|
|
Nástroj pro statistické vyhodnocení koevolučních algoritmů
Urban, Daniel ; Zachariášová, Marcela (oponent) ; Drahošová, Michaela (vedoucí práce)
V této bakalářské práci se nachází teoretický základ, který nás seznámí s evolučními algoritmy, genetickým programováním, koevolučními algoritmy a metodami pro jejich statistické vyhodnocení. Dále se tato práce zabývá návrhem a implementací nástroje s grafickým uživatelským rozhraním, který umožňuje analýzu koevolučního algoritmu pro různá nastavení parametrů a jeho statistické vyhodnocení. Funkčnost implementovaného nástroje byla testována na datech získaných z externího programu umožňujícího evoluční návrh obrazových filtrů s využitím koevoluce prediktorů fitness. Výsledné grafy a statistiky umožňují jednoduché porovnávání průběhů a výsledků jednotlivých běhů programu.
|
|
|
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.
|
|
|
Koevoluční algoritmy a klasifikace
Hurta, Martin ; Sekanina, Lukáš (oponent) ; Drahošová, Michaela (vedoucí práce)
Cílem této práce je automatizovaný návrh programu pro detekci projevů dyskineze z pohybových dat pacientů. K návrhu programu je využito kartézské genetické programování, které bylo z důvodu urychlení procesu návrhu doplněno o koevoluci prediktorů fitness s proměnlivou velikostí, která umožňuje vyhodnocení kvality kandidátních řešení na pouhé části trénovacích dat. Vzniklé řešení dosahuje srovnatelné schopnosti rozlišení mezi třídami (AUC) s existujícím řešením při dosažení v průměru trojnásobného zrychlení procesu návrhu oproti variantě bez prediktorů fitness. Experimenty s metodami křížení prediktorů neukázaly významný rozdíl mezi zvolenými metodami. Zajímavých výsledků však bylo dosaženo při experimentech s celočíselnými datovými typy vhodnými pro implementaci v hardwaru, kdy u datového typu o osmi bitech bez znaménka (uint8_t) bylo dosaženo nejenom srovnatelné schopnosti rozlišení mezi třídami (pro významné projevy dyskineze AUC = 0,93 shodně jako pro existující řešení) a zlepšení rozlišovací schopností u chodících pacientů (AUC = 0,80 oproti AUC = 0,73 u existujícího řešení), ale navíc v průměru téměř devítinásobného zrychlení návrhu oproti variantě bez prediktorů fitness využívající datový typ float.
|
|
|
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.
|
|
|
Koevoluční algoritmy a klasifikace
Hurta, Martin ; Sekanina, Lukáš (oponent) ; Drahošová, Michaela (vedoucí práce)
Cílem této práce je automatizovaný návrh programu pro detekci projevů dyskineze z pohybových dat pacientů. K návrhu programu je využito kartézské genetické programování, které bylo z důvodu urychlení procesu návrhu doplněno o koevoluci prediktorů fitness s proměnlivou velikostí, která umožňuje vyhodnocení kvality kandidátních řešení na pouhé části trénovacích dat. Vzniklé řešení dosahuje srovnatelné schopnosti rozlišení mezi třídami (AUC) s existujícím řešením při dosažení v průměru trojnásobného zrychlení procesu návrhu oproti variantě bez prediktorů fitness. Experimenty s metodami křížení prediktorů neukázaly významný rozdíl mezi zvolenými metodami. Zajímavých výsledků však bylo dosaženo při experimentech s celočíselnými datovými typy vhodnými pro implementaci v hardwaru, kdy u datového typu o osmi bitech bez znaménka (uint8_t) bylo dosaženo nejenom srovnatelné schopnosti rozlišení mezi třídami (pro významné projevy dyskineze AUC = 0,93 shodně jako pro existující řešení) a zlepšení rozlišovací schopností u chodících pacientů (AUC = 0,80 oproti AUC = 0,73 u existujícího řešení), ale navíc v průměru téměř devítinásobného zrychlení návrhu oproti variantě bez prediktorů fitness využívající datový typ float.
|
|
|
Nástroj pro statistické vyhodnocení koevolučních algoritmů
Urban, Daniel ; Zachariášová, Marcela (oponent) ; Drahošová, Michaela (vedoucí práce)
V této bakalářské práci se nachází teoretický základ, který nás seznámí s evolučními algoritmy, genetickým programováním, koevolučními algoritmy a metodami pro jejich statistické vyhodnocení. Dále se tato práce zabývá návrhem a implementací nástroje s grafickým uživatelským rozhraním, který umožňuje analýzu koevolučního algoritmu pro různá nastavení parametrů a jeho statistické vyhodnocení. Funkčnost implementovaného nástroje byla testována na datech získaných z externího programu umožňujícího evoluční návrh obrazových filtrů s využitím koevoluce prediktorů fitness. Výsledné grafy a statistiky umožňují jednoduché porovnávání průběhů a výsledků jednotlivých běhů programu.
|
|
|
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.