Soutěživá koevoluce v kartézském genetickém programování
Loading...
Date
Authors
ORCID
Advisor
Referee
Mark
A
Journal Title
Journal ISSN
Volume Title
Publisher
Vysoké učení technické v Brně. Fakulta informačních technologií
Abstract
Symbolická regrese je metoda hledání předpisů funkcí, které co nejpřesněji prochází danými body v rovině nebo prostoru. V této práci je řešena symbolická regrese s využitím kartézského genetického programování a soutěživé koevoluce. Tato úloha byla již dříve řešena pomocí kartézského genetického programování a koevoluce prediktorů fitness. V této práci je zkoumáno, zda-li jednodušší soutěživá koevoluce dokáže dosáhnout obdobných výsledků jako koevoluce prediktorů fitness. Symbolická regrese je v této práci testována na pěti různě složitých úlohách. Při testování se ukázalo, že při řešení jednodušších úloh dosahuje soutěživá koevoluce oproti klasickému kartézskému genetickému programování výrazně vyššího zrychlení než koevoluce prediktorů fitness. Složitější úlohy, ve kterých koevoluce prediktorů fitness obstála stejně dobře jako v jednodušších, však soutěživá koevoluce vyřešit nedokázala.
Symbolic regression is a function formula search approach dealing with isolated points of the function in plane or space. In this thesis, the symbolic regression is performed by Cartesian Genetic Programming and Competitive Coevolution. This task has already been resolved by Cartesian Genetic Programming using Coevolution of Fitness Predictors. This thesis is concerned with comparison of Coevolution of Fitness Predictors with simpler Competitive Coevolution approach in terms of approach effort. Symbolic regression has been tested on five functions with different complexity. It has been shown, that Competitive Coevolution accelerates the symbolic regression task on plainer functions in comparison with Coevolution of Fitness Predictors. However, Competitive Coevolution is not able to solve more complex functions in which Coevolution of Fitness Predictors succeeded.
Symbolic regression is a function formula search approach dealing with isolated points of the function in plane or space. In this thesis, the symbolic regression is performed by Cartesian Genetic Programming and Competitive Coevolution. This task has already been resolved by Cartesian Genetic Programming using Coevolution of Fitness Predictors. This thesis is concerned with comparison of Coevolution of Fitness Predictors with simpler Competitive Coevolution approach in terms of approach effort. Symbolic regression has been tested on five functions with different complexity. It has been shown, that Competitive Coevolution accelerates the symbolic regression task on plainer functions in comparison with Coevolution of Fitness Predictors. However, Competitive Coevolution is not able to solve more complex functions in which Coevolution of Fitness Predictors succeeded.
Description
Citation
SKŘIVÁNKOVÁ, B. Soutěživá koevoluce v kartézském genetickém programování [online]. Brno: Vysoké učení technické v Brně. Fakulta informačních technologií. 2014.
Document type
Document version
Date of access to the full text
Language of document
cs
Study field
Informační technologie
Comittee
prof. Ing. Miroslav Švéda, CSc. (předseda)
doc. RNDr. Jitka Kreslíková, CSc. (místopředseda)
Ing. Vítězslav Beran, Ph.D. (člen)
Ing. Michal Bidlo, Ph.D. (člen)
Ing. Bohuslav Křena, Ph.D. (člen)
Date of acceptance
2014-08-25
Defence
Studentka nejprve prezentovala výsledky, kterých dosáhla v rámci své práce. Komise se poté seznámila s hodnocením vedoucího a posudkem oponenta práce. Studentka následně odpověděla na otázku oponenta a na další otázky přítomných. Komise se na základě posudku oponenta, hodnocení vedoucího, přednesené prezentace a odpovědí studentky na položené otázky rozhodla práci hodnotit stupněm " A ". Otázky u obhajoby: Zkoušela jste porovnat výsledky soutěživé koevoluce oproti přístupu, kdy jsou sady trénovacích vektorů generovány pomocí náhodného prohledávání?
Result of defence
práce byla úspěšně obhájena
Document licence
Standardní licenční smlouva - přístup k plnému textu bez omezení