Koevoluční algoritmus pro symbolickou regresi
Co-evolutionary approach to symbolic regression
Typ dokumentu
bakalářská prácebachelor thesis
Autor
Přemysl Pilař
Vedoucí práce
Derner Erik
Oponent práce
Smítková Janků Ladislava
Studijní obor
Znalostní inženýrstvíStudijní program
Informatika 2009Instituce přidělující hodnost
katedra aplikované matematikyPráva
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
Symbolická regrese je stochastická metoda strojového učení. která se pokouší hledat nejlepší model pro daná data, skládající základní matematické funkce. Své modely vylepšuje pomocí genetických operátorů a evolučních technik. Tato práce je věnována koevoluci příznaků a modelů uvnitř symbolické regrese, respektive Single Node Genetic Programming. Slouží jako důkaz funkčnosti této metodu testovanéé na problémech jako je zapojení paralelních rezistorů či manipulace s magnetem. Tento důkaz je uskutečňován na jednocílové optimalizaci Symbolic regression is a stochastic machine learning method which tries to find the best model for given data composed of elementary mathematical functions. It develops its models using genetic operators and evolutionary techniques. This thesis is devoted to the co-evolution of features and models inside a symbolic regression, specifically Single Node Genetic Programming. It serves as a proof of concept of this method demonstrated on problems like parallel resistors or magnetic manipulation. The proof is done on the single objective optimisation
Kolekce
- Bakalářské práce - 18105 [292]