|
|
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.
|
|
|
Grafové algoritmy a závislostní parsing
Wimberský, Antonín ; Pecina, Pavel (vedoucí práce) ; Schlesinger, Pavel (oponent)
V předložené práci studujeme praktické řešení problému závislostního parsingu pomocí grafového algoritmu hledání maximální kostry v orientovaném grafu (multigrafu). Výhodou tohoto přístupu je velmi snadné parsování jak projektivních, tak i neprojektivních větných konstrukcí. Parsovanou větu reprezentujeme orientovaným multigrafem, jehož vrcholy představují slova dané věty a hrany označují (potenciální) vazby mezi jednotlivými dvojicemi slov. Ohodnocení hran se získá z trénovacích dat, vypočítá se například jako pravděpodobnost vazby mezi danou dvojicí slov, případně v kombinaci s dalšími pokročilejšími metodami. Výslednou maximální kostru potom považujeme za závislostní strom dané věty.
|
|
|
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.
|
|
|
Grafové algoritmy a závislostní parsing
Wimberský, Antonín ; Schlesinger, Pavel (oponent) ; Pecina, Pavel (vedoucí práce)
V předložené práci studujeme praktické řešení problému závislostního parsingu pomocí grafového algoritmu hledání maximální kostry v orientovaném grafu (multigrafu). Výhodou tohoto přístupu je velmi snadné parsování jak projektivních, tak i neprojektivních větných konstrukcí. Parsovanou větu reprezentujeme orientovaným multigrafem, jehož vrcholy představují slova dané věty a hrany označují (potenciální) vazby mezi jednotlivými dvojicemi slov. Ohodnocení hran se získá z trénovacích dat, vypočítá se například jako pravděpodobnost vazby mezi danou dvojicí slov, případně v kombinaci s dalšími pokročilejšími metodami. Výslednou maximální kostru potom považujeme za závislostní strom dané věty.
|
host ::
RSS.