|
|
Principy a aplikace neuroevoluce
Herec, Jan ; Strnadel, Josef (oponent) ; Bidlo, Michal (vedoucí práce)
Práce se na teoretické úrovni zabývá evolučními algoritmy (EA), neuronovými sítěmi (NN) a jejich syntézou v podobě neuroevoluce. Z praktického hlediska je cílem práce ukázat uplatnění neuroevoluce na dvou odlišných úlohách. První úloha spočívá v evolučním návrhu architektury konvoluční neuronové sítě (CNN), která by dokázala klasifikovat s vysokou přesností ručně psané číslice (z datasetu MNIST). Druhá úloha spočívá v evoluční optimalizaci vah neurokontroléru, který řídí přistání 1. stupně rakety Falcon 9 ve 2D simulaci. Obě úlohy jsou výpočetně velmi náročné a proto byly řešeny na superpočítači. V rámci první úlohy se podařilo navrhnout takové architektury, které při správném natrénování dosahují přesnosti klasifikace 99,49%. Ukázalo se tak, že je možné návrh kvalitních architektur zautomatizovat s využitím neuroevoluce. V rámci druhé úlohy se podařilo optimalizovat váhy neurokontroléru tak, že pro definované počáteční podmínky dovede neurokontrolér model rakety k úspěšnému přistání. V obou úlohách tedy neuroevoluce uspěla.
|
|
|
Maximizing Computational Power by Neuroevolution
Matzner, Filip ; Mráz, František (vedoucí práce) ; Pilát, Martin (oponent)
Echo state networks jsou speciálním typem rekurentních neuronových sítí. Nedávný výzkum ukázal, že výkon echo state networks je nejvyšší na přechodu mezi uspořádaným a chaotickým režimem, takzvané hranici chaosu. Tato práce potvrzuje tento jev pomocí rozsáhlých experimentů. Dále je nejlepší echo state network porovnána se sítí vyvinutou pomocí neuroevoluce. Vyvinutá síť má vyšší výkon než nejlepší echo state network, ovšem evoluce vyžaduje značný výpočetní výkon. Kombinací toho nejlepšího z obou modelů, jednoduchostí echo state networks a výkonu vyvinutých sítí, byl navržen nový model zvaný locally connected echo state networks. Výsledky práce mohou mít vliv na budoucí návrhy echo state networks a na efektivitu jejich implementace. Výsledky mohou navíc pomoci lepšímu pochopení toho, jak funguje mozková tkáň. 1
|
|
|
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.
|
|
|
Přírodou inspirované prohledávací algoritmy a jejich aplikace
Neruda, Roman
V příspěvku popisujeme základní principy evolučních algoritmů a genetického prohledávání prostorů parametrů. Jsou vysvětleny přístupy genetických algoritmů, evolučních strategií, evolučního programování, genetického programování, rojové algoritmy, a neuroevoluce. Publikováno ve sborníku Analýza dat 2013. Statistické metody pro technologii a výzkum. Pardubice : TriloByte Statistical Software, 2013, s. 69-80. ISSN 1805-6903. Předneseno jako zvaná přednáška na konferenci Analýza dat 2013.
|
host ::
RSS.