In this thesis, I explore moral intuition as an epistemological tool for constructing moral systems, focusing specifically on the challenges arising from evolutionary and cultural biases. This thesis will consider and discuss Michael Huemer's Ethical Intuitionism, Peter Singer's critique of moral intuitions, and Sharon Street's Darwinian Dilemma, I consider some possible defenses and counterarguments concerning the reliability of moral intuitions. Furthermore, this thesis examines the potential self-defeating nature of certain arguments against the reliability of moral intuitions, while concurrently discussing the broader implications of these criticisms on other areas of philosophy and the potential ramifications on our other cognitive faculties, such as logic and rationality. Alternative perspectives are briefly considered by presenting the approaches to morality of Karl Marx and Friedrich Nietzsche. Marx's theory of historical materialism and Nietzsche's concept of Will to Power. Presenting their interpretations of moral evolution, these offer contrasts to the debate surrounding moral intuitions. Ultimately, this thesis proposes that we are either compelled to accept moral intuitions as a reliable epistemological tool to construct moral systems or embrace global skepticism because of the biases and limitations inherent in our cognitive faculties. I will explore what I propose is the paradoxical nature of moral intuitions as an epistemological tool and their role in our pursuit of moral truth.

BAKGRUND En övergång till ett aktivitetsbaserat kontorslandskap från cellkontor har blivit en populär kontorsutformning hos svenska kommuner. Det aktivitetsbaserade kontoret kan anses vara en funktionell lösning för kunskapsintensiva organisationer och ombyggnationen kan förklaras som en organisationsförändring. Några av de vanligaste orsakerna till att organisationsförändringar misslyckas beror på att de mänskliga resurserna inte utnyttjas på rätt sätt. HRs expertkunskap om de mänskliga resurserna kan därför spela en viktig funktion vid organisationsförändringar till aktivitetsbaserade kontorslandskap. SYFTE Studien syftar till att beskriva vilka roller HR intar vid organisationsförändringar till aktivitetsbaserade kontor. METOD Studien har genomförts med en kvalitativ metod genom semistrukturerade intervjuer med åtta respondenter i fem svenska kommuner. SLUTSATS Organisationsförändringar till aktivitetsbaserade kontor kan ses som en cyklisk förändringsprocess där den transformativa förändringen, som utgörs av ombyggnationen, även består av evolutionära förändringsprocesser som i sin tur berör de mänskliga resurserna. Denna tolkning medför att HRs roller vid en organisationsförändring till aktivitetsbaserat kontor har identifierats i förändringsfaserna upptining, genomförande och återfrysning. Arbetet med mänskliga resurser präglas av ett ständigt förbättringsarbete och kan därmed förstås som en evolutionär förändringsprocess utan ett tydligt slut. Utifrån HRs expertkunskap om de mänskliga resurserna visar studiens resultat därmed att HR-medarbetarna i de studerade kommunerna agerar som förändringsledare i de evolutionära förändringsprocesserna som ett aktivitetsbaserat kontor medför snarare än kopplat till det transformativa. / BACKGROUND A transition to an activity-based office from cell-offices has become a popular office design in Swedish municipalities. The activity-based office can be considered a functional solution for knowledge-intensive organizations and the remodelling can be explained as an organizational change. Some of the most common reasons for organizational change failing are due to the inadequate use of human resources. HR's expert knowledge of human resources can therefore play an important role in organizational changes to activity-based offices. PURPOSE The study's purpose is to describe the roles HR takes in organizational change to activity[1]based offices. METHOD The study was conducted using a qualitative method through semi-structured interviews with eight respondents in five Swedish municipalities. CONCLUSION Organizational changes to activity-based offices can be seen as a cyclical process of change where the transformative change, which consists of the redevelopment, also consists of evolutionary change processes that in turn affect the human resources. This interpretation means that HR's roles in an organizational change to activity-based offices have been identified in the phases of change unfreeze, change and refreeze. The work with human resources is characterized by continuous improvement work and can thus be understood as an evolutionary process of change without a specific end. Based on HR's expert knowledge of human resources, the study's results thus show that HR employees in the studied municipalities act as change leaders in the evolutionary change processes that an activity-based office entails rather than linked to the transformative.

Evolutionary clustering (EC) is a kind of clustering algorithm to handle the noise of time-evolved data. It can track the truth drift of clustering across time by considering history. EC tries to make clustering result fit both current data and historical data/model well, so each EC algorithm defines snapshot cost (SC) and temporal cost (TC) to reflect both requests. EC algorithms minimize both SC and TC by different methods, and they have different ability to deal with a different number of cluster, adding/deleting nodes, etc.Until now, there are more than 10 EC algorithms, but no survey about that. Therefore, a survey of EC is written in the thesis. The survey first introduces the application scenario of EC, the definition of EC, and the history of EC algorithms. Then two categories of EC algorithms model-level algorithms and data-level algorithms are introduced oneby-one. What’s more, each algorithm is compared with each other. Finally, performance prediction of algorithms is given. Algorithms which optimize the whole problem (i.e., optimize change parameter or don’t use change parameter to control), accept a change of cluster number perform best in theory.EC algorithm always processes large datasets and includes many iterative data-intensive computations, so they are suitable for implementing on Spark. Until now, there is no implementation of EC algorithm on Spark. Hence, four EC algorithms are implemented on Spark in the project. In the thesis, three aspects of the implementation are introduced. Firstly, algorithms which can parallelize well and have a wide application are selected to be implemented. Secondly, program design details for each algorithm have been described. Finally, implementations are verified by correctness and efficiency experiments. / Evolutionär clustering (EC) är en slags klustringsalgoritm för att hantera bruset av tidutvecklad data. Det kan spåra sanningshanteringen av klustring över tiden genom att beakta historien. EC försöker göra klustringsresultatet passar både aktuell data och historisk data / modell, så varje EC-algoritm definierar ögonblicks kostnad (SC) och tidsmässig kostnad (TC) för att reflektera båda förfrågningarna. EC-algoritmer minimerar både SC och TC med olika metoder, och de har olika möjligheter att hantera ett annat antal kluster, lägga till / radera noder etc.Hittills finns det mer än 10 EC-algoritmer, men ingen undersökning om det. Därför skrivs en undersökning av EC i avhandlingen. Undersökningen introducerar först applikationsscenariot för EC, definitionen av EC och historien om EC-algoritmer. Därefter introduceras två kategorier av EC-algoritmer algoritmer på algoritmer och algoritmer på datanivå en för en. Dessutom jämförs varje algoritm med varandra. Slutligen ges resultatprediktion av algoritmer. Algoritmer som optimerar hela problemet (det vill säga optimera förändringsparametern eller inte använda ändringsparametern för kontroll), acceptera en förändring av klusternummer som bäst utför i teorin.EC-algoritmen bearbetar alltid stora dataset och innehåller många iterativa datintensiva beräkningar, så de är lämpliga för implementering på Spark. Hittills finns det ingen implementering av EG-algoritmen på Spark. Därför implementeras fyra EC-algoritmer på Spark i projektet. I avhandlingen införs tre aspekter av genomförandet. För det första är algoritmer som kan parallellisera väl och ha en bred tillämpning valda att implementeras. För det andra har programdesigndetaljer för varje algoritm beskrivits. Slutligen verifieras implementeringarna av korrekthet och effektivitetsexperiment.

Existing methods in Reinforcement Learning (RL) that rely on gradient estimates suffer from the slow rate of convergence, poor sample efficiency, and computationally expensive training, especially when dealing with complex real-world problems with a sizable dimensionality of the state and action space. In this work, we attempt to leverage the benefits of evolutionary computation as a competitive, scalable, and gradient-free alternative to training deep neural networks for RL-specific problems. In this context, we present a novel distributed algorithm based on an efficient model encoding that allows the intuitive application of genetic operators. Our results demonstrate improved exploration and considerable reduction of trainable parameters while maintaining comparable performance with algorithms like Deep Q-Network (DQN), Asynchronous Advantage Actor Critic (A3C), and Evolution Strategy (ES) when evaluated on Atari 2600 games. A scalability assessment of the algorithm revealed a significant parallel speedup and over 10,000 fold improvement in memory requirement. Sample efficiency improved in some experiments, but not significantly. Finally, the algorithm was applied on a Remote Electrical Tilt (RET) optimization task, the improvements in Key Performance Indicators (KPIs) show that the algorithm is also effective in other domains. / gradientskattningar är begränsade av långsam konvergenshastighet, låg samplingeffektivitet och beräkningsmässigt dyra träningsprocedurer. Detta är särskilt fallet när dessa hanterar komplexa och verkliga problem med högdimensionella tillstånds- och handlingsrum. I detta arbete försöker vi utnyttja fördelarna med evolutionär beräkning som ett konkurrenskraftigt, skalbart och gradientfritt alternativ till att träna djupa neurala nätverk för RL-specifika problem. I detta sammanhang presenterar vi en ny distribuerad algoritm baserad på en effektiv modellkodning som möjliggör intuitiv tillämpning av genetiska operatorer. Våra resultat visar ett förbättrat utforskande och en avsevärd minskning av träningsbara.

No description available.

This project aims to develop an automated image pre-processing chain to extract valuable information from appliance labels before recycling. The primary goal is to improve optical character recognition accuracy by addressing noise issues using reinforcement learning and an evolutionary algorithm. Python was selected as the primary programming language for this project due to its extensive support for machine learning and computer vision libraries. Different techniques are implemented to enhance text extraction from labels. Binary Robust Invariant Scalable Keypoints (BRISK) are used to straighten labels and separate the label from the background. You Only Look Once version 8x (YOLOv8x) is then used for extracting the regions containing the text of interest. The reinforcement learning model and genetic algorithm dataset are created using BRISK with YOLOv8x. The results showed that pre-processing images in the dataset, provided through BRISK and YOLOv8x, does not affect text extraction accuracy, as suggested by reinforcement learning and evolutionary algorithms. / Detta projekt syftar till att utveckla en automatiserad bildförbehandlingskedja för att extrahera värdefull information från apparatmärken före återvinning. Det primära målet är att förbättra noggrannheten för optisk teckenigenkänning genom att hantera brusproblem med hjälp av förstärkningsinlärning och en evolutionär algoritm. Python valdes som det primära programmeringsspråket för detta projekt på grund av dess omfattande stöd för maskininlärnings- och datorseendebibliotek. Olika tekniker implementeras för att förbättra textutvinningen från etiketterna. Binary Robust Invariant Scalable Keypoints (BRISK) används för att räta ut etiketter och separera etiketten från bakgrunden. You Only Look Once version 8x (YOLOv8x) används sedan för att extrahera områden som innehåller den önskade texten. Datasetet för förstärkningsinlärningsmodellen och den genetiska algoritmen skapas genom att använda BRISK med YOLOv8x. Resultaten visade att förbehandlingen av bilder i datasetet, som tillhandahålls genom BRISK och YOLOv8x, inte påverkar noggrannheten för textutvinning, som föreslagits av förstärkningsinlärning och evolutionära algoritmer.