|
|
Nové aplikace mravenčích algoritmů
Korgo, Jakub ; Drábek, Vladimír (oponent) ; Bidlo, Michal (vedoucí práce)
Mravenčí algoritmy byly použity na rozličné kombinatorické optimalizační úlohy. Jedna z těchto úloh, která však mravenčími algoritmy řešena nebyla, je návrh přechodových pravidel pro celulární automaty (CA). Což je i úloha, na kterou se zaměřuje tato diplomová práce. Tato práce začíná úvodem do mravenčích algoritmů a přehledem jejich aplikací, po kterém následuje úvod do CA. V další části autor navrhuje způsob, jak zakódovat pravidla CA do grafu, který je použit v mravenčích algoritmech. Poslední část této práce obsahuje aplikaci tohoto kódování pravidel do algoritmů elitist ant system a MAX-MIN ant system. Ta je následována experimentálními výsledky pokusů těchto algoritmů o vytvoření přechodových pravidel pro úlohy CA.
|
|
|
Souběžné učení v kartézském genetickém programování
Korgo, Jakub ; Grochol, David (oponent) ; Wiglasz, Michal (vedoucí práce)
Tato práce se zabývá integrací souběžného učení do kartézského genetického programování. Úlohu symbolické regrese se již povedlo vyřešit kartézským genetickým programováním, ovšem tato metoda není dokonalá. Je totiž relativně pomalá a při některých úlohách má tendenci nenalézat požadované řešení. Ale se souběžným učením lze vylepšit některé z~těchto vlastností. V této práci je představena plasticita genotypu, která je založena na Baldwinově efektu. Tento přístup umožňuje jedinci změnit jeho fenotyp během generace. Souběžné učení bylo testováno na pěti rozdílných úlohách pro symbolickou regresi. V experimentech se ukázalo, že pomocí souběžného učení lze dosáhnout až 15násobného urychlení evoluce oproti standardnímu kartézskému genetickému programování bez učení.
|
|
|
Nové aplikace mravenčích algoritmů
Korgo, Jakub ; Drábek, Vladimír (oponent) ; Bidlo, Michal (vedoucí práce)
Mravenčí algoritmy byly použity na rozličné kombinatorické optimalizační úlohy. Jedna z těchto úloh, která však mravenčími algoritmy řešena nebyla, je návrh přechodových pravidel pro celulární automaty (CA). Což je i úloha, na kterou se zaměřuje tato diplomová práce. Tato práce začíná úvodem do mravenčích algoritmů a přehledem jejich aplikací, po kterém následuje úvod do CA. V další části autor navrhuje způsob, jak zakódovat pravidla CA do grafu, který je použit v mravenčích algoritmech. Poslední část této práce obsahuje aplikaci tohoto kódování pravidel do algoritmů elitist ant system a MAX-MIN ant system. Ta je následována experimentálními výsledky pokusů těchto algoritmů o vytvoření přechodových pravidel pro úlohy CA.
|
|
|
Souběžné učení v kartézském genetickém programování
Korgo, Jakub ; Grochol, David (oponent) ; Wiglasz, Michal (vedoucí práce)
Tato práce se zabývá integrací souběžného učení do kartézského genetického programování. Úlohu symbolické regrese se již povedlo vyřešit kartézským genetickým programováním, ovšem tato metoda není dokonalá. Je totiž relativně pomalá a při některých úlohách má tendenci nenalézat požadované řešení. Ale se souběžným učením lze vylepšit některé z~těchto vlastností. V této práci je představena plasticita genotypu, která je založena na Baldwinově efektu. Tento přístup umožňuje jedinci změnit jeho fenotyp během generace. Souběžné učení bylo testováno na pěti rozdílných úlohách pro symbolickou regresi. V experimentech se ukázalo, že pomocí souběžného učení lze dosáhnout až 15násobného urychlení evoluce oproti standardnímu kartézskému genetickému programování bez učení.
|
host ::
RSS.