Temat: programowanie genetyczne

Skocz do pozycji: 1.

Tytuł:: Kosynteza oraz przydział nieprzewidzianych zadań w procesie projektowania systemów wbudowanych
Co-synthesis and assignment of unexpected tasks in embedded system design process
Autorzy:: Górski, Adam
Współwytwórcy:: Ogorzałek, Maciej
Grzesiak-Kopeć, Katarzyna
Opis:: W niniejszej pracy zaprezentowane zostały dwa algorytmy programowania genetycznego do kosyntezy rozproszonych systemów wbudowanych: konstrukcyjny oraz rafinacyjny. W opisanych algorytmach, w przeciwieństwie do istniejących rozwiązań, ewolucji podlega nie architektura systemu wbudowanego bezpośrednio, lecz sposób jej otrzymania. Algorytm konstrukcyjny buduje genotyp podejmując decyzje dla każdego zadania osobno. Algorytm rafinacyjny startuje od suboptymalnego rozwiązania, a następnie poprzez lokalne zmiany, takie jak alokacja/dealokacja zasobów czy przemieszczenie zadań pomiędzy zasobami, polepsza jakość rozwiązania. Następnie poprzez zastosowanie operatorów genetycznych: klonowania, mutacji oraz krzyżowania tworzone są nowe pokolenia rozwiązań. Algorytmy kończą działanie, jeśli w ε kolejnych pokoleniach nie zostanie otrzymane lepsze rozwiązanie. W pracy zostały również zaprezentowane dwa algorytmy przydziału nieprzewidzianych zadań w procesie projektowania systemów wbudowanych: dla przypadku szczególnego oraz ogólnego. W przypadku szczególnym nieprzewidziane zadania pojawiają się po wykonaniu wszystkich zadań przewidzianych przez projektanta systemu wbudowanego. W przypadku ogólnym nieprzewidziane zadania mogą pojawić się w dowolnym momencie działania systemu. Opracowane algorytmy pozwalają na zareagowanie w nieprzewidzianych sytuacjach bez konieczności całkowitego przeprojektowania istniejącej architektury co znacznie obniża koszt projektowanego systemu.
Dostawca treści:: Repozytorium Uniwersytetu Jagiellońskiego

Książka

na półce

Skocz do pozycji: 2.

Tytuł:: Algorytm optymalizacji rozdrabniania nasion oleistych z wykorzystaniem programowania genetycznego
The process initial optimization of grinding oil seeds out using genetics programming
Autorzy:: Jankowski, M.
Tyszczuk, K.
Kopacz, S.
Tematy:: rozdrabnianie
programowanie genetyczne
model
milling
genetic programming; Pokaż więcej
Wydawca:: Stowarzyszenie Inżynierów i Techników Mechaników Polskich
Powiązania:: https://bibliotekanauki.pl/articles/2070346.pdf Link otwiera się w nowym oknie
Dostawca treści:: Biblioteka Nauki

Artykuł

na półce

Skocz do pozycji: 3.

Tytuł:: Kosynteza rozproszonych systemów wbudowanych metodą programowania genetycznego
Hardware/software Co-Synthesis of Distributed Embedded Systems Using Genetic Programming
Autorzy:: Deniziak, S.
Górski, A.
Tematy:: programowanie genetyczne
kosynteza
genetic programming
hardware-software codesign; Pokaż więcej
Wydawca:: Stowarzyszenie Inżynierów i Techników Mechaników Polskich
Powiązania:: https://bibliotekanauki.pl/articles/156174.pdf Link otwiera się w nowym oknie
Opis:: W pracy zaprezentowana jest nowa metoda kosyntezy systemów wbudowanych specyfikowanych za pomocą grafów zadań, bazująca na metodzie programowania genetycznego. Przedstawione są propozycje reprezentowania procesu konstrukcji takiego systemu w formie drzewa stanowiącego tzw. genotyp. Następnie na drodze ewolucji (krzyżowania, mutacji, selekcji) generowane są kolejne "pokolenia" drzew, konstruujących systemy o coraz lepszych parametrach. W odróżnieniu od tradycyjnego podejścia genetycznego w metodzie programowania genetycznego (DGP) operuje się nie bezpośrednio na cechach rozwiązania (czyli tzw. fenotypach) ale na genotypach odpowiadających za tworzenie rozwiązań o wskazanych cechach. Przedstawione wyniki wykonanych eksperymentów świadczą o dużych możliwościach metody DGP również w zakresie kosyntezy.
This work presents a novel approach to hardware-software co-synthesis of distributed embedded systems, based on the developmental genetic programming. Unlike other genetic approaches where chromosomes represent solutions, in our method chromosomes represent system construction procedures. Thus, not the system architecture but the co-synthesis process is evolved. Finally a tree describing a construction of the final solution is obtained. The optimization process will be illustrated with examples. According to our best knowledge it is the first DGP approach that deals with the hardware-software co-synthesis.
Dostawca treści:: Biblioteka Nauki

Artykuł

na półce

Skocz do pozycji: 4.

Tytuł:: Porównanie skuteczności GEP (Gene Expression Programming) z innymi algorytmami genetycznymi
Comparison of Gene Expression Programming with other genetic algorithms
Autorzy:: Janeczek, Michał
Opis:: The goal of this thesis is to create a library for automatic generation of computer programs using Genetic Programming (GP), Gene Expression Programming (GEP) and Multi Expression Programming (MEP), and then to test it on four benchmark problems. The main goal of the new library is the ease of application for new problems, and ability to apply several optimization algorithms reusing the same problem definition. Experimental results justify supplying several genetic programming algorithms within a single package. No algorithm achieved satisfactory performance in all tasks. The artificial ant and 6-multiplexer problems were solved with least effort using GP. For symbolic regression and classification of irises with decision trees, GEP with automatically defined functions was the most efficient. Also tested were different methods of encoding numberical constants, and means of handling evaluation errors in generated programs. The results suggest that these details are irrelevant. The last result is a new genetic operator, MEP transposition. This operator significantly improved efficiency of the algorithm in artificial ant problem, while not affecting the performance in other tasks.
Celem niniejszej pracy jest stworzenie biblioteki do ewolucyjnego tworzenia programów algorytmami Genetic Programming (GP), Gene Expression Programming (GEP) i Multi Expression Programming (MEP), a następnie sprawdzenie jej działania na czterech zadaniach testowych. Planowanymi celami biblioteki jest łatwość zastosowania do nowych problemów, oraz możliwość zastosowania różnych metod optymalizacyjnych przy jednokrotnej definicji problemu. Wyniki eksperymentów usprawiedliwiają dostarczenie kilku metod programowania genetycznego w ramach jednej biblioteki. Żaden algorytm nie miał zadowalającej skuteczności w każdym zadaniu. Problemy sztucznej mrówki i 6-multipleksera były najlepiej rozwiązywane przez GP. Zadania regresji symbolicznej i klasyfikacji irysów za pomocą drzew decyzyjnych najskuteczniej rozwiązywał GEP z automatycznie definiowanymi funkcjami. Przebadano także działanie różnych sposobów kodowania stałych liczbowych, oraz mechanizmów obsługi błędów w generowanych programach. Otrzymane wyniki sugerują, iż szczegóły te nie mają znaczenia. Ostatnim rezultatem jest nowy operator genetyczny transpozycji MEP. Operator ten znacząco polepszył działanie algorytmu w zadaniu sztucznej mrówki, nie zmieniając skuteczności w pozostałych zadaniach.
Dostawca treści:: Repozytorium Uniwersytetu Jagiellońskiego

Inne

na półce

Skocz do pozycji: 5.

Tytuł:: Zastosowanie metod programowania genetycznego w procesie maksymalizacji wydobycia węglowodorów przy zastosowaniu symulatora złożowego
Application of Genetic Programming Methods for the Optimization of Hydrocarbon Production by using a Reservoir Simulator
Autorzy:: Łętkowski, P.
Tematy:: algorytmy genetyczne
programowanie genetyczne
optymalizacja wydobycia
symulacje złożowe
genetic algorithm
geneting programming
production optimization
filed simulations; Pokaż więcej
Wydawca:: Instytut Nafty i Gazu - Państwowy Instytut Badawczy
Powiązania:: https://bibliotekanauki.pl/articles/1835296.pdf Link otwiera się w nowym oknie
Opis:: Artykuł poświęcono zastosowaniu metody programowania genetycznego dla celów optymalizacji wydobycia ropy naftowej na przykładzie testowego złoża węglowodorowego. Prezentowane zagadnienie optymalizacyjne jest prostym przykładem problemu optymalnej kontroli i polega na doborze wydajności wydobycia ropy naftowej w przyjętych przedziałach czasowych w taki sposób, aby w zadanym całkowitym czasie eksploatacji uzyskać maksymalne wydobycie sumaryczne przy minimalnym wydobyciu wody. Problem rozwiązano przy zastosowaniu algorytmu genetycznego, kodującego dozwolone wartości wydajności wydobycia z listy wartości dozwolonych. Z jednej strony działanie takie jest charakterystyczne dla metod programowania genetycznego, zaś z drugiej redukuje istotnie przestrzeń rozwiązań. W artykule zastosowano algorytm genetyczny Hollanda, dla którego zaimplementowano krzyżowanie wielopunktowe oraz adaptację prawdopodobieństw krzyżowania i mutacji na podstawie tzw. współczynnika zróżnicowania populacji. Działanie tak zdefiniowanego mechanizmu adaptacji jest następujące: jeżeli zróżnicowanie populacji rośnie, liniowo zwiększane jest prawdopodobieństwo krzyżowania, a zmniejszane prawdopodobieństwo mutacji; w przeciwnym wypadku (zróżnicowanie populacji maleje) działa mechanizm odwrotny, tzn. zmniejsza się prawdopodobieństwo krzyżowania, a zwiększa prawdopodobieństwo mutacji. Taka metoda z jednej strony gwarantuje różnorodność populacji, z drugiej zaś zapewnia dobrą eksploatację przestrzeni rozwiązań. Przeprowadzono szereg testów mających na celu zweryfikowanie efektywności algorytmu w zależności od liczby punktów krzyżowania (krzyżowanie 1-, 2-, 3-punktowe) oraz długości chromosomu. Wykonane testy wskazują na zadowalającą zbieżność algorytmu, niezależnie od wartości badanych parametrów. Przyjęcie funkcji w określonej postaci spowodowało premiowanie przez algorytm niższych wartości wydobycia, co wynika z nieliniowego przyrostu wydobycia wody dla wyższych wartości wydobycia ropy naftowej.
The paper addresses the problem of oil production optimization by genetic programming methods. The specific example of the problem presented in the paper belongs to the class of, so called, optimal control problems. It consists in finding the time variable rates of oil production that result in the maximum of the total oil production while keeping the total water production at a minimum available level. The problem is solved by a genetic algorithm, that assumes the production rates from the list of the allowable values. This approach typical for genetic programming methods significantly reduces the space of possible solutions. The article uses the Holland genetic algorithm for which multi-point crossing has been implemented and the adaptation of crossing and mutation probabilities based on so the called coefficient of population variability. The adaptive mechanism makes the crossing probability increase and mutation probability decrease for population variability increasing with time, while the crossing probability decrease and mutation probability increase for the variability decreasing with time. This mechanism guarantees the population variability to be at on appropriate level and at the same time, the extrapolation process for the solution space to be effective. Several tests were performed to verify the actual effectiveness of the algorithm for various number of crossing points (1, 2, 3 – crossing points) and chromosome length. Their results show a satisfactory convergence of the method to the final solution independent of the varying parameters values. Adopting a function in a specific form resulted in an algorithm for lower mining values, resulting from a nonlinear increase in water extraction for higher oil production values.
Dostawca treści:: Biblioteka Nauki

Artykuł

na półce

Skocz do pozycji: 6.

Tytuł:: The concept of genetic programming in organizing internal transport processes
Autorzy:: Lewczuk, K.
Tematy:: scheduling
internal transport process
optimization
genetic algorithm
transport wewnętrzny
optymalizacja
programowanie genetyczne; Pokaż więcej
Wydawca:: Polska Akademia Nauk. Czytelnia Czasopism PAN
Powiązania:: https://bibliotekanauki.pl/articles/223845.pdf Link otwiera się w nowym oknie
Opis:: The paper presents proposition of using genetic algorithm to support organization of internal transport processes in logistics facilities. The organization of internal transport can be done through solving optimization task of scheduling internal transport process with allocation of human resources and equipment to the tasks. Internal transport process was defined and discussed as an object of organization. Precise methods of solving proposed optimization task were unable to give useful solutions according to the computational complexity of the problem, so heuristic genetic algorithm was proposed. The possible structures of chromosome representing feasible solutions, methods of generating initial population, base genetic operators: selection and inheritance, crossover, mutation and fixing of individuals were described. The main implementation difficulties, computational experiments and the scope of application of the algorithm were discussed.
Dostawca treści:: Biblioteka Nauki

Artykuł

na półce

Skocz do pozycji: 7.

Tytuł:: Aspekty ekstrakcji autorów na podstawie metadanych dokumentów
Autorzy:: Bolikowski, Łukasz
Dendek, Piotr
Opis:: Piotr Dendek
Prezentacja opisuje rozwiązanie kwestii braku powiązania autor-dzieło (kontrybucja). Omówione zostaje elastycznie rozszerzalne narzędzie służące do przeprowadzenia odzyskiwania w/w połączenia z wykorzystaniem metadanych. Opisano kolejne etapy działania narzędzia, jak również proponowane kierunki rozwoju.
Dostawca treści:: Repozytorium Centrum Otwartej Nauki

Inne

na półce

Skocz do pozycji: 8.

Tytuł:: Algorytmy ewolucyjne i ich zastosowania
Autorzy:: Figielska, E.
Tematy:: algorytmy ewolucyjne
algorytmy genetyczne
programowanie genetyczne
strategie ewolucyjne
programowanie ewolucyjne
evolutionary algorithm
genetic algorithms
evolution strategies
genetic programming
evolutionary programming; Pokaż więcej
Wydawca:: Warszawska Wyższa Szkoła Informatyki
Powiązania:: https://bibliotekanauki.pl/articles/91433.pdf Link otwiera się w nowym oknie
Opis:: Pojęcie algorytmy ewolucyjne obejmuje metodologie inspirowane darwinowską zasadą doboru naturalnego stosowane do rozwiązywania trudnych zagadnień. W artykule przedstawione są podstawowe cztery typy algorytmów ewolucyjnych: algorytmy genetyczne, programowanie genetyczne, strategie ewolucyjne i programowanie ewolucyjne, omówiona jest i zilustrowana przykładem zasada działania algorytmu ewolucyjnego oraz przedstawione są przykłady zastosowań algorytmów ewolucyjnych w praktyce.
The term evolutionary algorithm encompasses methodologies inspired by the principles of genetics and Darwinian natural selection that are used for solving hard problems. In this paper four types of evolutionary algorithms are described: genetic algorithms, evolution strategies, genetic programming and evolutionary programming. An example illustrating how an evolutionary algorithm works is shown. Some real-life applications of evolutionary algorithms are presented.
Dostawca treści:: Biblioteka Nauki

Artykuł

na półce

Skocz do pozycji: 9.

Tytuł:: Dekompozycja funkcji logicznych metodą rozwojowego programowania genetycznego
Functional decomposition of logical functions using developmental genetic programming
Autorzy:: Deniziak, S.
Wieczorek, K.
Tematy:: dekompozycja funkcji logicznych
rozwojowe programowanie genetyczne
układy FPGA
functional decomposition
developmental genetic programming
FPGA devices; Pokaż więcej
Wydawca:: Stowarzyszenie Inżynierów i Techników Mechaników Polskich
Powiązania:: https://bibliotekanauki.pl/articles/153352.pdf Link otwiera się w nowym oknie
Opis:: Praca przedstawia metodę wyszukiwania strategii dekompozycji funkcji logicznych za pomocą rozwojowego programowania genetycznego. Strategia dekompozycji jest reprezentowana w formie drzewa decyzyjnego, w którym węzły określają jeden krok dekompozycji. Drzewo podlega ewolucji, której celem jest uzyskanie jak najlepszego rozwiązania. Otrzymane wyniki wykonanych eksperymentów wskazują na wysoką skuteczność przedstawionej metody w porównaniu z dotychczas stosowanym podejściem deterministycznym.
Functional decomposition splits logical function into two simpler functions. For complex functions the decomposition should be repeated iteratively for the result functions. It was observed that types of decomposition applied during each step have strong influence on the final result. Thus, a proper decomposition strategy should be used to find optimal FPGA implementation for a given function. This paper presents the method for searching the decomposition strategy for logical functions specified by cubes. The strategy is represented using the decision diagram, in which each node corresponds to a single decomposition step. In this way the multistage decomposition of a complex logical function can be specified. The diagram is evolved using the developmental genetic programming. In opposite to classical genetic methods, in our approach the methods producing solutions, instead of the solutions, are evolved. The goal of the evolution is to find the decomposition strategy for which the cost of FPGA implementation of a given function is minimal. The experimental results show that our approach gives significantly better solutions than other known methods.
Dostawca treści:: Biblioteka Nauki

Artykuł

na półce

Skocz do pozycji: 10.

Tytuł:: Generowanie modeli klasyfikujących w uczeniu nadzorowanym
Generating supervised classification models
Autorzy:: Makuch, Ryszard
Opis:: Przedmiotem pracy jest przedstawienie algorytmu generowania modeli klasyfikujących na podstawie zawartości danych uczących w ramach zautomatyzowanego uczenia maszynowego i ich optymalizacji. Modele klasyfikujące są reprezentowane przy pomocy drzew atrybutowanych jako słowa języka generowanego przez zdefiniowaną atrybutowaną programowalną gramatykę grafową oraz ich repozytoriów hiperparametrów. Modele optymalizowane są w ramach programowania genetycznego. Dodatkowo zaproponowano algorytm, który w oparciu o k-krotną walidację krzyżową minimalizuje ryzyko wskazania przeuczonego modelu jako potencjalnie optymalnego rozwiązania. W ramach pracy przedstawiono wyniki wstępnej implementacji rozwiązania będącego przedmiotem pracy.
The subject of the thesis is to create an automated machine learning algorithm to generate supervised classification models based on training data content and its optimization. Classification models are represented by attributed trees as words of the language over defined attributed programmed graph grammar and its repositories of hyperparameters. Models are optimized by genetic programming. Moreover, an algorithm based on k-fold cross-validation to prevent choosing overfitted model as a potential solution is proposed. Results of implemented algorithms as a proof of concept are discussed.
Dostawca treści:: Repozytorium Uniwersytetu Jagiellońskiego

Inne

na półce

Informacja

Wyszukujesz frazę "programowanie genetyczne" wg kryterium: Temat