Přihlášení pro studenty

Přihlášení pro zaměstnance

Publikace detail

Dependency of GPA-ES Algorithm Efficiency on ES Parameters Optimization Strength
Rok: 2020
Druh publikace: článek ve sborníku
Název zdroje: Lecture Notes in Electrical Engineering. Vol. 554
Název nakladatele: Springer
Místo vydání: Berlin
Strana od-do: 294-302
Tituly:
Jazyk Název Abstrakt Klíčová slova
cze Závislost efekitivity GPA-ES algoritmu na síle optimalizace parametrů ES Abstrakt. V této práci je studována závislost mezi počtem ES iterací a konvergencí celého GPA-ES hybridního algoritmu pro rostoucí potřeby analyzovat a modelovat rozsáhlé množiny dat. Evoluční algoritmy jsou aplikovatelné v takových oblastech, které nejsou pokryty neuronovými sítěmi a deep learningem, jako je hledání algebraického modelu dat. Rozdíl mezi časovou a výpočetní složitostí bude rovněž zmíněn, stejně jako problémy multitaskingu v implementaci GPA, kde externí vlivy komplikují zvyšování efektivity GPA prostřednictvím optimalizace výběřu generátoru pseudonáhodných čísel. Hybridní evoluční algoritmus jako GPA-ES používá GPA pro vývoj struktury řešení a Evoluční Strategii (ES) pro identifikaci parametrů, které jsou řízeny mnoha parametery. Nejdůležitější jsou velikosti populace GPA a velikosti ES populací vztažených ke každému jednotlivému jedinci v GPA populaci. Důležitý je rovněž limit počtu evolučních vyklů ES algoritmu. Tento limit hraje dvě protikladné role. Na jedné straně vyšší počet ES iterací představuje menší šanci pro zahození dobrého řešení pro špatně identifikované parametry, na druhé straně vyšší počet ES iterací výrazně zvyšuje výpočetní čas a tedy omezuje aplikační doménu GPA-ES algoritmu. Algoritmus genetického programování; Evoluční Strategie; Hybridní evoluční systém; Efektivita algoritmu; Optimalizace
eng Dependency of GPA-ES Algorithm Efficiency on ES Parameters Optimization Strength Abstract. In this work, the relation between number of ES iterations and convergence of the whole GPA-ES hybrid algorithm will be studied due to increasing needs to analyze and model large data sets. Evolutionary algorithms are applicable in the areas which are not covered by neural networks and deep learning like search of algebraic model of data. The difference between time and algorithmic complexity will be also mentioned as well as the problems of multitasking implementation of GPA, where external influences complicate increasing of GPA efficiency via Pseudo Random Number Generator (PRNG) choice optimization. Hybrid evolutionary algorithms like GPA-ES uses GPA for solution structure development and Evolutionary Strategy (ES) for parameters identification are controlled by many parameters. The most significant are sizes of GPA popu- lation and sizes of ES populations related to each particular individual in GPA population. There is also limit of ES algorithm evolutionary cycles. This limit plays two contradictory roles. On one side bigger number of ES iterations means less chance to omit good solution for wrongly identified parameters, on the opposite side large number of ES iterations significantly increases computational time and thus limits application domain of GPA-ES algorithm. Genetic Programming Algorithm; Evolutionary Strategy; Hybrid Evolutionary System; Algorithm efficiency; Optimization

Ateliéry

Katedry a pracoviště

Kde nás najdete?

Služby

Často hledáte

© 2023 Univerzita Pardubice, Studentská 95, 532 10 Pardubice 2
Telefon: 466 036 111
Správce webu, RSS
ID datové schránky: f5vj9hu
Prohlášení o přístupnosti
Drupal web od drupal web Drupal ᐬrts