УНИВЕРСИТЕТ ИТМО
Кафедра «Технологии программирования»



Главная

Новости
 Новости науки
 Важное
 Почетные доктора
 Инновации
 Культура
 Люди
 Разное
 Скартел-Yota
 Стрим
 Смольный
Учебный процесс
 Образование
 Дипломы
 Курсовые проекты
 Лабораторные работы
 Учебные курсы
 Визуализаторы
 Unimod-проекты
 Семинары
 Стипендии
Наука
 События и факты
 Госконтракты
 Статьи
 Диссертации
 Книги
 Презентации
 Свидетельства
 Сотрудничество
Исследования
 Автоматы
 Верификация
 Геном
 Искусственный интеллект
 Генетические алгоритмы
 Движение
 UniMod
 Роботы и агенты
 Нейронные сети
 ФЦП ИТМО-Аалто
 Разное

О нас
 Премии
 Сертификаты и дипломы
 Соревнования по программированию
 Прорыв
 Автографы
 Рецензии

Беллетристика
 Мотивация
 Мысли
Медиа
 Видео
 Фотографии
 Аудио
 Интервью

English
 Home

 Articles
 Posters
 Automata-Based Programming
 Initiatives
 Projects
 Presentations
 UniMod
 UniMod Projects
 Visualizers


Поиск по сайту

Яndex



   Главная / Дипломы / Выбор вспомогательных оптимизируемых величин для ускорения процесса оптимизации с помощью машинного обучения (версия для печати)


Выбор вспомогательных оптимизируемых величин для ускорения процесса оптимизации с помощью машинного обучения



© 2012, А.С. Афанасьева

Национальный исследовательский университет информационных технологий, механики и оптики

Полный текст работы
Презентация

Аннотация

В данной работе предлагается метод повышения эффективности работы эволюционных алгоритмов с применением обучения с подкреплением. Использование эволюционных алгоритмов является перспективным методом решения сложных задач оптимизации, но, как правило, время их работы достаточно велико. По этой причине задача повышения эффективности работы эволюционных алгоритмов является актуальной.

Предлагаемый метод основан на выборе наиболее эффективной функции приспособленности для каждого поколения эволюционного алгоритма. Функции приспособленности выбираются из заранее заданного набора вспомогательных функций, о свойствах которых ничего не известно. Алгоритмы обучения с подкреплением позволяют осуществить выбор таким образом, что повышается скорость оптимизации целевой функции приспособленности. Также важно отметить, что повышение эффективности эволюционного алгоритма происходит во время его выполнения, дополнительные запуски не требуются.

Предлагаемый метод опробован на ряде модельных задач. Реализованы различные алгоритмы обучения с подкреплением, а также различные эволюционные алгоритмы. Проведено сравнение с методами многокритериальной оптимизации, применяющимися для ускорения однокритериальной оптимизации. В отличие от этих методов, разработанный метод позволяет игнорировать вспомогательные функции приспособленности, оптимизация по которым ведет к замедлению оптимизации целевой функции. Согласно результатам экспериментов, применение метода позволяет значительно повысить эффективность оптимизации рассмотренных модельных функций, проводимой с помощью эволюционных алгоритмов.




© 2002—2017 По техническим вопросам сайта: vl.ulyantsev@gmail.com