|
|
Koevoluce v evolučním návrhu obvodů
Veřmiřovský, Jakub ; Hrbáček, Radek (oponent) ; Drahošová, Michaela (vedoucí práce)
Tato práce se zabývá evolučním návrhem obvodů za pomoci kartézského genetického programování a jeho optimalizaci za pomoci koevoluce. Algoritmus koevolvuje fitness prediktory, které jsou optimalizovány pro populaci kandidátních obvodů. Práce popisuje teoretická východiska, zejména pak genetické programování, koevoluci v genetickém programování, návrh obvodů, a zabývá se návrhem využití koevoluce v evolučním návrhu kombinačních obvodů. Na základě tohoto návrhu je implementována aplikace, která umožňuje navrhovat a optimalizovat kombinační obvody. Funkčnost aplikace byla ověřena na pěti testovacích úlohách. Srovnání proběhlo mezi kartézským genetickým programováním s koevolucí a bez koevoluce. Poté řešení navržené pomocí evoluce bylo srovnáno s klasickými metodami návrhu. S použitím koevoluce se snížil počet evaluací obvodu během evoluce a v některých případech našla řešení, která mají lepší parametry (např. méně logických hradel, menší zpoždění), než řešení navržená konvenčně.
|
|
|
Techniky reprezentace pro evoluční návrh celulárních automatů
Kovács, Martin ; Drábek, Vladimír (oponent) ; Bidlo, Michal (vedoucí práce)
Tato práce je zaměřena na experimentální testování různých reprezentací přechodové funkce celulárního automatu. V práci je prezentována výpočetní platforma celulárního automatu. Celulární automat má mnoho potenciálních využití při simulacích různých přírodních jevů, fyzikálních systémů, atd. Jeho paralelní výpočet založený na lokálních bunečných interakcích je však náročný na programování, proto je návrh programu automatu často přenechán evolučním technikám. Evoluční techniky založené na Darwinově teorii evoluce byly už mnohokrát využity pro nalezení stejně dobrých nebo lepších než lidsky navržených řešení různých problémů. Evoluční techniky ale vyžadují speciální zakódování řešených problémů, a právě z toho důvodu jsou reprezentace přechodové funkce celulárního automatu zkoumány. Zkoumané reprezentace zahrnují klasickou tabulkovou reprezentaci, podmínková pravidla a kartézske genetické programování. Testovacím problémem pro určení efektivity reprezentací je funkce druhé mocniny.
|
|
|
Soutěživá koevoluce v kartézském genetickém programování
Skřivánková, Barbora ; Petrlík, Jiří (oponent) ; Drahošová, Michaela (vedoucí práce)
Symbolická regrese je metoda hledání předpisů funkcí, které co nejpřesněji prochází danými body v rovině nebo prostoru. V této práci je řešena symbolická regrese s využitím kartézského genetického programování a soutěživé koevoluce. Tato úloha byla již dříve řešena pomocí kartézského genetického programování a koevoluce prediktorů fitness. V této práci je zkoumáno, zda-li jednodušší soutěživá koevoluce dokáže dosáhnout obdobných výsledků jako koevoluce prediktorů fitness. Symbolická regrese je v této práci testována na pěti různě složitých úlohách. Při testování se ukázalo, že při řešení jednodušších úloh dosahuje soutěživá koevoluce oproti klasickému kartézskému genetickému programování výrazně vyššího zrychlení než koevoluce prediktorů fitness. Složitější úlohy, ve kterých koevoluce prediktorů fitness obstála stejně dobře jako v jednodušších, však soutěživá koevoluce vyřešit nedokázala.
|
|
|
Návrh řadicích sítí pomocí koevolučního CGP
Fábry, Marko ; Hrbáček, Radek (oponent) ; Drahošová, Michaela (vedoucí práce)
Tato práce se zabývá návrhem řadicích sítí pomocí kartézskeho genetického programovaní s využitím koevoluce. Řadicí sítě jsou abstraktní modely schopné seřadit posloupnost čísel. Výhodou řadicích sítí je snadná implementovatelnost do hardware, ale jejich návrh je velmi složitý. Jednou z nekonvečních a efektivních možností jak navrhovat řadicí sítě je pomocí kartézskeho genetického programování (CGP). CGP je algoritmus patřící do skupiny evolučních algoritmů inspirovaných Darwinovou evoluční teorii. Efektivitu CGP algoritmu je možno zvýšit použitím koevoluce. Koevoluce je přístup, který pracuje s více populacemi, které se vzájemně ovlivňují a neustále vyvíjejí, čímž zabraňují uváznutí prohledávání v lokálním optimu. V práci je ukázané, že pomocou koevolúcie je možné dosiahnuť takmer dvojnásobné urýchlenie v porovnaní s evolučným návrhom.
|
|
| |
|
| |
|
|
Využití evolučních algoritmů v úloze symbolické regrese
Komadel, Michal ; Slaný, Karel (oponent) ; Vašíček, Zdeněk (vedoucí práce)
Evoluční techniky jsou neustále se vyvíjející a progresivní část informatiky. Evoluční algoritmy se v praxi používají k řešení mnohých druhů problémů od optimalizace až k plánování. Tato práce se zabývá genetickým a kartézským genetickým programováním, které patří mezi nejčastěji používané algoritmy. Cílem práce je implementovat jednotlivé přístupy a vyhodnotit jejich účinnost v úloze symbolické regrese.
|
|
|
Hledání S-boxů pomocí evolučních algoritmů
Hovorka, Bedřich ; Zadina, Martin (oponent) ; Hanáček, Petr (vedoucí práce)
Předložená práce se zabývá částí šifrovacího algoritmu zvanou substituční box a jeho evolučním návrhem. K jeho vývoji jsou použity evoluční výpočetní techniky, jako jsou klasický genetický algoritmus, Estimation of Distribution Algorithm, Kartézské genetické programování a multikriteriální algoritmy VEGA a SPEA. Cílem práce je prozkoušet vlastnosti substitučních boxů k jejich evolučnímu vývoji. Práce se nejprve zabývá kryptografií a problematikou s-boxů. Zde budou vysvětleny základní pojmy a popsána vybraná kritéria jejich bezpečnosti. Dále budou vyloženy použité evoluční algoritmy a základy multikriteriální optimalizace. Těchto poznatků je využito, k návrhu a implementaci programu, které jsou popsány dále. Nakonec diskutuje použití studovaných kritérií. Je zde diskutováno prohledávání s-boxů jak při jednokriteriálním, tak především v multikriteriálním genetickém prohledávání.
|
|
|
Sebemodifikující se programy v kartézském genetickém programování
Minařík, Miloš ; Slaný, Karel (oponent) ; Sekanina, Lukáš (vedoucí práce)
Kartézské genetické programování se během posledních let ukázalo jako velmi perspektivní oblast evolučních výpočtů. Má však jistá omezení, která znemožňují řešit pomocí něj rozsáhlejší nebo obecné problémy. Tato omezení lze eliminovat pomocí novějšího přístupu umožňujícího sebemodifikaci programů v kartézském genetickém programování. Cílem této práce je zhodnotit dosavadní vývoj a aktuální situaci v této oblasti a navrhnout vlastní řešení různých problémů, při jejichž řešení klasické kartézské genetické programování selhává. Jedním z těchto problémů, kterými se práce zabývá, je generování členů Taylorova rozvoje pro různé funkce. Vzhledem k tomu, že se jedná o problém vyžadující zobecnění, je cílem dokázat, že sebemodifikující varianta kartézského genetického programování je v tomto ohledu lepší než klasická. Dalším řešeným problémem bude využití sebemodifikujících programů v kartézském genetickém programování k návrhu řadicích sítí pro libovolný počet vstupů. Také v tomto případě je záměrem dokázat, že sebemodifikace přináší do kartézského genetického programování nové aspekty nutné k vývoji libovolně rozsáhlých řešení.
|
|
|
Symbolická regrese a koevoluce
Drahošová, Michaela ; Žaloudek, Luděk (oponent) ; Sekanina, Lukáš (vedoucí práce)
Symbolická regrese je úloha identifikace matematického popisu skryté závislosti experimentálně získaných dat. Symbolická regrese je úzce spjata se základními úlohami strojového učení. Tato práce se zabývá symbolickou regresí a jejím řešením založeném na principu genetického programování a koevoluce. Genetické programování je evolucí inspirovaná metoda strojového učení, která automaticky generuje celé programy v určitém programovacím jazyce. Koevoluce fitness prediktorů je optimalizační metoda modelování fitness, která snižuje náročnost a frekvenci výpočtu fitness. Tato práce se zabývá návrhem a implementací řešení symbolické regrese s užitím koevoluce fitness prediktorů a srovnáním s řešením bez užití koevoluce. Experimenty byly provedeny s použitím kartézského genetického programování.
|
host ::
RSS.