|
|
Užití genetického programování v návrhu digitálních obvodů
Hejtmánek, Michal ; Bidlo, Michal (oponent) ; Gajda, Zbyšek (vedoucí práce)
Cílem této práce bylo nastudování evolučních algoritmů a jejich využití pro návrh digitálních obvodů. Především jsem se zaměřil na genetické programování a jeho rozdílný způsob zacházení se stavebními bloky ve srovnání s genetickým algoritmem. Na základě těchto dvou přístupů jsem vytvořil a odzkoušel hybridní metodu návrhu obvodů. Tato metoda využívá šíření schemat podle genetického algoritmu pro problémy řešené genetickým programováním. U složitějších obvodů dosahuje vyšší úspěšnosti návrhu i rychlejší konvergence k řešení než obecný algoritmus genetického programování.
|
|
|
Automated Multi-Objective Parallel Evolutionary Circuit Design and Approximation
Hrbáček, Radek ; Fišer, Petr (oponent) ; Trefzer,, Martin (oponent) ; Sekanina, Lukáš (vedoucí práce)
Recently, energy efficiency has become one of the most important properties of computing platforms, especially because of limited power supply capacity of battery-power devices and very high consumption of growing data centers and cloud infrastructure. At the same time, in an increasing number of applications users are able to tolerate inaccurate or incorrect computations to a certain extent due to the imperfections of human senses, statistical nature of data processing, noisy input data etc. Approximate computing, an emerging paradigm in computer engineering, takes advantage of relaxed functionality requirements to make computer systems more efficient in terms of energy consumption, computing performance or complexity. Error resilient applications can achieve significant savings while still serving their purpose with the same or a slightly degraded quality. Even though new design methods for approximate computing are emerging, there is a lack of methods for automated approximate HW/SW design offering a rich set of compromise solutions. Conventional methods often produce solutions that are far from an optimum. Evolutionary algorithms have been shown to bring innovative solutions to complex design and optimization problems. However, these methods suffer from several problems, such as the scalability or a high number of fitness evaluations needed to evolve competitive results. Finally, existing methods are usually single-objective whilst multi-objective approach is more suitable in the case of approximate computing. In this thesis, a new automated multi-objective parallel evolutionary algorithm for circuit design and approximation is proposed. The method is based on Cartesian Genetic Programming. In order to improve the scalability of the algorithm, a brand new highly parallel implementation was proposed. The principles of the NSGA-II algorithm were used to provide the multi-objective design and approximation capability. The performance of the implementation was evaluated in multiple different applications, in particular (approximate) combinational arithmetic circuits design, bent Boolean functions discovery and approximate logic circuits for TMR schema. In these cases, important improvements with respect to the state of the art were obtained.
|
|
|
Evoluční návrh využívající přepisovací systémy
Nétková, Barbora ; Hyrš, Martin (oponent) ; Bidlo, Michal (vedoucí práce)
V této práci byla navržena a implementována metoda pro evoluční návrh přepisovacích systémů. Pomocí genetického algoritmu jsou navrhována pravidla pro specifickou variantu Lindenmayerova systému. Navržené gramatiky jsou následně interpretovány jako rostoucí řadicí sítě. Byly prozkoumány různé přístupy interpretace L-systému na řadící sítě. Bude ukázáno, že evoluce je schopna navrhnout přepisovací systém pro částečně rostoucí sítě. Mezi nejlepší výsledky patří L-systémy navržené evolucí pro tvorbu sítí s 24 vstupy, které jsou schopny v dalších derivacích vytvořit síť až o 36 vstupech.
|
|
|
Evoluční návrh filtrů pro zpracování signálů
Dobiš, Tomáš ; Hrbáček, Radek (oponent) ; Dobai, Roland (vedoucí práce)
Kalmanův filter slouží na filtrovaní signálů na základe konfigurace filtra a odhadu hodnot. Jeho konfigurace je však obtížná a vyžaduje zkušenosti matematika. Tato práce se věnuje implementaci metody pro spracování signálů s využitím Kartézského genetického programování, kde výhodou je automatizovaná konfigurace filtra. Výsledná metoda je porovnána na vícerých testovacích příkladech s Kalmanovým filtrem. Z výsledků je možno usoudit, že implementovaná metoda funguje porovnatelne efektivne při filtrovaní periodických a exponenciálních vstupech, a při filtrování konstantních vstupů funguje mnohem efektivněji než Kalmanův filter.
|
|
|
Evoluční návrh obvodů na úrovni tranzistorů
Žaloudek, Luděk ; Vašíček, Zdeněk (oponent) ; Sekanina, Lukáš (vedoucí práce)
Tato práce se zabývá evolučním návrhem elektronických obvodů na úrovni tranzistorů se zaměřením na číslicové obvody. Popisuje teoretické základy pro evoluční návrh obvodů na výpočetních systémech včetně vysvětlení evolučních algoritmů genetického programování a evolučních strategií, možných úrovní návrhu elektronických obvodů, přehledu technologie CMOS a nejdůležitějších evolučních metod pro návrh obvodů, jako jsou development a kartézské genetické programování (CGP). Dále je uvedena nová metoda návrhu číslicových obvodů s tranzistory založená na CGP a je představen vývojový systém, který tuto metodu využívá. Na závěr jsou popsány a vyhodnoceny experimenty provedené se systémem.
|
|
|
Evoluční návrh s využitím přepisovacích systémů
Hýsek, Jiří ; Jaroš, Jiří (oponent) ; Bidlo, Michal (vedoucí práce)
Tato práce se zaměřuje na problematiku evolučního návrhu, věnuje se zejména problému zakódování kandidátního řešení. Běžně používané techniky evolučního návrhu pracují s kódováním kandidátního řešení, které není vhodné pro návrh rozsáhlých struktur. Práce se zabývá možným řešením popisovaného problému, tedy netriviálním převodem fenotypu na genotyp -- developmentem. Tuto techniku demonstrujeme na evolučním návrhu posloupnosti přepisovacích pravidel, která umožňující konstrukci libovolně velkých řadicích sítí.
|
|
|
Metoda pro evoluční návrh násobiček využívající development
Kaplan, Tomáš ; Jaroš, Jiří (oponent) ; Bidlo, Michal (vedoucí práce)
Tato práce je zaměřena na techniky překonání problému škálovatelnosti při evolučním návrhu kombinačních násobiček. Běžně používané techniky evolučního návrhu pracují přímo s kandidátním řešením, což není příliš vhodné při návrhu rozsáhlých struktur. Je zde použita technika developmentu, která zajišťuje netriviální mapování genotypu na fenotyp. Pomocí developmentu založeného na instrukcích jsme schopni vytvořit poměrně rozsáhlé obvody. V práci jsou představeny tři modely pro tvoření násobičky, která jako poslední stupeň obvodu pro výpočet finálního součtu využívá sčítačku s postupným přenosem.
|
|
|
Modularita v evolučním návrhu
Klemšová, Jarmila ; Bidlo, Michal (oponent) ; Vašíček, Zdeněk (vedoucí práce)
Tato práce popisuje vybrané evoluční algoritmy a jejich využití hlavně v oblasti návrhu číslicových obvodů. V první části se zabývá obecným principem evolučních algoritmů. Na tuto část navazuje genetickými algoritmy a genetickým programováním. Dále se zabývá popisem kartézského genetického programování a některými jeho modifikacemi jako modulární, sebemodifikující se a kartézské genetické programování s více chromozomy. Hlavní část tvoří návrh a implementace modularizační techniky pro zefektivnění evolučního návrhu. Nedílnou součástí je experimentální vyhodnocení systému na sadě benchmarkových obvodů.
|
|
|
Evoluční návrh umělé neuronové sítě
Jílek, Tomáš ; Šperka, Svatopluk (oponent) ; Pospíchal, Petr (vedoucí práce)
Tato bakalářská práce je zaměřena na Neuronové sítě, Genetické algoritmy a evoluční návrh. První část popisuje Neuronové sítě, jejich historii, učení, způsob použití a Genetické algoritmy, jejich části, operátory a použití. Další část je věnována predikcícm časových řad, a to konkrétně pomocí Neuronových sítí. Poté následuje samotná implementace a experimenty s evolučně navrhnutými Neuronovými sítěmi pro predikci, v nichž jsou jako časové řady použity kurzy několika měn. V závěru je provedeno shrnutí dosažených výsledků a diskuze nad nimi, stejně tak nad možnostmi dalšího rozvoje práce.
|
|
|
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.
|
host ::
RSS.