Podrobnosti studentského projektu

Seznam
Téma:Hybridní neuroevoluce
Katedra:Katedra kybernetiky
Vedoucí:Ing. Jiří Kubalík, Ph.D.
Vypsáno jako:Diplomová práce, Semestrální projekt
Popis:Neuroevolucí se označují metody pro hledání optimální topologie a/nebo nastavení vah neuronové sítě pomocí evolučního procesu. Hypercube-based NeuroEvolution of Augmented Topologies (HyperNEAT) [1] je metoda, která používá nepřímé kódování vyvíjených neuronových sítí prostřednictvím tzv. Compositional Pattern Producing Networks (CPPN). CPPN se učí pomocí evolučního algoritmu, nejde tedy o gradientní metodu. Výhodou metody HyperNEAT je, že lze stejnou CPPN efektivně použít pro sítě s různou granularitou vstupu.

Je známo, že "čisté" evoluční algoritmy jsou dobré pro hrubé prohledání prostoru řešení. Tedy pro nalezení kvalitních, ovšem ne nutně optimálních řešení. S výhodou se tedy používají hybridní evoluční metody, které využívají
lokální optimalizátory pro jemné doladění řešení, nalezených evolucí.

Cílem této práce je navrhnout a experimentálně ověřit hybridní neuroevoluční metodu, která propojí HyperNEAT s lokálním doladěním CPPN.
Literatura:[1] Stanley, Kenneth O.; D'Ambrosio, David B.; Gauci, Jason (2009-01-14). "A Hypercube-Based Encoding for Evolving Large-Scale Neural Networks". Artificial Life. 15 (2): 185–212. doi:10.1162/artl.2009.15.2.15202. ISSN 1064-5462. PMID 19199382.
Za obsah zodpovídá: Petr Pošík