Perturbační detekce závislostí v black-box optimalizaci pseudo-boolovských funkcí
Perturbative Linkage Learning for Black-box Optimization of Pseudo-Boolean Functions
Typ dokumentu
bakalářská prácebachelor thesis
Autor
Vojtěch Vaněček
Vedoucí práce
Pošík Petr
Oponent práce
Kubalík Jiří
Studijní obor
Základy umělé inteligence a počítačových vědStudijní program
Otevřená informatikaInstituce přidělující hodnost
katedra kybernetikyPráva
A university thesis is a work protected by the Copyright Act. Extracts, copies and transcripts of the thesis are allowed for personal use only and at one?s own expense. The use of thesis should be in compliance with the Copyright Act http://www.mkcr.cz/assets/autorske-pravo/01-3982006.pdf and the citation ethics http://knihovny.cvut.cz/vychova/vskp.htmlVysokoškolská závěrečná práce je dílo chráněné autorským zákonem. Je možné pořizovat z něj na své náklady a pro svoji osobní potřebu výpisy, opisy a rozmnoženiny. Jeho využití musí být v souladu s autorským zákonem http://www.mkcr.cz/assets/autorske-pravo/01-3982006.pdf a citační etikou http://knihovny.cvut.cz/vychova/vskp.html
Metadata
Zobrazit celý záznamAbstrakt
Tato práce se zabývá optimalizací pseudo-boolovských funkcí pomocí, nedávno představeného, genetického algoritmu Dark Gray, který v průběhu optimalizace dekomponuje řešený problém. Tato naučená, původně neznámá, struktura řešeného problému následně umožní využít Gray-box optimalizačních technik. Abychom mohli využít těchto technik, popisujeme známé techniky pro detekci interakcí mezi jednotlivými proměnnými založené na perturbaci. Následně jsme popsali a analyzovali genetický algoritmus Dark Gray. Výsledek této analýzy vedl k návrhu úpravy v postupu učení interakcí, který jsme následně implementovali do genetického algoritmu. Nakonec v práci uvádíme jak provedené úpravy ovlivnili průběh optimalizace různých pseudo-boolovských funkcí. This thesis focuses on the optimization of pseudo-boolean functions using the recently introduced Dark Gray genetic algorithm, which decomposes the problem being solved during the optimization process. This learned, initially covert, underlying structure of the optimized problem then allows the use of Gray-box optimization techniques. To take advantage of these techniques, we describe well-known perturbation-based techniques for detecting interactions among the variables. Subsequently, we describe and analyze the Dark Gray genetic algorithm. The result of this analysis led us to propose a modification in the interaction learning procedure, which we then implemented to the genetic algorithm. Finally, in this thesis we present how the modifications made influenced the optimization performance on various pseudo-boolean functions.
Kolekce
- Bakalářské práce - 13133 [714]