magistrsko delo
Sašo Mađarić (Avtor), Damjan Strnad (Mentor), Nikola Guid (Komentor)

Povzetek

Pri klasičnem razvoju nevronskih mrež za uporabo na različnih področjih umetne inteligence se pogosto srečujemo s problemom določanja optimalne topologije nevronske mreže, ki ima velik vpliv na njeno kvaliteto. V tem magistrskem delu smo se ukvarjali s problemom avtomatiziranega razvoja topologije nevronske mreže in njenega učenja z nevroevolucijskimi metodami. Področje, ki se ukvarja z razvojem nevronskih mrež s pomočjo evolucijskega algoritma, je nevroevolucija. Preučili in implementirali smo nevroevolucijske metode NEAT, HyperNEAT in ES-HyperNEAT. Uspešnost metod smo preizkusili na eksperimentu z agenti. Agent se nahaja v okolju in poskuša pobrati čim več kosov hrane ter se izogniti sovražnikom oziroma zidovom. Nevroevolucijske metode smo primerjali z metodo Q-učenje, ki za učenje nevronske mreže uporablja klasično metodo vzvratnega prenosa napake. Primerjali smo doseženo oceno in časovno zahtevnost. Rezultati so pokazali, da je najuspešnejša metoda HyperNEAT, sledita pa ji ES-HyperNEAT in NEAT. Metoda Q-učenje se je izkazala za najmanj uspešno, saj je glede na nevroevolucijske metode v podrejenem položaju tako po doseženi kriterijski oceni kot tudi po časovni zahtevnosti.

Ključne besede

umetna inteligenca;nevroevolucija;evolucijski algoritmi;nevronske mreže;NEAT;HyperNEAT;ES-HyperNEAT;

Podatki

Jezik: Slovenski jezik
Leto izida:
Tipologija: 2.09 - Magistrsko delo
Organizacija: UM FERI - Fakulteta za elektrotehniko, računalništvo in informatiko
Založnik: [S. Mađarić]
UDK: 004.032.26:004.832.3(043.3)
COBISS: 17335318 Povezava se bo odprla v novem oknu
Št. ogledov: 1726
Št. prenosov: 189
Ocena: 0 (0 glasov)
Metapodatki: JSON JSON-RDF JSON-LD TURTLE N-TRIPLES XML RDFA MICRODATA DC-XML DC-RDF RDF

Ostali podatki

Sekundarni jezik: Angleški jezik
Sekundarni naslov: NEUROEVOLUTION METHODS
Sekundarni povzetek: In classical development of neural networks for use in different areas of artificial intelligence we are often faced with the problem of optimal neural network topology selection, which has strong impact on neural network quality. In this master work we were studying with problem of automated development and training neural network topologies using neuroevolution methods. Development of NN topology using evolutionary algorithm is called nevroevolution. We have studied and implemented neuroevolution methods NEAT, HyperNEAT, and ES-HyperNEAT. The methods were compared using an experiment, where an agent tries to collect food and avoid enemies and walls. Neuroevolutionary methods were compared with the Q-learning, which uses backpropagation algorithm for neural network learning. The comparison was based on achieved fitness and time complexity. Results show, that the best method is HyperNEAT, followed by ES-HyperNEAT and NEAT. Method Q-learning method was least successful in both the achieved fitness and time complexity.
Sekundarne ključne besede: artificial intelligence;nevroevolution;evolutionary algorithm;neural networks development;NEAT;HyperNEAT;ES-HyperNEAT;
URN: URN:SI:UM:
Vrsta dela (COBISS): Magistrsko delo/naloga
Komentar na gradivo: Univ. v Mariboru, Fak. za elektrotehniko, računalništvo in informatiko
Strani: XI, 70 f.
ID: 8727202
Priporočena dela:
, magistrsko delo
, diplomska naloga visokošolskega strokovnega študijskega programa