Využití umělých neuronových sítí při řešení hlavolamu (N^2-1)
Application of Artificial Neural Networks in Solving the (N^2-1)-Puzzle
Type of document
BAKALÁŘSKÁ PRÁCEBACHELOR THESIS
Author
Vojtěch Cahlík
Supervisor
Surynek Pavel
Opponent
Vašata Daniel
Field of study
Znalostní inženýrstvíStudy program
InformatikaInstitutions assigning rank
katedra aplikované matematikyRights
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 recordAbstract
Práce se zaměřuje na využití umělých neuronových sítí při hledání řešení hlavolamu (N^2-1), která jsou blízká řešením optimálním. V první části práce je provedena analýza možností využití umělých neuronových sítí při řešení hlavolamu, a je zjištěno, že nejefektivnější je použít umělou neuronovou síť jako heuristiku pro algoritmy prohledávání stavového prostoru. Později se práce zaměřuje na natrénování několika heuristik založených na hlubokých umělých neuronových sítích, jejichž výkonnost je následně experimentálně změřena. Při využití heuristik spolu s algorithem A* jsou nalezená řešení nejčastěji optimální, a počet expandovaných stavů je výrazně nižší než při použití srovnatelných přípustných i nepřípustných heuristik. The thesis focuses on the usage of artificial neural networks in near-optimal solving of the (N^2-1)-puzzle. In the first part of the thesis, possible applications of artificial neural networks in solving the puzzle are analyzed, and it is found that the most effective way is to use them as a heuristic for state-space search algorithms. Later in the thesis, several heuristics based on deep artificial neural networks are trained, and they are evaluated on a set of benchmarks. When used together with the A* algorithm, the solutions obtained with the new heuristics are optimal most of the time, while the number of expanded nodes is significantly lower than that in comparable admissible and non-admissible heuristics.