|
|
Boosting a evoluční algoritmy
Mrnuštík, Michal ; Juránek, Roman (oponent) ; Hradiš, Michal (vedoucí práce)
Tato práce představuje kombinaci AdaBoostu a evolučního algoritmu. Evoluční algoritmus je použit pro hledání lineární kombinace Haarových příznaků. Z té je vytvořen slabý klasifikátor pro AdaBoost. Jsou zde popsány základy klasifikace, Haarovy příznaky a Adaboost. Uvedeny jsou také základní informace o evolučních algoritmech. Dále obsahuje teoretický popis spojení AdaBoostu a evolučního algoritmu, doplněný o některé implementační detaily. Implementace je testována na obrazových datech jako součást systému pro detekci obličeje. Výsledky jsou porovnány se samostatnými Haarovými příznaky.
|
|
|
Genetické programování s jazykem Brainfuck
Minařík, Miloš ; Bidlo, Michal (oponent) ; Gajda, Zbyšek (vedoucí práce)
Tato práce se zabývá výzkumem možností použití jazyka brainfuck ke genetickému programování. V teoretické části jsou rozebrány základní mechanismy genetického programování (selekce, křížení, mutace), jejich různé varianty a použití. Praktická část obsahuje kapitoly zabývající se samotnou implementací programového rozhraní pro tuto práci a prováděné experimenty. Výsledky získané vyhodnocením experimentů jsou shrnuty v záverečné části, kde je rovněž nastíněn další možný vývoj v oblasti genetického programování s jazykem brainfuck.
|
|
|
Inteligentní webový plánovač práce
Kmeť, Miroslav ; Vrábel, Lukáš (oponent) ; Čermák, Martin (vedoucí práce)
V této práci jsou popsány základní princípy využití evolučních algoritmů. Práce se zabýva použitím evolučních algoritmů při tvorbě informačního systému umožňujícího rozkládání zadávané práce mezi skupinu zaměstnanců. K řešení tohoto problému využívá hlavně genetické algoritmy, jenž představují inteligentní stochastické optimalizační techniky založené na mechanizmu přirozeného výběru a genetiky. Každé řešení reprezentuje jedince v populaci a k procesu křížení jsou vybírány pouze nejpřizpůsobenější jedinci.
|
|
|
Inteligentní webový plánovač práce
Halfar, Martin ; Jirák, Ota (oponent) ; Čermák, Martin (vedoucí práce)
Tato bakalářská práce se zabývá využitím evolučních algoritmů při tvorbě informačního systému, jenž umožňuje inteligentně rozkládat zadanou práci mezi skupinu jeho uživatelů. K řešení problému využívá hlavně genetické algoritmy, jenž jsou inspirovány evolučními procesy, probíhajícími v biologických systémech. Jednotlivá řešení problému označí za jedince v generaci a k procesu křížení připouští pouze nejpřizpůsobenější jedince.
|
|
|
Evoluční návrh obrazů tvořených L-systémy
Kovařík, Roman ; Jaroš, Jiří (oponent) ; Gajda, Zbyšek (vedoucí práce)
Tato práce pojednává o evolučním návrhu obrazů tvořených L-systémy. Vlastní návrh probíhá pomocí operátorů genetického programování. Ty jsou schopny pracovat s obrazem reprezentovaným ve formě syntaktického stromu. Ke komunikaci s uživatelem (návrhářem) slouží applet, který může být zobrazen na webové stránce.
|
|
|
Systém řízení dopravy
Kačic, Matej ; Burget, Radek (oponent) ; Kolář, Dušan (vedoucí práce)
Cílem práce je vytvořit aplikaci, která odsimuluje dopravní situaci na simulačním modelu založeném na realitě, a zvládne řídit světelní signalizaci na základe navrhnutého algoritmu tak, aby cestní provoz byl plynulý a systém měl co největší propustnost. Zaobírá se popisem simulačního modelu, analýzou různých přístupů při návrhu algoritmů při řízení dopravního systému a podrobně popisuje evoluční přístup optimalizace řízení systému křižovatek.
|
|
|
Evoluční řešení Rubikovy kostky
Mališ, Radim ; Sekanina, Lukáš (oponent) ; Jaroš, Jiří (vedoucí práce)
Tato diplomová práce se zabývá evoluční metodou řešení hlavolamu Rubikova kostka. Celosvětově rozšířený hlavolam je už po několik desítek let nejen hračkou pro děti a dospělé, ale téměř životním stylem pro zástupy nadšenců a rovněž značnou výzvou pro odborníky z počítačové oblasti, kteří se pokoušejí o jeho efektivní automatizované řešení. Potenciál pro řešení problému by v sobě mohly skrývat i evoluční algoritmy. V rámci této práce byla navržena aplikace využívající, kromě genetických algoritmů, řady technik, jako jsou lineární genetické programování, nebo lokální prohledávání, jejichľ účelem je zefektivnit evoluční proces. Byla rovněž vytvořena sada testů zkoumající vliv velikosti populace, křížení, mutace a dalších. Všechny testy byly vyhodnoceny pomocí statistiky.
|
|
|
Symbolická regrese a koevoluce
Drahošová, Michaela ; Žaloudek, Luděk (oponent) ; Sekanina, Lukáš (vedoucí práce)
Symbolická regrese je úloha identifikace matematického popisu skryté závislosti experimentálně získaných dat. Symbolická regrese je úzce spjata se základními úlohami strojového učení. Tato práce se zabývá symbolickou regresí a jejím řešením založeném na principu genetického programování a koevoluce. Genetické programování je evolucí inspirovaná metoda strojového učení, která automaticky generuje celé programy v určitém programovacím jazyce. Koevoluce fitness prediktorů je optimalizační metoda modelování fitness, která snižuje náročnost a frekvenci výpočtu fitness. Tato práce se zabývá návrhem a implementací řešení symbolické regrese s užitím koevoluce fitness prediktorů a srovnáním s řešením bez užití koevoluce. Experimenty byly provedeny s použitím kartézského genetického programování.
|
|
|
Modularita v evolučním návrhu
Klemšová, Jarmila ; Bidlo, Michal (oponent) ; Vašíček, Zdeněk (vedoucí práce)
Tato práce popisuje vybrané evoluční algoritmy a jejich využití hlavně v oblasti návrhu číslicových obvodů. V první části se zabývá obecným principem evolučních algoritmů. Na tuto část navazuje genetickými algoritmy a genetickým programováním. Dále se zabývá popisem kartézského genetického programování a některými jeho modifikacemi jako modulární, sebemodifikující se a kartézské genetické programování s více chromozomy. Hlavní část tvoří návrh a implementace modularizační techniky pro zefektivnění evolučního návrhu. Nedílnou součástí je experimentální vyhodnocení systému na sadě benchmarkových obvodů.
|
|
|
Evoluční model s učením (LEM) pro optimalizační úlohy
Weiss, Martin ; Vašíček, Zdeněk (oponent) ; Schwarz, Josef (vedoucí práce)
Numerická optimalizace multimodálních či jinak netriviálních funkcí se stále drží blízko středu pozornosti výzkumníků v této oblasti. Jednou ze slibných metod je i hybridní přístup Learnable Evolution Model kombinující zavedené postupy z oblasti umělé inteligence a strojového učení s poslední dobou populárními a efektivními metodami evolučního programování. V této práci byla metoda zhodnocena z hlediska co už bylo implementováno a vyzkoušeno a bylo navrženo několik dalších možných implementací. Vybrané přístupy byly realizovány a otestovány na vybraných netriviálních spojitých funkcích. Výsledky byly následně porovnány s výsledky dosaženými pomocí EDA algoritmů.
|
host ::
RSS.