Detail práce
Souběžné učení v koevolučních algoritmech
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.
Koevoluční algoritmus, kartézské genetické programování, evoluční algoritmus, Baldwinův efekt, plasticita fitness, predikce fitness, zpracování obrazu.
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".
- 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?
Bartík Vladimír, Ing., Ph.D. (UIFS FIT VUT), člen
Holík Lukáš, doc. Mgr., Ph.D. (UITS FIT VUT), člen
Martínek Tomáš, doc. Ing., Ph.D. (UPSY FIT VUT), člen
Šaloun Petr, doc. RNDr., Ph.D. (VŠB-TUO), člen
Zbořil František, doc. Ing., Ph.D. (UITS FIT VUT), člen
@mastersthesis{FITMT17108, author = "Michal Wiglasz", type = "Diplomov\'{a} pr\'{a}ce", title = "Soub\v{e}\v{z}n\'{e} u\v{c}en\'{i} v koevolu\v{c}n\'{i}ch algoritmech", school = "Vysok\'{e} u\v{c}en\'{i} technick\'{e} v Brn\v{e}, Fakulta informa\v{c}n\'{i}ch technologi\'{i}", year = 2015, location = "Brno, CZ", language = "czech", url = "https://www.fit.vut.cz/study/thesis/17108/" }