Evoluční optimalizační algoritmy a metaučení
| advisor: | . Martin Holeňa |
| e-mail: | show e-mail |
| type: | |
| branch of study: | MI_MM, MI_AMSM, MINF, APIN |
| key words: | evoluční algoritmy, optimalizace, modelování, učení, aktivní učení |
| link: | http://www.cs.cas.cz/~martin/ |
| description: | Evoluční algoritmy jsou v posledním čtvrtstoletí jednou z nejúspěšnějších metod pro řešení netradičních optimalizačních problémů, jako např. hledání nejvhodnějších dokumentů obsahujících požadované informace, hledání nejvhodnějších materiálů s požadovanými vlastnostmi či další typy optimalizačních úloh, při nichž lze hodnoty cílové funkce získat pouze empiricky. Protože evoluční algoritmy jsou heuristické, má každý z nich mnoho variant a každá takováto varianta závisí na mnoha parametrech. V ideálním případě bychom měli použít variantu a nastavení jejích parametrů, které budou nejvhodnější pro daný optimalizační problém, nejvhodnější typicky z toho hlediska, že se dostanou do předepsané blízkosti optima v nejnižším počtu iterací nebo z toho hlediska, že se v předepsaném počtu iterací dostanou nejblíže k optimu. Volba nejvhodnější z konečného počtu variant evolučního algoritmu je vlastně klasifikační problém, stejně jako volba nejvhodnější hodnoty nominálního parametru. Podobně volba nejvhodnější hodnoty spojitého parametru je regresní problém a volba nejvhodnější hodnoty ordinálního parametru je problém ordinální regrese. K nalezení nejvhodnějších variant evolučních algoritmů a jejich parametrů v závislosti na příznacích optimalizačního problému lze tudíž použít algoritmy klasifikačního a regresního učení. Tento přístup se označuje jako metaučení a příznakům optimalizačního problému, které slouží jako jeho vstupy, se v souvislosti s ním říká metapříznaky. |
| references: | viz https://www.cs.cas.cz/~martin/diplomka65.html |
| last update: | 04.11.2024 11:23:37 |
administrator for this page:
Ľubomíra Dvořáková | last update: 09/12/2011