Search the digital library catalog

Abstract: V doktorski disertaciji predstavimo metodo, namenjeno analizi in primerjavi stohastičnih algoritmov. Predlagana metoda se imenuje AS^3D (angl.~Analysis of the Stochastic Solvers based on Statistical Distributions). Ta temelji na statističnih porazdelitvah opazovanih spremenljivk, natančneje številu funkcijskih ovrednotenj in času. Pri tem uporablja pristop s ciljno vrednostjo. Ciljno vrednost določa kakovost rešitve, katero želimo, da jo algoritem doseže. Opazovani spremenljivki in njuni statistični porazdelitvi analizira na nizkodimenzionalnih in napoveduje za visokodimenzionalne različice optimizacijskega problema. Vzpostavljeni napovedni model na podlagi parametrov statističnih porazdelitev omogoča napovedovanje zaustavitvenih pogojev, torej časa in števila funkcijskih ovrednotenj za določeno verjetnost doseganja ciljne vrednost. Prav tako omogoča oceno verjetnosti, da bo zagon uspešen glede na dani zaustavitveni pogoj in kakovosti rešitve za višjedimenzionalne različice problema. Da pokažemo uporabnost predlagane metode, smo vzpostavljene napovedne modele empirično validirali za izbrane optimizacijske algoritme in probleme. Razlike med napovedanimi in empiričnimi vrednostmi so znašale manj kot 15 \% za problem LABS, testne funkcije CEC in problem potenciala Lennard-Jones. To nakazuje na to, da lahko metodo AS^3D uspešno uporabljamo za analizo in primerjavo stohastičnih algoritmov na različnih optimizacijskih problemih. S pomočjo metode smo pokazali tudi uporabnost stohastičnih algoritmov. Ti morajo, da dosežejo optimalno rešitev z visoko verjetnostjo, preiskati le majhen delež iskalnega prostora.
Keywords: analiza stohastičnih algoritmov, statistična porazdelitev, napovedni model, pristop s ciljno vrednostjo
Published in DKUM: 08.04.2025; Views: 0; Downloads: 35
Full text (3,56 MB)

Abstract: A low-autocorrelation binary sequences problem with a high figure of merit factor represents a formidable computational challenge. An efficient parallel computing algorithm is required to reach the new best-known solutions for this problem. Therefore, we developed the sokol solver for the skew-symmetric search space. The developed solver takes the advantage of parallel computing on graphics processing units. The solver organized the search process as a sequence of parallel and contiguous self-avoiding walks and achieved a speedup factor of 387 compared with lssOrel, its predecessor. The sokol solver belongs to stochastic solvers and cannot guarantee the optimality of solutions. To mitigate this problem, we established the predictive model of stopping conditions according to the small instances for which the optimal skew-symmetric solutions are known. With its help and 99% probability, the sokol solver found all the known and seven new best-known skew-symmetric sequences for odd instances from to . For larger instances, the solver cannot reach 99% probability within our limitations, but it still found several new best-known binary sequences. We also analyzed the trend of the best merit factor values, and it shows that as sequence size increases, the value of the merit factor also increases, and this trend is flatter for larger instances.
Keywords: low-autocorrelation binary sequences, self-avoiding walk, graphic processor units, high performance computing
Published in DKUM: 22.08.2024; Views: 45; Downloads: 12
Full text (1,82 MB)

Abstract: Kooperativna koevolucija je podzvrst evolucijskega računanja, ki se uporablja kot ogrodje za optimizacijo problemov z velikim številom dimenzij preko pristopa deli in vladaj. Glavni izzivi uporabe ogrodja kooperativne koevolucije ležijo v dekompoziciji problema ter v uporabi primernega optimizacijskega algoritma. Dekompozicija se v glavnem ukvarja z deljenjem problema v manjše podprobleme, kjer je glavni izziv, kako ugotoviti povezave med komponentami problema. V našem delu smo razvili kooperativni koevolucijski algoritem, ki uporablja rekurzivne strategije diferencialnega grupiranja za dekompozicijo problema, ter algoritem roja delcev, kot optimizacijski algoritem. V delu smo analizirali šest optimizacijskih algoritmov roja delcev na naboru testnih funkcij iz CEC2013, ki spadajo v probleme z velikim številom dimenzij, ter je njihova dimenzionalnost 1000. Na podlagi te analize smo v naš predlagan kooperativni koevolucijski algoritem vključili optimizacijski algoritem roja delcev, ki se je najbolje izkazal na naboru izbranih funkcij. Izvedli smo primerjalno analizo med najboljšim algoritmom roja delcev in predlaganimi kooperativnimi koevolucijskimi algoritmi, kjer smo uporabili pet različnih strategij rekurzivnega diferencialnega grupiranja. Ugotovili smo, da kooperativni koevolucijski algoritem deluje boljše od algoritmov roja delcev, ki smo jih uporabili v našem delu. Prav tako smo ugotovili, da izbira strategije dekompozicije problema igra pomembno vlogo.
Keywords: roj delcev, rekurzivno diferencialno grupiranje, kooperativna koevolucija, optimizacija, veliko število dimenzij
Published in DKUM: 01.07.2024; Views: 128; Downloads: 52
Full text (2,09 MB)

Keywords: stochastic algorithm analysis, statistical distribution, predictive model, target approach
Published in DKUM: 13.06.2024; Views: 125; Downloads: 21
Full text (3,92 MB)
This document has many files! More...

Abstract: V magistrskem delu smo primerjali različne pristope za klasifikacijo sentimenta kritik filmov. Naš cilj je bil doseči čim višjo točnost pri klasifikaciji kritik. Uporabili smo algoritme, kot so metoda podpornih vektorjev, naključni gozdovi, naivni Bayes, odločitvena drevesa, k-najbližjih sosedov, logistična regresija in glasovanje. Rezultate smo merili z metriko točnosti. Ugotovili smo, da večji n-grami in algoritmi glasovanja dosegajo najboljšo točnost. Za najhitrejšo in najbolj točno klasifikacijo priporočamo algoritem glasovanja brez metode podpornih vektorjev, saj je bila ta najpočasnejša.
Keywords: analiza sentimenta, n-grami, algoritmi za klasifikacijo, točnost
Published in DKUM: 01.03.2024; Views: 275; Downloads: 34
Full text (2,00 MB)