Témata prací (Výběr práce)Témata prací (Výběr práce)(verze: 307)
Detail práce
  
Urychlení evolučních algoritmů pomocí směsí rozdělení pravděpodobnosti
Název práce v češtině: Urychlení evolučních algoritmů pomocí směsí rozdělení pravděpodobnosti
Název v anglickém jazyce: Improving evolutionary algorithms using probability mixture models
Akademický rok vypsání: 2008/2009
Typ práce: diplomová práce
Jazyk práce: čeština
Ústav: Katedra softwarového inženýrství (32-KSI)
Vedoucí / školitel: doc. RNDr. Ing. Martin Holeňa, CSc.
Řešitel: skrytý - zadáno a potvrzeno stud. odd.
Datum přihlášení: 13.11.2008
Datum zadání: 13.11.2008
Datum a čas obhajoby: 21.09.2009 00:00
Datum odevzdání tištěné podoby:04.08.2009
Datum proběhlé obhajoby: 21.09.2009
Oponenti: Ing. Oleg Kovářík
 
 
 
Zásady pro vypracování
Student se nejdříve důkladně seznámí s regresními modely založenými na směsích rozdělenení pravděpodobnosti, včetně jejich vztahu k umělým neuronovým sítím, a také s principy optimalizace pomocí evolučních algoritmů. Bude přitom věnovat pozornost i urychlení evoluční optimalizace empirických funkcí pomocí regresního modelu cílové funkce. S využitím prostudované literatury analyzuje možnosti použití některých typů směsích rozdělenení pravděpodobnosti k tomuto účelu. Několik nejslibnějších z nich rozpracuje až do implementovatelné podoby a zahrne je do prototypové implementace. Na závěr porovná implementovaná řešení na několika testovacích funkcích pro evoluční algoritmy, jakož i na alespoň jedné databázi hodnot empirické cílové funkce z reálné aplikace, kterou dostane od vedoucího práce.

Seznam odborné literatury
* M.D. Buhman. Radial basis functions : theory and implementations. Cambridge University Press, 2003.
* Y. Jin, M. Hüsken, M. Olhofer, B. Sendhoff. Neural networks for fitness approximation in evolutionary optimization. In Knowledge Incorporation in Evolutionary Computation. Berlin, Springer, 2005, 281-306.
* G. MacLachlan, D. Peel. Finite mixture models. Wiley, 2000.
* Y.S. Ong, P.B. Nair, A.J. Keane, K.W. Wong, Surrogate-assisted evolutionary optimization frameworks for high-fidelity engineering design problems. In Knowledge Incorporation in Evolutionary Computation. Berlin, Springer, 2005, 307-331.

Předběžná náplň práce
Evoluční algoritmy jsou v posledních 20 letech jednou z nejúspěšnějších metod pro řešení netradičních optimalizačních problémů, jako např. hledání nejvhodnějších dokumentů obsahujících požadované informace, objevování nejzajímvějších informací v dostupných datech či další typy optimalizačních úloh, při nichž lze hodnoty cílové funkce získat pouze empiricky. Protože evoluční algoritmy pracují pouze s funkčními hodnotami cílové funkce, blíží s k jejímu optimu podstatně pomaleji než optimalizační metody pro hladké funkce, které využívají rovněž informace o gradientu cílové funkce, případně o jejích druhých derivacích. Tato vlastnost evolučních algoritmů je zvláště nepříjemná ve spojení se skutečností, že empirické získání hodnoty cílové funkce bývá obvykle značně nákladné i časově náročné. Evoluční algoritmy však lze podstatně urychlit tím, že při vyhodnocování funkční hodnoty cílové funkce používají empirickou cílovou funcki jen občas, zatímco většinou vyhodnocují pouze její dostatečně přesný regresní model. K nejslibnějším regresním modelům patří některé modely založené na směsích rozdělenení pravděpodobnosti, včetně nejznámějšího typu ? gaussovských směsí. Gaussovaké směsi úzce souvisí s dalším důležitým typem regresních modelů ? modely založenými na umělých neuronových sítích. Využitelnost modelů založených na umělých neuronových sítích k urychlení evoluční optimalizace empirických funkcí se již začala zkoumat. Proto by byl smysluplný podobný výzkum i pro modely založené na směsích rozdělenení pravděpodobnosti. Pokusem o něj by měla být právě navrhovaná diplomová práce.
 
Univerzita Karlova | Informační systém UK