Název:
Urychlení evolučních algoritmů pomocí směsí rozdělení pravděpodobnosti
Překlad názvu:
Improving evolutionary algorithms using probability mixture models
Autoři:
Bajer, Lukáš ; Kovářík, Oleg (oponent) ; Holeňa, Martin (vedoucí práce) Typ dokumentu: Diplomové práce
Rok:
2009
Jazyk:
cze
Abstrakt: [cze][eng] Evoluční, a zvláště genetické algoritmy se staly jednou z nejúspěšnějších metod optimalizace empirické cílové funkce. V mnoha reálných aplikacích je však hlavní nevýhodou to, že ohodnocení empirickou funkcí stojí nemalé finanční prostředky nebo trvá značnou dobu. V naší práci je použit náhradní model původní cílové funkce sloužící jako její rychlý odhad. Původně bylo zamýšleno použití směsí rozdělení pravděpodobnosti, což však nebylo možné realizovat. V naší práci jsou tedy konkrétně použity RBF sítě, které se směsmi velmi úzce souvisí. Díky modelu je možné najednou vyvíjet podstatně větší populace, nebo je možné nechat ohodnocovat několik generací pouze modelem. Výsledkem je znatelně rychlejší konvergence ve smyslu počtu ohodnocení původní empirickou funkcí.Evolutionary, and especially genetic algorithms have become one of the most successful methods for the optimization of empirical objective functions. However, in many engineering applications, evaluation of the empirical fitness function can be very time consuming or cost a considerable amount of money. In this article, we employ a surrogate model of the original fitness function which serves as a fast approximation whenever needed. First, we intended to use finite mixture models, but radial basis function networks was finally used as a particular surrogate model because of implementability. With this method, much larger populations or several generations can be simulated without waiting for expensive objective function evaluation. As a result, faster convergence in terms of the number of the original empirical fitness evaluations is achieved.