Show simple item record

Improving evolutionary algorithms using probability mixture models
dc.contributor.advisorHoleňa, Martin
dc.creatorBajer, Lukáš
dc.date.accessioned2017-04-21T06:09:31Z
dc.date.available2017-04-21T06:09:31Z
dc.date.issued2009
dc.identifier.urihttp://hdl.handle.net/20.500.11956/30589
dc.description.abstractEvoluční, a zvláště genetické algoritmy se staly jednou z nejúspěšnějších metod optimalizace empirické cílové funkce. V mnoha reálných aplikacích je však hlavní nevýhodou to, že ohodnocení empirickou funkcí stojí nemalé finanční prostředky nebo trvá značnou dobu. V naší práci je použit náhradní model původní cílové funkce sloužící jako její rychlý odhad. Původně bylo zamýšleno použití směsí rozdělení pravděpodobnosti, což však nebylo možné realizovat. V naší práci jsou tedy konkrétně použity RBF sítě, které se směsmi velmi úzce souvisí. Díky modelu je možné najednou vyvíjet podstatně větší populace, nebo je možné nechat ohodnocovat několik generací pouze modelem. Výsledkem je znatelně rychlejší konvergence ve smyslu počtu ohodnocení původní empirickou funkcí.cs_CZ
dc.description.abstractEvolutionary, and especially genetic algorithms have become one of the most successful methods for the optimization of empirical objective functions. However, in many engineering applications, evaluation of the empirical fitness function can be very time consuming or cost a considerable amount of money. In this article, we employ a surrogate model of the original fitness function which serves as a fast approximation whenever needed. First, we intended to use finite mixture models, but radial basis function networks was finally used as a particular surrogate model because of implementability. With this method, much larger populations or several generations can be simulated without waiting for expensive objective function evaluation. As a result, faster convergence in terms of the number of the original empirical fitness evaluations is achieved.en_US
dc.languageČeštinacs_CZ
dc.language.isocs_CZ
dc.publisherUniverzita Karlova, Matematicko-fyzikální fakultacs_CZ
dc.titleUrychlení evolučních algoritmů pomocí směsí rozdělení pravděpodobnostics_CZ
dc.typediplomová prácecs_CZ
dcterms.created2009
dcterms.dateAccepted2009-09-21
dc.description.departmentDepartment of Software Engineeringen_US
dc.description.departmentKatedra softwarového inženýrstvícs_CZ
dc.description.facultyFaculty of Mathematics and Physicsen_US
dc.description.facultyMatematicko-fyzikální fakultacs_CZ
dc.identifier.repId65814
dc.title.translatedImproving evolutionary algorithms using probability mixture modelsen_US
dc.contributor.refereeKovářík, Oleg
dc.identifier.aleph001200604
thesis.degree.nameMgr.
thesis.degree.levelnavazující magisterskécs_CZ
thesis.degree.disciplineTeoretická informatikacs_CZ
thesis.degree.disciplineTheoretical Computer Scienceen_US
thesis.degree.programInformatikacs_CZ
thesis.degree.programComputer Scienceen_US
uk.faculty-name.csMatematicko-fyzikální fakultacs_CZ
uk.faculty-name.enFaculty of Mathematics and Physicsen_US
uk.faculty-abbr.csMFFcs_CZ
uk.degree-discipline.csTeoretická informatikacs_CZ
uk.degree-discipline.enTheoretical Computer Scienceen_US
uk.degree-program.csInformatikacs_CZ
uk.degree-program.enComputer Scienceen_US
thesis.grade.csVýborněcs_CZ
thesis.grade.enExcellenten_US
uk.abstract.csEvoluční, a zvláště genetické algoritmy se staly jednou z nejúspěšnějších metod optimalizace empirické cílové funkce. V mnoha reálných aplikacích je však hlavní nevýhodou to, že ohodnocení empirickou funkcí stojí nemalé finanční prostředky nebo trvá značnou dobu. V naší práci je použit náhradní model původní cílové funkce sloužící jako její rychlý odhad. Původně bylo zamýšleno použití směsí rozdělení pravděpodobnosti, což však nebylo možné realizovat. V naší práci jsou tedy konkrétně použity RBF sítě, které se směsmi velmi úzce souvisí. Díky modelu je možné najednou vyvíjet podstatně větší populace, nebo je možné nechat ohodnocovat několik generací pouze modelem. Výsledkem je znatelně rychlejší konvergence ve smyslu počtu ohodnocení původní empirickou funkcí.cs_CZ
uk.abstract.enEvolutionary, and especially genetic algorithms have become one of the most successful methods for the optimization of empirical objective functions. However, in many engineering applications, evaluation of the empirical fitness function can be very time consuming or cost a considerable amount of money. In this article, we employ a surrogate model of the original fitness function which serves as a fast approximation whenever needed. First, we intended to use finite mixture models, but radial basis function networks was finally used as a particular surrogate model because of implementability. With this method, much larger populations or several generations can be simulated without waiting for expensive objective function evaluation. As a result, faster convergence in terms of the number of the original empirical fitness evaluations is achieved.en_US
uk.publication.placePrahacs_CZ
uk.grantorUniverzita Karlova, Matematicko-fyzikální fakulta, Katedra softwarového inženýrstvícs_CZ


Files in this item

Thumbnail
Thumbnail
Thumbnail
Thumbnail
Thumbnail
Thumbnail

This item appears in the following Collection(s)

Show simple item record


© 2017 Univerzita Karlova, Ústřední knihovna, Ovocný trh 3-5, 116 36 Praha; email: admin-repozitar [at] cuni.cz

Za dodržení všech ustanovení autorského zákona jsou zodpovědné jednotlivé složky Univerzity Karlovy. / Each constituent part of Charles University is responsible for adherence to all provisions of the copyright law.

Upozornění / Notice: Získané informace nemohou být použity k výdělečným účelům nebo vydávány za studijní, vědeckou nebo jinou tvůrčí činnost jiné osoby než autora. / Any retrieved information shall not be used for any commercial purposes or claimed as results of studying, scientific or any other creative activities of any person other than the author.

DSpace software copyright © 2002-2015  DuraSpace
Theme by 
@mire NV