Optimalizační metody pro vícevrstvý algoritmus genetického programování

Zobrazit minimální záznam

dc.contributor.advisor Brandejský, Tomáš (školitel)
dc.contributor.author Merta, Jan
dc.date.accessioned 2022-10-17T07:19:24Z
dc.date.available 2022-10-17T07:19:24Z
dc.date.issued 2022
dc.date.submitted 2022-06-27
dc.identifier Univerzitní knihovna (studovna) cze
dc.identifier.uri https://hdl.handle.net/10195/80441
dc.description.abstract Disertační práce se zaměřuje na vícevrstvý (konkrétně dvouvrstvý) přístup k algoritmu genetického programování a vylepšení trénovacího procesu pomocí moderních optimalizačních metod a přístupů (například sborového učení). Cílem disertační práce bylo navrhnout a implementovat dvouvrstvý algoritmus genetického programování, otestovat jeho chování v rámci symbolické regrese na několika základních testovacích případech a najít vhodná nastavení, která mají potenciál zefektivnit proces učení genetického programování a zvýšit přesnost výsledných modelů. Algoritmus pracuje ve dvou fázích. V první fázi hledá vhodné dílčí modely (stavební bloky) popisující jednotlivé segmenty dat pomocí. Ve druhé fázi hledá výsledný model jako nelineární kombinaci těchto dílčích modelů. cze
dc.format 103 s.
dc.language.iso cze
dc.publisher Univerzita Pardubice cze
dc.rights bez omezení cze
dc.subject genetické programování cze
dc.subject genetické algoritmy cze
dc.subject sborové učení cze
dc.subject optimalizace cze
dc.subject genetic programming eng
dc.subject genetic algorithms eng
dc.subject ensemble learning eng
dc.subject optimization eng
dc.title Optimalizační metody pro vícevrstvý algoritmus genetického programování cze
dc.title.alternative Optimization methods for multilayer genetic programming algorithm eng
dc.type disertační práce cze
dc.contributor.referee Fábera, Vít
dc.contributor.referee Zelinka, Ivan
dc.date.accepted 2022-09-06
dc.description.abstract-translated This dissertation focuses on a multi-layer (specifically, two-layer) approach to genetic programming algorithm and the improvement of the training process using modern optimization methods and approaches (e.g., ensemble learning). The goal of the dissertation was to design and implement a two-layer genetic programming algorithm, test its behavior in a symbolic regression framework on several basic test cases, and find appropriate settings that have the potential to improve the learning process of genetic programming and increase the accuracy of the resulting models. The algorithm works in two phases. In the first phase, it searches for appropriate submodels (building blocks) describing each segment of the data. In the second phase, it searches for the resulting model as a nonlinear combination of these submodels. eng
dc.description.department Fakulta elektrotechniky a informatiky cze
dc.thesis.degree-discipline Informační, komunikační a řídicí technologie cze
dc.thesis.degree-name Ph.D.
dc.thesis.degree-grantor Univerzita Pardubice. Fakulta elektrotechniky a informatiky cze
dc.identifier.signature D40593
dc.thesis.degree-program Elektrotechnika a informatika cze
dc.description.defence Po představení doktoranda Ing. Jana Merty byla komise seznámena se stanoviskem školitele k disertační práci a osobě disertanta. Doktorand seznámil komisi se svojí disertační prací formou prezentace. Poté byly předneseny posudky oponentů a doktorand reagoval na připomínky oponentů. V následné veřejné diskusi disertant odpověděl na otázky členů komise, které jsou uvedeny na samostatných listech. Komise posoudila disertační práci a rozhodla, že disertační práce není plagiát. Na závěr proběhlo tajné hlasování. Protokol o výsledcích hlasování tvoří samostatnou přílohu. cze
dc.identifier.stag 45017
dc.description.grade Dokončená práce s úspěšnou obhajobou cze


Tento záznam se objevuje v následujících kolekcích

Zobrazit minimální záznam

Vyhledávání


Rozšířené hledání

Procházet

Můj účet