Adaptace velikosti populace v evolučních algoritmech

Adéla Šterberová

Population Size Adaptation in Evolutionary Algorithms

Type of document

BAKALÁŘSKÁ PRÁCE
BACHELOR THESIS

Author

Adéla Šterberová

Supervisor

Pošík Petr

Opponent

Kubalík Jiří

Study program

Kybernetika a robotika

Institutions assigning rank

katedra kybernetiky

Rights

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.html.
Vysokoškolská 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

Show full item record

Abstract

Jedním z nejdůležitějších parametrů evolučních algoritmů je velikost populace. Tento parametr ovlivňuje do velké míry jejich chování a výsledky. Avšak existuje několik metod jak se nastavení tohoto parametru vyhnout. Jednou je adaptace velikosti populace za běhu algoritmu (Parameter-less EA, Population pyramid, atd.) a druhou je restartování algoritmu s jinou velikostí populace (IPOP, BIPOP, atd.). Cílem této práce je porovnat tyto dvě metody pro genetický algoritmus a algoritmus s modelem nahrazování 'steadystate' na vybraných funkcích reálných čísel a na problému obchodního cestujícího.

The population size is one of the most important parameters of evolutionary algorithms that aects their performance. There are several existing approaches for adapting the population size during the run of the algorithm (Parameter-less EA, Population pyramid, etc.) and for restarting the algorithm with a dierent population size (IPOP, BIPOP, etc.). The goal of this project is to compare these two methodsforthegeneticalgorithmandthe algorithm with the 'steady-state' model andforachosenreal-valuedfunctionsand the travelling salesman problem.