|
|
Evoluční návrh neuronových sítí
Kastner, Jan ; Hurta, Martin (oponent) ; Sekanina, Lukáš (vedoucí práce)
Tato práce je věnována implementaci metody pro řešení problémů v oblasti automatizovaného návrhu architektury konvolučních neuronových sítí (CNN). Optimalizace dvou základních a často protichůdných charakteristik, počtu parametrů a kvality klasifikace CNN, je prováděna pomocí vícekriteriálního optimalizačního genetického algoritmu (NSGA-II). Pro zakódování tohoto problému je využita technika kartézského genetického programování (CGP), která umožňuje reprezentaci široké škály architektur CNN a současně lze parametrizací vhodně omezit prohledávaný prostor. Experimenty byly prováděny na datasetu MNIST za účelem pochopení vlivu velikosti populace na kvalitu výsledného řešení. Z výsledků experimentů je také patrné, že kvalita nalezených architektur dokáže konkurovat již etablovaným modelům. Jedná se tedy o alternativní přístup, který v porovnání s manuálním návrhem nevyžaduje lidskou intervenci.
|
|
|
Implementace a porovnání přírodou inspirovaných prohledávacích algoritmů
Malysák, Adam ; Husa, Jakub (oponent) ; Sekanina, Lukáš (vedoucí práce)
Tato práce se zabývá popisem, implementací a porovnáním genetického algoritmu, jeho varianty obohacené o lokální vyhledávací heuristiku a binární optimalizace hejnem částic (BPSO). Jsou to algoritmy inspirované přírodními jevy, konkrétně evolucí a pohybem hejna ryb či ptáků. Implementované algoritmy budou použity k řešení 3-SAT problému, který je v práci také popsán. Algoritmy jsou otestovány na benchmarkových instancích 3-SAT problému a porovnány mezi sebou a s výsledky jiných prací.
|
|
|
Evoluční návrh nelineárních funkcí pro konvoluční neuronové sítě
Hladiš, Martin ; Mrázek, Vojtěch (oponent) ; Sekanina, Lukáš (vedoucí práce)
Cílem této diplomové práce je návrh a implementace programu pro automatizovaný návrh nelineárních aktivačních funkcí pro konvoluční neuronové sítě (CNN) s využitím evolučních algoritmů. Využití automatického návrhu poskytuje nezávislý pohled na systematické prozkoumání širokého spektra aktivačních funkcí a identifikaci těch nejlepších. Metoda zvolená v práci pro automatický návrh je formou evolučních algoritmů nazývanou jako kartézské genetické programování, které pro zakódování řešení využívá grafovou reprezentaci. Tato technika umožňuje definici sady matematických primitiv, která definuje prohledávací prostor, a tak jednoduše parametrizuje návrh. Implementovaný přístup byl otestován na několika různých architekturách a datasetech (LeNet-5 \& MNIST, ResNet-10 \& FashionMNIST, WRN-40-4 \& CIFAR-10). Experimenty dokázaly, že přístup dokáže nalézt aktivační funkce, které statisticky zlepšují přesnost CNN oproti běžně využívané funkci ReLU.
|
|
|
Optimalizační algoritmy pro inverzní úlohy přenosu tepla
Ibehej, David ; Dobrovský, Ladislav (oponent) ; Kůdela, Jakub (vedoucí práce)
Tato diplomová práce se zabývá problematikou inverzního přenosu tepla a jeho řešením pomocí optimalizace. Práce se zaměřuje na aplikaci jednotlivých evolučních algoritmů a jejich kombinací, které jsou implementovány a použity k řešení vybraného problému. V rámci praktické části jsou navrženy modely aproximující křivku efektivní tepelné kapacity materiálu a tyto modely jsou optimalizovány pomocí evolučních algoritmů s cílem minimalizovat rozdíl mezi simulovanými a experimentálními daty. Na závěr jsou výsledné modely a algoritmy porovnány z hlediska jejich přesnosti a efektivity.
|
|
|
Evoluční návrh konvolučních neuronových sítí s využitím supersítě
Lamačka, Zbyněk ; Piňos, Michal (oponent) ; Sekanina, Lukáš (vedoucí práce)
Tato práce se zabývá možnostmi automatizovaného návrhu a optimalizace konvolučních neuronových sítí (CNN) pomocí evolučních algoritmů s využitím konceptu neuroevoluce (NAS – Neural Architecture Search). NAS metody usnadňují práci architektům neuronových sítí a umožňují přístup k neuronovým sítím i lidem, kteří by se za běžných okolností k~nim nedostaly. Architektury, které vznikají automatizovanými metodami, jsou schopny překonat architektury, které byly vytvořeny zkušenými architekty. Tyto metody nejsou svázány konvenčními přístupy k návrhu, a proto mohou vznikat inovativní architektury. Cílem této práce je návrh a implementace metody neuroevoluce využívající supersíť. Koncept supersítě má za cíl proces automatického návrhu sítě zrychlit a zlevnit. Tato metoda bude vyhodnocena na základě architektur, které vygeneruje. Vyhodnocení architektur je prováděno na základě dvou kritérií – přesnost a složitost sítě. Pro vyhodnocování je použita datová sada ImageNet.
|
|
| |
|
|
Difůzní evoluční algoritmus
Mészáros, István ; Pospíchal, Petr (oponent) ; Jaroš, Jiří (vedoucí práce)
V dnešní době se objevují nové trendy v oblasti umělé inteligence. Metody známé jako evoluční algoritmy jsou jedny z nich. Tyto algoritmy nám umožňují optimalizovat a navrhovať systémy pomocí počítačů. Jedna z variant evolučních algoritmů je difůzní evoluční algoritmus. Tento typ algoritmu může probíhat paralelně a přináší přitom mnoho pozitivních vlastností. Otázkou je, při jakých podmínkách lze efektivně používat difůzní variantu evolučních algoritmů. Je možné jejich používání při plánování systémů nebo optimalizaci některých problémů? Proč jsou výhodnější než ostatní typy evolučních algoritmů? Tato práce se snaží odpovědět na tyto otázky a podrobně vysvětlit fungování těchto algoritmů.
|
|
|
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.
|
|
|
Inteligentní webový plánovač práce
Kmeť, Miroslav ; Vrábel, Lukáš (oponent) ; Čermák, Martin (vedoucí práce)
V této práci jsou popsány základní princípy využití evolučních algoritmů. Práce se zabýva použitím evolučních algoritmů při tvorbě informačního systému umožňujícího rozkládání zadávané práce mezi skupinu zaměstnanců. K řešení tohoto problému využívá hlavně genetické algoritmy, jenž představují inteligentní stochastické optimalizační techniky založené na mechanizmu přirozeného výběru a genetiky. Každé řešení reprezentuje jedince v populaci a k procesu křížení jsou vybírány pouze nejpřizpůsobenější jedinci.
|
|
|
Evoluční návrh hašovacích funkcí pomocí gramatické evoluce
Freiberg, Adam ; Bidlo, Michal (oponent) ; Sekanina, Lukáš (vedoucí práce)
Gramatická evoluce umožňuje automatizovaně vytvářet řešení různorodých problémů a to v libovolném programovacím jazyce. Právě tyto vlastnosti jsou v této práci využity k experimentálnímu vytváření nových hašovacích funkcí, jejichž hlavním zaměřením je hašování síťových toků. Takto vytvořené funkce jsou následně porovnány s již existujícími hašovacími funkcemi, vytvořenými experty v této oblasti.
|
host ::
RSS.