| dc.contributor.author |
Viktorin, Adam
|
|
| dc.date.accessioned |
2021-10-15T14:27:30Z |
|
| dc.date.available |
2021-10-15T14:27:30Z |
|
| dc.date.issued |
2015-07-21 |
|
| dc.identifier |
Elektronický archiv Knihovny UTB |
|
| dc.identifier.isbn |
978-80-7678-037-8 |
cs |
| dc.identifier.uri |
http://hdl.handle.net/10563/50070
|
|
| dc.description.abstract |
Tato disertační práce popisuje autorovu výzkumnou aktivitu v oblasti adaptivních variant algoritmu diferenciální evoluce pro optimalizaci ednokriteriálních funkcí definovaných ve spojitém prostoru. První část práce popisuje oblast matematické optimalizace a její rozdělení do jednotlivých podkategorií podle charakteristik optimalizované funkce. Tyto charakteristiky jsou: počet optimializačních kritérií, typ vstupu, výpočetní složitost, typ prohledávaného prostoru řešení a počet optimalizovaných parametrů. Zároveň tato sekce zahrnuje popis typického zástupce metaheuristické optimalizace - evoluční výpočetní techniky. Druhá část práce se věnuje variantám algoritmu diferenciální evoluce včetně variant s adaptivními kontrolními parametry. V jedné z podkapitol se autor věnuje i důvodům, proč si vybral algoritmus Success-History based Adaptive Differential Evolution jako základ své vědecké práce. V experimentální části práce je navržen nástroj pro analýzu dynamiky populace evolučních algoritmů, který muže být využit jak při tvorbě nových evolučních algoritmů, tak pro vyhodnocení vlastností algoritmu stávajících a aktuálně používaných. Mimo analýzu dynamiky populace obecně se autor zaměřil i na konkrétní algoritmy založené na diferenciální evoluci. Navrhl dvě úpravy vnitřní dynamiky - multi-chaotický framework pro výběr rodičů a adaptace kontrolních parametrů s využitím vzdálenosti jedinců. Obě techniky jsou zaměřeny na pomoc s hledáním správné rovnováhy mezi prohledáváním prostoru řešení do šírky a do hloubky. Na příkladu moderní verze diferenciální evoluce ve variante jSO je ukázán přínos implementace adaptace kontrolních parametrů s využitím vzdálenosti jedinců. Takto upravený algoritmus byl nazván DISH a byl otestován na testovacích sadách spojených s celosvětovým kongresem evolučních technik - CEC (Congress on Evolutionary Computation). Výsledky ukazují, že využití nové adaptační strategie je vhodné především pro úlohy, které optimalizují větší množství vstupních parametrů. Praktické využití algoritmu DISH je demonstrováno na příkladu hledání optimálního rozmístění spaloven odpadu v České republice. Upravený algoritmus DISH poskytuje pro menší instance problému srovnatelné řešení s deterministickými metodami. Pro větší instance problémů již nejsou deterministické metody schopny poskytnout řešení v akceptovatelném čase a proto je zde využití metaheuristického přístupu opodstatněno. Výše zmíněné výsledky ukazují, že i v rámci jednoduchých změn vnitřní dynamiky algoritmu lze dosáhnout lepší výkonnosti. I proto si autor zvolil jako svůj budoucí výzkumný směr rozvíjení nástroje pro analýzu vnitřní populační dynamiky metaheuristických algoritmu. |
|
| dc.format |
42 |
cs |
| dc.language.iso |
en |
|
| dc.publisher |
Univerzita Tomáše Bati ve Zlíně |
|
| dc.rights |
Bez omezení |
|
| dc.subject |
Diferenciální evoluce
|
cs |
| dc.subject |
Adaptace kontrolních parametrů
|
cs |
| dc.subject |
Heuristická optimalizace
|
cs |
| dc.subject |
Evoluční výpočetní techniky
|
cs |
| dc.subject |
Differential Evolution
|
en |
| dc.subject |
Control Parameter Adaptation
|
en |
| dc.subject |
Heuristic Optimization
|
en |
| dc.subject |
Evolutionary Computational Techniques
|
en |
| dc.title |
Adaptace kontrolních parametrů v diferenciální evoluci |
|
| dc.title.alternative |
Data mining a hybridizace inteligentních systémů |
|
| dc.type |
disertační práce |
cs |
| dc.contributor.referee |
Davendra, Donald |
|
| dc.contributor.referee |
Krömer, Pavel |
|
| dc.contributor.referee |
Šeda, Miloš |
|
| dc.date.accepted |
2021-08-26 |
|
| dc.description.abstract-translated |
This doctoral thesis describes the author´s research in the area of adaptive Differential Evolution variants for small-scale continuous single-objective optimization. The first part describes the topic of mathematical optimization and lists various problem domains according to the problem characteristics. Namely: number of objectives, input type, computational complexity, type of a search space, and problem scale. It also describes the area of metaheuristic optimization and Evolutionary Computation Techniques. The Differential Evolution algorithm variants and control parameter adaptivity are described in the next part of this work and it also provides the justification of selecting Success-History based Adaptive Differential Evolution algorithm as a basis for author´s research focus. A novel population dynamic analysis tool is proposed in the experimental part. This tool can be used for the development process of new metaheuristic techniques as well as for the analysis of the state-of-the-art methods. The experimental part also provides the proposal of multi?chaotic framework for parent selection for the Differential Evolution based algorithms and Distance based parameter adaptation, which can be implemented into adaptive variants of Differential Evolution algorithm to improve the balance between exploration and exploitation. The benefits of using Distance based parameter adaptation are shown on the improved jSO algorithm - DISH. The performance of both versions (jSO and DISH) is compared on the basis of Congress on Evolutionary Computation benchmark sets and shows that the DISH variant is more suitable for optimization problems of a larger scale. The practical use of the DISH algorithm is demonstrated on the operations research problem of finding optimal dislocation of waste-to-energy facilities in the Czech Republic. The improved DISH algorithm was able to provide comparable solutions for smaller instances of the problem and was also able to provide solutions for larger instances where traditional solvers failed. Through the above-mentioned results, it can be seen that even simple changes in algorithms´ inner dynamic can lead to significant improvements. Therefore, the research area of adaptive metaheuristics for optimization can benefit from knowledge gained through thorough algorithm analysis, which is the author´s chosen research direction for the future. |
|
| dc.description.department |
Ústav informatiky a umělé inteligence |
|
| dc.thesis.degree-discipline |
Inženýrská informatika |
cs |
| dc.thesis.degree-discipline |
Engineering Informatics |
en |
| dc.thesis.degree-grantor |
Univerzita Tomáše Bati ve Zlíně. Fakulta aplikované informatiky |
cs |
| dc.thesis.degree-grantor |
Tomas Bata University in Zlín. Faculty of Applied Informatics |
en |
| dc.thesis.degree-name |
Ph.D. |
|
| dc.thesis.degree-program |
Inženýrská informatika |
cs |
| dc.thesis.degree-program |
Engineering Informatics |
en |
| dc.identifier.stag |
59894
|
|
| dc.date.submitted |
2021-04-20 |
|
