Urychlení evolučních algoritmů pomocí neuronových sítí
Accelerating evolutionary algorithms by means of neural networks
Typ dokumentu
diplomová prácemaster thesis
Autor
Jaroslav Langer
Vedoucí práce
Holeňa Martin
Oponent práce
Koza Jan
Studijní obor
Znalostní inženýrstvíStudijní program
InformatikaInstituce 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
Metoda CMA-ES byla zkombinována s ansámbly sítí s různými aktivačními funkcemi jako náhradní model. Během ročního důkladného experimentování tyto ansámbly prokázaly schopnost odhadovat nejistotu. Ačkoli ukázaly potenciál, neprokázaly se jako univerzální řešení, přinášely smíšené výsledky napříč různými funkcemi a dimenzemi. Značná pozornost byla věnována dimenzi 2, kde bylo pozorováno zlepšení výkonu, ačkoliv s různým úspěchem v ostatních dimenzích, kde výsledky často zhoršovaly. Toto vyšetřování předpokládá, že s investicí času srovnatelnous tou, která je vyžadována pro náhradní modely založené na Gaussovských procesech (GP), by mohly být dosaženy podobné nebo lepší výsledky. Nicméně praktičnost takové investice je zpochybňována, zejména vzhledem k existující efektivitě pokročilých metod jako jsou DTS-CMA-ES a lq-CMA-ES. Hlavním přínosem této práce je vývoj mini-frameworku pro testování náhradních modelů, který je navržen tak, aby snížil bariéry pro vstup pro výzkumníky a praktiky zajímající se o aplikaci náhradních modelů na CMA-ES. The Covariance Matrix Adaptation Evolution Strategy (CMA-ES) was combined with ensembles of networks with different activation functions as a surrogate model. Over a year of rigorous experimentation, these ensembles demonstrated an ability to estimate uncertainty. However, while they showed potential, they did not prove to be a universal solution, yielding mixed results across different functions and dimensions. Significant focus was placed on dimension 2, where enhancements in performance were observed, albeit with varying success in other dimensions where results often deteriorated. This investigation posits that, with an investment of time comparable to that required for Gaussian Process (GP)-based surrogates, similar or better outcomes might be achieved. Yet, the practicality of such an investment is questioned, especially considering the existing efficacy of advanced methods like DTS-CMA-ES and lq-CMA-ES. A principal contribution of this thesis is the development of a mini-framework for surrogate testing, designed to lower the barriers to entry for researchers and practitioners interested in applying surrogate models to CMA-ES.
Kolekce
- Diplomové práce - 18105 [194]