో విస్తృతంగా ఉపయోగించబడింది. ఎవల్యూషనరీ అల్గారిథమ్‌లు, ప్రధానంగా అవకలన పరిణామం (DE) ESNN అల్గారిథమ్‌ని మెరుగుపరచడానికి ఉపయోగించబడ్డాయి. అయినప్పటికీ, అనేక వాస్తవ ప్రపంచ ఆప్టిమైజేషన్ సమస్యలలో అనేక విరుద్ధమైన లక్ష్యాలు ఉన్నాయి. సింగిల్ ఆప్టిమైజేషన్ కాకుండా, మల్టీ-ఆబ్జెక్టివ్ ఆప్టిమైజేషన్ (MOO) ఈ సమస్యలను పరిష్కరించడానికి సరైన పరిష్కారాల సమితిగా ఉపయోగించవచ్చు. ఈ పేపర్‌లో, ESNNతో MOO పనితీరును మెరుగుపరచడానికి హార్మొనీ సెర్చ్ (HS) మరియు మెమెటిక్ విధానం ఉపయోగించబడ్డాయి. పర్యవసానంగా, ESNN నిర్మాణం మరియు ఖచ్చితత్వ రేట్లను మెరుగుపరచడానికి మెమెటిక్ హార్మొనీ శోధన మల్టీ-ఆబ్జెక్టివ్ డిఫరెన్షియల్ ఎవల్యూషన్ విత్ ఎవాల్వింగ్ స్పైకింగ్ న్యూరల్ నెట్‌వర్క్ (MEHSMODEESNN) వర్తించబడింది. ఈ మెరుగుపరచబడిన బహుళ ఆబ్జెక్టివ్ హైబ్రిడ్ మోడల్ పనితీరును మూల్యాంకనం చేయడానికి UCI మెషీన్ లెర్నింగ్ నుండి ప్రామాణిక డేటా సెట్‌లు ఉపయోగించబడతాయి. మెమెటిక్ హార్మొనీ శోధన మల్టీ-ఆబ్జెక్టివ్ డిఫరెన్షియల్ ఎవల్యూషన్ విత్ ఎవాల్వింగ్ స్పైకింగ్ న్యూరల్ నెట్‌వర్క్ (MEHSMODE-ESNN) ఖచ్చితత్వం మరియు నెట్‌వర్క్ నిర్మాణం పరంగా మెరుగైన ఫలితాలను ఇస్తుందని ప్రయోగాత్మక ఫలితాలు నిరూపించాయి.