|
|
Kryptoanalýza symetrických šifrovacích algoritmů s využitím symbolické regrese a genetického programování
Smetka, Tomáš ; Janoušek, Vladimír (oponent) ; Homoliak, Ivan (vedoucí práce)
Tato diplomová práce se zabývá kryptoanalýzou symetrických šifrovacích algoritmů. Cílem práce je ukázat jiný úhel pohledu na tuto problematiku. Odlišný způsob oproti současným metodám spočívá ve využití síly evolučních principů, které jsou v kryptoanalytickém systému aplikovány pomocí genetického programování. V teoretické části je popsána kryptografie a kryptoanalýza symetrických šifrovacích algoritmů a genetické programování. Ze získaných informací je dále představen návrh kryptoanalytického systému, který využívá evoluční principy. Praktická část se zabývá implementací symetrického šifrovacího algoritmu, lineární kryptoanalýzou a simulačním nástrojem genetického programování. Závěr práce prezentuje experimenty s navrženým kryptoanalytickým systémem využívající genetické programování a zhodnocuje dosažené výsledky.
|
|
|
Koevoluční algoritmus pro úlohy založené na testu
Hulva, Jiří ; Sekanina, Lukáš (oponent) ; Drahošová, Michaela (vedoucí práce)
Tato práce se zabývá využitím koevoluce při řešení symbolické regrese. Symbolická regrese se používá pro zjištění matematického vztahu, který aproximuje naměřená data. Lze ji provádět pomocí genetického programování - metody ze skupiny evolučních algoritmů inspirovaných evolučními procesy v přírodě. Koevoluce pracuje s několika vzájemně působícími evolučními procesy. V této práci je popsán návrh a implementace aplikace, která dokáže provádět symbolickou regresi pomocí koevoluce pro úlohy založené na testu. Testy jsou generovány novou metodou, která umožňuje dynamicky měnit počet trénovacích vektorů potřebných k ohodnocení kandidátních řešení. Funkčnost aplikace byla ověřena na pěti testovacích úlohách. Výsledky byly porovnány s koevoluční metodou pracující s fixním počtem trénovacích vektorů. U tří úloh nalezla nová metoda řešení požadované kvality během menšího počtu generací, většinou ale bylo potřeba provést více vyčíslení trénovacích vektorů.
|
|
|
Odhad doby běhu algoritmu pomocí strojového učení
Buchta, Martin ; Chlebík, Jakub (oponent) ; Jaroš, Jiří (vedoucí práce)
Cílem této práce je vytvořit model pro odhad doby běhu ultrazvukové simulace k-Wave na základě dané velikosti domény. Program využívá MPI a může být spuštěn na více uzlech superpočítače. Predikční modely byly vytvořeny s využitím symbolické regrese a následně porovnány s modely založenými na neuronových sítích. Tyto modely byly natrénovány na zaznamenaných datech. Výsledky ukazují, že modely překonávají stávající řešení. Model se symbolickou regresí dosáhl průměrné relativní odchylky 5,64% u vhodných úloh. Model neuronové sítě dosáhl průměrné relativní odchylky 8,25% na neznámých doménách včetně těch, které nejsou optimalizované pro simulaci k-Wave. Tato práce přináší nový, přesnější model pro předpovídání doby běhu a porovnává chybovost neuronových sítí a symbolické regrese pro tento konkrétní typ regresní úlohy. Celkově tyto modely mají potenciál praktického využití při spouštění a plánování simulací k-Wave.
|
|
|
Porovnání variant genetického programování v úloze symbolické regrese
Doležal, Petr ; Hurta, Martin (oponent) ; Drahošová, Michaela (vedoucí práce)
Tato práce se zabývá porovnáváním různých variant genetického programování v úloze symbolické regrese. Na zadaných úlohách zkoumá rychlost konvergence a kvalitu nalezeného řešení. Klade si za cíl porovnat kartézské genetické programování, stromové genetické programování a jejich modifikace pomocí koevoluce. Byla použita vlastní implementace (bez využití knihoven), kde jednotlivé varianty spolu sdílí převážnou část kódu. Součástí práce je i ověření použitelnosti implementovaných přístupů při analýze reálných dat. Na základě experimentů bylo zjištěno, že všechny zkoumané přístupy jsou použitelné pro provádění symbolické regrese. Nejlepších výsledků ve zkoumaných oblastech (rychlost konvergence, kvalita nalezeného řešení) dosahovalo kartézské genetické programování s koevolucí.
|
|
|
Možnosti akcelerace symbolické regrese pomocí kartézského genetického programování
Hodaň, David ; Mrázek, Vojtěch (oponent) ; Vašíček, Zdeněk (vedoucí práce)
Tato práce je zaměřena na hledání postupů, které by akcelerovaly symbolickou regresi v rámci kartézského genetického programování. Práce přibližuje kartézské genetické programování a jeho využití v úloze symbolické regrese. Zabývá se architekturou SIMD a instrukční sadou SSE a AVX. Práce představuje řadu optimalizačních metod, které vedou k výraznému urychlení evoluce v kartézském genetickém programování. Metoda bitově paralelní simulace používající vektory AVX2 umožňuje paralelně pracovat s 256 vstupními kombinacemi logického obvodu. Obdobně lze využít bajtově paralelní simulaci a pracovat se 32 bajty při evoluci obrazového filtru. Metoda akcelerace pomocí generování nativního kódu výrazně urychluje evaluaci kandidátních řešení. Nová metoda dávkové mutace může zrychlit evoluci kombinačních logických obvodů i tisíckrát v závislosti na velikosti problému. Kombinací zmíněných i dalších metod trvala například evoluce násobiček 5 x 5b v průměru 5,8 vteřin na procesoru Intel Core i5-4590.
|
|
|
Genetické programování a jeho praktické využití
DIBITANZL, Jaroslav
Tato bakalářská práce se zabývá symbolickou regresí a jejím řešením pomocí genetického programování. Práce obsahuje teoretickou a praktickou část. V teoretické části je popsán princip genetického programování, praktická část obsahuje ukázky zpracování symbolické regrese pomocí knihoven Clojush, EllenGP, DEAP, FlexGP, KarooGP a popis vlastní implementace symbolické regrese. Cílem práce je ukázat možnosti genetického programování a jeho využití při řešení symbolické regrese. Výsledkem práce jsou i ukázky jednotlivých výše zmíněných knihoven a analýza vlastní implementace symbolické regrese.
|
|
|
Geometrické sémantické genetické programování
Končal, Ondřej ; Bidlo, Michal (oponent) ; Sekanina, Lukáš (vedoucí práce)
Tato práce se zabývá převodem řešení získaného geometrickým sémantickým genetickým programováním (GSGP) na instanci kartézského genetického programování (CGP). GSGP se ukázalo jakožto kvalitní při tvorbě složitých matematických modelů, ale problémem je výsledná velikost řešení. CGP zase dokáže dobře redukovat velikost již vzniklých řešení. Tato práce dala pomocí kombinací těchto dvou metod vzniknout podstromovému CGP (SCGP), které jako vstup používá výstup GSGP a evoluci pak provádí pomocí CGP. Experimenty provedené na čtyřech úlohách z oblasti farmakokinetiky ukázaly, že SCGP dokáže vždy zmenšit řešení a ve třech ze čtyř případů navíc úspěšně bez přetrénování.
|
|
|
Gramatická evoluce v optimalizaci software
Pečínka, Zdeněk ; Minařík, Miloš (oponent) ; Sekanina, Lukáš (vedoucí práce)
Tato diplomová práce nabízí stručný úvod do evolučního počítání. Popisuje a porovnává genetické programování a gramatickou evoluci a jejich možné využití v problematice automatické opravy software. Podrobně studuje možnosti aplikace gramatické evoluce v problému automatické opravy softwaru. Na základě získaných poznatků byla navržena a implementována nová metoda pro automatickou opravu softwaru, založená na gramatické evoluci. Její experimentální ověření proběhlo na řadě testovacích programů.
|
|
|
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.
|
|
|
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.
|
host ::
RSS.