Symbolická regrese jako náhradní model v evolučních algoritmech
Symbolic regression as a surrogate model in evolutionary algorithms
Type of document
diplomová prácemaster thesis
Author
Perić Vladimir
Supervisor
Pošík Petr
Opponent
Kulich Miroslav
Field of study
Softwarové inženýrstvíStudy program
Otevřená informatikaInstitutions assigning rank
katedra počítačůDefended
2016-06-14Rights
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://www.cvut.cz/sites/default/files/content/d1dc93cd-5894-4521-b799-c7e715d3c59e/cs/20160901-metodicky-pokyn-c-12009-o-dodrzovani-etickych-principu-pri-priprave-vysokoskolskych.pdfVysokoškolská 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://www.cvut.cz/sites/default/files/content/d1dc93cd-5894-4521-b799-c7e715d3c59e/cs/20160901-metodicky-pokyn-c-12009-o-dodrzovani-etickych-principu-pri-priprave-vysokoskolskych.pdf
Metadata
Show full item recordAbstract
Evoluční algoritmy jsou často omezeny počtem funkčních ohodnocení které jsou dostupné během řešení problémů optimalizace černé skříňky. Tato práce popisuje jeden z přístupu k zlepšení diferenciální evoluce pomocí náhradních modelů generovaných symbolickou regresi. Tři algoritmy pro symbolickou regresi --- kvadratické modely, genetické programování a rozšířená rychlá těžba funkcí (extended fast
function extraction) --- jsou porovnány s učicí metodou náhodného lesa a s diferenciální evoluci bez použití náhradných modelů. Empirické výsledky ukázují, že použití náhradních modelů generovaných symbolickou regresi vede k zlepšení výkonu ve všech otestováných příkladech a během každé fáze vyhledávání. Evolutionary algorithms are often limited by the number of function evaluations available in black-box optimization problems. One possible
approach to enhance a representative evolutionary algorithm, differential evolution, with surrogate models built using symbolic regression is presented in this thesis. Three symbolic regression algorithms --- quadratic models, genetic programming and extended fast function extraction --- were compared against random forest surrogate models and regular differential evolution. Empirical results have shown that symbolic regression surrogate models improve performance in all tested problems and during each stage of the search process.
Collections
- Diplomové práce - 13136 [833]