Metody návrhu celulárních automatů

Abstract

Tato práce řeší problém návrhu celulárních automatů. Je navržena a implementována nová metoda Diskrétního neurálního celulárního automatu, zkráceně DNCA. Práce se tak zaobírá problémem optimalizace přechodové funkce automatu, a to pomocí algoritmu Adam a také méně tradičního přístupu diferenciální evolucí. Navržený model je úspešně natrénován na více než desíti scénářích chování, které se liší v obtížnosti.This thesis addresses the problem of cellular automata design. A new method of Discrete neural cellular automaton, abbreviated DNCA, is proposed and implemented. The thesis thus deals with the problem of optimizing the transition function of the automaton using the Adam algorithm as well as a less traditional approach of differential evolution. The proposed model is successfully trained on more than ten behavior scenarios varying in difficulty.