|
|
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.
|
|
|
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.
|
|
|
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.
|
|
|
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.
|
host ::
RSS.