Ιδρυματικό Αποθετήριο
Πολυτεχνείο Κρήτης
EN  |  EL

Αναζήτηση

Πλοήγηση

Ο Χώρος μου

Συμβολή στην επιτάχυνση ασύγχρονου παράλληλου διαφορικού εξελικτικού αλγορίθμου με χρήση νευρωνικών δικτύων

Pissas Vasileios

Απλή Εγγραφή


URIhttp://purl.tuc.gr/dl/dias/108AFD41-D64A-4785-BFA2-818A71E0C345-
Αναγνωριστικόhttps://doi.org/10.26233/heallink.tuc.90414-
Γλώσσαel-
Μέγεθος122 σελίδεςel
Μέγεθος5.3 megabytesen
ΤίτλοςΣυμβολή στην επιτάχυνση ασύγχρονου παράλληλου διαφορικού εξελικτικού αλγορίθμου με χρήση νευρωνικών δικτύωνel
ΤίτλοςAccelerating a parallel asynchronous differential evolution algorithm using neural networks en
ΔημιουργόςPissas Vasileiosen
ΔημιουργόςΠισσας Βασιλειοςel
Συντελεστής [Επιβλέπων Καθηγητής]Nikolos Ioannisen
Συντελεστής [Επιβλέπων Καθηγητής]Νικολος Ιωαννηςel
Συντελεστής [Μέλος Εξεταστικής Επιτροπής]Delis Anargyrosen
Συντελεστής [Μέλος Εξεταστικής Επιτροπής]Δελης Αναργυροςel
Συντελεστής [Μέλος Εξεταστικής Επιτροπής]Arampatzis Georgiosen
Συντελεστής [Μέλος Εξεταστικής Επιτροπής]Αραμπατζης Γεωργιοςel
ΕκδότηςΠολυτεχνείο Κρήτηςel
ΕκδότηςTechnical University of Creteen
Ακαδημαϊκή ΜονάδαTechnical University of Crete::School of Production Engineering and Managementen
Ακαδημαϊκή ΜονάδαΠολυτεχνείο Κρήτης::Σχολή Μηχανικών Παραγωγής και Διοίκησηςel
ΠερίληψηΣτην 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
ΠερίληψηIn 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
ΤύποςΜεταπτυχιακή Διατριβήel
ΤύποςMaster Thesisen
Άδεια Χρήσηςhttp://creativecommons.org/licenses/by-nc-nd/4.0/en
Ημερομηνία2021-10-11-
Ημερομηνία Δημοσίευσης2021-
Θεματική ΚατηγορίαEvolutionary algorithmsen
Θεματική ΚατηγορίαDifferential evolutionen
Θεματική ΚατηγορίαArtificial neural networksen
Θεματική ΚατηγορίαNeural networks trainingen
Θεματική Κατηγορίαself-adaptive search strategiesen
Θεματική ΚατηγορίαΕξελικτικός αλγόριθμοςel
Θεματική ΚατηγορίαΔιαφορικός εξελικτικός αλγόριθμοςel
Θεματική ΚατηγορίαΤεχνητά νευρωνικά δίκτυαel
Θεματική ΚατηγορίαΕκπαίδευση νευρωνικών δικτύωνel
Θεματική Κατηγορίααυτοπροσαρμόσιμη στρατηγική αναζήτησηςel
Βιβλιογραφική ΑναφοράΒασιλείος Πίσσας, "Συμβολή στην επιτάχυνση ασύγχρονου παράλληλου διαφορικού εξελικτικού αλγορίθμου με χρήση νευρωνικών δικτύων", Μεταπτυχιακή Διατριβή, Σχολή Μηχανικών Παραγωγής και Διοίκησης, Πολυτεχνείο Κρήτης, Χανιά, Ελλάς, 2021el
Βιβλιογραφική ΑναφοράVasileios 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, 2021en

Διαθέσιμα αρχεία

Υπηρεσίες

Στατιστικά