Institutional Repository
Technical University of Crete
EN  |  EL



My Space

Accelerating a parallel asynchronous differential evolution algorithm using neural networks

Pissas Vasileios

Simple record

Extent122 σελίδεςel
Extent5.3 megabytesen
TitleΣυμβολή στην επιτάχυνση ασύγχρονου παράλληλου διαφορικού εξελικτικού αλγορίθμου με χρήση νευρωνικών δικτύωνel
TitleAccelerating a parallel asynchronous differential evolution algorithm using neural networks en
CreatorPissas Vasileiosen
CreatorΠισσας Βασιλειοςel
Contributor [Thesis Supervisor]Nikolos Ioannisen
Contributor [Thesis Supervisor]Νικολος Ιωαννηςel
Contributor [Committee Member]Delis Anargyrosen
Contributor [Committee Member]Δελης Αναργυροςel
Contributor [Committee Member]Arampatzis Georgiosen
Contributor [Committee Member]Αραμπατζης Γεωργιοςel
PublisherΠολυτεχνείο Κρήτηςel
PublisherTechnical University of Creteen
Academic UnitTechnical University of Crete::School of Production Engineering and Managementen
Academic UnitΠολυτεχνείο Κρήτης::Σχολή Μηχανικών Παραγωγής και Διοίκησηςel
Content SummaryΣτην 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
Content SummaryIn 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
Type of ItemΜεταπτυχιακή Διατριβήel
Type of ItemMaster Thesisen
Date of Item2021-10-11-
Date of Publication2021-
SubjectEvolutionary algorithmsen
SubjectDifferential evolutionen
SubjectArtificial neural networksen
SubjectNeural networks trainingen
Subjectself-adaptive search strategiesen
SubjectΕξελικτικός αλγόριθμοςel
SubjectΔιαφορικός εξελικτικός αλγόριθμοςel
SubjectΤεχνητά νευρωνικά δίκτυαel
SubjectΕκπαίδευση νευρωνικών δικτύωνel
Subjectαυτοπροσαρμόσιμη στρατηγική αναζήτησηςel
Bibliographic CitationΒασιλείος 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
Bibliographic CitationVasileios 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

Available Files