Warning message

Nemate dozvolu za prikaz ovog resursa!
prikaz prve stranice dokumenta Učinkovitost optimizacijskih algoritama u ovisnosti o značajkama problema
Rad nije dostupan
završni rad
Učinkovitost optimizacijskih algoritama u ovisnosti o značajkama problema
2014. urn:nbn:hr:168:898367
Poluta, Vlaho
Sveučilište u Zagrebu
Fakultet elektrotehnike i računarstva

Citirajte ovaj rad

Poluta, V. (2014). Učinkovitost optimizacijskih algoritama u ovisnosti o značajkama problema (Završni rad). Zagreb: Sveučilište u Zagrebu, Fakultet elektrotehnike i računarstva. Preuzeto s https://urn.nsk.hr/urn:nbn:hr:168:898367

Poluta, Vlaho. "Učinkovitost optimizacijskih algoritama u ovisnosti o značajkama problema." Završni rad, Sveučilište u Zagrebu, Fakultet elektrotehnike i računarstva, 2014. https://urn.nsk.hr/urn:nbn:hr:168:898367

Poluta, Vlaho. "Učinkovitost optimizacijskih algoritama u ovisnosti o značajkama problema." Završni rad, Sveučilište u Zagrebu, Fakultet elektrotehnike i računarstva, 2014. https://urn.nsk.hr/urn:nbn:hr:168:898367

Poluta, V. (2014). 'Učinkovitost optimizacijskih algoritama u ovisnosti o značajkama problema', Završni rad, Sveučilište u Zagrebu, Fakultet elektrotehnike i računarstva, citirano: 01.01.2025., https://urn.nsk.hr/urn:nbn:hr:168:898367

Poluta V. Učinkovitost optimizacijskih algoritama u ovisnosti o značajkama problema [Završni rad]. Zagreb: Sveučilište u Zagrebu, Fakultet elektrotehnike i računarstva; 2014 [pristupljeno 01.01.2025.] Dostupno na: https://urn.nsk.hr/urn:nbn:hr:168:898367

V. Poluta, "Učinkovitost optimizacijskih algoritama u ovisnosti o značajkama problema", Završni rad, Sveučilište u Zagrebu, Fakultet elektrotehnike i računarstva, Zagreb, 2014. Dostupno na: https://urn.nsk.hr/urn:nbn:hr:168:898367

Za citiranje koristite ovu mrežnu adresu: https://urn.nsk.hr/urn:nbn:hr:168:898367
Prijavite se u repozitorij kako biste mogli spremiti objekt u svoju listu.
Podaci o radu
NaslovUčinkovitost optimizacijskih algoritama u ovisnosti o značajkama problema
Naslov (engleski)Optimization efficiency based on fitness landscape
AutorVlaho Poluta
MentorDomagoj Jakobović (mentor)
Član povjerenstvaDomagoj Jakobović (predsjednik povjerenstva)
Član povjerenstvaAlan Jović (član povjerenstva)
Član povjerenstvaMarko Čupić (član povjerenstva)
Ustanova koja je dodijelila
akademski / stručni stupanj		Sveučilište u Zagrebu
Fakultet elektrotehnike i računarstva
Zagreb
Datum i država obrane2014-07-14, Hrvatska
Znanstveno / umjetničko
područje, polje i grana		TEHNIČKE ZNANOSTI
Računarstvo
Sažetak
Ovaj rad se bavi ispitivanjem dali se mogu klasificirati optimizacijski problemi i onda odrediti dali je neki algoritam optimizacije dobar za optimiranje određene klase problema, sa ciljem smanjenja vremena potrebnog za određivanjem dobrog optimizacijskog algoritma na novom optimizacijskom problemu. Algoritmi se pokušavaju klasificirati pomoću krajolika dobrote tih problema. Testne funkcije korištene u radu grupirane su u klase pomoću K-means algoritma. U ovom radu korištena su 4 modela klasifikacije strojnim učenjem: stablo odluke generirano genetskim programiranjem, simbolička regresija generirana genetskim programiranjem, učenje neuronske mreže diferencijskom evolucijom i učenje neuronske mreže algoritmom selekcije klona. Ispitivanje se izvodi u 2 faze, u prvoj fazi se određuju najbolji parametri za svaki od modela učenja, dok se u drugoj fazi uspoređuju modeli i procjenjuje se njihova uspješnost klasifikacije.
Sažetak (engleski)
This paper is concerned with examining whether you can classify an optimization problem and then determine is some optimization algorithm good for optimizing that problem with goal of reducing time required for determining that. Algorithms where classified using fitness landscape values. Fitness landscape values were calculated from optimisation problems. Test functions where classified using k-means algorithm. In this paper 4 classification models were used: symbolic regression generated by genetic programming, decision three generated by genetic programming, neural network trained by differential evolution and finaly neural network trained by clonal selection algorithm. Testing was done in 2 faze. In first faze best parameters for all modes where determent, while in the second phase models were compared and evaluated by its performance in classification.
Ključne riječi
Ključne riječi (engleski)
Jezikhrvatski
URN:NBNurn:nbn:hr:168:898367
Studijski programNaziv: Računarstvo
Vrsta studija: sveučilišni
Stupanj studija: preddiplomski
Akademski / stručni naziv: sveučilišni/a prvostupnik/ prvostupnica (baccalaureus/baccalaurea) inženjer/inženjerka računarstva (univ.bacc.ing.comp.)
Vrsta resursaTekst
Način izrade datotekeIzvorno digitalna
Prava pristupaZatvoreni pristup
Uvjeti korištenjaIkona licence Zaštićeno autorskim pravom.
Javna napomena
Datum i vrijeme pohrane2018-02-05 17:50:39