Spelling suggestions: "subject:"1expression tre"" "subject:"2expression tre""
1 |
Σχεδιασμός - υλοποίηση ολοκληρωμένου γραφικού περιβάλλοντος gene expression programming και ανάπτυξη καινοτόμων τελεστώνΑντωνίου, Μαρία 25 January 2012 (has links)
Τo Gene Expression Programming - GEP (Προγραμματισμός Γονιδιακής Έκφρασης - ΠΓΕ) είναι μια μέθοδος αυτόματης παραγωγής προγραμμάτων η οποία ανήκει στη γενική κατηγορία των Εξελικτικών Αλγορίθμων, εκείνων των τεχνικών δηλαδή που εμπνέονται από τις φυσικές διεργασίες της βιολογικής εξέλιξης. Συγκεκριμένα ο ΠΓΕ χρησιμοποιεί πληθυσμούς από άτομα, επιλέγει τα άτομα σύμφωνα με την καταλληλότητά τους (fitness) και εισάγει νέα σημεία (άτομα, πιθανές λύσεις) στον πληθυσμό χρησιμοποιώντας έναν ή περισσότερους γενετικούς τελεστές.
Στόχος αυτής της Μεταπτυχιακής Διπλωματικής Εργασίας ήταν ο σχεδιασμός και η υλοποίηση ενός Ολοκληρωμένου Γραφικού Περιβάλλοντος για τον Προγραμματισμό Γονιδιακής Έκφρασης καθώς και η υλοποίηση ορισμένων καινοτομιών.
Στα πλαίσια της διπλωματικής εργασίας, σχεδιάσθηκε και αναπτύχθηκε ένας καινοτόμος τελεστής για την μέθοδο του ΠΓΕ. Ο συγκεκριμένος τελεστής πραγματοποιεί μια τοπική αναζήτηση στις μεταβλητές που χρησιμοποιούνται στη μοντελοποίηση του εκάστοτε προβλήματος και επιλέγει εκείνες τις μεταβλητές για τις οποίες η απόδοση του αλγορίθμου βελτιστοποιείται. Η απόδοση του καινούργιου τελεστή ελέγχθηκε και πειραματικά. Μια επιπλέον καινοτομία που εφαρμόστηκε είναι η αυξομείωση του αριθμού των μεταλλάξεων. Συγκεκριμένα, επιλέγουμε να μειώνουμε τον αριθμό των μεταλλάξεων καθώς ο πληθυσμός εξελίσσεται, ενώ τον αυξάνουμε όταν έχουμε μικρή διαφορά ανάμεσα στη βέλτιστη και τη μέση απόδοση του πληθυσμού. Ο μεταβλητός αριθμός μεταλλάξεων σε συνδυασμό με την ικανότητα της μεθοδολογίας του ΠΓΕ να αποφεύγει τα τοπικά ακρότατα βελτιώνει σημαντικά την προσαρμοστικότητα του αλγορίθμου. Επιπλέον, για την αντιμετώπιση της αυξημένης υπολογιστικής πολυπλοκότητας που παρουσιάζει η μέθοδος, εισήχθη η έννοια του παραλληλισμού.
Τέλος, η τροποποιημένη μέθοδος του ΠΓΕ εφαρμόστηκε σε πληθώρα προβλημάτων όπως η μοντελοποίηση συμπεριφοράς μιας χρονοσειράς μαγνητοεγκεφαλογραφήματος, η μοντελοποίηση της συμπεριφοράς κόπωσης υλικών, η πρόβλεψη ισοτιμίας δολαρίου – ευρώ, η πρόβλεψη πρωτεϊνικών αλληλεπιδράσεων και η πρόβλεψη του βαθμού υδατοκορεσμού ελαιοκαλλιεργειών. Τα αποτελέσματα που προέκυψαν είναι ιδιαίτερα ενθαρρυντικά. / Gene Expression Programming (GEP) is one method of automatic generation of programs that belongs to a wider class of Evolutionary Algorithms. Evolutionary Algorithms are inspired by biological mechanisms of evolution. Specifically, GEP uses populations of individuals, select the individuals according to their fitness, and introduce genetic variation using one or more genetic operators.
The purpose of this Master's Thesis was to design and implement an Integrated Graphical Environment for Gene Expression Programming and the implementation of certain innovations.
Ιn the context of this thesis an innovative operator was designed and developed for the GEP method. This particular operator is conducting a local search on the variables used in modeling of a problem and chooses those variables for which the performance of the algorithm is optimized. The performance of the new operator was experimentally tested. Another innovation implemented was the fluctuation in the number of mutations. Specifically, we choose to reduce the number of mutations as the population evolves, while we increase it when the performance of the best individual found is very close to the average performance of the population. The variable number of mutations in combination with the ability of the methodology of GEP to avoid local extrema significantly improves the adaptability of the algorithm. Moreover, in order to face the increased computational complexity of the method, we introduce parallelism.
Finally, the modified method of GEP was applied to many problems such as modeling behavior of a MEG’s time series, modeling of fatigue behavior of materials, forecasting Euro - United States Dollar exchange rate, predicting protein interactions and predicting the degree of saturation of olive crops. The results are very encouraging.
|
Page generated in 0.0817 seconds