|
|
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.
|
|
|
Coevolution of Fitness Predicotrs in Cartesian Genetic Programming
Drahošová, Michaela ; Pošík, Petr (oponent) ; Šenkeřík, Roman (oponent) ; Sekanina, Lukáš (vedoucí práce)
Cartesian genetic programming (CGP) is an evolutionary based machine learning method which can automatically design computer programs or digital circuits. CGP has been successfully applied in a number of challenging real-world problem domains. However, the computational power that the design based on CGP needs for obtaining innovative results is enormous for most applications. In CGP, every candidate program is executed to dermine a fitness value, representing the degree to which it solves the problem. Typically, the most time consuming part of CGP is the fitness evaluation. This thesis proposes to introduce coevolution of fitness predictors to CGP in order to accelerate the evolutionary design performed by CGP. Fitness predictors are small subsets of the training data, which are used to estimate candidate program fitness instead of performing an expensive objective fitness evaluation. Coevolution of fitness predictors is an optimization method of the fitness modeling that reduces the fitness evaluation cost and frequency, while maintaining the evolutionary process. In this thesis, the coevolutionary algorithm is adapted for CGP and three approaches to fitness predictor encoding are introduced and examined. The proposed approach is evaluated using five symbolic regression benchmarks and in the image filter design problem. The method enabled us to significantly reduce the time of evolutionary design for considered class of problems.
|
|
|
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.
|
|
|
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.
|
|
|
Coevolution of Fitness Predicotrs in Cartesian Genetic Programming
Drahošová, Michaela ; Pošík, Petr (oponent) ; Šenkeřík, Roman (oponent) ; Sekanina, Lukáš (vedoucí práce)
Cartesian genetic programming (CGP) is an evolutionary based machine learning method which can automatically design computer programs or digital circuits. CGP has been successfully applied in a number of challenging real-world problem domains. However, the computational power that the design based on CGP needs for obtaining innovative results is enormous for most applications. In CGP, every candidate program is executed to dermine a fitness value, representing the degree to which it solves the problem. Typically, the most time consuming part of CGP is the fitness evaluation. This thesis proposes to introduce coevolution of fitness predictors to CGP in order to accelerate the evolutionary design performed by CGP. Fitness predictors are small subsets of the training data, which are used to estimate candidate program fitness instead of performing an expensive objective fitness evaluation. Coevolution of fitness predictors is an optimization method of the fitness modeling that reduces the fitness evaluation cost and frequency, while maintaining the evolutionary process. In this thesis, the coevolutionary algorithm is adapted for CGP and three approaches to fitness predictor encoding are introduced and examined. The proposed approach is evaluated using five symbolic regression benchmarks and in the image filter design problem. The method enabled us to significantly reduce the time of evolutionary design for considered class of problems.
|
|
|
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.
|
|
|
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.
|
|
|
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.
|
host ::
RSS.