Original title: Kvaziparalelní optimalizace simulovaných systemů pomocí genetických algoritmů
Translated title: Quasi-parallel optimizing of simulated systems by means of genetic algorithms
Authors: Konopa, Michal ; Kindler, Evžen (advisor) ; Neruda, Roman (referee)
Document type: Master’s theses
Year: 2009
Language: cze
Abstract: [cze] [eng]
Cílem této práce je v jazyku SIMULA sestavit třídy umožňující modelování sezení expertů, kteří mají své vlastní (počáteční) představy o tom, která konfigurace parametrů zkoumaného systému je optimální, a všichni tento systém (každý se svou variantou) simulují, avšak během simulace si vyměňují informace o chování svých modelů a podle toho se učí a své vlastní konfigurace modifikují. Učení expertů na základě informací, získaných od kolegů, se provede technikou genetických algoritmů. Výsledný optimalizátor bude vyzkoušen na konkrétních příkladech, jak abstraktních (čerpaných z čisté matematiky), tak konkrétních (např. optimalizace daného projektu). Práce navazuje na disertaci RNDr. Jiřího Weinbergera, CSc., který v 80.letech vytvořil podobný typ optimalizátoru, kdy ovšem nebylo nic konkrétního známo o genetických algoritmech, a tak "učení" expertů hledajících optimum bylo modelováno technikami, které se sice v praxi ukázaly jako velmi úspěšné, dnes by však zasluhovaly být nahrazeny (nebo - co do efektivnosti své práce - alespoň porovnány) s metodou genetických algoritmů. Ta se sice při optimalizaci systémů pomocí algoritmicky řízených pokusů s jejich modely úspěšně používá, avšak nikdy s průběžným uplatněním při běhu těchto modelů. Paralelní běh více simulačních modelů na jednom monoprocesorovém počítači... This work goals are SIMULA classes to model experts sessions so that each expert has his own start ideas the optimal system's parameters. All the experts are simulating the system (each expert with his own parameters), but during the simulation they are mutually exchanging information about behavior of theirs models and - in accordance with this information - they are learning, changing their own system parameters. The learning process is performed by means of genetic algorithms. The resulting optimizer is tested on concrete examples, both from the mathematical theory and real practice (e.g. optimizing of a given project). This work reassumes the dissertation of RNDR. Jiří Weinberger. CSc., who made similar type of optimizer in the 80es, when nothing concrete was known on genetic algorithms and so the experts learning scheme was modeled by techniques, which had great success in solution of real problems afterwards; but nowadays it is worth to replace them by genetic algorithms, or at least to compare both methods. Genetic algorithms are successfully used in systems optimization, where the model run is algorithmic-managed, but never in the way of directly changing the models during their running times. Parallel run of multiple simulating models on the computer equipped with only one processor requires...

Institution: Charles University Faculties (theses) (web)
Document availability information: Available in the Charles University Digital Repository.
Original record: http://hdl.handle.net/20.500.11956/31135

Permalink: http://www.nusl.cz/ntk/nusl-500162


The record appears in these collections:
Universities and colleges > Public universities > Charles University > Charles University Faculties (theses)
Academic theses (ETDs) > Master’s theses