Attributes | Values |
---|
rdf:type
| |
rdfs:seeAlso
| |
Description
| - The neighborhood used in conventional evolutionary algorithms (EA) to create new candidate problem solutions is static and is given implicitly by the crossover and mutation operators used in the algorithm. In the field of EA, many researchers have tried to use neighborhoods able to adapt to certain areas of the search space and to cover some interactions among the features of the promising solutions. The result is the establishment of the so-called estimation of distribution algorithms (EDA) which use probabilistic models to describe the neighborhood. The model is explicitly built on the basis of promising individuals and is used to sample new candidate solutions. Somewhat different approach for the creation of probabilistic model is presented in the so-called learnable evolution model (LEM): first, a classifier distinguishing between promising and less promising solutions is created and then the description of promising solutions is turned into a probabilistic model. This project shall deepen our (en)
- V klasických evolučních algoritmech (EA) založených na křížení a mutaci je okolí, z něhož se generují nová řešení, statické a je dáno implicitně, a to právě použitými operátory. V rámci EA se již dlouho objevují snahy používat okolí, které by se bylo schopné adaptovat na jednotlivé oblasti prohledávaného prostoru a umělo by modelovat i interakce mezi jednotlivými rysy kvalitních řešení. Tyto snahy vyústily ve vznik tzv. estimation of distribution algorithms (EDA), které pro definici okolí používají explicitně vytvořené pravděpodobnostní modely, z nichž se následně vzorkují noví kandidáti na řešení optimalizační úlohy. Jiný způsob vytváření pravděpodobnostních modelů obsahují algoritmy typu learnable evolution model (LEM), které nejprve vytvářejí klasifikátor rozlišující kvalitní a méně kvalitní jedince a následně popis těch kvalitních převedou do formy pravděpodobnostního modelu. Tento projekt se zaměří na prohloubení poznatků o těchto dvou typech algoritmů, a to současně s přihlédnutím k
|
Title
| - Machine learning methods for solution construction in evolutionary algorithms (en)
- Metody strojového učení pro konstrukci řešení v evolučních algoritmech
|
skos:notation
| |
http://linked.open...avai/cep/aktivita
| |
http://linked.open...kovaStatniPodpora
| |
http://linked.open...ep/celkoveNaklady
| |
http://linked.open...datumDodatniDoRIV
| |
http://linked.open...i/cep/druhSouteze
| |
http://linked.open...ep/duvernostUdaju
| |
http://linked.open.../cep/fazeProjektu
| |
http://linked.open...ai/cep/hlavniObor
| |
http://linked.open...hodnoceniProjektu
| |
http://linked.open...vai/cep/kategorie
| |
http://linked.open.../cep/klicovaSlova
| - optimization; evolutionary algorithms; machine learning; population diversity (en)
|
http://linked.open...ep/partnetrHlavni
| |
http://linked.open...inujicichPrijemcu
| |
http://linked.open...cep/pocetPrijemcu
| |
http://linked.open...ocetSpoluPrijemcu
| |
http://linked.open.../pocetVysledkuRIV
| |
http://linked.open...enychVysledkuVRIV
| |
http://linked.open...lneniVMinulemRoce
| |
http://linked.open.../prideleniPodpory
| |
http://linked.open...iciPoslednihoRoku
| |
http://linked.open...atUdajeProjZameru
| |
http://linked.open.../vavai/cep/soutez
| |
http://linked.open...usZobrazovaneFaze
| |
http://linked.open...ai/cep/typPojektu
| |
http://linked.open...ep/ukonceniReseni
| |
http://linked.open.../cep/vedlejsiObor
| |
http://linked.open...ep/zahajeniReseni
| |
http://linked.open...jektu+dodavatelem
| - Projekt byl zaměřen na využití metod strojového učení ke konstrukci řešení v evolučních algoritmech s reálnou reprezentací. Studoval především využití pravděpodobnostních modelů v roli reprodukčních operátorů v rámci tzv. estimation-of-distribution algorithms (EDA) a využití klasifikačních modelů v rámci tzv. learnable evolution model (LEM). Všechny práce na projektu byly (cs)
- The project was aimed at using machine learning methods for solution construction in evolutionary algorithms (EAs) with real-valued representation. It studied the use of probabilistic models in the role of reproduction operators in the framework of estimation-of-distribution algorithms (EDAs) and the the use of classification models in the framework of the so-called learn (en)
|
http://linked.open...tniCyklusProjektu
| |
http://linked.open.../cep/klicoveSlovo
| - optimization
- evolutionary algorithms
- machine learning
|
is http://linked.open...vavai/cep/projekt
of | |