|
|
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.
|
|
|
Genetický návrh klasifikátoru s využítím neuronových sítí
Tomášek, Michal ; Vašíček, Zdeněk (oponent) ; Mrázek, Vojtěch (vedoucí práce)
Cílem této práce je genetický návrh neuronových sítí, jenž budou schopné provádět klasifikaci v rámci různých klasifikačních úloh. K vytváření těchto neuronových sítí je použit algoritmus vycházející z algoritmu NeuroEvolution of Augmenting Topologies (zkráceně známého jako NEAT). Dále je představena myšlenka předzpracování, která je v implementovaném výsledku rovněž zahrnuta. Cílem předzpracování je snížení výpočetních nároků pro zpracování datové sady daného klasifikačního problému. Výsledkem této práce je množina experimentů provedených nad datovou sadou pro detekci rakovinných buněk a databází ručně psaných číslic MNIST. Klasifikátory vytvořené pro rakovinné buňky pak dosahují více jak 99% přesnosti a u experimentu MNIST dochází ke snížení výpočetních nároků o více jak 10% se zanesením zanedbatelné chyby o velikosti 0,17%.
|
|
|
Toolbox pro vícekriteriální optimalizační problémy
Marek, Martin ; Hurák,, Zdeněk (oponent) ; Kadlec, Petr (vedoucí práce)
Tato práce se zabývá problematikou více-kriteriálních optimalizací. Je vysvětleno, která řešení jsou optimální při použití více konfliktních kriteriálních funkcí a jak tato optimální řešení (Paretovo čelo) v množině možných řešení vyhledat. Poté jsou popsány principy algoritmů NSGA-II, MOPSO a GDE3. V následujících kapitolách jsou představeny testovací metriky a problémy. Na závěr práce jsou tyto tři algoritmy porovnány na základě několika metrik.
|
|
| |
|
|
Celulární automat v dynamickém prostředí
Bendl, Jaroslav ; Jaroš, Jiří (oponent) ; Bidlo, Michal (vedoucí práce)
Tato bakalářská práce se zabývá metodou evoluce celulárního automatu schopného sebeopravy po poškození vlivem externího prostředí. Popisovaná metoda je založená na algoritmu celulárního programování a využívá i principů biologického developmentu. V rámci této práce jsou provedeny experimenty vedoucí k ověření regeneračních schopností automatu vyvinutého za pomoci tohoto postupu.
|
|
|
Evoluční návrh využívající booleovské sítě
Mrnuštík, Michal ; Žaloudek, Luděk (oponent) ; Bidlo, Michal (vedoucí práce)
Tato diplomová práce představuje možnosti využití booleovských sítí jako vývojového modelu v evolučním návrhu. Jsou zde popsány reprezentace booleovských sítí vhodné pro evoluční návrh včetně genetických operátorů. Booleovské sítě jsou použity jako vývojový model pro vývoj kombinačních obvodů a řadicích sítí. Dále je uvedena jedna z možných reprezentací aplikovatelná pro návrh obrazových filtrů. Navržené metody jsou experimentálně ověřeny a je navrženo jejich potenciální vylepšení a směr dalšího výzkumu.
|
|
|
Instrukcemi řízené celulární automaty
Bendl, Jaroslav ; Žaloudek, Luděk (oponent) ; Bidlo, Michal (vedoucí práce)
Tato práce se zabývá návrhem nového konceptu řízení celulárního automatu založeného na tzv. instrukcích. Instrukci lze chápat jako určité pravidlo ověřující stavy předem definované skupiny buněk v sousedství vyšetřované buňky, přičemž při splnění stanovené podmínky kladené na danou skupinu je její stav změněn dle daného předpisu. Jelikož je možné v rámci jednoho výpočetního kroku uvažovat sekvenci složenou z více instrukcí, přičemž každá instrukce může změnit stav centrální buňky ihned po své aplikaci, lze jejich posloupnost pokládat za určitou formu krátkého programu. Tento koncept je zároveň možné rozšířit o jednoduché operace aplikované na buněčné okolí a prováděné během interpretace jednotlivých instrukcí - příkladem takové operace může být řádkový nebo sloupcový posun. Výhoda použití instrukcí tkví v redukci vyhledávacího prostoru, neboť oproti obvykle používané tabulkové metodě není nutné prohledávat množinu všech možných konfigurací buněk v okolí, nýbrž pouze několik oblastí vymezených předpisy instrukcí. Zatímco skupiny vyšetřovaných buněk v rámci instrukce jsou navrhovány ručně na základě analýzy řešené úlohy, posloupnost jejich umístění v chromozomu je optimalizována prostřednictvím genetického algoritmu. Úspěšnost navržené metody řízení celulárního automatu je zkoumána na vybraných benchmarkových úlohách - majoritě, synchronizace, samoorganizaci a návrhu kombinačních logických obvodů.
|
|
|
Evoluční návrh obvodů na úrovni tranzistorů
Žaloudek, Luděk ; Vašíček, Zdeněk (oponent) ; Sekanina, Lukáš (vedoucí práce)
Tato práce se zabývá evolučním návrhem elektronických obvodů na úrovni tranzistorů se zaměřením na číslicové obvody. Popisuje teoretické základy pro evoluční návrh obvodů na výpočetních systémech včetně vysvětlení evolučních algoritmů genetického programování a evolučních strategií, možných úrovní návrhu elektronických obvodů, přehledu technologie CMOS a nejdůležitějších evolučních metod pro návrh obvodů, jako jsou development a kartézské genetické programování (CGP). Dále je uvedena nová metoda návrhu číslicových obvodů s tranzistory založená na CGP a je představen vývojový systém, který tuto metodu využívá. Na závěr jsou popsány a vyhodnoceny experimenty provedené se systémem.
|
|
| |
|
|
Technika ALPS v kartézském genetickém programování
Stanovský, Peter ; Slaný, Karel (oponent) ; Sekanina, Lukáš (vedoucí práce)
Úvodem práce přináší stručný přehled problematiky softcomputingu a řešení NP-úplných problémů. Zejména se věnuje evolučním algoritmům a jejich základním typům. V další části je zpracována studie na kartézské genetické programování (CGP), které patří do oblasti evolučních algoritmů. CGP se používá zejména pro návrh číslicových obvodů, symbolickou regresi a jiné. Samostatná kapitola je věnována studii nové techniky Age layered population structure (ALPS), která se věnuje problému předčasné konvergence, přičemž navrhuje způsob rozdělení populace na subpopulace separovaných na základě věkového kriteria. Pomocí zajišťování dostatečné diverzity v populaci dosahuje významně lepších řešení oproti klasickým evolučním algoritmům. V práci jsou navrženy dva způsoby začlenění techniky ALPS do CGP. V další části je popsán postup implementace klasického CGP a jeho dvou variant s využitím techniky ALPS. V rámci práce byly vykonány testy na klasických testovacích úlohách s použitím a bez použití techniky ALPS, přičemž v části "Experimentálne výsledky" byl diskutován přínos použití techniky ALPS v CGP oproti klasickému CGP.
|
host ::
RSS.