Show simple item record

Approximate solution of Unconstrained influence diagrams
dc.contributor.advisorVomlelová, Marta
dc.creatorFried, Vojtěch
dc.date.accessioned2017-03-30T17:07:02Z
dc.date.available2017-03-30T17:07:02Z
dc.date.issued2006
dc.identifier.urihttp://hdl.handle.net/20.500.11956/7707
dc.description.abstractPodáváme teoretický úvod do problematiky grafických pravděpodobnostních modelů a popisujeme některé jejich typy (bayesovské sítě - BN, Influenční diagramy - ID, zobecněné influenční diagramy - UID). Zobecněné influenční diagramy poskytují možnost volit pořadí rozhodování na základě pozorování. To zvyšuje vyjadřovací sílu UIDu oproti IDum, ale komplikuje to řešení. Přesné řešení UIDu je často nedosažitelné kvůli exponenciální složitosti vzhledem ke klasickému IDu. Navrhujeme a zkoumáme proto některé aproximativní metody řešení UIDu. Výsledkem těchto metod je klasický ID, který vznikne přidáním hran do původního UIDu a měl by mít optimální řešení co nejblíže původnímu UIDu. Jednou ze zkoumaných možností jsou heuristické metody, které vycházejí ze zjednodušeného algoritmu pro hledání optimálního řešení. V průběhu algoritmu fungují jako heuristiky, které umožňují odstranit málo nadějné větve výpočtu. Jinou možností je vytvořit ID přímo. Metody pak experimentálně vyhodnocujeme na náhodně generovaných UIDech tří typů a porovnáváme je zejména s optimálním řešením a se složitostně srovnatelnými metodami založenými jen na náhodě.cs_CZ
dc.description.abstractWe give an introduction to the theory of probabilistic graphical models and describe several types of them (Bayesian Networks - BN, Influence Diagrams - ID, Unconstrained Influence Diagrams - UID). Unconstrained Influence Diagrams support the possibility for the user to choose the ordering of decisions based on observations. This increases the expressive power of UIDs compared to IDs but makes it harder to find an optimal solution. It is often impossible to find an optimal solution because of exponential complexity increase compared to IDs. Therefore we design and investigate several approximate methods to solve UIDs. The result of these methods is an ordinary ID created from the former UID by adding edges. The optimal solution of the ID should be as close to the original UID as possible. Heuristical methods represent one type of the methods investigated. Heuristical methods use a simplification of the optimal algorithm. During the run of the algorithm heuristics are used to cut off the branches that are not perspective for further calculation. Another type of methods is to create the ID directly. We evaluate our methods experimentally based on randomly generated UIDs of three types and compare their performance namely to the optimal solution and to equally complex random methods.en_US
dc.languageČeštinacs_CZ
dc.language.isocs_CZ
dc.publisherUniverzita Karlova, Matematicko-fyzikální fakultacs_CZ
dc.titleAproximativní řešení zobecněných influenčních diagramůcs_CZ
dc.typediplomová prácecs_CZ
dcterms.created2006
dcterms.dateAccepted2006-09-11
dc.description.departmentKatedra teoretické informatiky a matematické logikycs_CZ
dc.description.departmentDepartment of Theoretical Computer Science and Mathematical Logicen_US
dc.description.facultyFaculty of Mathematics and Physicsen_US
dc.description.facultyMatematicko-fyzikální fakultacs_CZ
dc.identifier.repId43292
dc.title.translatedApproximate solution of Unconstrained influence diagramsen_US
dc.contributor.refereeStudený, Milan
dc.identifier.aleph000830923
thesis.degree.nameMgr.
thesis.degree.levelmagisterskécs_CZ
thesis.degree.disciplineTheoretical computer scienceen_US
thesis.degree.disciplineTeoretická informatikacs_CZ
thesis.degree.programInformaticsen_US
thesis.degree.programInformatikacs_CZ
uk.thesis.typediplomová prácecs_CZ
uk.taxonomy.organization-csMatematicko-fyzikální fakulta::Katedra teoretické informatiky a matematické logikycs_CZ
uk.taxonomy.organization-enFaculty of Mathematics and Physics::Department of Theoretical Computer Science and Mathematical Logicen_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.enInformaticsen_US
thesis.grade.csVýborněcs_CZ
thesis.grade.enExcellenten_US
uk.abstract.csPodáváme teoretický úvod do problematiky grafických pravděpodobnostních modelů a popisujeme některé jejich typy (bayesovské sítě - BN, Influenční diagramy - ID, zobecněné influenční diagramy - UID). Zobecněné influenční diagramy poskytují možnost volit pořadí rozhodování na základě pozorování. To zvyšuje vyjadřovací sílu UIDu oproti IDum, ale komplikuje to řešení. Přesné řešení UIDu je často nedosažitelné kvůli exponenciální složitosti vzhledem ke klasickému IDu. Navrhujeme a zkoumáme proto některé aproximativní metody řešení UIDu. Výsledkem těchto metod je klasický ID, který vznikne přidáním hran do původního UIDu a měl by mít optimální řešení co nejblíže původnímu UIDu. Jednou ze zkoumaných možností jsou heuristické metody, které vycházejí ze zjednodušeného algoritmu pro hledání optimálního řešení. V průběhu algoritmu fungují jako heuristiky, které umožňují odstranit málo nadějné větve výpočtu. Jinou možností je vytvořit ID přímo. Metody pak experimentálně vyhodnocujeme na náhodně generovaných UIDech tří typů a porovnáváme je zejména s optimálním řešením a se složitostně srovnatelnými metodami založenými jen na náhodě.cs_CZ
uk.abstract.enWe give an introduction to the theory of probabilistic graphical models and describe several types of them (Bayesian Networks - BN, Influence Diagrams - ID, Unconstrained Influence Diagrams - UID). Unconstrained Influence Diagrams support the possibility for the user to choose the ordering of decisions based on observations. This increases the expressive power of UIDs compared to IDs but makes it harder to find an optimal solution. It is often impossible to find an optimal solution because of exponential complexity increase compared to IDs. Therefore we design and investigate several approximate methods to solve UIDs. The result of these methods is an ordinary ID created from the former UID by adding edges. The optimal solution of the ID should be as close to the original UID as possible. Heuristical methods represent one type of the methods investigated. Heuristical methods use a simplification of the optimal algorithm. During the run of the algorithm heuristics are used to cut off the branches that are not perspective for further calculation. Another type of methods is to create the ID directly. We evaluate our methods experimentally based on randomly generated UIDs of three types and compare their performance namely to the optimal solution and to equally complex random methods.en_US
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

This item appears in the following Collection(s)

Show simple item record


© 2017 Univerzita Karlova, Ústřední knihovna, Ovocný trh 560/5, 116 36 Praha 1; 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