|
|
6 bere! - AI server
Hruška, Michal ; Holan, Tomáš (vedoucí práce) ; Peška, Ladislav (oponent)
Bakalářská práce se zabývá implementací webového serveru umožňující hraní karetní hry 6 bere! Hru je možné hrát proti jiným lidem přes internet nebo proti počítači. Součástí práce je také návrh vlastního jazyka pro tvorbu umělé inteligence. V navrženém jazyce může každý vytvořit vlastní algoritmus. Ten pak může použít ve hře nebo ho otestovat pomocí simulace, která je součástí implementace. Server obsahuje umělou inteligenci vytvořenou v tomto jazyce pomocí evolučního algoritmu. Powered by TCPDF (www.tcpdf.org)
|
|
|
Konvergované sítě a tomografie síťového provozu s využitím evolučních algoritmů
Oujezský, Václav ; Sýkora, Jiří (oponent) ; Polívka, Michal (oponent) ; Škorpil, Vladislav (vedoucí práce)
Tomografie síťového provozu představuje dnes již nedílnou součást v oblasti konvergovaných sítí a systémů k detekci jejich behaviorálních vlastností. Dizertační práce se zabývá výzkumem její implementace s využitím evolučních algoritmů. Výzkum byl zejména soustředěn na inovaci a řešení behaviorální detekce toků dat v sítích a jejich anomálií s využitím síťové tomografie a evolučních algoritmů. V rámci řešení dizertační práce byl navržen nový algoritmus, vycházející ze základů statistické metody analýzy přežití v kombinaci s algoritmem genetickým. Navržený algoritmus byl testován ve vlastním vytvořeném modelu síťové sondy za pomocí programovacího jazyka Python a laboratorních síťových zařízení Cisco. Provedené testy prokázaly základní funkčnost navrženého řešení.
|
|
|
Využití umělých neuronových sítí k urychlení evolučních algoritmů
Wimberský, Antonín ; Holeňa, Martin (vedoucí práce) ; Gemrot, Jakub (oponent)
V předkládané práci studujeme možnosti využití umělých neuronových sítí k urychlení evolučních algoritmů. Urychlení spočívá ve snížení počtu volání fitness funkce, jejíž vyhodnocení je u některých typů optimalizačních úloh značně časově i finančně náročné. Jako regresní model používáme neuronovou síť, která slouží pro odhadnutí hodnoty fitness jedinců v průběhu evolučního algoritmu. Zároveň s regresním modelem pracujeme i se skutečnou fitness funkcí, kterou používáme pro přehodnocení jedinců vybraných podle předem zvolené strategie. Tyto jedince ohodnocené skutečnou fitness funkcí pak využijeme pro zlepšení regresního modelu. Díky tomu, že je velká část jedinců ohodnocována pouze regresním modelem, se podstatně snižuje celkový počet volání skutečné fitness funkce, který je potřebný pro nalezení kvalitního řešení optimalizační úlohy.
|
|
|
Mutace v kartézském genetickém programování
Končal, Ondřej ; Hrbáček, Radek (oponent) ; Wiglasz, Michal (vedoucí práce)
Tato práce se zabývá zkoumáním různých druhů mutací v kartézském genetickém programování (CGP) na úlohách symbolické regrese. CGP je druh evolučního algoritmu, který pracuje se spustitelnými strukturami. Mutace je u CGP hlavním genetickým operátorem a v kombinaci s ohodnocením zabírá nejdelší dobu běhu algoritmu. Nalezení lepšího druhu mutace proto může výrazně zrychlit tvorbu nových jedinců, a tak i zkrátit dobu běhu algoritmu. Tato práce představuje čtyři druhy mutací používané v CGP. Experimenty porovnávají tyto mutační operátory při řešení pěti úloh symbolické regrese. Ukazuje se, že vhodnou volbou mutace lze dosáhnout až skoro dvojnásobného zrychlení oproti standardnímu mutačnímu operátoru.
|
|
|
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.
|
host ::
RSS.