Urychlení evolučních algoritmů pomocí směsí rozdělení pravděpodobnosti
Improving evolutionary algorithms using probability mixture models
diplomová práce (OBHÁJENO)
Zobrazit/ otevřít
Trvalý odkaz
http://hdl.handle.net/20.500.11956/30589Identifikátory
SIS: 65814
Kolekce
- Kvalifikační práce [10678]
Autor
Vedoucí práce
Oponent práce
Kovářík, Oleg
Fakulta / součást
Matematicko-fyzikální fakulta
Obor
Teoretická informatika
Katedra / ústav / klinika
Katedra softwarového inženýrství
Datum obhajoby
21. 9. 2009
Nakladatel
Univerzita Karlova, Matematicko-fyzikální fakultaJazyk
Čeština
Známka
Výborně
Evoluční, 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.
Evolutionary, 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.