velikost textu

Evolutionary Algorithms for Multiobjective Optimization

Upozornění: Informace získané z popisných dat či souborů uložených v Repozitáři závěrečných prací nemohou být použity k výdělečným účelům nebo vydávány za studijní, vědeckou nebo jinou tvůrčí činnost jiné osoby než autora.
Název:
Evolutionary Algorithms for Multiobjective Optimization
Název v češtině:
Evoluční algoritmy pro vícekriteriální optimalizaci
Typ:
Disertační práce
Autor:
Mgr. Martin Pilát, Ph.D.
Školitel:
Mgr. Roman Neruda, CSc.
Oponenti:
Prof. Marc Schoenauer
Ing. Petr Pošík, Ph.D.
Id práce:
71485
Fakulta:
Matematicko-fyzikální fakulta (MFF)
Pracoviště:
Ústav informatiky AV ČR, v.v.i. (32-UIAV)
Program studia:
Informatika (P1801)
Obor studia:
Teoretická informatika (4I1)
Přidělovaný titul:
Ph.D.
Datum obhajoby:
18. 9. 2013
Výsledek obhajoby:
Prospěl/a
Jazyk práce:
Angličtina
Klíčová slova:
Vícekriteriální optimalizace, náhradní modely, evoluční algoritmy, výběr modelů, ladění hyper-parametrů
Klíčová slova v angličtině:
Multi-objective optimization, surrogate models, evolutionary algorithms, model selection, hyper-parameter tuning
Abstrakt:
Vícekriteriální evoluční algoritmy se v posledních letech těší velké pozornosti. Dokázaly, že patří mezi nejlepší vícekriterální optimali- zátory a byly použity v mnoha průmyslových aplikacích. Jejich po- užitelnost je ale omezována tím, že vyžadují velké množství vyhod- nocení jednolivých účelových funkcí. Tyto mohou být v případě re- álných problémů složité a jejich vyhodnocení může být drahé. Pro snížení počtu vyhodnocení jednotlivých účelových funkcí se použí- vají tzv. náhradní modely. Ty jsou jednoduchou a rychlou aproximací skutečných účelových funkcí. V této práci představujeme výsledky výzkumu prováděného mezi lety 2009 a 2013. Představujeme vícekriteriální evoluční algoritmus s agregovaným náhradním modelem a jeho verze, které použivají další náhradní model pro předvýběr jedinců. V další části se zabýváme pro- blémem výběru vhodného typu náhradního modelu. Diskutujeme o tom, které charakteristiky modelu jsou důležité a žádané, a navrhu- jeme propojení náhradního modelování s meta-učením. V poslední části se potom zabýváme využitím vícekriteriální optimalizace pro ladění parametrů klasifikátorů a ukazujeme, že přidání dalších účelo- vých funkcí může urychlit nalezení vhodného nastavení. 1
Abstract v angličtině:
Multi-objective evolutionary algorithms have gained a lot of atten- tion in the recent years. They have proven to be among the best multi-objective optimizers and have been used in many industrial ap- plications. However, their usability is hindered by the large number of evaluations of the objective functions they require. These can be expensive when solving practical tasks. In order to reduce the num- ber of objective function evaluations, surrogate models can be used. These are a simple and fast approximations of the real objectives. In this work we present the results of research made between the years 2009 and 2013. We present a multi-objective evolutionary algo- rithm with aggregate surrogate model, its newer version, which also uses a surrogate model for the pre-selection of individuals. In the next part we discuss the problem of selection of a particular type of model. We show which characteristics of the various models are im- portant and desirable and provide a framework which combines sur- rogate modeling with meta-learning. Finally, in the last part, we ap- ply multi-objective optimization to the problem of hyper-parameters tuning. We show that additional objectives can make finding of good parameters for classifiers faster. 1
Dokumenty
Stáhnout Dokument Autor Typ Velikost
Stáhnout Text práce Mgr. Martin Pilát, Ph.D. 1.2 MB
Stáhnout Abstrakt v českém jazyce Mgr. Martin Pilát, Ph.D. 23 kB
Stáhnout Abstrakt anglicky Mgr. Martin Pilát, Ph.D. 23 kB
Stáhnout Posudek vedoucího Mgr. Roman Neruda, CSc. 285 kB
Stáhnout Posudek oponenta Prof. Marc Schoenauer 221 kB
Stáhnout Posudek oponenta Ing. Petr Pošík, Ph.D. 47 kB
Stáhnout Záznam o průběhu obhajoby prof. RNDr. Václav Koubek, DrSc. 75 kB