crta
Hrvatska znanstvena Sekcija img
bibliografija
3 gif
 Home
 About the project
 FAQ
 Contact
4 gif
Browsing
Basic search
Advanced search
Statistical data
Other bibliographies
Similar projects
 Catalogues and databases

Bibliographic record number: 798999

Disertation

Author: Smoljan, Edi
Title: Primjena modela evolucijskog učenja na probleme optimizacije
( Application of learnable evolution model to optimization problems )
Type: graduate thesis
Faculty: Fakultet elektrotehnike i računarstva
University: Sveučilište u Zagrebu
Location: Zagreb
Date: 12.07.
Year: 2015
Page: 63
Mentor: Jakobović, Domagoj
Keywords: 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 )
Abstract:
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.
Original language: hrv
Research fields:
Computer science
Full paper text: 798999.Final_0036459026_56.pdf (tekst priložen 9. Vel. 2016. u 10:51 sati)
Contrib. to CROSBI by: Domagoj Jakobović (domagoj.jakobovic@fer.hr), 9. Vel. 2016. u 10:51 sati



Print version   za tiskati


upomoc
foot_4