|
|
Symbolická regrese a koevoluce
Drahošová, Michaela ; Žaloudek, Luděk (oponent) ; Sekanina, Lukáš (vedoucí práce)
Symbolická regrese je úloha identifikace matematického popisu skryté závislosti experimentálně získaných dat. Symbolická regrese je úzce spjata se základními úlohami strojového učení. Tato práce se zabývá symbolickou regresí a jejím řešením založeném na principu genetického programování a koevoluce. Genetické programování je evolucí inspirovaná metoda strojového učení, která automaticky generuje celé programy v určitém programovacím jazyce. Koevoluce fitness prediktorů je optimalizační metoda modelování fitness, která snižuje náročnost a frekvenci výpočtu fitness. Tato práce se zabývá návrhem a implementací řešení symbolické regrese s užitím koevoluce fitness prediktorů a srovnáním s řešením bez užití koevoluce. Experimenty byly provedeny s použitím kartézského genetického programování.
|
|
| |
|
|
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.
|
|
|
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.
|
|
|
Automated Design Methodology for Approximate Low Power Circuits
Mrázek, Vojtěch ; Bosio, Alberto (oponent) ; Fišer, Petr (oponent) ; Sekanina, Lukáš (vedoucí práce)
The rapid expansion of modern embedded and battery-powered systems has brought new challenges for design methods oriented to low power circuits and systems. Although these methods systematically apply various power optimization techniques, the overall power requirements are still growing because of the increased complexity of integrated circuits. It has been shown that many applications are inherently error resilient and this property can be exploited for further power consumption reduction. This principle is systematically investigated in the nascent field of approximate computing. This thesis deals with efficient design methods for approximate circuits. The proposed methods are based on evolutionary algorithms (EAs). Although EAs have been applied in logic synthesis and optimization of common as well as approximate circuits, their scalability is limited in these areas. The goal of this dissertation is to show that approximate logic synthesis based on evolutionary algorithms (particularly on genetic programming) can provide excellent tradeoffs between the error and power consumption of complex digital circuits. We analyzed four different applications that use digital circuits described at three different levels of abstraction. By means of Cartesian genetic programming we reduced power consumption of small transistor-level circuits that are typically used in a technology library. We combined evolutionary approximation with formal verification techniques in order to evolve high quality gate-level approximate circuits such as adders and multipliers and provide formal guarantees on the approximation error. These circuits were employed to reduce power consumption in neural image classifiers and discrete cosine transform blocks of the HEVC encoder. We proposed a new data-independent error metric - the distance error - and used it in the evolutionary approximation of complex median circuits that are suitable for low power signal processing. This doctoral thesis presents a coherent methodology for the design of approximate circuits at different levels of description which is also capable of providing formal guarantees on the approximation error.
|
|
|
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 pro aproximaci obvodů
Dvořáček, Petr ; Vašíček, Zdeněk (oponent) ; Sekanina, Lukáš (vedoucí práce)
V posledních letech klademe stále větší důraz na energetickou úspornost integrovaných obvodů. Můžeme vytvořit aproximační obvody, které nesplňují specifikovanou logickou funkci, a které jsou cíleně navrženy ke snížení velikosti, doby odezvy a příkonu. Tyto nepřesné obvody lze využít v mnoha aplikacích, kde lze tolerovat chyby, obzvláště v aplikacích ve zpracování signálů a obrazu, počítačové grafiky a strojového učení. Tato práce popisuje evoluční přístup k návrhu aproximačních aritmetických obvodů a dalších složitějších obvodů. Díky paralelnímu výpočtu fitness byl evoluční návrh osmibitových násobiček urychlen až 170 krát oproti standardnímu přístupu. Pomocí inkrementální evoluce byly vytvořeny různé aproximační aritmetické obvody. Vyvinuté obvody byly použity v různých typech detektorů hran.
|
|
|
Soutěživá koevoluce v kartézském genetickém programování
Skřivánková, Barbora ; Petrlík, Jiří (oponent) ; Drahošová, Michaela (vedoucí práce)
Symbolická regrese je metoda hledání předpisů funkcí, které co nejpřesněji prochází danými body v rovině nebo prostoru. V této práci je řešena symbolická regrese s využitím kartézského genetického programování a soutěživé koevoluce. Tato úloha byla již dříve řešena pomocí kartézského genetického programování a koevoluce prediktorů fitness. V této práci je zkoumáno, zda-li jednodušší soutěživá koevoluce dokáže dosáhnout obdobných výsledků jako koevoluce prediktorů fitness. Symbolická regrese je v této práci testována na pěti různě složitých úlohách. Při testování se ukázalo, že při řešení jednodušších úloh dosahuje soutěživá koevoluce oproti klasickému kartézskému genetickému programování výrazně vyššího zrychlení než koevoluce prediktorů fitness. Složitější úlohy, ve kterých koevoluce prediktorů fitness obstála stejně dobře jako v jednodušších, však soutěživá koevoluce vyřešit nedokázala.
|
|
|
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.