Show simple item record

Gaussian Processes and Neural Networks as Surrogate Models for the CMA Evolution Strategy



dc.contributor.advisorKoza Jan
dc.contributor.authorJiří Růžička
dc.date.accessioned2021-06-03T22:53:08Z
dc.date.available2021-06-03T22:53:08Z
dc.date.issued2021-06-03
dc.identifierKOS-1065782172905
dc.identifier.urihttp://hdl.handle.net/10467/94559
dc.description.abstractTato diplomová práce je o náhradních modelech pro Doubly Trained CMA-ES, který je modifikací originálního algoritmu CMA-ES, v black box optimalizaci. Používají se Gausovské procesy a neuronové sítě k modelování objektivní funkce a snížení počtu jejích evaluací. Hlavním cílem práce je zkoumání kombinace Gausovských procesů s neuronovými sítěmi jako náhradní model pro DTS-CMA-ES a jestli takový model vykáže lepší výsledky než samotné Gausovské procesy. V rámci práce byly vytvořeny experimenty na COCO-BBOB platformě k porovnání jednotlivých modelů. Statistická významnost všech měřených výsledků je důkladně ověřena pomocí Friedmanova testu po kterém následuje několikanásobné srovnání post-hoc testy. Výsledky práce nepotvrdily, že by kombinace GP a neuronových sítí(MLP) vykazovala lepší výsledky než samotné GP jako náhradní model pro DTS-CMA-ES v black box optimalizaci.cze
dc.description.abstractThis thesis is about surrogate models for Doubly Trained Covariance Matrix Adaptation Evolution Strategy, which is a modification of CMA-ES in black-box optimisation. We use Gaussian Processes and Neural Networks to model the objective function and to decrease the number of objective function evaluations. Especially, we wanted to explore whether the combination of Gaussian Processes and Neural Networks in the form of Multilayered Perceptron will outperform Gaussian Processes alone. We created experiments on COCO-BBOB testbed to compare the performances of particular surrogate models. The statistical significance of all measured results is thoroughly verified using the Friedman test, followed by multiple comparison post-hoc tests. The thesis did not find that the combination would perform better and found the Gaussian Processes without Multilayered Perceptron as a better surrogate model for Doubly trained CMA-ES in black-box optimisation.eng
dc.publisherČeské vysoké učení technické v Praze. Vypočetní a informační centrum.cze
dc.publisherCzech Technical University in Prague. Computing and Information Centre.eng
dc.rightsA 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.htmleng
dc.rightsVysokoškolská 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.htmlcze
dc.subjectBlack box optimalizacecze
dc.subjectCMA-EScze
dc.subjectGausovské procesycze
dc.subjectneuronové sítěcze
dc.subjectCOCO-BBOBcze
dc.subjectBlack box optimisationeng
dc.subjectCMA-ESeng
dc.subjectGaussian Processeng
dc.subjectArtificial Neural Networkseng
dc.subjectCOCO-BBOBeng
dc.titleGausovské procesy a neuronové sítě jako náhradní modely pro CMA-EScze
dc.titleGaussian Processes and Neural Networks as Surrogate Models for the CMA Evolution Strategyeng
dc.typediplomová prácecze
dc.typemaster thesiseng
dc.contributor.refereeHoleňa Martin
theses.degree.disciplineZnalostní inženýrstvícze
theses.degree.grantorkatedra aplikované matematikycze
theses.degree.programmeInformatika 2010cze


Files in this item





This item appears in the following Collection(s)

Show simple item record