Napredna pretraga

Pregled bibliografske jedinice broj: 798999

Primjena modela evolucijskog učenja na probleme optimizacije


Smoljan, Edi
Primjena modela evolucijskog učenja na probleme optimizacije 2015., diplomski rad, diplomski, Fakultet elektrotehnike i računarstva, Zagreb


Naslov
Primjena modela evolucijskog učenja na probleme optimizacije
(Application of learnable evolution model to optimization problems)

Autori
Smoljan, Edi

Vrsta, podvrsta i kategorija rada
Ocjenski radovi, diplomski rad, diplomski

Fakultet
Fakultet elektrotehnike i računarstva

Mjesto
Zagreb

Datum
12.07

Godina
2015

Stranica
63

Mentor
Jakobović, Domagoj

Ključne riječi
Genetski algoritam; evolucijsko učenje; dubinska analiza podataka; strojno učenje; Learnable Evolution Model; optimizacija
(Genetic algorithm; evolutionary learning; data mining; machine learning; Learnable Evolution Model; optimization)

Sažetak
U ovom radu ispitane su mogućnosti implementacije LEM-a (Learnable Evolution Model) u svrhu rješavanja problema iz različitih domena korištenjem pravila ili uzoraka koji se pojavljuju u samim podacima. Opisano je testno okružje u kojemu je implementiran modularni algoritam i sve komponente koje su potrebne za rješavanje određenih problema. Implementacija LEM-a nad problemima čije je rješenje prikazano poljem realnih brojeva izvedena je na dva načina: pronalaskom pravila uz pomoć C4.5 poboljšanog AdaBoost-om i pronalaskom pravila AQ algoritmom. Implementacije su testirane nad COCO bibliotekom funkcija. Problemima čije je rješenje prikazano poljem bitova napisana su dva načina stvaranja novih jedinki postupkom učenja: pronalaženjem pravila uz pomoć C4.5 poboljšanog AdaBoost-om i korištenjem CHARM algoritma pronalaska čestih zatvorenih skupova stavki. Implementacije su testirane nad problemom stvaranja Booleovih funkcija koje moraju čim bolje zadovoljiti određene kriterije. Postupak učenja nad problemima čije je rješenje prikazano permutacijom ostvareno je koristeći dva načina: pronalaskom čestih grupa vrijednosti koristeći sufiksno stablo i pronalaskom sekvencijalnih uzoraka koristeći CM-SPADE algoritam. Načini su testirani nad podskupom problema iz poznate biblioteke TSPLIB. Za probleme kojima je rješenje prikazano stablom učenje novih rješenja ostvareno je na dva načina: korištenjem algoritma gSpan i Apriori algoritmom prilagođenim za pronalazak čestih uzoraka u skupu stabala. Testiranje je obavljeno je nad problemom SantaFe traga i problemima simboličke regresije.

Izvorni jezik
Hrvatski

Znanstvena područja
Računarstvo



POVEZANOST RADA


Ustanove
Fakultet elektrotehnike i računarstva, Zagreb