Ιδρυματικό Αποθετήριο
Πολυτεχνείο Κρήτης
Πολυτεχνείο Κρήτης
EN
|
EL
| URI | http://purl.tuc.gr/dl/dias/108AFD41-D64A-4785-BFA2-818A71E0C345 | - |
| Αναγνωριστικό | https://doi.org/10.26233/heallink.tuc.90414 | - |
| Γλώσσα | el | - |
| Μέγεθος | 122 σελίδες | el |
| Μέγεθος | 5.3 megabytes | en |
| Τίτλος | Συμβολή στην επιτάχυνση ασύγχρονου παράλληλου διαφορικού εξελικτικού αλγορίθμου με χρήση νευρωνικών δικτύων | el |
| Τίτλος | Accelerating a parallel asynchronous differential evolution algorithm using neural networks | en |
| Δημιουργός | Pissas Vasileios | en |
| Δημιουργός | Πισσας Βασιλειος | el |
| Συντελεστής [Επιβλέπων Καθηγητής] | Nikolos Ioannis | en |
| Συντελεστής [Επιβλέπων Καθηγητής] | Νικολος Ιωαννης | el |
| Συντελεστής [Μέλος Εξεταστικής Επιτροπής] | Delis Anargyros | en |
| Συντελεστής [Μέλος Εξεταστικής Επιτροπής] | Δελης Αναργυρος | el |
| Συντελεστής [Μέλος Εξεταστικής Επιτροπής] | Arampatzis Georgios | en |
| Συντελεστής [Μέλος Εξεταστικής Επιτροπής] | Αραμπατζης Γεωργιος | el |
| Εκδότης | Πολυτεχνείο Κρήτης | el |
| Εκδότης | Technical University of Crete | en |
| Ακαδημαϊκή Μονάδα | Technical University of Crete::School of Production Engineering and Management | en |
| Ακαδημαϊκή Μονάδα | Πολυτεχνείο Κρήτης::Σχολή Μηχανικών Παραγωγής και Διοίκησης | el |
| Περίληψη | Στην παρούσα μεταπτυχιακή διατριβή θα χρησιμοποιηθεί ως βάση ένας υπάρχων παράλληλος ασύγχρονος Διαφορικός Εξελικτικός αλγόριθμος, ο οποίος έχει αναπτυχθεί από μέλη του Εργαστηρίου Στροβιλομηχανών & Ρευστοδυναμικής (TurboLab – TUC), σε γλώσσα προγραμματισμού FORTRAN. Ο συγκεκριμένος αλγόριθμος υποστηρίζεται από δύο Τεχνητά Νευρωνικά Δίκτυα (ΤΝΔ) (Artificial Neural Networks – ANNs), τα οποία λειτουργούν ως υποκατάστατα μοντέλα (surrogate models) για την επιτάχυνση της διαδικασίας αξιολόγησης κάθε υποψήφιας λύσης που εξετάζει ο Διαφορικός Εξελικτικός αλγόριθμος. Στα πλαίσια της παρούσας εργασίας, αρχικά θα γίνει μία βιβλιογραφική επισκόπηση των μεθόδων που χρησιμοποιούνται διεθνώς για τον συνδυασμό Εξελικτικών Αλγορίθμων με Τεχνητά Νευρωνικά Δίκτυα ως surrogate models (meta-models). Ειδικότερα, θα εξετασθεί ο τρόπος που επιλέγονται τα άτομα των προηγούμενων πληθυσμών του Διαφορικού Εξελικτικού αλγορίθμου, ώστε να χρησιμοποιηθούν για την επανεκπαίδευση σε κάθε γενιά των ΤΝΔ. Επειδή η σωστή επιλογή των συγκεκριμένων ατόμων επιτρέπει την καλύτερη εκπαίδευση και αύξηση της ακρίβειας πρόβλεψης των ΤΝΔ, θα γίνει προσπάθεια να βρεθούν πολιτικές πιο αποτελεσματικής επιλογής αυτών των ατόμων σε κάθε γενιά. Η αποτελεσματικότητα των παραπάνω εναλλακτικών πολιτικών θα συγκριθεί με την υπάρχουσα πολιτική σε επιλεγμένα προβλήματα αναφοράς. Παράλληλα, θα γίνει προσπάθεια εισαγωγής και επιπλέον βελτιώσεων στον υπάρχοντα κώδικα, ώστε να καταστεί πιο εύχρηστος και πιο αποτελεσματικός. | el |
| Περίληψη | In the present M.Sc. thesis an existing parallel asynchronous Differential Evolution (DE) algorithm, will be used as a basis, previously developed by members of the Turbomachines & Fluid Dynamics Laboratory (TurboLab - TUC), in FORTRAN programming language. This algorithm is supported by two Artificial Neural Networks (ANNs), which act as surrogate models to speed up the evaluation process of each candidate solution, considered by the Differential Evolutionary algorithm. In the context of the present work, a comprehensive review of the methods that are used in the open literature for the combination of Evolutionary Algorithms with Artificial Neural Networks as surrogate models (meta-models) will be firstly carried out. Specifically, the way in which individuals of the previous populations of the Differential Evolutionary algorithm are selected will be examined, so that they can be used for the retraining the ANNs in each generation of the DE algorithm. As the right choice of those individuals enables better training and increased accuracy of ANNs prediction, efforts will be made to find more effective policies for selecting these individuals in each generation. The effectiveness of the above alternative policies will be compared with the existing policy on selected test cases. Alongside, an effort will be made to introduce further improvements to the existing code, in order to make it easier to use and more efficient. | el |
| Τύπος | Μεταπτυχιακή Διατριβή | el |
| Τύπος | Master Thesis | en |
| Άδεια Χρήσης | http://creativecommons.org/licenses/by-nc-nd/4.0/ | en |
| Ημερομηνία | 2021-10-11 | - |
| Ημερομηνία Δημοσίευσης | 2021 | - |
| Θεματική Κατηγορία | Evolutionary algorithms | en |
| Θεματική Κατηγορία | Differential evolution | en |
| Θεματική Κατηγορία | Artificial neural networks | en |
| Θεματική Κατηγορία | Neural networks training | en |
| Θεματική Κατηγορία | self-adaptive search strategies | en |
| Θεματική Κατηγορία | Εξελικτικός αλγόριθμος | el |
| Θεματική Κατηγορία | Διαφορικός εξελικτικός αλγόριθμος | el |
| Θεματική Κατηγορία | Τεχνητά νευρωνικά δίκτυα | el |
| Θεματική Κατηγορία | Εκπαίδευση νευρωνικών δικτύων | el |
| Θεματική Κατηγορία | αυτοπροσαρμόσιμη στρατηγική αναζήτησης | el |
| Βιβλιογραφική Αναφορά | Βασιλείος Πίσσας, "Συμβολή στην επιτάχυνση ασύγχρονου παράλληλου διαφορικού εξελικτικού αλγορίθμου με χρήση νευρωνικών δικτύων", Μεταπτυχιακή Διατριβή, Σχολή Μηχανικών Παραγωγής και Διοίκησης, Πολυτεχνείο Κρήτης, Χανιά, Ελλάς, 2021 | el |
| Βιβλιογραφική Αναφορά | Vasileios Pissas, "Accelerating a parallel asynchronous differential evolution algorithm using neural networks", Master Thesis, School of Production Engineering and Management, Technical University of Crete, Chania, Greece, 2021 | en |
Copyright © DIAS 2013
