Optimiranje strategija za igru funkcija uz pomoć simboličke regresije

završni rad

• Naslov (engleski): Optimization of function game strategies with symbolic regression
• Autor: Mislav Jelić
• Mentor: Domagoj Jakobović (mentor)
• Član povjerenstva: Domagoj Jakobović (predsjednik povjerenstva)
• Član povjerenstva: Josip Jukić (član povjerenstva)
• Član povjerenstva: NIna Drobac (član povjerenstva)
• Ustanova koja je dodijelila akademski / stručni stupanj: Sveučilište u Zagrebu; Fakultet elektrotehnike i računarstva; Zagreb
• Datum i država obrane: 2023-07-05, Hrvatska
• Znanstveno / umjetničko područje, polje i grana: TEHNIČKE ZNANOSTI; Računarstvo

Sažetak

Ovaj rad je opisao što su evolucijski algoritmi, neke vrste evolucijskih algoritama te kako i gdje se koriste, te demonstrirao njihovu uporabu u rješavanju problema aproksimacije funkcija preko igre funkcija. Strategije za aproksimiranje funkcije bile su optimizirane oslanjajući se na simboličku regresiju, a populacije su bile popunjene jedinkama građenim od različitih vrsta modela. Pokazalo se da je genetsko programiranje bio najuspješniji model te samom svojom građom prikladan za aproksimaciju funkcija, jer su potencijalna rješenja koje GP vraća upravo funkcije. Problem odabira ulaznih parametara bio je riješen sa aktivnim učenjem, gdje su se nakon prvih n parametara svi ostali birali principom aktivnog učenja, što je poprilično ubrzalo aproksimiranje funkcija. Pokazano je da kombinacija evolucijskih algoritama sa aktivnim učenjem može značajno poboljšati aproksimiranje funkcija.

Sažetak (engleski)

This paper described what evolutionary algorithms are and explained some of the types of evolutionary algorithms. It is also mentioned how and where they are used, and their use is demonstrated in solving the problem of approximation of functions through the game of functions. Strategies for approximating the function were optimized relying on symbolic regression, and populations were filled with individuals constructed from different types of models. It turned out that genetic programming was the most successful model and, by its very structure, suitable for the approximation of functions, because the potential solutions returned by GP are precisely functions. The problem of selecting input parameters was solved with active learning, where after the first n parameters, all others were selected by the principle of active learning, which considerably accelerated the approximation of functions. It is shown that the combination of evolutionary algorithms with active learning can significantly improve the approximation of functions.

• Ključne riječi: evolucijski algoritmi; aproksimacija funkcija; simbolička regresija; aktivno učenje; genetsko programiranje
• Ključne riječi (engleski): evolutionary algorithms; approximation of functions; symbolic regression; active learning; genetic programming
• Jezik: hrvatski
• URN:NBN: urn:nbn:hr:168:864629
• Studijski program: Naziv: Računarstvo; Vrsta studija: sveučilišni; Stupanj studija: preddiplomski; Akademski / stručni naziv: sveučilišni/a prvostupnik/ prvostupnica (baccalaureus/baccalaurea) inženjer/inženjerka računarstva (univ.bacc.ing.comp.)
• Vrsta resursa: Tekst
• Način izrade datoteke: Izvorno digitalna
• Prava pristupa: Zatvoreni pristup
• Datum i vrijeme pohrane: 2023-10-11 09:09:38