Paralelní implementace symbolické regrese

Abstract

Svět kolem nás je plný neprozkoumaných dat. Tato diplomová práce se zaměřuje na jejich prozkoumání pomocí symbolické regrese, která je založena na hledání vzorečku nejlépe popisujícího hodnoty funkce použité pro vytvoření datasetu. Evoluční algoritmy, genetické programování a symbolická regrese a její užití jsou teoreticky popsány. Na základě teoretické části je navržena a implementována paralelní verze symbolické regrese pomocí genetického programování v jazyce Scala za užití clusterového enginu Apache Spark. Jsou provedeny experimenty stran škálovatelnosti navrženého řešení. Výsledky těchto experimentů ukazují, že symbolická regrese může být navrženou paralelní implementací významně urychlena.

The world around us is full of unexplored data. This thesis focuses on their exploration using symbolic regression, which searches for a symbolic formula that best approximates values of the function used for the generation of the dataset. Evolutionary algorithms, genetic programming, and symbolic regression and its applications are theoretically described. Based on the description, a parallel implementation of symbolic regression using genetic programming is proposed. The program is implemented in the Scala language based on Apache Spark. Experiments about the scalability of the parallel implementation are performed. The results of these experiments show that the parallel implementation can significantly speed-up symbolic regression.