Método para la síntesis de paisajes de optimización bidimensionales basado en redes adversarias generativas

Se realizó la implementación de una red neuronal artificial, específicamente una Deep Convolutional Adversarial Network (DCGAN), con el propósito de generar paisajes bidimensionales de optimización. Se logró aumentar la cantidad de paisajes y su diversidad. Se inició con la conformación de una base...

Full description

Autores:
Medina Muñoz, Mariana
Tipo de recurso:
Trabajo de grado de pregrado
Fecha de publicación:
2023
Institución:
Universidad Distrital Francisco José de Caldas
Repositorio:
RIUD: repositorio U. Distrital
Idioma:
spa
OAI Identifier:
oai:repository.udistrital.edu.co:11349/39335
Acceso en línea:
http://hdl.handle.net/11349/39335
Palabra clave:
DCGAN
Discriminador
Generador
Mínimo
Optimización
Ingeniería Electrónica -- Tesis y disertaciones académicas
Optimización topológica bidireccional:
Redes adversarias generativas (GAN)
Síntesis de paisajes
DCGAN
Discriminator
Generator
Minimum
Optimization
Rights
License
Attribution-NonCommercial-NoDerivatives 4.0 Internacional
Description
Summary:Se realizó la implementación de una red neuronal artificial, específicamente una Deep Convolutional Adversarial Network (DCGAN), con el propósito de generar paisajes bidimensionales de optimización. Se logró aumentar la cantidad de paisajes y su diversidad. Se inició con la conformación de una base de datos a partir de la literatura, para posteriormente producir otras bases de datos con características específicas. Se conformaron 8 bases de datos, las 4 primeras se dividieron en: Original, Sin ruido, Con un solo mínimo y Con varios mínimos. Las 4 bases de datos posteriores se crearon a partir de la aplicación de un Data Augmentation a las 4 bases de datos nombradas anteriormente. Luego, se ejecutó el algoritmo varias veces hasta encontrar los parámetros adecuados para el funcionamiento de la red, esto se realizó para cada una de las bases de datos. Una vez escogidos los parámetros para cada una de las bases de datos, se ejecutó nuevamente el algoritmo varias veces para realizar un análisis de los resultados y también se obtuvieron varios paisajes de optimización con diversidad en sus características, con similitud a la base de datos original y a su vez, con presencia de información diferente. De toda la experimentación se valida que es posible la generación de nuevos paisajes bidimensionales de optimización a partir de una red adversaria generativa, dejando como trabajo futuro el encontrar las funciones o expresiones matemáticas que producirán dichos paisajes.