|
|
Evoluční návrh neuronových sítí využívající generativní kódování
Hytychová, Tereza ; Bidlo, Michal (oponent) ; Sekanina, Lukáš (vedoucí práce)
Cílem této práce je navrhnout a implementovat metodu pro návrh neuronové sítě, která bude využívat generativní kódování. Navržená metoda, která vychází z metody J. F. Millera, je založena na vytvoření modelu mozku, který je postupně vyvíjen, a ze kterého lze extrahovat klasickou neuronovou síť. Vývin mozku je řízen programy vytvořenými pomocí kartézského genetického programování. Implementace byla provedena v jazyce Python s použitím knihovny Numpy. Při experimentování se ukázalo, že metoda je schopná vytvářet neuronové sítě, které na menších datových sadách dosahují přesnosti přesahující 90 %. Metoda je zároveň schopna vytvářet neuronové sítě řešící více problémů naráz, za cenu mírného snížení dosažené přesnosti.
|
|
|
Návrh řadicích sítí pomocí koevolučního CGP
Fábry, Marko ; Hrbáček, Radek (oponent) ; Drahošová, Michaela (vedoucí práce)
Tato práce se zabývá návrhem řadicích sítí pomocí kartézskeho genetického programovaní s využitím koevoluce. Řadicí sítě jsou abstraktní modely schopné seřadit posloupnost čísel. Výhodou řadicích sítí je snadná implementovatelnost do hardware, ale jejich návrh je velmi složitý. Jednou z nekonvečních a efektivních možností jak navrhovat řadicí sítě je pomocí kartézskeho genetického programování (CGP). CGP je algoritmus patřící do skupiny evolučních algoritmů inspirovaných Darwinovou evoluční teorii. Efektivitu CGP algoritmu je možno zvýšit použitím koevoluce. Koevoluce je přístup, který pracuje s více populacemi, které se vzájemně ovlivňují a neustále vyvíjejí, čímž zabraňují uváznutí prohledávání v lokálním optimu. V práci je ukázané, že pomocou koevolúcie je možné dosiahnuť takmer dvojnásobné urýchlenie v porovnaní s evolučným návrhom.
|
|
|
Evoluční návrh konvolučních neuronových sítí
Piňos, Michal ; Vašíček, Zdeněk (oponent) ; Sekanina, Lukáš (vedoucí práce)
Cílem této práce je návrh a implementace programu pro automatizovaný návrh konvolučních neuronových sítí (CNN) s využitím evolučních výpočetních technik. Z praktického hlediska tento přístup redukuje potřebu lidského faktoru při tvorbě CNN, a tak eliminuje zdlouhavý a namáhavý proces ručního návrhu. Tato práce využívá speciální formu genetického programování nazývanou kartézské genetické programování, které pro zakódování řešeného problému využívá grafovou reprezentaci. Tato technika umožňuje uživateli parametrizovat proces hledání CNN, a tak se zaměřit na architektury zajímavé z pohledu použitých výpočetních jednotek, přesnosti či počtu parametrů. Navrhovaný přístup byl otestován na standardizované datové sadě CIFAR-10, která je často využívána výzkumníky pro srovnání výkonnosti jejich CNN. Provedené experimenty ukázaly, že tento přístup má jak výzkumný,tak praktický potenciál a implementovaný program otevírá možnosti vzniku zajímavých řešení.
|
|
|
Evoluční optimalizace konvolučních neuronových sítí
Roreček, Pavel ; Mrázek, Vojtěch (oponent) ; Sekanina, Lukáš (vedoucí práce)
Tato diplomová práce se zabývá problematikou neuronových sítí se zaměřením na sítě konvoluční (CNN) a evoluční optimalizací v kontextu neuronových sítí. Z existujících knihoven pro modelování CNN byla po analýze vybrána jedna konkrétní, a to Keras. Její funkcionalita je demonstrována na úlohách klasifikace obrázků. S využitím kartézského genetického programování byla navržena a implementována optimalizace CNN za účelem snížení složitosti výpočtu konvolučních vrstev. Dopady navržené optimalizace na chování CNN byly otestovány a vyhodnoceny v rámci případové studie.
|
|
|
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.
|
|
|
Souběžné učení v koevolučních algoritmech
Wiglasz, Michal ; Dobai, Roland (oponent) ; Drahošová, Michaela (vedoucí práce)
Kartézské genetické programování je druh genetického programování, ve kterém jsou kandidátní programy reprezentovány jako orientované acyklické grafy. Bylo ukázáno, že je možné evoluci kartézských programů urychlit použitím koevoluce, kde se ve druhé populaci vyvíjí prediktory fitness. Prediktory fitness slouží k přibližnému určení kvality kandidátních řešení. Nevýhodou koevolučního přístupu je nutnost provést mnoho časově náročných experimentů pro určení nejvýhodnější velikosti prediktoru pro daný problém. V této práci je představena nová reprezentace prediktorů fitness s plastickým fenotypem, založená na principech souběžného učení v evolučních algoritmech. Plasticita fenotypu umožňuje odvodit různé fenotypy ze stejného genotypu. Díky tomu je možné adaptovat velikost prediktoru na současný průběh evoluce a obtížnost řešeného problému. Navržený algoritmus byl implementován v jazyce C a optimalizován pomocí vektorových instrukcí SSE2 a AVX2. Z experimentů vyplývá, že použitím plastického fenotypu lze dosáhnout srovnatelné kvalitních obrazových filtrů jako u standardního CGP při kratší době běhu programu (průměrné zrychlení je 8,6násobné) a zároveň odpadá nutnost hledání nejvýhodnější velikosti prediktoru jako u koevoluce s prediktory s fixní velikostí.
|
|
|
Koevoluce kartézských genetických algoritmů a neuronových sítí
Kolář, Adam ; Král, Jiří (oponent) ; Zbořil, František (vedoucí práce)
Cílem práce bylo ověřit možnost spojení metod kartézského genetického programování a neuronových sítí. Výsledek práce reprezentuje sada experimentů s úlohami vyvažování tyče, průchodu agenta bludištěm a detekce buňek rakoviny prsu, provedených za pomocí implementované knihovny. Použil jsem jak nepřímé, tak přímé zakódování dopředné i rekurentní sítě. Zaměřil jsem se na nalezení nejlepší konfigurace výpočtu, detekci přeučování jedinců během evoluce, míru robustnosti řešení a možnosti stimulace řešení pomocí fitness funkce. Zjistil jsem, že obecně nejlépe konvergují řešení s nižšími hodnotami parametru n_c a n_r a jsou také méně náchylné k přeučování. Úpravami fitness funkce jsem evolvoval kontrolér, který redukoval rozkmit vyvažované tyče. Klasifikátor buňek rakoviny rozpoznával korektně více než 98% vzorků, čímž překonal většinu srovnávaných metod. Podařilo se také navrhnout model bludiště, ve kterém agent úspěšně plnil vícekrokové úlohy.
|
|
|
Technika ALPS v kartézském genetickém programování
Stanovský, Peter ; Slaný, Karel (oponent) ; Sekanina, Lukáš (vedoucí práce)
Úvodem práce přináší stručný přehled problematiky softcomputingu a řešení NP-úplných problémů. Zejména se věnuje evolučním algoritmům a jejich základním typům. V další části je zpracována studie na kartézské genetické programování (CGP), které patří do oblasti evolučních algoritmů. CGP se používá zejména pro návrh číslicových obvodů, symbolickou regresi a jiné. Samostatná kapitola je věnována studii nové techniky Age layered population structure (ALPS), která se věnuje problému předčasné konvergence, přičemž navrhuje způsob rozdělení populace na subpopulace separovaných na základě věkového kriteria. Pomocí zajišťování dostatečné diverzity v populaci dosahuje významně lepších řešení oproti klasickým evolučním algoritmům. V práci jsou navrženy dva způsoby začlenění techniky ALPS do CGP. V další části je popsán postup implementace klasického CGP a jeho dvou variant s využitím techniky ALPS. V rámci práce byly vykonány testy na klasických testovacích úlohách s použitím a bez použití techniky ALPS, přičemž v části "Experimentálne výsledky" byl diskutován přínos použití techniky ALPS v CGP oproti klasickému CGP.
|
|
|
Metody kódování problému v evolučním návrhu kombinačních obvodů
Sedláček, Adam ; Vašíček, Zdeněk (oponent) ; Sekanina, Lukáš (vedoucí práce)
Práce porovnává dva odlišné přístupy k zakódování kombinačních obvodů při automatizovaném návrhu obvodů, který využívá evolučních algoritmů. Porovnání proběhlo mezi kartézským genetickým programováním (CGP) a obvodem reprezentovaným v algebraické normální formě (ANF). Obě metody byly demonstrovány nad sadou vybraných obvodů. Byla porovnána rychlost konvergence nalezení prvního plně funkčního řešení. Jako druhé kritérium hodnocení byla plocha na čipu. Pro urychlení hodnocení kvality obvodů bylo využito paralelní simulace. Implementace proběhla v programovacím jazyce C++ s využitím Boost knihovny. Výhody a nevýhody obou metod zakódování jsou pak shrnuty v závěru této práce.
|
|
|
Evoluční návrh kombinačních obvodů
Hojný, Ondřej ; Hůlka, Tomáš (oponent) ; Matoušek, Radomil (vedoucí práce)
Tato diplomová práce se zabývá využitím kartézského genetického programování (CGP) k návrhu kombinačních obvodů. V práci je řešena problematika optimalizace vybraných logických obvodů, aritmetické sčítačky a násobičky, pomocí kartézského genetického programování. Implementace algoritmu je provedena v jazyce Python a primárně knihovnách NumPy, Numba a Pandas. Implementace CPG byla odzkoušena na zvolených příkladech a výsledky diskutovány.
|
host ::
RSS.