Univerzita Pardubice Fakulta elektrotechniky a informatiky

Univerzita Pardubice

Zaměstnanci
|
Studenti
English

Publikace detail

Dependency of GPA-ES Algorithm Efficiency on ES Parameters Optimization Strength

Autoři: Brandejský Tomáš

Rok: 2019

Druh publikace: článek v odborném periodiku

Název zdroje: Journal of Advanced Engineering and Computation

Strana od-do: 304-311

Tituly:

Jazyk	Název	Abstrakt	Klíčová slova
cze	Závislost efektivity GPA-ES algoritmu na optimalizační síle ES	Ve zde presentované práci bude studována závislost mezi počtem ES iterací a konvergencí celého hybridního algoritmu GPA-ES vzhlůedem k rostoucí potřebě analýzy a modelování rozsáhlých množin dat. Evoluční algoritmy jsou aplikovatelné v těch oblastech, které nejsou pokryty jinýi technikami umělé inteligence nebo soft computingu, jako jsou umělé neuronové šítě a deep learning jako hledání algebraických modelů dat. Rozdíl mezi časovou a algoritmickou složitostí bude rovněž zmíněn, stejně jako problémy víceúlohové implementace GPA, kde externí vlivy komplikují zlepšení efektivity GPA optimalizací výběru pseudonáhodných generatorů náhodných čísel (PRNG). Hybridní evoluční algoritmy jako GPA-ES užívají GPA pro hledání struktury a Evoluční Strategii (ES) pro identifikaci parameterů jsou řízeny mnoha parametery. Nejvýznamnější jsou velikost GPA populace a velikost ES populací příslušných ke každěmu jednotlivému jedinci v GPA populaci. Je zde také limit evolučních cyklů ES algoritmu. Tento limit hraje dvě protichůdné role. Na jedné straně vyšší počet ES iterací znamená nižší šanci na zamítnutí dobrého řešení pro špatně identifikované parametry, na druhé straně vysoký počet ES iterací významně zvyšuje výpočetní čas a tudíž limituje aplikační oblast GPA-ES algoritmu.	Algoritmus genetického programování; Evoluční Strategie; Hybridní evoluční systém; Efektivita algoritmu; Optimalizace.
eng	Dependency of GPA-ES Algorithm Efficiency on ES Parameters Optimization Strength	In herein presented work, the relation between number of ES iterations and convergence of the whole GPA-ES hybrid algorithm will be studied due to increasing needs to analyze and model large data sets. Evolutionary algorithms are applicable in the areas which are not covered by other artificial intelligence or soft computing techniques like neural networks and deep learning like search of algebraic model of data. The difference between time and algorithmic complexity will be also mentioned as well as the problems of multitasking implementation of GPA, where external influences complicate increasing of GPA efficiency via Pseudo Random Number Generator (PRNG) choice optimization. Hybrid evolutionary algorithms like GPA-ES uses GPA for solution structure development and Evolutionary Strategy (ES) for parameters identification are controlled by many parameters. The most significant are sizes of GPA population and sizes of ES populations related to each particular individual in GPA population. There is also limit of ES algorithm evolutionary cycles. This limit plays two contradictory roles. On one side bigger number of ES iterations means less chance to omit good solution for wrongly identified parameters, on the opposite side large number of ES iterations significantly increases computational time and thus limits application domain of GPA-ES algorithm.	Genetic Programming Algorithm; Evolutionary Strategy; Hybrid Evolutionary System; Algorithm Efficiency; Optimization.