|
|
Multi-Objective Optimization of Complex Composite Structures with Variable Stiffness
Symonov, Volodymyr ; Halama, Radim (referee) ; Píštěk, Antonín (referee) ; Juračka, Jaroslav (advisor)
Disertační práce se věnuje vývoji metodologií pro vice-cílovou optimalizací složitých kompozitních konstrukcí s proměnnou tuhosti. Vice úrovňový hybridní optimalizační algoritmus je založený na bázi hybridní optimalizační metody s využitím interpolační plochy odezvy, genetického algoritmu a jednoparametrické optimalizace. Pro strukturální analýzy je využit MKP software MSC Nastran. Nový genetický algoritmus a paralelní jednoparametrický optimalizační algoritmus na základě metody Zlatého řezu jsou vyvinuty pro metodologii. MKP software a vyvinuté optimalizační algoritmy jsou integrované pomoci komerčního optimalizačního softwaru Noesis Optimus od Noesis Solutions. Vyvinutá metodologie je ověřena pomoci testovací optimalizační úlohy.
|
|
|
New Trends in Stochastic Programming
Szabados, Viktor ; Kaňková, Vlasta (advisor) ; Lachout, Petr (referee)
Stochastic methods are present in our daily lives, especially when we need to make a decision based on uncertain events. In this thesis, we present basic approaches used in stochastic tasks. In the first chapter, we define the stochastic problem and introduce basic methods and tasks which are present in the literature. In the second chapter, we present various problems which are non-linearly dependent on the probability measure. Moreover, we introduce deterministic and non-deterministic multicriteria tasks. In the third chapter, we give an insight on the concept of stochastic dominance and we describe the methods that are used in tasks with multidimensional stochastic dominance. In the fourth chapter, we capitalize on the knowledge from chapters two and three and we try to solve the role of portfolio optimization on real data using different approaches. 1
|
|
|
Evolutionary Algorithms for Multiobjective Optimization
Pilát, Martin ; Neruda, Roman (advisor) ; Schoenauer, Marc (referee) ; Pošík, Petr (referee)
Multi-objective evolutionary algorithms have gained a lot of atten- tion in the recent years. They have proven to be among the best multi-objective optimizers and have been used in many industrial ap- plications. However, their usability is hindered by the large number of evaluations of the objective functions they require. These can be expensive when solving practical tasks. In order to reduce the num- ber of objective function evaluations, surrogate models can be used. These are a simple and fast approximations of the real objectives. In this work we present the results of research made between the years 2009 and 2013. We present a multi-objective evolutionary algo- rithm with aggregate surrogate model, its newer version, which also uses a surrogate model for the pre-selection of individuals. In the next part we discuss the problem of selection of a particular type of model. We show which characteristics of the various models are im- portant and desirable and provide a framework which combines sur- rogate modeling with meta-learning. Finally, in the last part, we ap- ply multi-objective optimization to the problem of hyper-parameters tuning. We show that additional objectives can make finding of good parameters for classifiers faster. 1
|
|
|
Multi-Objective Optimization of EM Structures With Variable Number of Dimensions
Marek, Martin ; Vrba,, Jan (referee) ; Šenkeřík,, Roman (referee) ; Kadlec, Petr (advisor)
Tato dizertační práce pojednává o více-kriteriálních optimalizačních algoritmech s proměnným počtem dimenzí. Takový algoritmus umožňuje řešit optimalizační úlohy, které jsou jinak řešitelné jen s použitím nepřirozených zjednodušení. Výzkum optimalizačních method s proměnnou dimenzí si vyžádal vytvoření nového optimalizačního frameworku, který obsahuje vedle zmíněných vícekriteriálních metod s proměnnou dimenzí – VND-GDE3 a VND-MOPSO – i další optimalizační metody různých tříd. Optimalizační framework obsahuje také knihovnu rozličných testovacích problémů. Mezi nimi je také sada více-kriteriálních testovacích problémů s proměnnou dimenzí, které byly navrženy pro nastavení a ověření nových metod s proměnnou dimenzí. Nové metody jsou dále použity k optimalizaci několika různorodých optimalizačních úloh z reálného světa.
|
|
|
Automated Multi-Objective Parallel Evolutionary Circuit Design and Approximation
Hrbáček, Radek ; Fišer, Petr (referee) ; Trefzer,, Martin (referee) ; Sekanina, Lukáš (advisor)
Spotřeba a energetická efektivita se stává jedním z nejdůležitějších parametrů při návrhu počítačových systémů, zejména kvůli omezené kapacitě napájení u zařízení napájených bateriemi a velmi vysoké spotřebě energie rostoucích datacenter a cloudové infrastruktury. Současně jsou uživatelé ochotni do určité míry tolerovat nepřesné nebo chybné výpočty v roustoucím počtu aplikací díky nedokonalostem lidských smyslů, statistické povaze výpočtů, šumu ve vstupních datech apod. Přibližné počítání, nová oblast výzkumu v počítačovém inženýrství, využívá rozvolnění požadavků na funkčnost za účelem zvýšení efektivity počítačových systémů, pokud jde o spotřebu energie, výpočetní výkon či složitost. Aplikace tolerující chyby mohou být implementovány efektivněji a stále sloužit svému účelu se stejnou nebo mírně sníženou kvalitou. Ačkoli se objevují nové metody pro návrh přibližně počítajících výpočetních systémů, je stále nedostatek automatických návrhových metod, které by nabízely velké množství kompromisních řešení dané úlohy. Konvenční metody navíc často produkují řešení, která jsou daleko od optima. Evoluční algoritmy sice přinášejí inovativní řešení složitých optimalizačních a návrhových problémů, nicméně trpí několika nedostatky, např. nízkou škálovatelností či vysokým počtem generací nutných k dosažení konkurenceschopných výsledků. Pro přibližné počítání je vhodný zejména multikriteriální návrh, což existující metody většinou nepodporují. V této práci je představen nový automatický multikriteriální paralelní evoluční algoritmus pro návrh a aproximaci digitálních obvodů. Metoda je založena na kartézském genetickém programování, pro zvýšení škálovatelnosti byla navržena nová vysoce paralelizovaná implementace. Multikriteriální návrh byl založen na principech algoritmu NSGA-II. Výkonnost implementace byla vyhodnocena na několika různých úlohách, konkrétně při návrhu (přibližně počítajících) aritmetických obvodů, Booleovských funkcích s vysokou nelinearitou či přibližných logických obvodů pro tří-modulovou redundanci. V těchto úlohách bylo dosaženo význammých zlepšení ve srovnání se současnými metodami.
|
|
|
Multi-objective genetic algorithms in road traffic prediction
Petrlík, Jiří ; Brandejský, Tomáš (referee) ; Snášel,, Václav (referee) ; Sekanina, Lukáš (advisor)
Porozumění chování silniční dopravy je klíčem pro její efektivní řízení a organizaci. Tato úloha se stává čím dál více důležitou s rostoucími požadavky na dopravu a počtem registrovaných vozidel. Informace o dopravní situaci je důležitá pro řidiče a osoby zodpovědné za její řízení. Naštěstí v posledních několika dekádách došlo k značnému rozvoji technologií pro monitorování dopravní situace. Stacionární senzory, jako jsou indukční smyčky, radary, kamery a infračervené senzory, mohou být nainstalovány na důležitých místech. Zde jsou schopny měřit různé mikroskopické a makroskopické dopravní veličiny. Bohužel mnohá měření obsahují nekorektní data, která není možné použít při dalším zpracování, například pro predikci dopravy a její inteligentní řízení. Tato nekorektní data mohou být způsobena poruchou zařízení nebo problémy při přenosu dat. Z tohoto důvodu je důležité navrhnout obecný framework, který je schopný doplnit chybějící data. Navíc by tento framework měl být také schopen poskytovat krátkodobou predikci budoucího stavu dopravy. Tato práce se především zabývá vybranými problémy v oblasti doplnění chybějících dopravních dat, predikcí dopravy v krátkém časovém horizontu a predikcí dojezdových dob. Navrhovaná řešení jsou založena na kombinaci současných metod strojového učení, například Support vector regression (SVR) a multikriteriálních evolučních algoritmů. SVR má mnoho meta-parametrů, které je nutné dobře nastavit tak, aby byla dosažena co nejkvalitnější predikce. Kvalita predikce SVR dále silně závisí na výběru vhodné množiny vstupních proměnných. V této práci používáme multiktriteriální optimalizaci pro optimalizaci SVR meta-parametrů a množiny vstupních proměnných. Multikriteriální optimalizace nám umožňuje získat mnoho Pareto nedominovaných řešení. Mezi těmito řešeními je možné dynamicky přepínat dle toho, jaká data jsou aktuálně k dispozici tak, aby bylo dosaženo maximální kvality predikce. Metody navržené v této práci jsou především vhodné pro prostředí s velkým množstvím chybějících hodnot v dopravních datech. Tyto metody jsme ověřili na reálných datech a porovnali jejich výsledky s metodami, které jsou v současné době používány. Navržené metody poskytují lepší výsledky než stávající metody, a to především ve scénářích, kde se vyskytuje mnoho chybějících hodnot v dopravních datech.
|
|
|
Risk aversion in portfolio efficiency
Puček, Samuel ; Branda, Martin (advisor) ; Kopa, Miloš (referee)
This thesis deals with selecting the optimal portfolio for a risk averse investor. Firstly, we present the risk measures, specifically spectral risk me- asures which consider an individual risk aversion of the investor. Then we propose a diversification-consistent data envelopment analysis model. The model is searching for an efficient portfolio with respect to second-order sto- chastic dominance. The crux of the thesis is a model based on the theory of multi-criteria optimization and spectral risk measures. The presented mo- del is searching for an optimal portfolio suitable for the investor with a given risk aversion. In addition, the optimal portfolio is also consistent with second- order stochastic dominance efficiency. The topic of the practical part is a nu- merical study in which both models are implemented in MATLAB. Models are applied to a dataset from real financial markets. Personal contribution lies in comparing the diversification-consistent data envelopment analysis model and model based on multi-criteria optimization, both with respect to second order stochastic dominance efficiency.
|
|
|
Advanced optimisation model for circular economy
Pluskal, Jaroslav ; Bednář, Josef (referee) ; Šomplák, Radovan (advisor)
This diploma thesis deals with application optimization method in circular economy branch. The introduction is focused on explaining main features of the issue and its benefits for economy and environment. Afterwards are mentioned some obstacles, which are preventing transition from current waste management. Mathematical apparatus, which is used in practical section, is described in the thesis. Core of the thesis is mathematical optimization model, which is implemented in the GAMS software, and generator of input data is made in VBA. The model includes all of significant waste management options with respect to economic and enviromental aspect, including transport. Functionality is then demostrated on a small task. Key thesis result is application of the model on real data concerning Czech Republic. In conclusion an analysis of computation difficulty, given the scale of the task, is accomplished.
|
|
|
New Trends in Stochastic Programming
Szabados, Viktor ; Kaňková, Vlasta (advisor) ; Lachout, Petr (referee)
Stochastic methods are present in our daily lives, especially when we need to make a decision based on uncertain events. In this thesis, we present basic approaches used in stochastic tasks. In the first chapter, we define the stochastic problem and introduce basic methods and tasks which are present in the literature. In the second chapter, we present various problems which are non-linearly dependent on the probability measure. Moreover, we introduce deterministic and non-deterministic multicriteria tasks. In the third chapter, we give an insight on the concept of stochastic dominance and we describe the methods that are used in tasks with multidimensional stochastic dominance. In the fourth chapter, we capitalize on the knowledge from chapters two and three and we try to solve the role of portfolio optimization on real data using different approaches. 1
|
|
|
Evolutionary Algorithms for Multiobjective Optimization
Pilát, Martin ; Neruda, Roman (advisor) ; Schoenauer, Marc (referee) ; Pošík, Petr (referee)
Multi-objective evolutionary algorithms have gained a lot of atten- tion in the recent years. They have proven to be among the best multi-objective optimizers and have been used in many industrial ap- plications. However, their usability is hindered by the large number of evaluations of the objective functions they require. These can be expensive when solving practical tasks. In order to reduce the num- ber of objective function evaluations, surrogate models can be used. These are a simple and fast approximations of the real objectives. In this work we present the results of research made between the years 2009 and 2013. We present a multi-objective evolutionary algo- rithm with aggregate surrogate model, its newer version, which also uses a surrogate model for the pre-selection of individuals. In the next part we discuss the problem of selection of a particular type of model. We show which characteristics of the various models are im- portant and desirable and provide a framework which combines sur- rogate modeling with meta-learning. Finally, in the last part, we ap- ply multi-objective optimization to the problem of hyper-parameters tuning. We show that additional objectives can make finding of good parameters for classifiers faster. 1
|
guest ::
