|
|
Evolutionary Algorithms for Data Transformation
Švec, Ondřej ; Pilát, Martin (vedoucí práce) ; Neruda, Roman (oponent)
V této práci jsme navrhli novou metodu pro supervised redukci dimenze, která se učí váhy neuronové sítě pomocí evolučního algoritmu CMA-ES, optimalizujícího úspěšnost k-NN klasifikátoru. Když v dané neuronové síti nejsou použity žádné aktivační funkce, tak algoritmus vykonává lineární transformaci. Tato lineární transformace také může být použita uvnitř Mahalanobisovy vzdálenosti a tím pádem naše metoda může být také považována za distance metric learning algo- ritmus. Při použití aktivačních funkcí v neuronových sítích se algoritmus může taky naučit nelineární transformace. V naší práci se zaměřujeme na redukci do nízko-dimenzionálních prostorů, které jsou užitečné pro vizualizaci dat. Ex- perimentálně také ukazujeme, že ve srovnání s dalšími technikami pro redukci dimenze naše výsledné projekce fungují lépe a také ukazujeme, že naše vizual- izace díky lokalitě k-NN klasifikátoru poskytují lepší interpretaci dat a rozlišení mezi různými třídami v datech. 1
|
|
|
Umisťování mapových značek
Burešová, Karolína ; Mareš, Martin (vedoucí práce) ; Pangrác, Ondřej (oponent)
Při tvorbě map představuje velký problém umisťování mapových značek tak, aby výsledná mapa vypadala dobře. V této práci se zabýváme automatizací tohoto procesu pomocí evolučního algoritmu. Vstupem algoritmu jsou požadavky na značky (rozcestníky, zříceniny, jména ulic, . . . ), které mají být rozmístěné na mapě, výstupem popis jejich umístění. Naším hlavním cílem je možnost vytvářet vizuálně hezké papírové mapy - zejména čitelné a přehledné. Na rozdíl od jiných prací se zabýváme popisky všech typů symbolů (nejen bodových) i umisťováním symbolů samotných. Dokázali jsme navrhnout evoluční algoritmus, který generuje přijatelné mapy a skýtá prostor pro další vylepšování získaných výsledků.
|
|
| |
|
|
Genetic Algorithms driven by MCTS
Havránek, Štěpán ; Hric, Jan (vedoucí práce) ; Moudřík, Josef (oponent)
Evoluční a genetické algoritmy jsou techniky navržené dle přírodní inspirace. Používají se k řešení nejrůznějších úloh, se kterými se neumíme efektivně vypořádat exaktními metodami. Metoda Monte Carlo, potažmo Monte Carlo Tree Search, je založena na vzorkování, a také se uplatňuje tam, kde nelze daný problém držet celý v paměti a úplné prohledávání není možné. Tato práce se zabývá návrhem spojení těchto dvou odlišných přístupů do jedné obecné metody. Tuto metodu ilustruje a implementuje na konkrétním případě: problému obchodního cestujícího (TSP). Součástí práce jsou i nejrůznější experimenty hledající vhodné nastavení parametrů, porovnávající různé varianty metody s klasickým evolučním přístupem k TSP nebo například hladovým algoritmem. Naše metoda se ukázala přinejmenším konkurenceschopná. Nejlepších výsledků potom dosahuje kooperace našeho přístupu s klasickým evolučním řešením TSP. Tato spolupráce dosahuje vyššího výkonu než každá její část samostatně, což považujeme za úspěch naší metody.
|
|
|
Genetické programování pro řízení hejna robotů
Filippi, Michal ; Pilát, Martin (vedoucí práce) ; Děchtěrenko, Filip (oponent)
Homogenní robotická hejna bývají zpravidla řízena programem, který je vytvořen ručně programátorem. Tato práce se zabývá alternativním přístupem, a to možností tvorby řídících programů pomocí techniky inspirované biologickou evolucí, genetickým programovaním. Za tímto účelem byl naprogramován jednoduchý simulátor 2D prostředí, ve kterém je možné vytvořené řídící programy na homogenním hejnu virtuálních robotů testovat a pozorovat. Schopnost genetického programování vytvářet řídící programy je zkoumána na třech různých scénách, ve kterých má robotické hejno za úkol plnit tři různé úkoly. Součástí práce je také porovnání genetického programování s technikou využívající neuronovou síť učenou evolučními strategiemi. Powered by TCPDF (www.tcpdf.org)
|
|
|
Koza and Prolog
Frauknecht, Jan ; Švarný, Petr (vedoucí práce) ; Verner, Jonathan (oponent)
Tato práce uvádí vztah umělé inteligence ke genetickému pro- gramování a některé vlastnisti logického programování. Hlavním cílem práce ovšem je naprogramovat algoritmus genetrického programování. Tento program operuje s logickými programy. Algoritmus je imple- mentován v SWI-Prologu. Práce obsahuje popis zdrojového kódu této implementace a výsledky jejího testování. Testování implementace nabízí několik možností budoucího rozšíření práce. 1
|
|
|
Vývoj chování inteligentních agentů
Obrázek, Václav ; Neruda, Roman (vedoucí práce) ; Surynek, Pavel (oponent)
Tato práce se zabývá vývojem inteligentního chování agentů pro prostředí reálné počítačové hry pomocí evolučních algoritmů. Byla zvolena hra Unreal Tournament 2004, která má díky knihovně Pogamut dobrou podporu pro ruční tvorbu agentů. Jako řídící struktura pro agenty byly zvoleny yaPOSH reaktivní plány. Jelikož prostředí reálné hry kvůli časovým i hardwarovým nárokům není zcela vhodné pro účely umělé evoluce, bylo vytvořeno odlehčené prostředí LightEnv, které simuluje jen některé aspekty důležité pro vývoj agentů. Vývoj probíhal pomocí technik genetického programování s automaticky definovanými funkcemi upravených pro potřeby yaPOSH reaktivních plánů v prostředí LigthEnv. Vytvořená chování pro scénáře death match a team death match dokázala porazit pevně naprogramované strategie i po přenesení do hry Unreal Tournament 2004. V rámci scénáře team death match se podařilo vyvinout chování dobře využívající týmovou komunikaci.
|
|
|
Umělá inteligence do hry Desktop dungeons
Černý, Vojtěch ; Děchtěrenko, Filip (vedoucí práce) ; Pilát, Martin (oponent)
Počítačové hry žánru rogue-like jsou subžánrem počítačových RPG her pro jednoho hráče mezi jejichž znaky patří procedurálně generované prostředí a vysoká obtížnost. Uspět v nich je pro umělou inteligenci (AI) těžkou úlohou. Proto jsme implementovali framework pro tvorbu umělých hráčů pro rogue-like hru Desktop Dungeons. Rozebrali jsme možnosti přístupů k AI, a nakonec použili genetický algoritmus rekombinující hladové strategie. Výsledné AI hrálo hru na úrovni průměrného lidského hráče, vyhrávajíc v 72 % her. Tyto výsledky a framework mohou být použity ke zlepšení rogue-like her, procedurálních generátorů obsahu a umělé inteligence v podobných prostředích. Powered by TCPDF (www.tcpdf.org)
|
|
|
Genetické programování pro predikci finančních trhů
Krejčí, Tomáš ; Bednárek, David (vedoucí práce) ; Majerech, Vladan (oponent)
Cílem práce je otestovat vhodnost užití genetického programování pro predikci finančních trhů v závislosti na jejich předchozím vývoji. Obsahem práce je studium metod genetického programování použitých či použitelných v oblasti predikce trhů. Praktickou částí je implementace vybraných metod genetického programování a testování jejich úspěšnosti na základě dostupných historických dat z finančních trhů. Powered by TCPDF (www.tcpdf.org)
|
|
|
Spatial modeling of brain tissue
John, Pavel ; Neruda, Roman (vedoucí práce) ; Brom, Cyril (oponent)
Nervová spojení v lidském mozku se mění na základě vjemů z okolí. Způsob, jakým k proměnám dochází, a jak přesně tyto proměny ovlivňují vlastnosti mozkové tkáně, dosud není zcela pochopen. Práce zkoumá souvislost paměti a učení s prostorovým uspořádáním neuronů, zejména pak s tvarem jejich dendritických výběžků. Součástí je model, který zachycuje mozkovou tkáň pomocí dvourozměrné mřížky s různými druhy spojení mezi jednotlivými buňkami mřížky. Tento model je formálně definován a dále podroben teoretickému zkoumání. Zásadním výsledkem je důkaz věty o výpočetní síle definovaného modelu na úrovni Turingova stroje. K nalezení vhodné architektury vzhledem k problému slouží několik variant evolučních algoritmů. Model s danou architekturou je dále adaptován na základě komunikace s prostředím. Popsané myšlenky jsou implementovány a podrobeny několika experimentům, které poukazují na důležité vlastnosti modelu. Powered by TCPDF (www.tcpdf.org)
|
host ::
RSS.