|
|
Koevoluční algoritmus v FPGA
Hrbáček, Radek ; Vašíček, Zdeněk (oponent) ; Drahošová, Michaela (vedoucí práce)
Tato práce se zabývá návrhem hardwarové jednotky urychlující návrh obrazových filtrů pomocí koevolučních algoritmů. V práci je nejprve představena technologie rekonfigurovatelných logických obvodů, na kterých je akcelerační jednotka založena. Teoretická část dále stručně popisuje evoluční a koevoluční algoritmy, jejich principy a aplikace. Tradiční metody návrhu obrazových filtrů jsou porovnány s metodami inspirovanými procesy pozorovanými v přírodě. Navržená hardwarová jednotka využívá dvojici procesorů MicroBlaze doplněných o vlastní periferie pro akceleraci kartézského genetického programování. Koevoluční návrh obrazových filtrů je tak urychlen až 58 krát oproti optimalizované softwarové implementaci. Funkčnost jednotky je ověřena na úlohách návrhu filtru impulzního šumu a detektoru hran.
|
|
|
Koevoluční algoritmy a klasifikace
Hurta, Martin ; Sekanina, Lukáš (oponent) ; Drahošová, Michaela (vedoucí práce)
Cílem této práce je automatizovaný návrh programu pro detekci projevů dyskineze z pohybových dat pacientů. K návrhu programu je využito kartézské genetické programování, které bylo z důvodu urychlení procesu návrhu doplněno o koevoluci prediktorů fitness s proměnlivou velikostí, která umožňuje vyhodnocení kvality kandidátních řešení na pouhé části trénovacích dat. Vzniklé řešení dosahuje srovnatelné schopnosti rozlišení mezi třídami (AUC) s existujícím řešením při dosažení v průměru trojnásobného zrychlení procesu návrhu oproti variantě bez prediktorů fitness. Experimenty s metodami křížení prediktorů neukázaly významný rozdíl mezi zvolenými metodami. Zajímavých výsledků však bylo dosaženo při experimentech s celočíselnými datovými typy vhodnými pro implementaci v hardwaru, kdy u datového typu o osmi bitech bez znaménka (uint8_t) bylo dosaženo nejenom srovnatelné schopnosti rozlišení mezi třídami (pro významné projevy dyskineze AUC = 0,93 shodně jako pro existující řešení) a zlepšení rozlišovací schopností u chodících pacientů (AUC = 0,80 oproti AUC = 0,73 u existujícího řešení), ale navíc v průměru téměř devítinásobného zrychlení návrhu oproti variantě bez prediktorů fitness využívající datový typ float.
|
|
|
Evoluční návrh booleovských funkcí pro kryptografii
Dvořák, Jan ; Vašíček, Zdeněk (oponent) ; Husa, Jakub (vedoucí práce)
Cílem této bakalářské práce je porovnat různé selekční metody použité v kartézském genetickém programování aplikovaném na problém různých druhů kryptograficky významných booleovských funkcí. Zaměřil jsem se na tyto typy selekce: evoluční strategie (1+lambda) a (1,lambda), turnajová selekce a selekce ruletou. Zvolený problém byl vyřešen implementací CGP se zmíněnými typy selekce a statistickým zpracováním dat získaných provedením experimentů. Vyhodnocením výsledků jsem zjistil, že nejlepších výsledků, v případě ohnutých funkcí, dosahuje evoluční strategie (1+lambda). V případě vyvážených funkcí s vysokou nelinearitou dosáhla nejlepších výsledků selekce ruletou.
|
|
|
Hledání S-boxů pomocí evolučních algoritmů
Hovorka, Bedřich ; Zadina, Martin (oponent) ; Hanáček, Petr (vedoucí práce)
Předložená práce se zabývá částí šifrovacího algoritmu zvanou substituční box a jeho evolučním návrhem. K jeho vývoji jsou použity evoluční výpočetní techniky, jako jsou klasický genetický algoritmus, Estimation of Distribution Algorithm, Kartézské genetické programování a multikriteriální algoritmy VEGA a SPEA. Cílem práce je prozkoušet vlastnosti substitučních boxů k jejich evolučnímu vývoji. Práce se nejprve zabývá kryptografií a problematikou s-boxů. Zde budou vysvětleny základní pojmy a popsána vybraná kritéria jejich bezpečnosti. Dále budou vyloženy použité evoluční algoritmy a základy multikriteriální optimalizace. Těchto poznatků je využito, k návrhu a implementaci programu, které jsou popsány dále. Nakonec diskutuje použití studovaných kritérií. Je zde diskutováno prohledávání s-boxů jak při jednokriteriálním, tak především v multikriteriálním genetickém prohledávání.
|
|
|
Dynamická aproximace číslicových obvodů
Jásenský, Michal ; Hrbáček, Radek (oponent) ; Sekanina, Lukáš (vedoucí práce)
Tato bakalářská práce se zabývá návrhem metody postavené na kartézském genetickém programování, která umožňuje evoluční návrh obvodů schopných dynamické rekonfigurace. Cílem rekonfigurace obvodu je dynamicky měnit počet použitých komponent v obvodu a tím měnit přesnost výpočtu. Je zde popsána implementace navržené metody. Metoda je experimentálně ověřena a demonstrována na několika zvolených obvodech.
|
|
|
Koevoluce obrazových filtrů a detektorů šumu
Komjáthy, Gergely ; Zachariášová, Marcela (oponent) ; Drahošová, Michaela (vedoucí práce)
Táto práce se zabývá vytvořením obrazových filtrů pomocí koevolučních algoritmů. Práce obsahuje popis evolučních algoritmů, zaměřený hlavně na genetické programování, kartézské genetické programování a koevoluci. Čtenář se dále seznámí s různými typy obrazových filtrů. V dalších částech práce je popsán návrh programu pro tvorbu obrazových filtrů kombinovaných s detektory šumu pomocí kartézského genetického programování a s využitím kooperativní koevoluce, implementace a testování navrženého programu. V poslední části práce jsou filtry vytvořené pomocí koevoluce s detektory šumu porovnány s filtry s detektory šumu vytvořenými bez použití koevoluce a filtry, které nepoužívají detektory.
|
|
|
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.
|
|
|
Genetické vylepšení software pro kartézské genetické programování
Husa, Jakub ; Jaroš, Jiří (oponent) ; Sekanina, Lukáš (vedoucí práce)
Genetické programování je přírodou inspirovaná metoda programování umožňující automatizovaně vytvářet a adaptovat programy. Již téměř dvacet let je tato metoda schopna poskytovat výsledky porovnatelné s těmi vytvořenými člověkem, a to napříč mnoha obory. Tato práce čtenáře seznamuje s problematikou evolučních algoritmů, genetického programování a způsobů, jakými mohou být použity pro vylepšení stávajícího software. Dále je navržen program, který je touto metodou schopen vylepšit implementaci kartézského genetického programování (CGP). Program je poté otestován na implementaci CGP vytvořené pro potřeby tohoto projektu, a jeho funkčnost je dále ověřena i na převzatých již existujících implementacích CGP.
|
|
|
Klasifikace pohybových abnormalit pomocí genetického programování
Chudárek, Aleš ; Mrázek, Vojtěch (oponent) ; Drahošová, Michaela (vedoucí práce)
Při potlačování příznaků Parkinsonovy nemoci je pro pacienta velice důležité správné dávkovaní léků. Nesprávné dávkování může zapříčinit buďto nedostatečné potlačení příznaků nebo naopak při vysokých dávkách dochází k vedlejším účinkům, například dyskinezii. Ta se projevuje nedobrovolným pohybem svalů. Tato práce se zabývá problematikou automatizované klasifikace dyskinezie z pohybových dat nasnímaných pomocí tříosého akcelerometru umístěného na těle pacienta. V této práci je klasifikátor dyskinezie automatizovaně navrhován pomocí Kartézského genetického programování. Navržený klasifikátor dosahuje velmi dobré kvality při klasifikaci závažné míry dyskinezie (AUC = 0,94), což je srovnatelný výsledek jako u technik prezentovaných v odborné literatuře.
|
|
|
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.
|
host ::
RSS.