Zobrazit minimální záznam

Symbolic Regression and Coevolution

dc.contributor.advisorSekanina, Lukášcs
dc.contributor.authorDrahošová, Michaelacs
dc.date.accessioned2018-10-29T13:02:40Z
dc.date.available2018-10-29T13:02:40Z
dc.date.created2011cs
dc.identifier.citationDRAHOŠOVÁ, M. Symbolická regrese a koevoluce [online]. Brno: Vysoké učení technické v Brně. Fakulta informačních technologií. 2011.cs
dc.identifier.other42351cs
dc.identifier.urihttp://hdl.handle.net/11012/54137
dc.description.abstractSymbolická 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.cs
dc.description.abstractSymbolic regression is the problem of identifying the mathematic description of a hidden system from experimental data. Symbolic regression is closely related to general machine learning. This work deals with symbolic regression and its solution based on the principle of genetic programming and coevolution. Genetic programming is the evolution based machine learning method, which automaticaly generates whole programs in the given programming language. Coevolution of fitness predictors is the optimalization method of the fitness modelling that reduces the fitness evaluation cost and frequency, while maintainig evolutionary progress. This work deals with concept and implementation of the solution of symbolic regression using coevolution of fitness predictors, and its comparison to a solution without coevolution. Experiments were performed using cartesian genetic programming.en
dc.language.isocscs
dc.publisherVysoké učení technické v Brně. Fakulta informačních technologiícs
dc.rightsStandardní licenční smlouva - přístup k plnému textu bez omezenícs
dc.subjectSymbolická regresecs
dc.subjectevoluční algoritmycs
dc.subjectgenetické programovánícs
dc.subjectkartézské genetické programovánícs
dc.subjectkoevolucecs
dc.subjectmodelování fitnesscs
dc.subjectprediktory fitness.cs
dc.subjectSymbolic regressionen
dc.subjectevolutionary algorithmsen
dc.subjectgenetic programmingen
dc.subjectcartesian genetic programmingen
dc.subjectcoevolutionen
dc.subjectfitness modelingen
dc.subjectfitness predictors.en
dc.titleSymbolická regrese a koevolucecs
dc.title.alternativeSymbolic Regression and Coevolutionen
dc.typeTextcs
dcterms.dateAccepted2011-06-20cs
dcterms.modified2014-07-17-13:53:34cs
thesis.disciplineBioinformatika a biocomputingcs
thesis.grantorVysoké učení technické v Brně. Fakulta informačních technologií. Ústav počítačových systémůcs
thesis.levelInženýrskýcs
thesis.nameIng.cs
sync.item.dbid42351en
sync.item.dbtypeZPen
sync.item.insts2018.11.02 04:40:24en
sync.item.modts2018.10.22 10:33:28en
dc.contributor.refereeŽaloudek, Luděkcs
dc.description.markAcs
dc.type.drivermasterThesisen
dc.type.evskpdiplomová prácecs


Soubory tohoto záznamu

Thumbnail
Thumbnail

Tento záznam se objevuje v následujících kolekcích

Zobrazit minimální záznam