|
|
Evoluční návrh pohybujících se objektů
Fajkus, Jakub ; Schwarz, Josef (oponent) ; Bidlo, Michal (vedoucí práce)
Cílem této práce je implementovat systém pro automatizovaný evoluční návrh kontrolérů virtuálních robotů. Pro nalezení vhodného programu, který bude řídit robota tak, že se bude pohybovat po trajektorii, která je definována posloupností bodů, je použita reprezentace založená na lineárním genetickém programování ve spojení s genetickým algoritmem. Pro vyhodnocení chování robota, kterého křídí kandidátní řešení vygenerované genetickým algoritmem, je použit fyzikální simulátor MuJoCo, který uživateli dovoluje definovat tvar robota. Cílem evoluce ja natrénovat kontrolér robota tak, aby následoval definovanou trasu. Trénování kontroléru robota je založeno na optimalizaci vzdálenosti mezi robotem a body definujícími trajektorii. Optimalizace se provádí evolucí kontrolérů po daný počet generací steady-state genetického algoritmu. Je zde prezentováno několik experimentů s vyhodnocením jejich výsledků.
|
|
| |
|
|
Genetické programování v úlohách predikce
Machač, Michal ; Mrázek, Vojtěch (oponent) ; Sekanina, Lukáš (vedoucí práce)
V této práci jsou představeny různé metody strojového učení, jež lze využít v úlohách predikce založených na regresi. Detailněji je popsáno stromové a lineární genetické programování. S vybranými algoritmy strojového učení (lineární regrese, náhodný les, vícevrstvý perceptron a stromové genetické programování) jsou provedeny experimenty na volně dostupných datových sadách za využití knihoven scikit-learn a gplearn, a získané výsledky jsou porovnány z pohledu kvality predikce. Stěžejní částí této práce byla implementace systému lineárního genetického programování v programovacím jazyce C++, která byla nejprve testována na umělých úlohách symbolické regrese, a následně na reálných datových sadách. Výsledky získané pomocí vytvořené implementace jsou porovnány vůči výsledkům získaným pomocí knihovny gplearn.
|
|
|
Evolutionary design and optimization of components used in high-speed computer networks
Grochol, David ; Sekaj, Ivan (oponent) ; Jašek, Roman (oponent) ; Sekanina, Lukáš (vedoucí práce)
The research presented in this thesis is directed toward the evolutionary optimization of selected components of network applications intended for high-speed network monitoring systems. The research started with a study of current network monitoring systems. As an experimental platform, the Software Defined Monitoring (SDM) system was chosen. Because traffic processing is an important part of all monitoring systems, it was analyzed in greater detail. For detailed studies conducted in this thesis, two components were selected: the classifier of application protocols and the hash functions for network flow processing. The evolutionary computing techniques were surveyed with the aim to optimize not only the quality of processing but also the execution time of evolved components. The single-objective and multi-objective versions of evolutionary algorithms were considered and compared. A new approach to the application protocol classifier design was proposed. Accurate and relaxed versions of the classifier were optimized by means of Cartesian Genetic Programming (CGP). A significant reduction in Field-Programmable Gate Array (FPGA) resources and latency was reported.Specialized, highly optimized network hash functions were evolved by parallel Linear Genetic Programming (LGP). These hash functions provide better functionality (in terms of quality of hashing and execution time) than the state-of-the-art hash functions. Using multi-objective LGP, we even improved the hash functions evolved with the single-objective LGP. Parallel pipelined hash functions were implemented in an FPGA and evaluated for purposes of network flow hashing. A new reconfigurable hash function was developed as a combination of selected evolved hash functions. Very competitive general-purpose hash functions were also evolved by means of multi-objective LGP and evaluated using representative data sets. The multi-objective approach produced slightly better solutions than the single-objective approach. We confirmed that common LGP and CGP implementations can be used for automated design and optimization of selected components; however, it is important to properly handle the multi-objective nature of the problem and accelerate time-critical operations of GP.
|
|
|
Aplikace genetického programování
Kachyňa, Tadeáš ; Strnadel, Josef (oponent) ; Bidlo, Michal (vedoucí práce)
Tato práce se věnuje problematice úlohy Langtonova mravence a využití stromového a lineárního genetického programování jako metod pro řešení tohoto problému. Langtonův mravenec je abstraktní matematický model, jenž využívá jednoduchých pravidel k pohybu mravence po dvoudimenzionální mřížce. Úkolem je sesbírat všechnu potravu v co nejmenším počtu kroků. Cílem práce je tedy aplikace výše dvou zmíněných technik na vybrané instance tohoto problému, následné provedení experimentů a statistické vyhodnocení včetně porovnání výsledků s těmi dostupnými v literatuře. Mimo to bude cílem dané metody optimalizovat různými vylepšeními pro dosáhnutí co nejlepších výsledků.
|
|
|
Genetické programování v úlohách predikce
Machač, Michal ; Mrázek, Vojtěch (oponent) ; Sekanina, Lukáš (vedoucí práce)
V této práci jsou představeny různé metody strojového učení, jež lze využít v úlohách predikce založených na regresi. Detailněji je popsáno stromové a lineární genetické programování. S vybranými algoritmy strojového učení (lineární regrese, náhodný les, vícevrstvý perceptron a stromové genetické programování) jsou provedeny experimenty na volně dostupných datových sadách za využití knihoven scikit-learn a gplearn, a získané výsledky jsou porovnány z pohledu kvality predikce. Stěžejní částí této práce byla implementace systému lineárního genetického programování v programovacím jazyce C++, která byla nejprve testována na umělých úlohách symbolické regrese, a následně na reálných datových sadách. Výsledky získané pomocí vytvořené implementace jsou porovnány vůči výsledkům získaným pomocí knihovny gplearn.
|
|
|
Evolutionary design and optimization of components used in high-speed computer networks
Grochol, David ; Sekaj, Ivan (oponent) ; Jašek, Roman (oponent) ; Sekanina, Lukáš (vedoucí práce)
The research presented in this thesis is directed toward the evolutionary optimization of selected components of network applications intended for high-speed network monitoring systems. The research started with a study of current network monitoring systems. As an experimental platform, the Software Defined Monitoring (SDM) system was chosen. Because traffic processing is an important part of all monitoring systems, it was analyzed in greater detail. For detailed studies conducted in this thesis, two components were selected: the classifier of application protocols and the hash functions for network flow processing. The evolutionary computing techniques were surveyed with the aim to optimize not only the quality of processing but also the execution time of evolved components. The single-objective and multi-objective versions of evolutionary algorithms were considered and compared. A new approach to the application protocol classifier design was proposed. Accurate and relaxed versions of the classifier were optimized by means of Cartesian Genetic Programming (CGP). A significant reduction in Field-Programmable Gate Array (FPGA) resources and latency was reported.Specialized, highly optimized network hash functions were evolved by parallel Linear Genetic Programming (LGP). These hash functions provide better functionality (in terms of quality of hashing and execution time) than the state-of-the-art hash functions. Using multi-objective LGP, we even improved the hash functions evolved with the single-objective LGP. Parallel pipelined hash functions were implemented in an FPGA and evaluated for purposes of network flow hashing. A new reconfigurable hash function was developed as a combination of selected evolved hash functions. Very competitive general-purpose hash functions were also evolved by means of multi-objective LGP and evaluated using representative data sets. The multi-objective approach produced slightly better solutions than the single-objective approach. We confirmed that common LGP and CGP implementations can be used for automated design and optimization of selected components; however, it is important to properly handle the multi-objective nature of the problem and accelerate time-critical operations of GP.
|
|
|
Evoluční návrh pohybujících se objektů
Fajkus, Jakub ; Schwarz, Josef (oponent) ; Bidlo, Michal (vedoucí práce)
Cílem této práce je implementovat systém pro automatizovaný evoluční návrh kontrolérů virtuálních robotů. Pro nalezení vhodného programu, který bude řídit robota tak, že se bude pohybovat po trajektorii, která je definována posloupností bodů, je použita reprezentace založená na lineárním genetickém programování ve spojení s genetickým algoritmem. Pro vyhodnocení chování robota, kterého křídí kandidátní řešení vygenerované genetickým algoritmem, je použit fyzikální simulátor MuJoCo, který uživateli dovoluje definovat tvar robota. Cílem evoluce ja natrénovat kontrolér robota tak, aby následoval definovanou trasu. Trénování kontroléru robota je založeno na optimalizaci vzdálenosti mezi robotem a body definujícími trajektorii. Optimalizace se provádí evolucí kontrolérů po daný počet generací steady-state genetického algoritmu. Je zde prezentováno několik experimentů s vyhodnocením jejich výsledků.
|
|
| |
host ::
RSS.