Optimalizační metody pro vícevrstvý algoritmus genetického programování

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.