|
|
Evolutionary Design of Moving Objects
Fajkus, Jakub ; Schwarz, Josef (referee) ; Bidlo, Michal (advisor)
The aim of this work is to implement a system for automatic evolutionary design of virtual robot controllers. In particular, Linear Genetic Programming representation combined with a steady-state genetic algorithm will be used to find a suitable program that will lead a given virtual robot across a sequence of points denoting a predefined trajectory. The MuJoCo physics engine is applied to allow the user to specify the robot shape and to evaluate its behavior according to candidate programs generated by the genetic algorithm. The goal is to train the robot to follow the given path by optimizing the distance of the robot from the given points during the simulation. The optimization is performed by evolving the programs for a given number of generation of the genetic algorithm. Several sets of experiments will be presented and obtained results will be evaluated.
|
|
|
Accelerated Linear Genetic Programming in Hardware
Ťupa, Josef ; Bidlo, Michal (referee) ; Sekanina, Lukáš (advisor)
The aim of this thesis is to design and implement hardware acceleration of linear genetic programming for symbolic regression. The thesis contains a theoretical introduction into the studies of modern hardware and genetic programming design. Design and implementation of the LGP for symbolic regression is described in the rest of the thesis.
|
|
|
Genetic Programming in Prediction Tasks
Machač, Michal ; Mrázek, Vojtěch (referee) ; Sekanina, Lukáš (advisor)
This thesis introduces various machine learning algorithms which can be used in prediction tasks based on regression. Tree genetic programming and linear genetic programming are explained more thoroughly. Selected machine learning algorithms (linear regression, random forest, multilayer perceptron and tree genetic programming) are compared on publicly available datasets with the use of scikit-learn and gplearn libraries. A core part of this project is a new implementation of linear genetic programming which was developed in C++, tested on common symbolic regression problems and then evaluated on real datasets. Results obtained with the proposed system are compared with the results obtained with gplearn.
|
|
|
Evolutionary design and optimization of components used in high-speed computer networks
Grochol, David ; Sekaj, Ivan (referee) ; Jašek, Roman (referee) ; Sekanina, Lukáš (advisor)
Výzkum prezentovaný v této práci je zaměřen na evoluční optimalizaci vybraných komponent síťových aplikací určených pro monitorovací systémy vysokorychlostních sítí. Práce začíná studiem současných monitorovacích systémů. Jako experimentální platforma byl zvolen systém SDM (Software Defined Monitoring). Detailně bylo analyzováno zpracování síťového provozu, protože tvoří důležitou součást všech monitorovacích systémů. Jako demonstrační komponenty pro aplikaci optimálních technik navržených v této práci byly zvoleny klasifikátor aplikačních protokolů a hashovací funkce pro síťové toky. Evoluční algoritmy byly zkoumány s ohledem nejen na optimalizaci kvality zpracování dat danou síťovou komponentou, ale i na čas potřebný pro výpočet dané komponenty. Byly zkoumány jednokriteriální i vícekriteriální varianty evolučních algoritmů. Byl navržen nový přístup ke klasifikaci aplikačních protokolů. Přesná i aproximativní verze klasifikátoru byla optimalizována pomocí CGP (Kartézské Genetické Programování). Bylo dosaženo výrazné redukce zdrojů a zpoždění v FPGA (Programovatelné Logické Pole) oproti neoptimalizované verzi. Speciální síťové hashovací funkce byly navrženy pomocí paralelní verze LGP (Lineární Genetické Programování). Tyto hashovací funkce vykazují lepší funkcionalitu oproti moderním hashovacím funkcím. S využitím vícekriteriální optimalizace byly vylepšeny výsledky původní jednokriteriální verze LGP. Paralelní zřetězené verze hashovacích funkcí byly implementovány v FPGA a vyhodnoceny za účelem hashování síťových toků. Nová rekonfigurovatelná hashovací funkce byla navržena jako kombinace vybraných hashovacích funkcí. Velmi konkurenceschopná obecná hashovací funkce byla rovněž navržena pomocí multikriteriální verze LGP a její funkčnosti byla ověřena na reálných datových sadách v provedených studiích. Vícekriteriální přístup produkuje mírně lepší řešení než jednokriteriální LGP. Také se potvrdilo, že obecné implementace LGP a CGP jsou použitelné pro automatizovaný návrh a optimalizaci vybraných síťových komponent. Je však důležité zvládnout vícekriteriální povahu problému a urychlit časově kritické operace GP
|
|
|
Genetic Programming Applications
Kachyňa, Tadeáš ; Strnadel, Josef (referee) ; Bidlo, Michal (advisor)
This thesis deals with the problem of the Langton's artificial ant task and the use of tree-based and linear genetic programming as methods for solving this problem. Langton's ant is an abstract mathematical model that uses simple rules to move an ant along a two-dimensional grid. The task is to collect all the food in as few steps as possible. The goal of the thesis is the application of the two techniques mentioned above to selected instances of this problem, subsequent experimentation and statistical evaluation, including a comparison of the results with those available in the literature. In addition, the aim will be to optimize the given methods with various improvements to achieve the best possible results.
|
|
|
Genetic Programming in Prediction Tasks
Machač, Michal ; Mrázek, Vojtěch (referee) ; Sekanina, Lukáš (advisor)
This thesis introduces various machine learning algorithms which can be used in prediction tasks based on regression. Tree genetic programming and linear genetic programming are explained more thoroughly. Selected machine learning algorithms (linear regression, random forest, multilayer perceptron and tree genetic programming) are compared on publicly available datasets with the use of scikit-learn and gplearn libraries. A core part of this project is a new implementation of linear genetic programming which was developed in C++, tested on common symbolic regression problems and then evaluated on real datasets. Results obtained with the proposed system are compared with the results obtained with gplearn.
|
|
|
Evolutionary design and optimization of components used in high-speed computer networks
Grochol, David ; Sekaj, Ivan (referee) ; Jašek, Roman (referee) ; Sekanina, Lukáš (advisor)
Výzkum prezentovaný v této práci je zaměřen na evoluční optimalizaci vybraných komponent síťových aplikací určených pro monitorovací systémy vysokorychlostních sítí. Práce začíná studiem současných monitorovacích systémů. Jako experimentální platforma byl zvolen systém SDM (Software Defined Monitoring). Detailně bylo analyzováno zpracování síťového provozu, protože tvoří důležitou součást všech monitorovacích systémů. Jako demonstrační komponenty pro aplikaci optimálních technik navržených v této práci byly zvoleny klasifikátor aplikačních protokolů a hashovací funkce pro síťové toky. Evoluční algoritmy byly zkoumány s ohledem nejen na optimalizaci kvality zpracování dat danou síťovou komponentou, ale i na čas potřebný pro výpočet dané komponenty. Byly zkoumány jednokriteriální i vícekriteriální varianty evolučních algoritmů. Byl navržen nový přístup ke klasifikaci aplikačních protokolů. Přesná i aproximativní verze klasifikátoru byla optimalizována pomocí CGP (Kartézské Genetické Programování). Bylo dosaženo výrazné redukce zdrojů a zpoždění v FPGA (Programovatelné Logické Pole) oproti neoptimalizované verzi. Speciální síťové hashovací funkce byly navrženy pomocí paralelní verze LGP (Lineární Genetické Programování). Tyto hashovací funkce vykazují lepší funkcionalitu oproti moderním hashovacím funkcím. S využitím vícekriteriální optimalizace byly vylepšeny výsledky původní jednokriteriální verze LGP. Paralelní zřetězené verze hashovacích funkcí byly implementovány v FPGA a vyhodnoceny za účelem hashování síťových toků. Nová rekonfigurovatelná hashovací funkce byla navržena jako kombinace vybraných hashovacích funkcí. Velmi konkurenceschopná obecná hashovací funkce byla rovněž navržena pomocí multikriteriální verze LGP a její funkčnosti byla ověřena na reálných datových sadách v provedených studiích. Vícekriteriální přístup produkuje mírně lepší řešení než jednokriteriální LGP. Také se potvrdilo, že obecné implementace LGP a CGP jsou použitelné pro automatizovaný návrh a optimalizaci vybraných síťových komponent. Je však důležité zvládnout vícekriteriální povahu problému a urychlit časově kritické operace GP
|
|
|
Evolutionary Design of Moving Objects
Fajkus, Jakub ; Schwarz, Josef (referee) ; Bidlo, Michal (advisor)
The aim of this work is to implement a system for automatic evolutionary design of virtual robot controllers. In particular, Linear Genetic Programming representation combined with a steady-state genetic algorithm will be used to find a suitable program that will lead a given virtual robot across a sequence of points denoting a predefined trajectory. The MuJoCo physics engine is applied to allow the user to specify the robot shape and to evaluate its behavior according to candidate programs generated by the genetic algorithm. The goal is to train the robot to follow the given path by optimizing the distance of the robot from the given points during the simulation. The optimization is performed by evolving the programs for a given number of generation of the genetic algorithm. Several sets of experiments will be presented and obtained results will be evaluated.
|
|
|
Accelerated Linear Genetic Programming in Hardware
Ťupa, Josef ; Bidlo, Michal (referee) ; Sekanina, Lukáš (advisor)
The aim of this thesis is to design and implement hardware acceleration of linear genetic programming for symbolic regression. The thesis contains a theoretical introduction into the studies of modern hardware and genetic programming design. Design and implementation of the LGP for symbolic regression is described in the rest of the thesis.
|
guest ::
