but.committee	prof. Ing. Lukáš Sekanina, Ph.D. (předseda) doc. Ing. František Zbořil, Ph.D. (místopředseda) Ing. Vladimír Bartík, Ph.D. (člen) doc. Mgr. Lukáš Holík, Ph.D. (člen) doc. Ing. Tomáš Martínek, Ph.D. (člen) doc. RNDr. Petr Šaloun, Ph.D. (člen)	cs
but.defence	Student nejprve prezentoval výsledky, kterých dosáhl v rámci své práce. Komise se poté seznámila s hodnocením vedoucího a posudkem oponenta práce. Student následně odpověděl na otázky oponenta a na další otázky přítomných. Komise se na základě posudku oponenta, hodnocení vedoucího, přednesené prezentace a odpovědí studenta na položené otázky rozhodla práci hodnotit stupněm " A ". Otázky u obhajoby: Experimentálne výsledky ukázali, že výpočtový čas sa zmení súčasne so zmenenými parametrami pritom kvalita riešení sa zachováva. Ako je to možné? V práci nebolo uvedený súvis medzi dĺžkou prediktorov a dobou vyhodnotenia. Aké zmeny treba vykonať, aby sa toto riešenie dalo použiť na iný typ úlohy evolučného návrhu? Aké sú vaše odporúčania? Ako obtiažne by bolo implementácia podobného riešenia pre FPGA alebo grafickú kartu? V čom vidíte hlavné problémy, ktoré by bolo treba riešiť? Aké sú možnosti rozšírenia práce? Identifikovali ste nejakú nevýhodu navrhnutého riešenia, čo by bolo treba ďalej riešiť?	cs
but.jazyk	čeština (Czech)
but.program	Informační technologie	cs
but.result	práce byla úspěšně obhájena	cs
dc.contributor.advisor	Drahošová, Michaela	cs
dc.contributor.author	Wiglasz, Michal	cs
dc.contributor.referee	Dobai, Roland	cs
dc.date.created	2015	cs
dc.description.abstract	Kartézské genetické programování je druh genetického programování, ve kterém jsou kandidátní programy reprezentovány jako orientované acyklické grafy. Bylo ukázáno, že je možné evoluci kartézských programů urychlit použitím koevoluce, kde se ve druhé populaci vyvíjí prediktory fitness. Prediktory fitness slouží k přibližnému určení kvality kandidátních řešení. Nevýhodou koevolučního přístupu je nutnost provést mnoho časově náročných experimentů pro určení nejvýhodnější velikosti prediktoru pro daný problém. V této práci je představena nová reprezentace prediktorů fitness s plastickým fenotypem, založená na principech souběžného učení v evolučních algoritmech. Plasticita fenotypu umožňuje odvodit různé fenotypy ze stejného genotypu. Díky tomu je možné adaptovat velikost prediktoru na současný průběh evoluce a obtížnost řešeného problému. Navržený algoritmus byl implementován v jazyce C a optimalizován pomocí vektorových instrukcí SSE2 a AVX2. Z experimentů vyplývá, že použitím plastického fenotypu lze dosáhnout srovnatelné kvalitních obrazových filtrů jako u standardního CGP při kratší době běhu programu (průměrné zrychlení je 8,6násobné) a zároveň odpadá nutnost hledání nejvýhodnější velikosti prediktoru jako u koevoluce s prediktory s fixní velikostí.	cs
dc.description.abstract	Cartesian genetic programming (CGP) is a form of genetic programming where candidate programs are represented in the form of directed acyclic graphs. It was shown that CGP can be accelerated using coevolution with a population of fitness predictors which are used to estimate the quality of candidate solutions. The major disadvantage of the coevolutionary approach is the necessity of performing many time-consuming experiments to determine the best size of the fitness predictor for the particular task. This project introduces a new fitness predictor representation with phenotype plasticity, based on the principles of colearning in evolutionary algorithms. Phenotype plasticity allows to derive various phenotypes from the same genotype. This allows to adapt the size of the predictors to the current state of the evolution and difficulty of the solved problem. The proposed algorithm was implemented in the C language and optimized using SSE2 and AVX2 vector instructions. The experimental results show that the resulting image filters are comparable with standard CGP in terms of filtering quality. The average speedup is 8.6 compared to standard CGP. The speed is comparable to standard coevolutionary CGP but it is not necessary to experimentally determine the best size of the fitness predictor while applying coevolution to a new, unknown task.	en
dc.description.mark	A	cs
dc.identifier.citation	WIGLASZ, M. Souběžné učení v koevolučních algoritmech [online]. Brno: Vysoké učení technické v Brně. Fakulta informačních technologií. 2015.	cs
dc.identifier.other	88544	cs
dc.identifier.uri	http://hdl.handle.net/11012/52236
dc.language.iso	cs	cs
dc.publisher	Vysoké učení technické v Brně. Fakulta informačních technologií	cs
dc.rights	Standardní licenční smlouva - přístup k plnému textu bez omezení	cs
dc.subject	Koevoluční algoritmus	cs
dc.subject	kartézské genetické programování	cs
dc.subject	evoluční algoritmus	cs
dc.subject	Baldwinův efekt	cs
dc.subject	plasticita fitness	cs
dc.subject	predikce fitness	cs
dc.subject	zpracování obrazu.	cs
dc.subject	Coevolutionary alghorithm	en
dc.subject	cartesian genetic programming	en
dc.subject	evolutionary algorithm	en
dc.subject	Baldwin effect	en
dc.subject	fitness plasticity	en
dc.subject	fitness predictor	en
dc.subject	image processing.	en
dc.title	Souběžné učení v koevolučních algoritmech	cs
dc.title.alternative	Colearning in Coevolutionary Algorithms	en
dc.type	Text	cs
dc.type.driver	masterThesis	en
dc.type.evskp	diplomová práce	cs
dcterms.dateAccepted	2015-06-24	cs
dcterms.modified	2020-05-10-16:11:54	cs
eprints.affiliatedInstitution.faculty	Fakulta informačních technologií	cs
sync.item.dbid	88544	en
sync.item.dbtype	ZP	en
sync.item.insts	2025.03.26 15:19:14	en
sync.item.modts	2025.01.15 18:40:41	en
thesis.discipline	Bioinformatika a biocomputing	cs
thesis.grantor	Vysoké učení technické v Brně. Fakulta informačních technologií. Ústav počítačových systémů	cs
thesis.level	Inženýrský	cs
thesis.name	Ing.	cs

Souběžné učení v koevolučních algoritmech

Files

Original bundle

Collections