Metody strojového učení pro konstrukci řešení v evolučních algoritmech
Cíle projektu
V klasických evolučních algoritmech (EA) založených na křížení a mutaci je okolí, z něhož se generují nová řešení, statické a je dáno implicitně, a to právě použitými operátory. V rámci EA se již dlouho objevují snahy používat okolí, které by se bylo schopné adaptovat na jednotlivé oblasti prohledávaného prostoru a umělo by modelovat i interakce mezi jednotlivými rysy kvalitních řešení. Tyto snahy vyústily ve vznik tzv. estimation of distribution algorithms (EDA), které pro definici okolí používají explicitně vytvořené pravděpodobnostní modely, z nichž se následně vzorkují noví kandidáti na řešení optimalizační úlohy. Jiný způsob vytváření pravděpodobnostních modelů obsahují algoritmy typu learnable evolution model (LEM), které nejprve vytvářejí klasifikátor rozlišující kvalitní a méně kvalitní jedince a následně popis těch kvalitních převedou do formy pravděpodobnostního modelu. Tento projekt se zaměří na prohloubení poznatků o těchto dvou typech algoritmů, a to současně s přihlédnutím k
Klíčová slova
optimizationevolutionary algorithmsmachine learningpopulation diversity
Veřejná podpora
Poskytovatel
Grantová agentura České republiky
Program
Postdoktorandské granty
Veřejná soutěž
Postdoktorandské granty 8 (SGA02008GA1PD)
Hlavní účastníci
—
Druh soutěže
VS - Veřejná soutěž
Číslo smlouvy
102/08/P094
Alternativní jazyk
Název projektu anglicky
Machine learning methods for solution construction in evolutionary algorithms
Anotace anglicky
The neighborhood used in conventional evolutionary algorithms (EA) to create new candidate problem solutions is static and is given implicitly by the crossover and mutation operators used in the algorithm. In the field of EA, many researchers have triedto use neighborhoods able to adapt to certain areas of the search space and to cover some interactions among the features of the promising solutions. The result is the establishment of the so-called estimation of distribution algorithms (EDA) which use probabilistic models to describe the neighborhood. The model is explicitly built on the basis of promising individuals and is used to sample new candidate solutions. Somewhat different approach for the creation of probabilistic model is presented in the so-called learnable evolution model (LEM): first, a classifier distinguishing between promising and less promising solutions is created and then the description of promising solutions is turned into a probabilistic model. This project shall deepen our
Vědní obory
Kategorie VaV
ZV - Základní výzkum
CEP - hlavní obor
JC - Počítačový hardware a software
CEP - vedlejší obor
JD - Využití počítačů, robotika a její aplikace
CEP - další vedlejší obor
—
OECD FORD - odpovídající obory
(dle převodníku)20204 - Robotics and automatic control
20205 - Automation and control systems
20206 - Computer hardware and architecture
Hodnocení dokončeného projektu
Hodnocení poskytovatelem
U - Uspěl podle zadání (s publikovanými či patentovanými výsledky atd.)
Zhodnocení výsledků projektu
Projekt byl zaměřen na využití metod strojového učení ke konstrukci řešení v evolučních algoritmech s reálnou reprezentací. Studoval především využití pravděpodobnostních modelů v roli reprodukčních operátorů v rámci tzv. estima?
Termíny řešení
Zahájení řešení
1. 1. 2008
Ukončení řešení
31. 12. 2010
Poslední stav řešení
U - Ukončený projekt
Poslední uvolnění podpory
16. 4. 2010
Dodání dat do CEP
Důvěrnost údajů
S - Úplné a pravdivé údaje o projektu nepodléhají ochraně podle zvláštních právních předpisů
Systémové označení dodávky dat
CEP11-GA0-GP-U/04:3
Datum dodání záznamu
20. 3. 2015
Finance
Celkové uznané náklady
638 tis. Kč
Výše podpory ze státního rozpočtu
638 tis. Kč
Ostatní veřejné zdroje financování
0 tis. Kč
Neveřejné tuz. a zahr. zdroje finan.
0 tis. Kč
Základní informace
Uznané náklady
638 tis. Kč
Statní podpora
638 tis. Kč
100%
Poskytovatel
Grantová agentura České republiky
CEP
JC - Počítačový hardware a software
Doba řešení
01. 01. 2008 - 31. 12. 2010