|
|
Predikce sekundární struktury proteinů pomocí celulárních automatů
Brigant, Vladimír ; Drahošová, Michaela (oponent) ; Bendl, Jaroslav (vedoucí práce)
Tato práce popisuje návrh metody predikce sekundární struktury proteinů založenou na celulárních automatech (CA) - CASSP. Optimální parametry modelu a přechodové funkce jsou získany pomocí evolučního algoritmu. Predikční model využíva pouze statistických vlastností aminokyselin, takže je velice rychlý. Dosažené výsledky byly porovnány s výsledky existujících metod. Byla také otestováná společná predikce navrženého systému CASSP s existujícím nástrojem PSIPRED. Nepodařilo se však dosáhnout výsledků, ktoré by tento existujíci nástroj převyšovali. Částečné zlepšení se dosáhlo při predikci pouze motivů sekndární struktury alpha-helix, co může pomoci v případe, že požadujeme co nejpřesenjší predikcii právě těchto motivů. K navrženému systému bylo také vytvořeno webové rozhraní.
|
|
|
Evoluční algoritmy
Bortel, Martin ; Karásek, Jan (oponent) ; Lambertová, Petra (vedoucí práce)
Práce se zabývá principy a základními vlastnostmi Evolučních a Genetických algoritmů. Jsou zde rozebrány operátory mutace, křížení a selekce a možnosti ukončení algoritmu. Uvedeny jsou příklady využití evolučních a genetických algoritmů v praxi. Využití technologií PHP&MySQL a Google Maps API k optimalizaci distribuční trasy, je důležitým bodem práce.
|
|
|
Nástroj pro vizuální analýzu evoluce obvodů
Staurovská, Jana ; Minařík, Miloš (oponent) ; Sekanina, Lukáš (vedoucí práce)
Cílem diplomové práce je zpracovat studii o kartézském genetickém programování se zaměřením na použití v oblasti evoluce obvodů a vytvořit návrh konceptu vizualizace této evoluce. Následně je cílem vytvořit program umožňující vizualizovat evoluci obvodů kartézského genetického programování, její jednotlivé generace, stejně tak i jednotlivé chromozomy, dále umožňující zobrazovat změny mezi generacemi a chromozomy a porovnávat více chromozomů najednou. Pro výsledný program bylo rovněž zpracováno několik příkladů použití.
|
|
|
Instrukcemi řízené celulární automaty
Bendl, Jaroslav ; Žaloudek, Luděk (oponent) ; Bidlo, Michal (vedoucí práce)
Tato práce se zabývá návrhem nového konceptu řízení celulárního automatu založeného na tzv. instrukcích. Instrukci lze chápat jako určité pravidlo ověřující stavy předem definované skupiny buněk v sousedství vyšetřované buňky, přičemž při splnění stanovené podmínky kladené na danou skupinu je její stav změněn dle daného předpisu. Jelikož je možné v rámci jednoho výpočetního kroku uvažovat sekvenci složenou z více instrukcí, přičemž každá instrukce může změnit stav centrální buňky ihned po své aplikaci, lze jejich posloupnost pokládat za určitou formu krátkého programu. Tento koncept je zároveň možné rozšířit o jednoduché operace aplikované na buněčné okolí a prováděné během interpretace jednotlivých instrukcí - příkladem takové operace může být řádkový nebo sloupcový posun. Výhoda použití instrukcí tkví v redukci vyhledávacího prostoru, neboť oproti obvykle používané tabulkové metodě není nutné prohledávat množinu všech možných konfigurací buněk v okolí, nýbrž pouze několik oblastí vymezených předpisy instrukcí. Zatímco skupiny vyšetřovaných buněk v rámci instrukce jsou navrhovány ručně na základě analýzy řešené úlohy, posloupnost jejich umístění v chromozomu je optimalizována prostřednictvím genetického algoritmu. Úspěšnost navržené metody řízení celulárního automatu je zkoumána na vybraných benchmarkových úlohách - majoritě, synchronizace, samoorganizaci a návrhu kombinačních logických obvodů.
|
|
|
Evoluční model s učením (LEM) pro optimalizační úlohy
Grunt, Pavel ; Vašíček, Zdeněk (oponent) ; Schwarz, Josef (vedoucí práce)
Tato práce se zabývá evolučním modelem s učením, relativně novou evoluční optimalizační metodou používající klasifikační algoritmy. Její optimalizační průběh je řízen dle charakteristiky rozdílu skupiny nejlepších od skupiny nejhorších řešení v populaci. Práce blíže představuje nové verze metody s klasifikačními algoritmy AdaBoost, SVM a také způsob využívání většího počtu skupin řešení. Kvality metod byly ověřovány na řadě experimentů ve statickém i dynamickém prostředí. Výsledky experimentů ukázaly, že metoda dosahuje nejlepších hodnot při menších velikostech skupin. Při srovnání s EDA (Estimation of Distribution Algorithm) optimalizačním algoritmem varianty evolučního modelu s učením dosahovaly srovnatelných a lepších výsledků rychleji. Celkově nejlépe si vedla varianta kombinující klasifikátory AdaBoost a SVM.
|
|
|
Evolutionary Synthesis of Analog Electronic Circuits Using EDA Algorithms
Slezák, Josef ; Zaplatílek,, Karel (oponent) ; Kolka, Zdeněk (oponent) ; Dostál,, Tomáš (vedoucí práce)
Dissertation thesis is focused on design of analog electronic circuits using Estimation of Distribution Algorithms (EDA). Based on the desired characteristics of the target circuits the proposed methods are able to design the parameters of the used components and theirs topology of connection as well. Three different methods employing EDA algorithms are proposed and verified on examples of real problems from the area of analog circuits design. The first method is capable to design passive analog circuits. The method employs UMDA algorithm which is used for determination of the parameters of the used components and synthesis of the topology of their connection as well. The method is verified on the problem of design of admittance network with desired input impedance function which is used as a part of chaotic oscillator circuit. The second method is also capable to design passive analog circuits. The method employs hybrid approach - UMDA for synthesis of the topology and local optimization method for determination of the parameters of the components. The third method is capable to design analog circuits which include also ac- tive components such as transistors. Hybrid approach is used. The topology is synthesized using EDA algorithm and the parameters are determined using a local optimization method. In the individuals of the population information about the topology is represented using graphs and hypergraphs.
|
|
|
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.
|
|
|
Řešení spojitých systémů evolučními výpočetními technikami
Lang, Stanislav ; Šeda, Miloš (oponent) ; Olehla, Miroslav (oponent) ; Matoušek, Radomil (vedoucí práce)
Práce je věnována problematice řešení spojitých systémů evolučními výpočetními technikami. Evoluční výpočetní techniky spadají do oblasti studia softcomputingu, jedná se o pokročilé optimalizační metaheuristiky, které se s postupným růstem výpočetního výkonu počítačů stávají stále více používanými metodami řešení složitých optimalizačních problémů. Řešení spojitých systémů, potažmo syntéza spojitých regulačních obvodů, je jednou z oblastí, kde tyto pokročilé algoritmy nalézají své uplatnění. Při řešení spojitých systémů se zaměříme na problematiku regulace. Evoluční výpočetní techniky se pak mohou stát nástrojem nejen pro optimalizaci parametrů regulátoru, ale i pro návrh jeho struktury. Pro optimalizaci parametrů regulátoru lze využít mnoho různých algoritmů (genetický algoritmus, diferenciální evoluce, atd.), pro návrh struktury se setkáváme běžně s využitím tzv. gramatické evoluce. Nasazení gramatické evoluce však není nutné, pokud je využito vhodného kódování, jak je navrženo v předložené práci. Práce prezentuje metodu návrhu struktury a parametrů obecného lineárního regulátoru s využitím genetického algoritmu. V rámci polynomiální teorie řízení se též setkáme s označením polynomiální regulátor. Způsob kódování popisu obecného lineárního regulátoru do genetického řetězce je stěžejní, určuje množinu algoritmů použitelných pro optimalizaci a ovlivňuje efektivitu výpočtů. Popsané kódování, efektivní implementace EVT, včetně multikriteriální optimalizace je stěžejním přínosem této práce.
|
|
|
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.
|
|
|
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.
|
host ::
RSS.