Оптимизация архитектуры нейронной сети с помощью генетических алгоритмов на примере прогнозирования диабета

Постановка проблемы. С учетом растущей актуальности разработки методов искусственного интеллекта в сфере здравоохранения, проект инновационного генетического алгоритма (GANet) направлен на оптимизацию архитектуры нейронных сетей для улучшения прогнозирования диабета с применением генетических алгоритмов. Проект предлагает новаторский подход к автоматизации и усовершенствованию процесса проектирования структур нейронных сетей, ориентированных на бинарную классификацию. Цель. Разработать и оценить эффективность инновационного генетического алгоритма, который бы способствовал созданию и оптимизации архитектур нейронных сетей в рамках задач бинарной классификации с акцентом на передовых стратегиях мутации. Результаты. Представлен уникальный метод мутации в рамках проекта GANet, который позволяет нейронам изменяться внутри подсетей с разнообразным количеством слоев и нейронов, способствуя тем самым формированию более сложных и эффективных структур. Проведены эксперименты на открытых данных о диабете, которые показали значительное улучшение в точности прогнозирования этого заболевания. Практическая значимость. Результаты проекта GANet демонстрируют важность и эффективность применения генетических алгоритмов в процессе оптимизации нейронных сетей. Исследование открывает новые возможности для будущих разработок в области медицинской диагностики и предоставляет основу для дальнейших исследований в направлении автоматизации проектирования искусственного интеллекта.

The article presents the research project GANet, which focuses on the optimization of neural network architectures for diabetes prediction using genetic algorithms. The main goal of the project is to develop and analyze the effectiveness of a genetic algorithm that would facilitate the automation and optimization of the design of neural network architectures for binary classification tasks. A distinctive feature of GANet is an innovative mutation strategy that allows neurons to mutate within sub-networks with varying numbers of layers and neurons, thereby contributing to the evolution of more complex and efficient structures. Experiments were conducted on a publicly available diabetes dataset, and the results demonstrate a significant improvement in the accuracy of diabetes prediction. The study confirms the effectiveness of using genetic algorithms for optimizing neural network architectures and opens new prospects for future research in this field.