|
|
Coevolution of Fitness Predicotrs in Cartesian Genetic Programming
Drahošová, Michaela ; Pošík, Petr (oponent) ; Šenkeřík, Roman (oponent) ; Sekanina, Lukáš (vedoucí práce)
Cartesian genetic programming (CGP) is an evolutionary based machine learning method which can automatically design computer programs or digital circuits. CGP has been successfully applied in a number of challenging real-world problem domains. However, the computational power that the design based on CGP needs for obtaining innovative results is enormous for most applications. In CGP, every candidate program is executed to dermine a fitness value, representing the degree to which it solves the problem. Typically, the most time consuming part of CGP is the fitness evaluation. This thesis proposes to introduce coevolution of fitness predictors to CGP in order to accelerate the evolutionary design performed by CGP. Fitness predictors are small subsets of the training data, which are used to estimate candidate program fitness instead of performing an expensive objective fitness evaluation. Coevolution of fitness predictors is an optimization method of the fitness modeling that reduces the fitness evaluation cost and frequency, while maintaining the evolutionary process. In this thesis, the coevolutionary algorithm is adapted for CGP and three approaches to fitness predictor encoding are introduced and examined. The proposed approach is evaluated using five symbolic regression benchmarks and in the image filter design problem. The method enabled us to significantly reduce the time of evolutionary design for considered class of problems.
|
|
|
Evolutionary Algorithms for Multiobjective Optimization
Pilát, Martin ; Neruda, Roman (vedoucí práce) ; Schoenauer, Marc (oponent) ; Pošík, Petr (oponent)
Vícekriteriální evoluční algoritmy se v posledních letech těší velké pozornosti. Dokázaly, že patří mezi nejlepší vícekriterální optimali- zátory a byly použity v mnoha průmyslových aplikacích. Jejich po- užitelnost je ale omezována tím, že vyžadují velké množství vyhod- nocení jednolivých účelových funkcí. Tyto mohou být v případě re- álných problémů složité a jejich vyhodnocení může být drahé. Pro snížení počtu vyhodnocení jednotlivých účelových funkcí se použí- vají tzv. náhradní modely. Ty jsou jednoduchou a rychlou aproximací skutečných účelových funkcí. V této práci představujeme výsledky výzkumu prováděného mezi lety 2009 a 2013. Představujeme vícekriteriální evoluční algoritmus s agregovaným náhradním modelem a jeho verze, které použivají další náhradní model pro předvýběr jedinců. V další části se zabýváme pro- blémem výběru vhodného typu náhradního modelu. Diskutujeme o tom, které charakteristiky modelu jsou důležité a žádané, a navrhu- jeme propojení náhradního modelování s meta-učením. V poslední části se potom zabýváme využitím vícekriteriální optimalizace pro ladění parametrů klasifikátorů a ukazujeme, že přidání dalších účelo- vých funkcí může urychlit nalezení vhodného nastavení. 1
|
|
|
Model-based evolutionary optimization methods
Bajer, Lukáš ; Holeňa, Martin (vedoucí práce) ; Brockhoff, Dimo (oponent) ; Pošík, Petr (oponent)
Statistické modely se používají pro urychlení optimalizace jak v akademické sféře, tak v průmyslu. Právě v reálných aplikacích, kde je optimalizovaná funkce často finančně nebo časově náročná, mohou statistické modely ušetřit zdroje nebo urychlit optimalizaci. Každá ze tří částí dizertační práce se zabývá jedním takovým modelem: v první části práce nahrazují kopule grafické modely v algoritmech odhadující distribuci, RBF sítě slouží jako náhradní model v genetických algoritmech pro kombinaci spojitých a diskrétních proměnných ve druhé části a třetí část práce používá gaussovské procesy jednak jako model pro vzorkování v bayesovských optimalizačních algoritmech, jednak jako náhradní model v evoluční strategii adaptující kovarianční matici (CMA-ES). Poslední kombinaci, která je popsána klíčové části práce, využívá navržený algoritmus DTS-CMA-ES---dvojitě trénovaný CMA-ES s náhradním modelem. Tento algoritmus využívá nejistotu predikovanou gaussovským procesem, aby vybral část populace CMA-ES k ohodnocení drahou originální funkcí, zatímco zbytek populace je ohodnocen modelem---predikovanou nejpravděpodobnější hodnotou. Výsledky ukázaly, že DTS-CMA-ES konverguje na několika syntetických funkcích rychleji než současné spojité optimalizační algoritmy s náhradním modelem.
|
|
|
Coevolution of Fitness Predicotrs in Cartesian Genetic Programming
Drahošová, Michaela ; Pošík, Petr (oponent) ; Šenkeřík, Roman (oponent) ; Sekanina, Lukáš (vedoucí práce)
Cartesian genetic programming (CGP) is an evolutionary based machine learning method which can automatically design computer programs or digital circuits. CGP has been successfully applied in a number of challenging real-world problem domains. However, the computational power that the design based on CGP needs for obtaining innovative results is enormous for most applications. In CGP, every candidate program is executed to dermine a fitness value, representing the degree to which it solves the problem. Typically, the most time consuming part of CGP is the fitness evaluation. This thesis proposes to introduce coevolution of fitness predictors to CGP in order to accelerate the evolutionary design performed by CGP. Fitness predictors are small subsets of the training data, which are used to estimate candidate program fitness instead of performing an expensive objective fitness evaluation. Coevolution of fitness predictors is an optimization method of the fitness modeling that reduces the fitness evaluation cost and frequency, while maintaining the evolutionary process. In this thesis, the coevolutionary algorithm is adapted for CGP and three approaches to fitness predictor encoding are introduced and examined. The proposed approach is evaluated using five symbolic regression benchmarks and in the image filter design problem. The method enabled us to significantly reduce the time of evolutionary design for considered class of problems.
|
|
|
Model-based evolutionary optimization methods
Bajer, Lukáš ; Holeňa, Martin (vedoucí práce) ; Brockhoff, Dimo (oponent) ; Pošík, Petr (oponent)
Statistické modely se používají pro urychlení optimalizace jak v akademické sféře, tak v průmyslu. Právě v reálných aplikacích, kde je optimalizovaná funkce často finančně nebo časově náročná, mohou statistické modely ušetřit zdroje nebo urychlit optimalizaci. Každá ze tří částí dizertační práce se zabývá jedním takovým modelem: v první části práce nahrazují kopule grafické modely v algoritmech odhadující distribuci, RBF sítě slouží jako náhradní model v genetických algoritmech pro kombinaci spojitých a diskrétních proměnných ve druhé části a třetí část práce používá gaussovské procesy jednak jako model pro vzorkování v bayesovských optimalizačních algoritmech, jednak jako náhradní model v evoluční strategii adaptující kovarianční matici (CMA-ES). Poslední kombinaci, která je popsána klíčové části práce, využívá navržený algoritmus DTS-CMA-ES---dvojitě trénovaný CMA-ES s náhradním modelem. Tento algoritmus využívá nejistotu predikovanou gaussovským procesem, aby vybral část populace CMA-ES k ohodnocení drahou originální funkcí, zatímco zbytek populace je ohodnocen modelem---predikovanou nejpravděpodobnější hodnotou. Výsledky ukázaly, že DTS-CMA-ES konverguje na několika syntetických funkcích rychleji než současné spojité optimalizační algoritmy s náhradním modelem.
|
|
|
Evolutionary Algorithms for Multiobjective Optimization
Pilát, Martin ; Neruda, Roman (vedoucí práce) ; Schoenauer, Marc (oponent) ; Pošík, Petr (oponent)
Vícekriteriální evoluční algoritmy se v posledních letech těší velké pozornosti. Dokázaly, že patří mezi nejlepší vícekriterální optimali- zátory a byly použity v mnoha průmyslových aplikacích. Jejich po- užitelnost je ale omezována tím, že vyžadují velké množství vyhod- nocení jednolivých účelových funkcí. Tyto mohou být v případě re- álných problémů složité a jejich vyhodnocení může být drahé. Pro snížení počtu vyhodnocení jednotlivých účelových funkcí se použí- vají tzv. náhradní modely. Ty jsou jednoduchou a rychlou aproximací skutečných účelových funkcí. V této práci představujeme výsledky výzkumu prováděného mezi lety 2009 a 2013. Představujeme vícekriteriální evoluční algoritmus s agregovaným náhradním modelem a jeho verze, které použivají další náhradní model pro předvýběr jedinců. V další části se zabýváme pro- blémem výběru vhodného typu náhradního modelu. Diskutujeme o tom, které charakteristiky modelu jsou důležité a žádané, a navrhu- jeme propojení náhradního modelování s meta-učením. V poslední části se potom zabýváme využitím vícekriteriální optimalizace pro ladění parametrů klasifikátorů a ukazujeme, že přidání dalších účelo- vých funkcí může urychlit nalezení vhodného nastavení. 1
|
host ::
RSS.