- author = "Marcin Suchorzewski",
- title = "Ewolucyjna metoda syntezy skalowalnych i modularnych sieci obliczeniowych",
- school = "Faculty of Computer Science and Information Technology, West Pomeranian University of Technology",
- year = "2011",
- address = "Szczecin, Poland",
- month = "24 " # may,
- keywords = "genetic algorithms, genetic programming, HyperNEAT, algorytmy ewolucyjne, sztuczna inteligencja, sieci neuronowe, sieci obliczeniowe, Kodowanie Gramatyczne, intertwined spirals, Santa Fe artificial ant trail",
-
URL = "
https://www.wi.zut.edu.pl/pl/wydzial/procedury/przewody-doktorskie",
-
URL = "https://zbc.ksiaznica.szczecin.pl/dlibra/publication/22169/edition/21104",
-
URL = "https://zbc.ksiaznica.szczecin.pl/dlibra/publication/22169/edition/21104/content?ref=desc",
-
URL = "
https://zbc.ksiaznica.szczecin.pl/Content/21104/Praca_dokt.M.Suchorzewski.pdf",
-
URL = "https://zbc.ksiaznica.szczecin.pl/Content/21104/zip/",
- size = "121 pages",
-
abstract = "Ewolucyjne sieci neuronowe, lub inaczej neuroewolucja,
sa interesujacym i obiecujacym sposobem syntezy
programow i systemow adaptacyjnych, laczacych w sobie
ewolucje i uczenie. Jednym z najwazniejszych wyzwan
stojacych przed sieciami ewolucyjnymi jest znalezienie
reprezentacji, zapewniajacej mozliwosc efektywnej
ewolucji coraz bardziej zlozonych rozwiazan dla coraz
bardziej zlozonych problemow. W niniejszej pracy
przedstawiono nowa metode ewolucji sieci obliczeniowych
-- bedacych pewnym uogolnieniem sieci neuronowych --
ktora oparta jest o rozwojowa reprezentacje genetyczna,
umozliwiajaca gene-rowanie rozwiazan odznaczajacych sie
skalowalnoscia i modularnoscia.
Skalowalnosc polega tutaj na zdolnosci do odzwierciedlenia pewnej regularnosci problemu w fenotypie sieci oraz do jej uchwycenia w genotypie sieci. Modularnosc, bedaca poniekad istotnym elementem skalowalnosci, oznacza zdolnosc do rozlozenia sieci na wiele mniejszych, funkcjonalnie niezaleznych i mozliwie wielokrotnie wykorzystanych podsieci. Te dwie cechy zostaly zademonstrowane na wielu przykladach i problemach testowych. W szczegolno- sci dla problemu parzystosci i symetrii wyewoluowano rozwiazania, ktore sa doskonale skalowalne ze wzgledu na liczbe wejsc. W wyniku eksperymentow otrzymano rowniez skalowalne i modularne niewazone rekurencyjne sieci zdolne do uczenia nadzorowanego w prostym generycznym zadaniu klasyfikacji. Ponadto wykazano, ze sieci ewoluowane za pomoca opracowanej metody moga byc dla pewnych problemow bardziej efektywne pod wzgledem jakosci i szybkosci uczenia anizeli standardowe sieci neuronowe. Zaproponowane kodowanie genetyczne odznacza sie kompletnoscia, co oznacza, iz dowolna siec rekurencyjna -- a tym samym dowolna maszyna Turing'a -- moze byc teoretycznie wygenerowana.
Opracowana metoda jest bardzo elastyczna, pozwala generowac sieci jedno-kierunkowe i rekurencyjne, wazone i niewazone, o polaczeniach plastycznych i modulowanych, a nawet o dowolnych funkcjach przejscia i uczenia, ktore same rowniez moga podlegac adaptacji ewolucyjnej. Metoda pozwala wykorzystac uczenie oparte o wsteczna propagacje bledu oraz neuromodulacje, co zade-monstrowano na przykladach. Na przykladzie dwoch problemow testowych wykazano rowniez, ze metoda jest konkurencyjna wobec aktualnie rozwijanej metody neuroewolucji HyperNEAT.",
-
notes = "In Polish
Supervisor: Andrzej Piegat",
