|
|
Symbolic Regression and Coevolution
Drahošová, Michaela ; Žaloudek, Luděk (referee) ; Sekanina, Lukáš (advisor)
Symbolic regression is the problem of identifying the mathematic description of a hidden system from experimental data. Symbolic regression is closely related to general machine learning. This work deals with symbolic regression and its solution based on the principle of genetic programming and coevolution. Genetic programming is the evolution based machine learning method, which automaticaly generates whole programs in the given programming language. Coevolution of fitness predictors is the optimalization method of the fitness modelling that reduces the fitness evaluation cost and frequency, while maintainig evolutionary progress. This work deals with concept and implementation of the solution of symbolic regression using coevolution of fitness predictors, and its comparison to a solution without coevolution. Experiments were performed using cartesian genetic programming.
|
|
|
GUI for Handling Genetic Programming Chromozome
Staurovská, Jana ; Žaloudek, Luděk (referee) ; Jaroš, Jiří (advisor)
The main goal of this thesis is to create a program for manipulation with genetic programming chromosomes, which should allow export to a vector graphics format, moving of gates, their colouring and other graphical operations, and will work on different operating systems (mainly Microsoft Windows and Linux). For better understanding, the basic principles of cartesian genetic programming are described in theoretical part.
|
|
|
Evolutionary Design of Image Classifier
Koči, Martin ; Bidlo, Michal (referee) ; Drahošová, Michaela (advisor)
This thesis deals with evolutionary design of image classifier with help of genetic programming, specifically with cartesian genetic programming. Thesis discribes teoretical basics of machine learing, evolutionary algorithms and genetic programming. Part of this thesis is described design of the program and its implementation. Futhermore, experiments are performed on two solved tasks for the classification of handwritten digits and the classification of cube drawings, which can be used to determine the rate of dementia in Parkinson's disease. The best designed solution for digits is with AUC of 0.95 and for cubes 0.86. Designed solutions are compared by other methods, namely convolutional neural networks (CNN) and the support vector machines (SVM). The resulting AUC for the classification of digits for both CNN and SVM is 0.99, for cubes CNN has a final AUC 0.81 and SVM 0.69. The cubes are then compared with existing solution, which resulted in AUC 0.70, so that the results of the experiments show an improvement in the method used in this thesis.
|
|
|
Genetic Programming for Design of Digital Circuits
Hejtmánek, Michal ; Bidlo, Michal (referee) ; Gajda, Zbyšek (advisor)
The goal of this work was the study of evolutionary algorithms and utilization of them for digital circuit design. Especially, a genetic programming and its different manipulation with building blocks is mentioned in contrast to a genetic algorithm. On the basis of this approach, I created and tested a hybrid method of electronic circuit design. This method uses spread schemes according to the genetic algorithm for the pattern problems witch are solved by the genetic programming. The method is more successful and have faster convergence to a solution in difficult electronic circuits design than a common algorithm of the genetic programming.
|
|
|
Automated Multi-Objective Parallel Evolutionary Circuit Design and Approximation
Hrbáček, Radek ; Fišer, Petr (referee) ; Trefzer,, Martin (referee) ; Sekanina, Lukáš (advisor)
Spotřeba a energetická efektivita se stává jedním z nejdůležitějších parametrů při návrhu počítačových systémů, zejména kvůli omezené kapacitě napájení u zařízení napájených bateriemi a velmi vysoké spotřebě energie rostoucích datacenter a cloudové infrastruktury. Současně jsou uživatelé ochotni do určité míry tolerovat nepřesné nebo chybné výpočty v roustoucím počtu aplikací díky nedokonalostem lidských smyslů, statistické povaze výpočtů, šumu ve vstupních datech apod. Přibližné počítání, nová oblast výzkumu v počítačovém inženýrství, využívá rozvolnění požadavků na funkčnost za účelem zvýšení efektivity počítačových systémů, pokud jde o spotřebu energie, výpočetní výkon či složitost. Aplikace tolerující chyby mohou být implementovány efektivněji a stále sloužit svému účelu se stejnou nebo mírně sníženou kvalitou. Ačkoli se objevují nové metody pro návrh přibližně počítajících výpočetních systémů, je stále nedostatek automatických návrhových metod, které by nabízely velké množství kompromisních řešení dané úlohy. Konvenční metody navíc často produkují řešení, která jsou daleko od optima. Evoluční algoritmy sice přinášejí inovativní řešení složitých optimalizačních a návrhových problémů, nicméně trpí několika nedostatky, např. nízkou škálovatelností či vysokým počtem generací nutných k dosažení konkurenceschopných výsledků. Pro přibližné počítání je vhodný zejména multikriteriální návrh, což existující metody většinou nepodporují. V této práci je představen nový automatický multikriteriální paralelní evoluční algoritmus pro návrh a aproximaci digitálních obvodů. Metoda je založena na kartézském genetickém programování, pro zvýšení škálovatelnosti byla navržena nová vysoce paralelizovaná implementace. Multikriteriální návrh byl založen na principech algoritmu NSGA-II. Výkonnost implementace byla vyhodnocena na několika různých úlohách, konkrétně při návrhu (přibližně počítajících) aritmetických obvodů, Booleovských funkcích s vysokou nelinearitou či přibližných logických obvodů pro tří-modulovou redundanci. V těchto úlohách bylo dosaženo význammých zlepšení ve srovnání se současnými metodami.
|
|
|
Coevolutionary Algorithms Statistical Analysis Tool
Urban, Daniel ; Zachariášová, Marcela (referee) ; Drahošová, Michaela (advisor)
This bachelor thesis contains a theoretical basis that introduces evolutionary algorithms, genetic programming, coevolutioanary algorithms and methods for statistical evaluation. Furthermore, this work deals with the design and implementation of tool with graphical user interface, which allows the analysis of coevolutioanary algorithm for various parameters and also its statistical evaluation. The functionality of the implemented tool has been tested on data obtained from an external program performing evolutionary design of image filters with the use of the coevolution of tness predictors. The resulting graphs and statistics allow easy comparison of the progress and results for each program run.
|
|
|
Automated Design Methodology for Approximate Low Power Circuits
Mrázek, Vojtěch ; Bosio, Alberto (referee) ; Fišer, Petr (referee) ; Sekanina, Lukáš (advisor)
Rozšiřování moderních vestavěných a mobilních systémů napájených bateriemi zvyšuje požadavky na návrh těchto systémů s ohledem na příkon. Přestože moderní návrhové techniky optimalizují příkon, elektrická spotřeba těchto obvodů stále roste díky jejich složitosti. Nicméně existuje celá řada aplikací, kde nepotřebujeme získat úplně přesný výstup. Díky tomu se objevuje technika zvaná aproximativní (přibližné) počítání, která umožňuje za cenu zanesení malé chyby do výpočtu významně redukovat příkon obvodů. V práci se zaměřujeme na použití evolučních algoritmů v této oblasti. Ačkoliv již tyto algoritmy byly úspěšně použity v syntéze přesných i aproximativních obvodů, objevují se problémy škálovatelnosti - schopnosti aproximovat složité obvody. Cílem této disertační práce je ukázat, že aproximační logická syntéza založená na genetickém programování umožňuje dosáhnout vynikajícího kompromisu mezi spotřebou a chybou. Byla provedena analýza čtyř různých aplikacích na třech úrovních popisu. Pomocí kartézského genetického programování s modifikovanou reprezentací jsme snížili spotřebu malých obvodů popsaných na úrovni tranzistorů použitelných například v technologické knihovně. Dále jsme zavedli novou metodu pro aproximaci aritmetických obvodů, jako jsou sčítačky a násobičky, popsaných na úrovni hradel. S využitím metod formální verifikace navíc celý návrhový proces umožňuje garantovat stanovenou chybu aproximace. Tyto obvody byly využity pro významné snížení příkonu v neuronových sítích pro rozpoznávání obrázků a v diskrétní kosinově transformaci v HEVC kodéru. Pomocí nové chybové metriky nezávislé na rozložení vstupních dat jsme navrhli komplexní aproximativní mediánové filtry vhodné pro zpracování signálů. Disertační práce reprezentuje ucelenou metodiku pro návrh aproximativních obvodů na různých úrovních popisu, která navíc garantuje nepřekročení zadané chyby aproximace.
|
|
|
Evolutionary Design of Filters for Signal Processing
Dobiš, Tomáš ; Hrbáček, Radek (referee) ; Dobai, Roland (advisor)
Kalman filter is used for signal filtering dependent on filter configuration and prediction of values. It's configuration is difficult and requires experiences of mathematician. This thesis deals with implementation of method for signal processing with use of Cartesian genetic programming, which advantage includes the automated configuration of filter. Final method is compared on multiple testing examples with Kalman filter. From results we can infer, that implemented method works comparatively efficient on periodic and exponential signal inputs, and works significantly better on constant signal inputs than Kalman filter.
|
|
|
Evolutionary Design for Circuit Approximation
Dvořáček, Petr ; Vašíček, Zdeněk (referee) ; Sekanina, Lukáš (advisor)
In recent years, there has been a strong need for the design of integrated circuits showing low power consumption. It is possible to create intentionally approximate circuits which don't fully implement the specified logic behaviour, but exhibit improvements in term of area, delay and power consumption. These circuits can be used in many error resilient applications, especially in signal and image processing, computer graphics, computer vision and machine learning. This work describes an evolutionary approach to approximate design of arithmetic circuits and other more complex systems. This text presents a parallel calculation of a fitness function. The proposed method accelerated evaluation of 8-bit approximate multiplier 170 times in comparison with the common version. Evolved approximate circuits were used in different types of edge detectors.
|
|
|
Competitive Coevolution in Cartesian Genetic Programming
Skřivánková, Barbora ; Petrlík, Jiří (referee) ; Drahošová, Michaela (advisor)
Symbolic regression is a function formula search approach dealing with isolated points of the function in plane or space. In this thesis, the symbolic regression is performed by Cartesian Genetic Programming and Competitive Coevolution. This task has already been resolved by Cartesian Genetic Programming using Coevolution of Fitness Predictors. This thesis is concerned with comparison of Coevolution of Fitness Predictors with simpler Competitive Coevolution approach in terms of approach effort. Symbolic regression has been tested on five functions with different complexity. It has been shown, that Competitive Coevolution accelerates the symbolic regression task on plainer functions in comparison with Coevolution of Fitness Predictors. However, Competitive Coevolution is not able to solve more complex functions in which Coevolution of Fitness Predictors succeeded.
|
guest ::
