Show simple item record

Coevolution of Fitness Predicotrs in Cartesian Genetic Programming

dc.contributor.advisorSekanina, Lukášen
dc.contributor.authorDrahošová, Michaelaen
dc.date.accessioned2020-05-11T04:25:32Z
dc.date.available2020-05-11T04:25:32Z
dc.date.created2017cs
dc.identifier.citationDRAHOŠOVÁ, M. Koevoluce prediktorů fitness v kartézském genetickém programování [online]. Brno: Vysoké učení technické v Brně. Fakulta informačních technologií. 2017.cs
dc.identifier.other128180cs
dc.identifier.urihttp://hdl.handle.net/11012/187309
dc.description.abstractKartézské genetické programován (CGP) je evoluc inspirovaná metoda strojového učen, která je primárně určená pro automatizovaný návrh programů a čslicových obvodů. CGP je úspěšné v řešen mnoha úloh z reálného světa. Avšak k nalezen inovativnch řešen obvykle potřebuje značný výpočetn výkon. Každý kandidátn program navržený pomoc CGP mus být spuštěn, aby se zjistilo, do jaké mry tento program řeš zadaný problém, a mohla mu být přiřazena fitness hodnota. Právě vyhodnocen fitness bývá výpočetně nejnáročnějš část návrhu pomoc CGP. Tato práce se zabývá využitm koevoluce prediktorů fitness v CGP za účelem zrychlen procesu evolučnho návrhu prováděného pomoc CGP. Prediktor fitness je malá podmnožina trénovacch dat použvaná pro rychlý odhad fitness hodnoty namsto náročného vyhodnocen objektivn fitness hodnoty. Koevoluce prediktorů fitness je optimalizačn metoda modelován fitness, která snižuje náročnost a frekvenci výpočtu fitness. V této práci je koevolučn algoritmus přizpůsoben pro CGP a jsou představeny a zkoumány tři přstupy k zakódován prediktorů fitness. Představená metoda je experimentálně vyhodnocena v pěti úlohách symbolické regrese a v úloze návrhu obrazových filtrů. Výsledky experimentů ukazuj, že pomoc této metody lze významně snžit výpočetn čas, který CGP potřebuje pro řešen zkoumané třdy úloh.en
dc.description.abstractCartesian 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.cs
dc.language.isoencs
dc.publisherVysoké učení technické v Brně. Fakulta informačních technologiícs
dc.rightsStandardní licenční smlouva - přístup k plnému textu bez omezenícs
dc.subjectEvolučn návrhen
dc.subjectkartézské genetické programovánen
dc.subjectkoevolučn algoritmyen
dc.subjectpredikce fitness.en
dc.subjectEvolutionary designcs
dc.subjectcartesian genetic programmingcs
dc.subjectcoevolutionary algorithmscs
dc.subjectfitness prediction.cs
dc.titleKoevoluce prediktorů fitness v kartézském genetickém programováníen
dc.title.alternativeCoevolution of Fitness Predicotrs in Cartesian Genetic Programmingcs
dc.typeTextcs
dcterms.dateAccepted2017-09-25cs
dcterms.modified2020-05-10-17:46:45cs
thesis.disciplineVýpočetní technika a informatikacs
thesis.grantorVysoké učení technické v Brně. Fakulta informačních technologií. Ústav počítačových systémůcs
thesis.levelDoktorskýcs
thesis.namePh.D.cs
sync.item.dbid128180en
sync.item.dbtypeZPen
sync.item.insts2020.05.14 00:59:00en
sync.item.modts2020.05.14 00:24:38en
eprints.affiliatedInstitution.facultyFakulta informačních technologiícs
dc.contributor.refereePošík, Petren
dc.contributor.refereeŠenkeřík, Romanen
dc.description.markPcs
dc.type.driverdoctoralThesisen
dc.type.evskpdizertační prácecs
but.committeecs
but.defencecs
but.resultpráce byla úspěšně obhájenacs
but.programVýpočetní technika a informatikacs
but.jazykangličtina (English)


Files in this item

Thumbnail
Thumbnail
Thumbnail
Thumbnail
Thumbnail
Thumbnail

This item appears in the following Collection(s)

Show simple item record