Optimalizační metody pro vícevrstvý algoritmus genetického programování

Merta, Jan

Optimalizační metody pro vícevrstvý algoritmus genetického programování

Disertační práceOtevřený přístup

dc.contributor.advisor	Brandejský, Tomáš (školitel)
dc.contributor.author	Merta, Jan
dc.contributor.referee	Fábera, Vít
dc.contributor.referee	Zelinka, Ivan
dc.date.accepted	2022-09-06
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.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.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.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.description.department	Fakulta elektrotechniky a informatiky	cze
dc.description.grade	Dokončená práce s úspěšnou obhajobou	cze
dc.format	103 s.
dc.identifier	Univerzitní knihovna (studovna)	cze
dc.identifier.signature	D40593
dc.identifier.stag	45017
dc.identifier.uri	https://hdl.handle.net/10195/80441
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.thesis.degree-discipline	Informační, komunikační a řídicí technologie	cze
dc.thesis.degree-grantor	Univerzita Pardubice. Fakulta elektrotechniky a informatiky	cze
dc.thesis.degree-name	Ph.D.
dc.thesis.degree-program	Elektrotechnika a informatika	cze
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