Show simple item record

Genetické algoritmy řízené MCTS
dc.contributor.advisorHric, Jan
dc.creatorHavránek, Štěpán
dc.date.accessioned2017-06-01T03:36:49Z
dc.date.available2017-06-01T03:36:49Z
dc.date.issued2016
dc.identifier.urihttp://hdl.handle.net/20.500.11956/76030
dc.description.abstractEvoluční a genetické algoritmy jsou techniky navržené dle přírodní inspirace. Používají se k řešení nejrůznějších úloh, se kterými se neumíme efektivně vypořádat exaktními metodami. Metoda Monte Carlo, potažmo Monte Carlo Tree Search, je založena na vzorkování, a také se uplatňuje tam, kde nelze daný problém držet celý v paměti a úplné prohledávání není možné. Tato práce se zabývá návrhem spojení těchto dvou odlišných přístupů do jedné obecné metody. Tuto metodu ilustruje a implementuje na konkrétním případě: problému obchodního cestujícího (TSP). Součástí práce jsou i nejrůznější experimenty hledající vhodné nastavení parametrů, porovnávající různé varianty metody s klasickým evolučním přístupem k TSP nebo například hladovým algoritmem. Naše metoda se ukázala přinejmenším konkurenceschopná. Nejlepších výsledků potom dosahuje kooperace našeho přístupu s klasickým evolučním řešením TSP. Tato spolupráce dosahuje vyššího výkonu než každá její část samostatně, což považujeme za úspěch naší metody.cs_CZ
dc.description.abstractEvolutionary and genetic algorithms are problem-solving methods designed according to a nature inspiration. They are used for solving hard problems that we cannot solve by any efficient specialized algorithm. The Monte Carlo method and its derivation the Monte Carlo Tree Search (MCTS) are based on sampling and are also commonly used for too complex problems, where we are dealing with enormous memory consumption and it is impossible to perform a complete searching. The goal of this thesis is to design a general problem solving method that is built from these two completely different approaches. We explain and implement the new method on one example problem: the Traveling salesman problem (TSP). Second part of this thesis contains various tests and experiments. We compare different settings and parametrizations of our method. The best performing variant is then compared with the classical evolutionary TSP solution or, for example, with greedy algorithms. Our method shows competitive results. The best results were achieved with the cooperation of our method and the classical evolutionary TSP solution. This union shows better results than any of its parts separately, which we find as a great success.en_US
dc.languageEnglishcs_CZ
dc.language.isoen_US
dc.publisherUniverzita Karlova, Matematicko-fyzikální fakultacs_CZ
dc.subjectMonte Carlocs_CZ
dc.subjectMCTScs_CZ
dc.subjectUCTcs_CZ
dc.subjectEvoluční algoritmycs_CZ
dc.subjectTSPcs_CZ
dc.subjectMonte Carloen_US
dc.subjectMCTSen_US
dc.subjectUCTen_US
dc.subjectEvolutionary algorithmsen_US
dc.subjectTSPen_US
dc.titleGenetic Algorithms driven by MCTSen_US
dc.typediplomová prácecs_CZ
dcterms.created2016
dcterms.dateAccepted2016-02-09
dc.description.departmentDepartment of Theoretical Computer Science and Mathematical Logicen_US
dc.description.departmentKatedra teoretické informatiky a matematické logikycs_CZ
dc.description.facultyMatematicko-fyzikální fakultacs_CZ
dc.description.facultyFaculty of Mathematics and Physicsen_US
dc.identifier.repId116610
dc.title.translatedGenetické algoritmy řízené MCTScs_CZ
dc.contributor.refereeMoudřík, Josef
dc.identifier.aleph002070294
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 genetické algoritmy jsou techniky navržené dle přírodní inspirace. Používají se k řešení nejrůznějších úloh, se kterými se neumíme efektivně vypořádat exaktními metodami. Metoda Monte Carlo, potažmo Monte Carlo Tree Search, je založena na vzorkování, a také se uplatňuje tam, kde nelze daný problém držet celý v paměti a úplné prohledávání není možné. Tato práce se zabývá návrhem spojení těchto dvou odlišných přístupů do jedné obecné metody. Tuto metodu ilustruje a implementuje na konkrétním případě: problému obchodního cestujícího (TSP). Součástí práce jsou i nejrůznější experimenty hledající vhodné nastavení parametrů, porovnávající různé varianty metody s klasickým evolučním přístupem k TSP nebo například hladovým algoritmem. Naše metoda se ukázala přinejmenším konkurenceschopná. Nejlepších výsledků potom dosahuje kooperace našeho přístupu s klasickým evolučním řešením TSP. Tato spolupráce dosahuje vyššího výkonu než každá její část samostatně, což považujeme za úspěch naší metody.cs_CZ
uk.abstract.enEvolutionary and genetic algorithms are problem-solving methods designed according to a nature inspiration. They are used for solving hard problems that we cannot solve by any efficient specialized algorithm. The Monte Carlo method and its derivation the Monte Carlo Tree Search (MCTS) are based on sampling and are also commonly used for too complex problems, where we are dealing with enormous memory consumption and it is impossible to perform a complete searching. The goal of this thesis is to design a general problem solving method that is built from these two completely different approaches. We explain and implement the new method on one example problem: the Traveling salesman problem (TSP). Second part of this thesis contains various tests and experiments. We compare different settings and parametrizations of our method. The best performing variant is then compared with the classical evolutionary TSP solution or, for example, with greedy algorithms. Our method shows competitive results. The best results were achieved with the cooperation of our method and the classical evolutionary TSP solution. This union shows better results than any of its parts separately, which we find as a great success.en_US
uk.file-availabilityV
uk.publication-placePrahacs_CZ
uk.grantorUniverzita Karlova, Matematicko-fyzikální fakulta, Katedra teoretické informatiky a matematické logikycs_CZ


Files in this item

Thumbnail
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