|
|
Simulace kolektivního chování entit ve virtuálním světě
Vymazal, Tomáš ; Žák, Pavel (oponent) ; Láník, Aleš (vedoucí práce)
Tématem této práce je zhodnotit a porovnat možnosti řízení entit (agentů) ve virtuálním světě a jeden vybraný přístup realizovat ve formě programu. Pro implementaci byl vybrán přístup, kdy konečný automat, řídící agenta, podléhá evoluci pomocí genetických algoritmů. Tento přístup by měl přizpůsobit, případně vylepšit agentovo chování tak, aby odpovídalo zadaným požadavkům: zde např. aby se agent naučil težit zdroje ve virtuálním světě. Implementace je realizována pomocí modulu pro běh evoluce a pomocí modulu se 3d zobrazením, kde lze prohlížet chování agentů.
|
|
|
Deep Learning AI in Game Environments
Glós, Kristián ; Bobák, Petr (oponent) ; Polášek, Tomáš (vedoucí práce)
This thesis is focused on analysing deep learning algorithms and their ability to complete given tasks implemented in game environments created via the Unity game engine. Secondary objective was to research and specify possible use-cases of deep learning during game development. The algorithms used fall into Reinforcement learning, Imitation learning and Neuroevolution, while Reinforcement learning was used throughout the whole game scene development cycle. Analysis and results were collected through training the networks in different game scene states and other factors.
|
|
|
Trénování inteligentních agentů v enginu Unity
Vaculík, Jan ; Chlubna, Tomáš (oponent) ; Matýšek, Michal (vedoucí práce)
Cílem práce je navrhnout aplikace, které demonstrují sílu strojového učení pro tvorbu umělé inteligence ve videohrách. K řešení této problematiky je použita sada nástrojů ML-Agents, která umožňuje tvorbu inteligentních agentů v enginu Unity. Jednotlivé demonstrační aplikace jsou zaměřeny na různé scénáře využití této sady. Pro trénování je použito zpětnovazební a imitační učení.
|
|
|
Simulace vyjednávacích a argumentačních protokolů
Říha, Michal ; Samek, Jan (oponent) ; Zbořil, František (vedoucí práce)
Tato práce se zabývá komunikací v multiagentních systémech, a to konkrétně vyjednáváním a argumentací. Jsou popsány protokoly pro argumentaci a vyjednávání, a je uveden modelový příklad jejich využití. Je popsán hierarchický model důvěry v kontextu, který slouží agentům k reprezentaci jejich představ o systému. Pro tyto agenty je pak navržen argumentační protokol, kterým jsou řešeny konflikty.
|
|
|
Hodnocení stavu vnitřního prostředí
Doležal, Libor ; Fišer, Jan (oponent) ; Krejčí, Vladimír (vedoucí práce)
Tato práce poskytuje přehled o činitelích působících na kvalitu vnitřního mikroklimatu s důrazem na faktory s vlivem na tepelnou pohodu. Zároveň poukazuje na nepohodu, kterou tyto faktory způsobují. Jsou zde představeny jednotlivé základní způsoby a principy měření veličin potřebných k posouzení tepelné pohody. Práce není přímo návodem pro měření zmíněných veličin, ale nabízí možnost výběru vhodného měřícího přístroje podle účelu a rozsahu. Dále nabízí přehled o normách a vyhláškách spojených s danou problematikou.
|
|
|
Plánování tras multirobotického systému v dynamickém prostředí
Dokoupil, Ladislav ; Veigend, Petr (oponent) ; Zbořil, František (vedoucí práce)
Tato práce řeší problematiku prohledávání dynamického prostředí s využitím multiagentních systémů. Primárním výsledkem této práce je zapojení do soutěže MAPC2022, ale uplatnění lze nalézt v prohledávání neznámého prostoru za předpokladu omezené viditelnosti a zároveň neomezené vzdálenosti komunikace agentů. Po popsání současných možností řešení dané problematiky i s jejich omezeními je k implementaci zvolen algoritmus na bázi optimalizace mravenčí kolonie. Z údajů sbíraných při běhu programu s různými parametry byly následně vytvořeny přehledné grafy. Výsledkem práce je optimalizace platformy předchozího roku, lepší synchronizace agentů a až o polovinu lepší výsledky z pohledu množství prozkoumaného terénu oproti předchozímu řešení.
|
|
|
Prevence vzniku a šíření nozokomiálních nákaz v Nemocnici Český Krumlov a.s.
KOCOURKOVÁ, Lenka
Tato Bakalářská práce se soustředí převážně na prevenci vzniku nemocničních nákaz a jejich příčiny šíření ve zdravotnických zařízeních. Základem pro uskutečnění práce byla aktivní komunikace s koordinátorkou řízení kvality a bezpečnosti ošetřovatelské péče, která mi ochotně poskytla validní informace a podklady týkající se systému prevence vzniku nemocničních nákaz a také zajistila realizaci odběrů pro mikrobiologické vyšetření v Nemocnici Český Krumlov a.s. z oddělení následné péče - ONP II a ONP - C III. Bakalářskou práci tvoří teoretická a praktická část. Teoretická část shrnuje poznatky týkající se nozokomiálních nákaz jako takových, rozdělení a způsob přenosu s důrazem na předcházení jejich vzniku a následném šíření mezi "zdravé hospitalizované osoby". Praktická část zkoumá schválené vnitřní dokumenty nemocnice zaměřené na prevenci nozokomiálních nákaz a proškolování pracovníků ve zdravotnickém zařízení. Do této části je zařazeno i ověření prevence nozokomiálních nákaz pomocí mikrobiologických testů. Celý výzkum byl prováděn ve spolupráci se dvěma nemocnicemi: Nemocnice Český Krumlov a.s., kde byly odebrány vzorky a Nemocnice a.s. Prachatice, kde probíhalo mikrobiologické zpracování. Laboratorní výzkumná část je řešena v laboratořích mikrobiologie v Nemocnici Prachatice a.s., kde probíhala identifikace jednotlivých mikroorganismů z odebraných stěrů na oddělení následné péče v Nemocnici v Českém Krumlově. Tyto stěry odráží kvalitu prováděné hygieny v souvislosti s rizikem vzniku NN. Cíle mé práce jsou zaměřeny mimo laboratorní výzkumné činnosti i na aktuální kvalitu a zpracování vnitřních dokumentů nemocnice zaměřených na prevenci nozokomiálních nákaz a jak v tomto směru vzdělává pravidelně své pracovníky - formou školení 1x ročně. V závěru práce je k dispozici souhrn izolovaných mikroorganismů a jejich vzájemné porovnání mezi sebou v rámci těchto dvou odděleních. V neposlední řadě je vyloučena přítomnost vysoce infekčních agens pro vznik nozokomiální nákazy na základě platných legislativ. Je zde možné nalézt i rezultát kvalitativního zpracování v podobě doporučeních směřujících například ke zvýšení cíleného úklidu. Celou práci, je proto možné využít pro zkvalitnění informovanosti o této problematice.
|
|
|
Plánování tras multirobotického systému v dynamickém prostředí
Dokoupil, Ladislav ; Veigend, Petr (oponent) ; Zbořil, František (vedoucí práce)
Tato práce řeší problematiku prohledávání dynamického prostředí s využitím multiagentních systémů. Primárním výsledkem této práce je zapojení do soutěže MAPC2022, ale uplatnění lze nalézt v prohledávání neznámého prostoru za předpokladu omezené viditelnosti a zároveň neomezené vzdálenosti komunikace agentů. Po popsání současných možností řešení dané problematiky i s jejich omezeními je k implementaci zvolen algoritmus na bázi optimalizace mravenčí kolonie. Z údajů sbíraných při běhu programu s různými parametry byly následně vytvořeny přehledné grafy. Výsledkem práce je optimalizace platformy předchozího roku, lepší synchronizace agentů a až o polovinu lepší výsledky z pohledu množství prozkoumaného terénu oproti předchozímu řešení.
|
|
|
Trénování inteligentních agentů v enginu Unity
Vaculík, Jan ; Chlubna, Tomáš (oponent) ; Matýšek, Michal (vedoucí práce)
Cílem práce je navrhnout aplikace, které demonstrují sílu strojového učení pro tvorbu umělé inteligence ve videohrách. K řešení této problematiky je použita sada nástrojů ML-Agents, která umožňuje tvorbu inteligentních agentů v enginu Unity. Jednotlivé demonstrační aplikace jsou zaměřeny na různé scénáře využití této sady. Pro trénování je použito zpětnovazební a imitační učení.
|
|
|
Deep Learning AI in Game Environments
Glós, Kristián ; Bobák, Petr (oponent) ; Polášek, Tomáš (vedoucí práce)
This thesis is focused on analysing deep learning algorithms and their ability to complete given tasks implemented in game environments created via the Unity game engine. Secondary objective was to research and specify possible use-cases of deep learning during game development. The algorithms used fall into Reinforcement learning, Imitation learning and Neuroevolution, while Reinforcement learning was used throughout the whole game scene development cycle. Analysis and results were collected through training the networks in different game scene states and other factors.
|
host ::
RSS.