Cílem práce bylo vytvoření nástroje pro identifikaci slabých míst evolučních algoritmů
s důrazem na popsání vnitřní dynamiky algoritmu v kontextu jeho výkonnosti. Teoretická
část obsahuje uvedení do problematiky evolučních algoritmů a rešerši posledních poznatků
z oblasti evolučních algoritmů. Byla sestavena sada testovacích problémů a následně
analyzováno chování instancí evolučních algoritmů při jejich řešení pomocí vytvořeného
softwarového nástroje. Bylo sledováno vytváření clusterů v populaci, změny její diverzity,
konvergenční trajektorie, dynamika pohybu jedinců v prohledávaném prostoru a robustnost
algoritmu. Výstupy analýzy upozorňující na odhalené potenciální slabiny jsou uvedeny
v závěrečné části práce.
Anotace v angličtině
The aim of the thesis was to create a tool for identifying weaknesses in evolutionary
algorithms with an emphasis on describing the internal dynamics of the algorithm in the
context of its performance. The theoretical part contains an introduction to evolutionary
algorithms and the research of the latest knowledge of evolutionary algorithms. A set of
test problems were set up and the behavior of instances of evolutionary algorithms was
analyzed by the created tool as the solution was being produced. The analysis was focused
on creating clusters in the population, changes in its diversity, convergence trajectory,
dynamics of individuals' movement in the search space and the robustness of the
algorithm. Analysis outputs discuss potential weaknesses and are presented in the final part
of the thesis
evolutionary algorithm, population diversity, clusters, konvergence, search
space, analysis
Rozsah průvodní práce
95
Jazyk
CZ
Anotace
Cílem práce bylo vytvoření nástroje pro identifikaci slabých míst evolučních algoritmů
s důrazem na popsání vnitřní dynamiky algoritmu v kontextu jeho výkonnosti. Teoretická
část obsahuje uvedení do problematiky evolučních algoritmů a rešerši posledních poznatků
z oblasti evolučních algoritmů. Byla sestavena sada testovacích problémů a následně
analyzováno chování instancí evolučních algoritmů při jejich řešení pomocí vytvořeného
softwarového nástroje. Bylo sledováno vytváření clusterů v populaci, změny její diverzity,
konvergenční trajektorie, dynamika pohybu jedinců v prohledávaném prostoru a robustnost
algoritmu. Výstupy analýzy upozorňující na odhalené potenciální slabiny jsou uvedeny
v závěrečné části práce.
Anotace v angličtině
The aim of the thesis was to create a tool for identifying weaknesses in evolutionary
algorithms with an emphasis on describing the internal dynamics of the algorithm in the
context of its performance. The theoretical part contains an introduction to evolutionary
algorithms and the research of the latest knowledge of evolutionary algorithms. A set of
test problems were set up and the behavior of instances of evolutionary algorithms was
analyzed by the created tool as the solution was being produced. The analysis was focused
on creating clusters in the population, changes in its diversity, convergence trajectory,
dynamics of individuals' movement in the search space and the robustness of the
algorithm. Analysis outputs discuss potential weaknesses and are presented in the final part
of the thesis
evolutionary algorithm, population diversity, clusters, konvergence, search
space, analysis
Zásady pro vypracování
1. Vypracujte literární rešerši na dané téma. 2. Sestavte množinu vhodných testovacích problémů. 3. Navrhněte metodiku pro testování a vyhodnocení výsledků. 4. Zaměřte se na analýzu diverzity populace a vznik clusterů v populaci. 5. Otestujte vybrané moderní evoluční algoritmy a zhodnoťte získané poznatky.
Zásady pro vypracování
1. Vypracujte literární rešerši na dané téma. 2. Sestavte množinu vhodných testovacích problémů. 3. Navrhněte metodiku pro testování a vyhodnocení výsledků. 4. Zaměřte se na analýzu diverzity populace a vznik clusterů v populaci. 5. Otestujte vybrané moderní evoluční algoritmy a zhodnoťte získané poznatky.
Seznam doporučené literatury
1. ZELINKA, Ivan. Evoluční výpočetní techniky: principy a aplikace. Praha: BEN - technická literatura, 2009. ISBN 978-80-7300-218-3. 2. SALA, Ramses a Ralf MULLER. Benchmarking for Metaheuristic Black-Box Optimization: Perspectives and Open Challenges. In: 2020 IEEE Congress on Evolutionary Computation (CEC) [online]. IEEE, 2020, 2020, s. 1-8 [cit. 2021-12-01]. ISBN 978-1-7281-6929-3. Dostupné z: doi:10.1109/CEC48606.2020.9185724 3. AHRARI, Ali, Mohammad R. SAADATMAND, Masoud SHARIAT-PANAHI a Ali A. ATAI. On the limitations of classical benchmark functions for evaluating robustness of evolutionary algorithms. Applied Mathematics and Computation [online]. 2010, 215(9), 3222-3229 [cit. 2021-12-01]. ISSN 00963003. Dostupné z: doi:10.1016/j.amc.2009.10.009 4. MORRISON, Ronald W. a Kenneth A. DE JONG. Measurement of Population Diversity. COLLET, Pierre, Cyril FONLUPT, Jin-Kao HAO, Evelyne LUTTON a Marc SCHOENAUER, ed. Artificial Evolution [online]. Berlin, Heidelberg: Springer Berlin Heidelberg, 2002, 2002-4-10, s. 31-41 [cit. 2021-12-01]. Lecture Notes in Computer Science. ISBN 978-3-540-43544-0. Dostupné z: doi:10.1007/3-540-46033-0_3 5. VIKTORIN, Adam, Roman SENKERIK, Michal PLUHACEK a Ales ZAMUDA. Steady success clusters in Differential Evolution. In: 2016 IEEE Symposium Series on Computational Intelligence (SSCI) [online]. IEEE, 2016, 2016, s. 1-8 [cit. 2021-12-01]. ISBN 978-1-5090-4240-1. Dostupné z: doi:10.1109/SSCI.2016.7850252
Seznam doporučené literatury
1. ZELINKA, Ivan. Evoluční výpočetní techniky: principy a aplikace. Praha: BEN - technická literatura, 2009. ISBN 978-80-7300-218-3. 2. SALA, Ramses a Ralf MULLER. Benchmarking for Metaheuristic Black-Box Optimization: Perspectives and Open Challenges. In: 2020 IEEE Congress on Evolutionary Computation (CEC) [online]. IEEE, 2020, 2020, s. 1-8 [cit. 2021-12-01]. ISBN 978-1-7281-6929-3. Dostupné z: doi:10.1109/CEC48606.2020.9185724 3. AHRARI, Ali, Mohammad R. SAADATMAND, Masoud SHARIAT-PANAHI a Ali A. ATAI. On the limitations of classical benchmark functions for evaluating robustness of evolutionary algorithms. Applied Mathematics and Computation [online]. 2010, 215(9), 3222-3229 [cit. 2021-12-01]. ISSN 00963003. Dostupné z: doi:10.1016/j.amc.2009.10.009 4. MORRISON, Ronald W. a Kenneth A. DE JONG. Measurement of Population Diversity. COLLET, Pierre, Cyril FONLUPT, Jin-Kao HAO, Evelyne LUTTON a Marc SCHOENAUER, ed. Artificial Evolution [online]. Berlin, Heidelberg: Springer Berlin Heidelberg, 2002, 2002-4-10, s. 31-41 [cit. 2021-12-01]. Lecture Notes in Computer Science. ISBN 978-3-540-43544-0. Dostupné z: doi:10.1007/3-540-46033-0_3 5. VIKTORIN, Adam, Roman SENKERIK, Michal PLUHACEK a Ales ZAMUDA. Steady success clusters in Differential Evolution. In: 2016 IEEE Symposium Series on Computational Intelligence (SSCI) [online]. IEEE, 2016, 2016, s. 1-8 [cit. 2021-12-01]. ISBN 978-1-5090-4240-1. Dostupné z: doi:10.1109/SSCI.2016.7850252
Přílohy volně vložené
Adresář projektu aplikace evalGeval v jazyce Ptyhon, Adresář se záznamy vzorků populací a konvergencí algoritmů DE, PSO
a SOMA T3A, Adresář s výstupy analýzy aplikace evalGeval
Přílohy vázané v práci
-
Převzato z knihovny
Ne
Plný text práce
Přílohy
Posudek(y) oponenta
Hodnocení vedoucího
Záznam průběhu obhajoby
Student odprezentoval výsledky své diplomové práce. Byly přečtené posudky vedoucího a oponenta a student odpověděl dotazy z posudků.
doc. Komínková Oplatková - Plánujete výsledky publikovat na vědecké konferenci ?
doc. Komínková Oplatková - Uvažoval jste o využití jiných algoritmů než SOMA, T3a a PSO ?
Dotazy oponentky byly vyčerpávající a student reagoval. Dále student při obhajobě výstižně vysvětlil problematiku diplomové práce a její přínosy. Komise se shodla, že sdělená fakta jsou dostatečná k obhájení práce. Student celkově splnil všechny náležitosti uspokojivě.