Univerzita Pardubice Fakulta elektrotechniky a informatiky

Univerzita Pardubice

Zaměstnanci
|
Studenti
English

Publikace detail

VERSATILE FUNCTION IN GPA

Autoři: Brandejský Tomáš

Rok: 2021

Druh publikace: článek v odborném periodiku

Název zdroje: Neural Network World

Název nakladatele: České vysoké učení technické v Praze

Místo vydání: Praha

Strana od-do: 379-392

Tituly:

Jazyk	Název	Abstrakt	Klíčová slova
cze	Univerzální funkce v GPA	Článek věnovaný aplikaci spojité univerzální funkce v algoritmu genetického programování (GPA) začíná discusí podobností mezi GPA s univerzální funkcí a neuronovou sítí. Pak je diskutován vliv univerzální funkce na efektivitu GPA. V další části je popsán hybridní evoluční algoritmus, který kombinuje GPA pro vývoj struktur a evoluční strategii (ES) pro optimalizaci parametrů a konstant, který je zde mnohem důležitější než v běžném GPA. Je zde rovněž diskutováno nastavení parametrů tohoto hybridního algoritmu vzhledem k odlišné množině funkcí. Původní idea univerzální funkce, jejíž počátek sahá do oblasti fuzzy řídících systémů, je (re-)formulována a vysvětlena. Tři odlišné implementace této univerzální funkce jsou diskutovány. On základě provedených experimentů s hybridním evolučním algoritmem vykonávajícím úlohu symbolické regrese na předpočítaných datech systému Lorenzova atraktoru bylo formulováno porovnání tří veriant univerzální funkce. Koncept univerzální funkce je aplikovatelný, ale vyžaduje použití hybridního evolučního algoritmu, jak je vysvětleno v článku.	hybridní evoluční algoritmus; genetické programování; univerzální funkce; neuronová síť
eng	VERSATILE FUNCTION IN GPA	The paper, devoted to continuous versatile function application in the Genetic Programming Algorithm (GPA), begins with a discussion of similarities between GPA with versatile function and neural network. Then, the function set influence on GPA efficiency is discussed. In the next part, there is described a hybrid evolutionary algorithm that combines GPA for structure development and Evolutionary Strategy (ES) for parameters and constant optimization; which is herein much more significant than in the standard GPA. There is also discussed the setting of parameters of this hybrid algorithm and due to a different function set. The original idea of a versatile function, which origins come from the area of fuzzy control systems, is formulated and explained. Three different implementations of this versatile function are discussed. On the base of experiments with the hybrid evolutionary algorithm providing symbolic regression task of precomputed Lorenz attractor system data representing its dynamic behaviour; the comparison of three variants of versatile functions was formulated. The paper also presents ways how to set up hybrid evolutionary algorithm parameters like population sizes as well as limits of maximal population numbers for both algorithms: GPA for structural development and nested ES for parameters optimization. The versatile function concept is applicable but it requires the hybrid evolutionary algorithm use as it is explained in the paper.	hybrid evolutionary algorithm; genetic programming; versatile function; neural network