|
|
Koevoluce obrazových filtrů a prediktorů fitness
Trefilík, Jakub ; Hrbáček, Radek (oponent) ; Drahošová, Michaela (vedoucí práce)
Tato práce se zabývá využitím principů koevoluce pro návrh obrazových filtrů. Evoluční algoritmy se pro vývoj obrazových filtrů ukazují jako velmi výhodná metoda. Použitím koevoluce prediktorů fitness vnášíme do evolučního návrhu procesy, které vzájemným ovlivňováním populace kandidátních filtrů s populací prediktorů fitness dokáží zrychlit konvergenci řešení. Prediktor fitness je malá podmnožina množiny trénovacích vektorů a používá se k přibližnému určení fitness kandidátních filtrů. V této práci je pro evoluci prediktorů fitness využito nepřímé kódování, které reprezentuje matematický výraz, pomocí něhož jsou vybírány trénovací vektory použité pro vyhodnocení fitness kandidátních filtrů. Tento přístup byl experimentálně vyhodnocen v úloze evolučního návrhu náhodného impulzního šumu a šumu typu sůl a pepř pro různé intenzity šumu a také v úloze návrhu detektoru hran. Ukázalo se, že pomocí tohoto přístupu prediktory fitness přizpůsobují počet použitých trénovacích vektorů pro vyhodnocení kandidátního filtru souběžně s řešením úlohy a tím snižují výpočetní náročnost evolučního návrhu obrazových filtrů.
|
|
|
Evoluční návrh obvodů na úrovni tranzistorů
Žaloudek, Luděk ; Vašíček, Zdeněk (oponent) ; Sekanina, Lukáš (vedoucí práce)
Tato práce se zabývá evolučním návrhem elektronických obvodů na úrovni tranzistorů se zaměřením na číslicové obvody. Popisuje teoretické základy pro evoluční návrh obvodů na výpočetních systémech včetně vysvětlení evolučních algoritmů genetického programování a evolučních strategií, možných úrovní návrhu elektronických obvodů, přehledu technologie CMOS a nejdůležitějších evolučních metod pro návrh obvodů, jako jsou development a kartézské genetické programování (CGP). Dále je uvedena nová metoda návrhu číslicových obvodů s tranzistory založená na CGP a je představen vývojový systém, který tuto metodu využívá. Na závěr jsou popsány a vyhodnoceny experimenty provedené se systémem.
|
|
|
Evoluční návrh kombinačních obvodů na počítačovém clusteru
Pánek, Richard ; Zachariášová, Marcela (oponent) ; Hrbáček, Radek (vedoucí práce)
Tato diplomová práce se zabývá evolučními algoritmy a jejich použitím při návrhu kombinačních obvodů. Pro tento typ úloh je nejvhodnější genetické programování, především pak CGP. Dále se zabývá výpočtem na počítačových clusterech a použitím evolučních algoritmů na nich. Pro tento výpočet se nejvíce hodí ostrovní modely s CGP. Pro jejich zlepšení je navržen nový způsob rekombinace v CGP. Tento návrh je implementován a testován na počítačovém clusteru.
|
|
|
Návrh hašovacích funkcí pomocí genetického programování
Michalisko, Tomáš ; Piňos, Michal (oponent) ; Sekanina, Lukáš (vedoucí práce)
Tato práce se zabývá automatizováním návrhu hašovacích funkcí. K tomu využívá kartézské genetické programování. Zvolenou metodou pro řešení kolizí je kukaččí hašování. Byly porovnány tři varianty zakódování hašovacích funkcí. Experimenty byly prováděny nad datovou sadou obsahující síťové toky. V rámci experimentů bylo nalezeno vhodné nastavení parametrů této metody včetně množiny funkcí. Nejlepší vyvinuté hašovací funkce dosahují srovnatelných výsledků jako funkce navržené odborníky. Hlavním zjištěním je, že nejlepších výsledků dosahují hašovací funkce tvořené 64bitovými operacemi.
|
|
|
Nástroj pro vizuální analýzu evoluce obvodů
Staurovská, Jana ; Minařík, Miloš (oponent) ; Sekanina, Lukáš (vedoucí práce)
Cílem diplomové práce je zpracovat studii o kartézském genetickém programování se zaměřením na použití v oblasti evoluce obvodů a vytvořit návrh konceptu vizualizace této evoluce. Následně je cílem vytvořit program umožňující vizualizovat evoluci obvodů kartézského genetického programování, její jednotlivé generace, stejně tak i jednotlivé chromozomy, dále umožňující zobrazovat změny mezi generacemi a chromozomy a porovnávat více chromozomů najednou. Pro výsledný program bylo rovněž zpracováno několik příkladů použití.
|
|
|
Analýza genetické příbuznosti aproximativních obvodů
Krejčík, Vojtěch ; Mrázek, Vojtěch (oponent) ; Sekanina, Lukáš (vedoucí práce)
Cílem práce je analýza velké knihovny aproximativních obvodů (EvoApproxLib), která byla vytvořena evolučním algoritmem a kterou v této práci chápeme jako zdroj genetických dat. Konkrétně se jedná o hledání příbuznosti v souboru obsahujícím 24912 osmibitových aproximativních násobiček, které byly evolučně vytvořeny ze šesti různých rodičovských plně funkčních implementací operace násobení. Jako ukazatele příbuznosti byly zvoleny počty hradel a existence 16 specifických podobvodů. Na základě těchto ukazatelů (příznaků) byly natrénovány různé klasifikátory pro zařazení násobičky do jedné ze šesti tříd odpovídající rodičovským implementacím. S těmito ukazateli se podařilo dosáhnout úspěšnosti klasifikace až 77%. Výsledky této práce ukazují, že kombinace specifických podobvodů jsou silným indikátorem, ze kterého rodičovského obvodu daný aproximativní obvod pochází.
|
|
|
Approximate Implementation of Arithmetic Operations in Image Filters
Válek, Matěj ; Vašíček, Zdeněk (oponent) ; Sekanina, Lukáš (vedoucí práce)
This Master's thesis deals with approximate implementations of arithmetic operations in image filters. In particular, it uses approximation techniques to adjust the multiplication operations in a non-trivial image filter. Several methods are employed, such as converting the floating-point multiplication to fixed-point multiplication, applying evolutionary algorithms, especially Cartesian genetic programming, to create new approximate multipliers that have an acceptable level of error, and at the same time, reduced filtering complexity. The result is a collection of approximate multipliers evolved with respect to the data distribution retrieved from the image filter. Approximate image filters that use evolved approximate multipliers are compared with the standard image filter on a set of images.
|
|
|
Porovnání variant genetického programování v úloze symbolické regrese
Doležal, Petr ; Hurta, Martin (oponent) ; Drahošová, Michaela (vedoucí práce)
Tato práce se zabývá porovnáváním různých variant genetického programování v úloze symbolické regrese. Na zadaných úlohách zkoumá rychlost konvergence a kvalitu nalezeného řešení. Klade si za cíl porovnat kartézské genetické programování, stromové genetické programování a jejich modifikace pomocí koevoluce. Byla použita vlastní implementace (bez využití knihoven), kde jednotlivé varianty spolu sdílí převážnou část kódu. Součástí práce je i ověření použitelnosti implementovaných přístupů při analýze reálných dat. Na základě experimentů bylo zjištěno, že všechny zkoumané přístupy jsou použitelné pro provádění symbolické regrese. Nejlepších výsledků ve zkoumaných oblastech (rychlost konvergence, kvalita nalezeného řešení) dosahovalo kartézské genetické programování s koevolucí.
|
|
|
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.
|
|
|
Souběžné učení v kartézském genetickém programování
Korgo, Jakub ; Grochol, David (oponent) ; Wiglasz, Michal (vedoucí práce)
Tato práce se zabývá integrací souběžného učení do kartézského genetického programování. Úlohu symbolické regrese se již povedlo vyřešit kartézským genetickým programováním, ovšem tato metoda není dokonalá. Je totiž relativně pomalá a při některých úlohách má tendenci nenalézat požadované řešení. Ale se souběžným učením lze vylepšit některé z~těchto vlastností. V této práci je představena plasticita genotypu, která je založena na Baldwinově efektu. Tento přístup umožňuje jedinci změnit jeho fenotyp během generace. Souběžné učení bylo testováno na pěti rozdílných úlohách pro symbolickou regresi. V experimentech se ukázalo, že pomocí souběžného učení lze dosáhnout až 15násobného urychlení evoluce oproti standardnímu kartézskému genetickému programování bez učení.
|
host ::
RSS.