| | SLO | ENG | Cookies and privacy

Bigger font | Smaller font

Search the digital library catalog Help

Query: search in
search in
search in
search in
* old and bologna study programme

Options:
  Reset


1 - 2 / 2
First pagePrevious page1Next pageLast page
1.
METODE NEVROEVOLUCIJE
Sašo Mađarić, 2013, master's thesis

Abstract: Pri klasičnem razvoju nevronskih mrež za uporabo na različnih področjih umetne inteligence se pogosto srečujemo s problemom določanja optimalne topologije nevronske mreže, ki ima velik vpliv na njeno kvaliteto. V tem magistrskem delu smo se ukvarjali s problemom avtomatiziranega razvoja topologije nevronske mreže in njenega učenja z nevroevolucijskimi metodami. Področje, ki se ukvarja z razvojem nevronskih mrež s pomočjo evolucijskega algoritma, je nevroevolucija. Preučili in implementirali smo nevroevolucijske metode NEAT, HyperNEAT in ES-HyperNEAT. Uspešnost metod smo preizkusili na eksperimentu z agenti. Agent se nahaja v okolju in poskuša pobrati čim več kosov hrane ter se izogniti sovražnikom oziroma zidovom. Nevroevolucijske metode smo primerjali z metodo Q-učenje, ki za učenje nevronske mreže uporablja klasično metodo vzvratnega prenosa napake. Primerjali smo doseženo oceno in časovno zahtevnost. Rezultati so pokazali, da je najuspešnejša metoda HyperNEAT, sledita pa ji ES-HyperNEAT in NEAT. Metoda Q-učenje se je izkazala za najmanj uspešno, saj je glede na nevroevolucijske metode v podrejenem položaju tako po doseženi kriterijski oceni kot tudi po časovni zahtevnosti.
Keywords: umetna inteligenca, nevroevolucija, evolucijski algoritem, nevronske mreže, razvoj nevronskih mrež, NEAT, HyperNEAT, ES-HyperNEAT
Published: 11.09.2013; Views: 1277; Downloads: 129
.pdf Full text (5,83 MB)

2.
Nevroevolucijski algoritem NEAT na grafičnih karticah
Blaž Sitar, 2019, master's thesis

Abstract: V magistrski nalogi naslavljamo problem implementacije algoritma NeuroEvolution of Augmenting Topologies (NEAT) za delovanje na grafičnih karticah. Algoritem NEAT je genetski algoritem za učenje razvijajočih nevronskih mrež. Izhaja iz področja nevroevolucije, ki v umetni inteligenci uporablja genetske algoritme za generiranje in učenje nevronskih mrež. Algoritem za svoje delovanje porabi veliko strojnih in časovnih virov, zato je implementacija na grafičnih karticah smiselna. Implementacijo smo izvedli v arhitekturi CUDA, ki jo podpirajo grafične kartice podjetja NVIDIA. Hitrost in uspešnost algoritma smo izmerili na petih različnih grafičnih karticah in jo primerjali s hitrostjo in uspešnostjo originalnega algoritma. Ugotovili smo, da je naša implementacija algoritma zadovoljiva, saj je hitrejša in prav toliko uspešna kot originalna implementacija algoritma NEAT.
Keywords: nevroevolucija, NEAT, nevronska mreža, genetski algoritem, CUDA
Published: 21.11.2019; Views: 130; Downloads: 23
.pdf Full text (1,53 MB)

Search done in 0.02 sec.
Back to top
Logos of partners University of Maribor University of Ljubljana University of Primorska University of Nova Gorica