Modelo híbrido de neuroevolución para optimizar arquitecturas DNN con AHP-TOPSIS

Resumen

Objetivo: diseñar y validar un modelo híbrido de neuro evolución para optimizar arquitecturas de redes neuronales profundas mediante la integración de AHP y TOPSIS. Metodología: se implementó un proceso neuro evolutivo con una población de 30 arquitecturas durante 20 generaciones, utilizando CIFAR-10 como conjunto de datos experimental. La precisión predictiva se empleó como métrica de desempeño durante la evolución, mientras que AHP permitió ponderar cuatro criterios de decisión y TOPSIS establecer el ranking multicriterio de las arquitecturas candidatas. Resultados: la precisión predictiva obtuvo el mayor peso mediante AHP (0,6066), seguida del tiempo de inferencia (0,2623). En el ranking final reportado, la arquitectura NE_Arch_B alcanzó el mayor coeficiente de cercanía relativa (CCi = 0,8436). En las diez ejecuciones independientes, NE_Arch_B obtuvo una precisión promedio de 86,32 %, frente a 84,18 % de la neuro evolución estándar y 82,25 % del modelo de referencia. Conclusión: los resultados obtenidos sugieren que la integración de neuro evolución con métodos de decisión multicriterio permite establecer un procedimiento sistemático para seleccionar arquitecturas considerando simultáneamente precisión, eficiencia computacional y complejidad.