Porovnání variant genetického programování v úloze symbolické regrese
Comparison of Genetic Programming Variants in the Symbolic Regression Task

Автор
Advisor
Drahošová, MichaelaReferee
Hurta, MartinGrade
BAltmetrics
Metadata
Показать полную информациюАннотации
Tato práce se zabývá porovnáváním různých variant genetického programování v úloze symbolické regrese. Na zadaných úlohách zkoumá rychlost konvergence a kvalitu nalezeného řešení. Klade si za cíl porovnat kartézské genetické programování, stromové genetické programování a jejich modifikace pomocí koevoluce. Byla použita vlastní implementace (bez využití knihoven), kde jednotlivé varianty spolu sdílí převážnou část kódu. Součástí práce je i ověření použitelnosti implementovaných přístupů při analýze reálných dat. Na základě experimentů bylo zjištěno, že všechny zkoumané přístupy jsou použitelné pro provádění symbolické regrese. Nejlepších výsledků ve zkoumaných oblastech (rychlost konvergence, kvalita nalezeného řešení) dosahovalo kartézské genetické programování s koevolucí. This thesis deals with comparison of genetic programming variants it the task of symbolic regression. Time to converge and quality of evolved solutions are evaluated on nine chosen benchmarks. In particular, tree-based genetic programming, cartesian genetic programming and their modifications using coevolutionary algorithm are investigated. An own implementation of employed methods (without a specific library use) allows to share as much code as possible. Moreover, an analysis of implemented methods efficiency on real world data is provided. Experimental results show that all of the investigated approaches are capable of finding solutions using symbolic regression. Cartesian genetic programming enhanced with coevolution seems to be the most suitable of the investigated approaches in terms of evolved solution quality and time to converge.
Keywords
Symbolická regrese, genetické programování, kartézské genetické programování, koevoluce, Symbolic regression, genetic programming, cartesian genetic programming, coevolution.Language
čeština (Czech)Study brunch
Informační technologieComposition of Committee
doc. Ing. František Zbořil, Ph.D. (předseda) doc. Mgr. Adam Rogalewicz, Ph.D. (místopředseda) Ing. David Bařina, Ph.D. (člen) Ing. Jiří Hynek, Ph.D. (člen) Ing. Lukáš Kekely, Ph.D. (člen)Date of defence
2022-06-15Process of defence
Student nejprve prezentoval výsledky, kterých dosáhl v rámci své práce. Komise se poté seznámila s hodnocením vedoucího a posudkem oponenta práce. Student následně odpověděl na otázky oponenta a na další otázky přítomných. Komise se na základě posudku oponenta, hodnocení vedoucího, přednesené prezentace a odpovědí studenta na položené otázky rozhodla práci hodnotit stupněm B. Otázky u obhajoby: U implementace CGP zmiňujete využití evoluční strategie (1+lambda), kterou jste ale upravil doplněním jednoho náhodně vygenerovaného jedince. Máte toto rozhodnutí podložené experimentálními výsledky? Proč se podle vás ukázal rekurzivní výpočet CGP rychlejší než běžný postup založený na zjištění aktivních uzlů? V kapitole 7 sám zmiňujete, že jednotlivé krabicové grafy zobrazují rozdílné výsledky i pro shodná nastavení parametrů. Jak by šlo tento jev omezit? Kolik procesorového času jste řádově na své experimenty využil? Využil jste nějaké již existující knihovny pro genetické algoritmy?Result of the defence
práce byla úspěšně obhájenaSource
DOLEŽAL, P. Porovnání variant genetického programování v úloze symbolické regrese [online]. Brno: Vysoké učení technické v Brně. Fakulta informačních technologií. 2022.Collections
- 2022 [309]