|
|
Evoluční aproximace obrazových filtrů
Foukal, Tomáš ; Bidlo, Michal (oponent) ; Sekanina, Lukáš (vedoucí práce)
Tato diplomová práce popisuje problematiku aproximativního počítání, filtrování obrazu v hardwaru a evolučních algoritmů. Představuje řešení problému evoluční aproximace mediánových filtrů, kdy je cílem snížit výpočetní a implementační náročnost filtrace a současně minimalizovat chybu výpočtu. Na základě získaných poznatků a návrhů byly vytvořeny implementace nutných programů. Experimentální vyhodnocení ukazuje, že navržená metoda může pro mediánový filtr poskytovat dobrý kompromis mezi kvalitou filtrování a implementační cenou.
|
|
|
Evoluční návrh simulátoru založeného na celulárních automatech
Brigant, Vladimír ; Šperka, Svatopluk (oponent) ; Mrnuštík, Michal (vedoucí práce)
Tato práce popisuje návrh simulátoru založeného na celulárních automatech, který je schopen předpovědet chování komplexního prostorového systému. Tato predikce je založena na dostupních datech a přechodové funkci získané pomocí regresní analýzy ve spolupráci s evolučními algoritmy. Dvě metody regresné analýzy (lineární a logistická regrese) jsou navrhnuty, implementovány a porovnány na predikci rastu urbanizace města Brno.
|
|
|
Acceleration Methods for Evolutionary Design of Digital Circuits
Vašíček, Zdeněk ; Miller, Julian (oponent) ; Zelinka,, Ivan (oponent) ; Sekanina, Lukáš (vedoucí práce)
Although many examples showing the merits of evolutionary design over conventional design techniques utilized in the field of digital circuits design have been published, the evolutionary approaches are usually hardly applicable in practice due to the various so-called scalability problems. The scalability problem represents a general problem that refers to a situation in which the evolutionary algorithm is able to provide a solution to a small problem instances only. For example, the scalability of evaluation of a candidate digital circuit represents a serious issue because the time needed to evaluate a candidate solution grows exponentially with the increasing number of primary inputs. In this thesis, the scalability problem of evaluation of a candidate digital circuit is addressed. Three different approaches to overcoming this problem are proposed. Our goal is to demonstrate that the evolutionary design approach can produce interesting and human competitive solutions when the problem of scalability is reduced and thus a sufficient number of generations can be utilized. In order to increase the performance of the evolutionary design of image filters, a domain specific FPGA-based accelerator has been designed. The evolutionary design of image filters is a kind of regression problem which requires to evaluate a large number of training vectors as well as generations in order to find a satisfactory solution. By means of the proposed FPGA accelerator, very efficient nonlinear image filters have been discovered. One of the discovered implementations of an impulse noise filter consisting of four evolutionary designed filters is protected by the Czech utility model. A different approach has been introduced in the area of logic synthesis. A method combining formal verification techniques with evolutionary design that allows a significant acceleration of the fitness evaluation procedure was proposed. The proposed system can produce complex and simultaneously innovative designs, overcoming thus the major bottleneck of the evolutionary synthesis at gate level. The proposed method has been evaluated using a set of benchmark circuits and compared with conventional academia as well as commercial synthesis tools. In comparison with the conventional synthesis tools, the average improvement in terms of the number of gates provided by our system is approximately 25%. Finally, the problem of the multiple constant multiplier design, which belongs to the class of problems where a candidate solution can be perfectly evaluated in a short time, has been investigated. We have demonstrated that there exists a class of circuits that can be evaluated efficiently if a domain knowledge is utilized (in this case the linearity of components).
|
|
|
Evoluční návrh kolektivních komunikací akcelerovaný pomocí GPU
Tyrala, Radek ; Dvořák, Václav (oponent) ; Jaroš, Jiří (vedoucí práce)
Tato práce provádí analýzu existující aplikace implementující evoluční algoritmus pro plánování kolektivních komunikací a navrhuje možnosti její akcelerace s využitím obecných výpočtů na grafických čipech (GPU). V práci je obsažen teoretický úvod do problematiky systémů na čipu, plánování kolektivních komunikací a podrobnější popis evolučních algoritmů. Práce dále zkoumá architektury GPU a paměťovou hierarchii grafických karet z pohledu OpenCL. Na základě analýzy zaměřené na časovou náročnost jednotlivých částí aplikace je proveden návrh paralelního zpracování hodnotící funkce fitness a odhad dosažitelného zrychlení. Stěžejní část práce popisuje implementaci navrženého řešení se zaměřením na využité optimalizace. Práce přináší srovnání původního řešení na CPU a paralelního provedení na GPU. V práci je popsána implementace distribuce výpočtu mezi různá zařízení podporovaná standardem OpenCL a jsou diskutovány výhody, omezení a další možnosti akcelerace výpočtu na základě jeho distribuce na heterogenních výpočetních systémech.
|
|
|
Polymorfní obrazové filtry
Salajka, Vojtěch ; Vašíček, Zdeněk (oponent) ; Sekanina, Lukáš (vedoucí práce)
Tato práce se zabývá evolučním návrhem polymorfních obrazových filtrů. Studie zahrnuje polymorfní obvody, jejich teoretický základ a praktické oblasti nasazení. Dále se zabývá kartézským genetickým programováním, které je použitelné pro evoluční návrh některých typů obrazových filtrů. V dalších částech je specifikován evoluční algoritmus pro návrh polymorfních obrazových filtrů. Je popsána implementace tohoto algoritmu ve dvou verzích -- neakcelerovaná běžící pouze na CPU a akcelerovaná využívající pro svůj běh také GPU. Pomocí algoritmu je navrženo několik polymorfních obrazových filtrů.
|
|
|
Evoluční návrh neuronových sítí
Beluský, Tomáš ; Vašíček, Zdeněk (oponent) ; Minařík, Miloš (vedoucí práce)
Práce se zabývá vytvořením genetického algoritmu pro návrh struktury a učení neuronových sítí. Fitness funkce zahrnuje i počet skrytých neuronů a tím získáváme nejoptimálnější možné struktury. Představí se vlastní verze operátorů, které řídí celý proces evoluce. Výsledkem práce je knihovna pro evoluční návrh neuronových sítí a kromě ní bylo vytvořeno i grafické rozhraní pro nastavování parametrů a zobrazování výsledků. V experimentální části je návrh porovnán s jinými systémy a algoritmy. Na závěr jsou zhodnoceny výsledky a naznačen postup pro následující vývoj systému.
|
|
|
Pokročilá evoluční filtrace obrazu
Saranová, Ivana ; Drábek, Vladimír (oponent) ; Bidlo, Michal (vedoucí práce)
Tato práce se zaměřuje na použití celulárních automatů s přechodovou funkcí složenou z podmínkových přechodových pravidel navržených evoluční strategií pro odstranění šumů různých typů a intenzit z digitálního obrazu. Navržená metoda vylepšuje původní koncept podmínkových přechodových pravidel úpravou pravé strany pravidla a rozšiřuje ji z jedné hodnoty na výběr výpočetních funkcí. Dále byla zkoumána různá nastavení evoluční strategie, trénování na různých typech šumů, trénování na částečně poškozených obrazech, a další nastavení, což vedlo k získání kvalitních filtrů pro každý model šumu. Porovnání těchto filtrů se stávajícími metodami ukazuje velké zlepšení oproti původnímu přístupu a schopnost evolučně navrhovat filtry, které se řadí mezi ty kvalitnější mezi porovnávanými metodami.
|
|
|
Concurrent evolutionary design of hardware and software
Minařík, Miloš ; Sekaj, Ivan (oponent) ; Squillero, Giovanni (oponent) ; Sekanina, Lukáš (vedoucí práce)
Genetic programming (GP) can, to some extent, automatically generate desired programs without asking the user to specify how to do it. It has been used to solve a wide range of practical problems and produce a number of human-competitive results in different fields. An interesting and practically untouched question is whether for a given problem, GP can generate a highly optimized programmable computational model (platform) together with a program running on the platform, solving the problem and satisfying all constrains such as on the area on a chip and speed. In a multi-objective scenario, the user would obtain a set of non-dominated solutions showing various tradeoffs between resources (the area, power consumption) and performance (the speed of execution). This problem can be seen as a concurrent development of hardware and software, simply, HW/SW codesign. This thesis explores the ways how to evolve hardware platforms together with programs in the case that the specification is given in terms of a set of input-output vectors. The initial model of the architecture was created and the evolutionary framework capable of maintaining and evolving the population of such architectures was implemented. Candidate microprogrammed architectures were evolved together with programs using extended linear genetic programming. Several simple experiments were carried out and the framework proved competitive with state-of-the-art methods. The framework was subsequently extended addressing the weak points identified during the initial experiments. The extended framework was validated by means of more complex experiments. One of them focused on an effective implementation of sigmoid function approximation. Various implementations of sigmoid approximation were evolved (sequentional as well as purely combinational). The proposed framework provided several well-known solutions and even optimized some of them for the particular input domain chosen for the experiment. The next set of experiments was supposed to evolve an image filter reducing salt-and-pepper impulse noise. The framework was able to evolve the concept of switching-based filter and even the variation of a switching-based median filter comparable to the filters commonly used. This thesis proved that small-size HW/SW systems can be designed and optimized by means of genetic programming. Moving to an automated evolutionary design of more complex HW/SW systems is an open research problem waiting for a future research.
|
|
|
Automated Multi-Objective Parallel Evolutionary Circuit Design and Approximation
Hrbáček, Radek ; Fišer, Petr (oponent) ; Trefzer,, Martin (oponent) ; Sekanina, Lukáš (vedoucí práce)
Recently, energy efficiency has become one of the most important properties of computing platforms, especially because of limited power supply capacity of battery-power devices and very high consumption of growing data centers and cloud infrastructure. At the same time, in an increasing number of applications users are able to tolerate inaccurate or incorrect computations to a certain extent due to the imperfections of human senses, statistical nature of data processing, noisy input data etc. Approximate computing, an emerging paradigm in computer engineering, takes advantage of relaxed functionality requirements to make computer systems more efficient in terms of energy consumption, computing performance or complexity. Error resilient applications can achieve significant savings while still serving their purpose with the same or a slightly degraded quality. Even though new design methods for approximate computing are emerging, there is a lack of methods for automated approximate HW/SW design offering a rich set of compromise solutions. Conventional methods often produce solutions that are far from an optimum. Evolutionary algorithms have been shown to bring innovative solutions to complex design and optimization problems. However, these methods suffer from several problems, such as the scalability or a high number of fitness evaluations needed to evolve competitive results. Finally, existing methods are usually single-objective whilst multi-objective approach is more suitable in the case of approximate computing. In this thesis, a new automated multi-objective parallel evolutionary algorithm for circuit design and approximation is proposed. The method is based on Cartesian Genetic Programming. In order to improve the scalability of the algorithm, a brand new highly parallel implementation was proposed. The principles of the NSGA-II algorithm were used to provide the multi-objective design and approximation capability. The performance of the implementation was evaluated in multiple different applications, in particular (approximate) combinational arithmetic circuits design, bent Boolean functions discovery and approximate logic circuits for TMR schema. In these cases, important improvements with respect to the state of the art were obtained.
|
|
|
Coevolution of Fitness Predicotrs in Cartesian Genetic Programming
Drahošová, Michaela ; Pošík, Petr (oponent) ; Šenkeřík, Roman (oponent) ; Sekanina, Lukáš (vedoucí práce)
Cartesian genetic programming (CGP) is an evolutionary based machine learning method which can automatically design computer programs or digital circuits. CGP has been successfully applied in a number of challenging real-world problem domains. However, the computational power that the design based on CGP needs for obtaining innovative results is enormous for most applications. In CGP, every candidate program is executed to dermine a fitness value, representing the degree to which it solves the problem. Typically, the most time consuming part of CGP is the fitness evaluation. This thesis proposes to introduce coevolution of fitness predictors to CGP in order to accelerate the evolutionary design performed by CGP. Fitness predictors are small subsets of the training data, which are used to estimate candidate program fitness instead of performing an expensive objective fitness evaluation. Coevolution of fitness predictors is an optimization method of the fitness modeling that reduces the fitness evaluation cost and frequency, while maintaining the evolutionary process. In this thesis, the coevolutionary algorithm is adapted for CGP and three approaches to fitness predictor encoding are introduced and examined. The proposed approach is evaluated using five symbolic regression benchmarks and in the image filter design problem. The method enabled us to significantly reduce the time of evolutionary design for considered class of problems.
|
host ::
RSS.