|
Evoluční návrh využívající přepisovací systémy
Nétková, Barbora ; Hyrš, Martin (oponent) ; Bidlo, Michal (vedoucí práce)
V této práci byla navržena a implementována metoda pro evoluční návrh přepisovacích systémů. Pomocí genetického algoritmu jsou navrhována pravidla pro specifickou variantu Lindenmayerova systému. Navržené gramatiky jsou následně interpretovány jako rostoucí řadicí sítě. Byly prozkoumány různé přístupy interpretace L-systému na řadící sítě. Bude ukázáno, že evoluce je schopna navrhnout přepisovací systém pro částečně rostoucí sítě. Mezi nejlepší výsledky patří L-systémy navržené evolucí pro tvorbu sítí s 24 vstupy, které jsou schopny v dalších derivacích vytvořit síť až o 36 vstupech.
|
|
Neuronové sítě a genetické algoritmy
Karásek, Štěpán ; Snášelová, Petra (oponent) ; Zbořil, František (vedoucí práce)
Tato práce se zabývá evolučními a genetickými algoritmy a jejich možnou spoluprací při tvorbě a učení neuronových sítí. V teoretické části jsou popsány genetické algoritmy a neuronové sítě. Také jsou popsány možnosti jejich kombinace a je proveden přehled existujících algoritmů. V praktické části je popsána implementace algoritmu NEAT. Dále jsou s algoritmem NEAT provedeny experimenty a na základě jejich výsledků je navrhnuta kombinace algoritmu s diferenciální evolucí. Výsledky kombinace algoritmů jsou zhodnoceny. V závěru je algoritmus NEAT porovnán s klasickými učícími metodami backpropagation (pro dopředné neuronové sítě) a backpropagation through time (pro rekurentní neuronové sítě) a to z hledika rychlosti učení, kvality odezvy sítě i jejich závislosti na velikosti sítě.
|
|
Evoluční algoritmy pro řešení globálních optimalizačních problémů
Dragon, Ondřej ; Kozumplík, Jiří (oponent) ; Mézl, Martin (vedoucí práce)
Tato práce je věnována evolučním algoritmům a řešením globálních optimalizačních problémů, a to hlavně problému obchodního cestujícího. Problém obchodního cestujícího je podrobně rozebrán stejně jako metody jeho řešení, kterými jsou: teorie grafů, heuristické metody a evoluční algoritmy. Hlavní optimalizační metodou této práce, je Inver - over operátor. V závěru jsou implementovány vybrané metody a je provedeno jejich testování a vyhodnocení na jednotlivých datových souborech.
|
|
Evolution algorithms in network elements
Braciník, Roman ; Sobek, Jiří (oponent) ; Vychodil, Petr (vedoucí práce)
This semestral project deals wtih genetic algorithm issues and its utilization in network elements. The author analyses basic and improved genetic algorithm methods. The different way of adaptation of the algorithm on certain issues and their errors in usage will be discused further. In the conclusion the author discusses about the possible use of genetic algorithms in network elements.
|
|
Evolution algorithms in network elements
Braciník, Roman ; Sobek, Jiří (oponent) ; Vychodil, Petr (vedoucí práce)
This semestral project deals wtih genetic algorithm issues and its utilization in network elements. The author analyses basic and improved genetic algorithm methods. The different way of adaptation of the algorithm on certain issues and their errors in usage will be discused further. In the conclusion the author discusses about the possible use of genetic algorithms in network elements.
|
| |
|
Soutěživá koevoluce v kartézském genetickém programování
Skřivánková, Barbora ; Petrlík, Jiří (oponent) ; Drahošová, Michaela (vedoucí práce)
Symbolická regrese je metoda hledání předpisů funkcí, které co nejpřesněji prochází danými body v rovině nebo prostoru. V této práci je řešena symbolická regrese s využitím kartézského genetického programování a soutěživé koevoluce. Tato úloha byla již dříve řešena pomocí kartézského genetického programování a koevoluce prediktorů fitness. V této práci je zkoumáno, zda-li jednodušší soutěživá koevoluce dokáže dosáhnout obdobných výsledků jako koevoluce prediktorů fitness. Symbolická regrese je v této práci testována na pěti různě složitých úlohách. Při testování se ukázalo, že při řešení jednodušších úloh dosahuje soutěživá koevoluce oproti klasickému kartézskému genetickému programování výrazně vyššího zrychlení než koevoluce prediktorů fitness. Složitější úlohy, ve kterých koevoluce prediktorů fitness obstála stejně dobře jako v jednodušších, však soutěživá koevoluce vyřešit nedokázala.
|
|
Difůzní evoluční algoritmus
Mészáros, István ; Pospíchal, Petr (oponent) ; Jaroš, Jiří (vedoucí práce)
V dnešní době se objevují nové trendy v oblasti umělé inteligence. Metody známé jako evoluční algoritmy jsou jedny z nich. Tyto algoritmy nám umožňují optimalizovat a navrhovať systémy pomocí počítačů. Jedna z variant evolučních algoritmů je difůzní evoluční algoritmus. Tento typ algoritmu může probíhat paralelně a přináší přitom mnoho pozitivních vlastností. Otázkou je, při jakých podmínkách lze efektivně používat difůzní variantu evolučních algoritmů. Je možné jejich používání při plánování systémů nebo optimalizaci některých problémů? Proč jsou výhodnější než ostatní typy evolučních algoritmů? Tato práce se snaží odpovědět na tyto otázky a podrobně vysvětlit fungování těchto algoritmů.
|
|
Vliv mapování kandidátního řešení na efektivitu evolučního algoritmu
Hrbáček, Jiří ; Korček, Pavol (oponent) ; Křivánek, Jan (vedoucí práce)
Náplní předložené práce je sumarizace znalostí v oblasti teorie mapování kandidátního řešení, jejich analýza a aplikace na evoluční algoritmy. Práce podává přehled evolučních algoritmů, jejich klasifikaci a použití. Cílem práce je propojení získaných znalostí z oblasti evolučních algoritmů a mapování kandidátního řešení a vytvořit systém, který bude úspěšně demonstrovat vliv mapování na efektivitu evolučních algoritmů.
|
| |