Algorytmy genetyczne : Budowa wielomianowej funkcji modelu regresyjnego za pomocą algorytmu genetycznego i analiza statystyczna otrzymanych wyników w zależności od kształtu funkcji oceny

• Autorzy: Wojnarowski K.

Warianty tytułu

EN

Genetic Algorithms : Construction of a polynomial function of the regression model by using a genetic algorithm and statistical analysis of the results obtained according to the form of the evaluation function

• Języki publikacji: PL

Abstrakty

PL

Celem pracy jest analiza algorytmu genetycznego dopasowującego wielomian do danych pomiarowych. W pierwszej części opisany jest użyty algorytm genetyczny oraz jego budowa. Druga część stanowi opis eksperymentu wykonanego przy użyciu opisywanego algorytmu i jakościowa analiza wyników. Dokonana została równie analiza statystyczna wyników otrzymanych dla różnych zestawów danych i różnych funkcji oceny algorytmu. Wysunięte wnioski podsumowują osiągnięte w eksperymencie wyniki oraz wyznaczają możliwy kierunek dalszych badań, mających na celu rozszerzenie zastosowań opisywanego algorytmu i poprawę jakości otrzymywanych rezultatów.

EN

The aim of this study is the analysis of a genetic algorithm fitting experiment data with polynomial. The first part consists of a description of algorithm used and its construction. The second part involves a description of an experiment performed using the described algorithm and qualitative analysis of the results. Additionally, there was performed a statistic analysis of the results – for different data sets and different fitting functions. Statements concluded, basing on the experiment, summarize its results and allow to point out goals for further research on the matter of creating regressive models using genetic algorithms and improving the quality of the results.

Słowa kluczowe

PL

model regresyjny; algorytm genetyczny; funkcja oceny; metoda ruletki; JavaScript

EN

regressive model; genetic algorithm; fitting function; roulette method; JavaScript

• Wydawca: Oficyna Wydawnicza Europejskiej Uczelni
• Czasopismo: Studia i Materiały / Europejska Uczelnia Informatyczno-Ekonomiczna w Warszawie
• Rocznik: 2014
• Tom: Nr 1(7)
• Strony: 49--63
• Opis fizyczny: Bibliogr. 9 poz., tab., wykr.

Twórcy

autor

Wojnarowski K.

• Europejska Uczelnia Informatyczno-Ekonomiczna w Warszawie, ul. Białostocka 22, 03-741 Warszawa

Bibliografia

• [1] Augustyniak A., Postać ciągłej funkcji aktywacji neuronu w sieciach MLP w kontekście procesów klasyfikacji wzorcowej, praca inżynierska, Warszawa 2013.
• [2] Broadhurst D., Goodacre R. i inni, Genetic algorithms as a method for variable selection in multiple linear regression and partial least squares regression, with applications to pyrolysis mass spectrometry, “Analytica Chimica Acta” 348 (1997), s. 71-86.
• [3] Goldberg D. E., Richardson J., Genetic algorithms with sharing for multimodal function optimization, Proceedings of the 2nd International Conference on Genetic Algorithms, Taylor&Francis, USA 1987.
• [4] Gwiazda T. D., Algorytmy genetyczne. Kompendium, t. 1: Operatory krzyżowania dla problemów numerycznych, PWN, Warszawa 2007.
• [5] Gwiazda T. D., Algorytmy genetyczne. Wstęp do teorii, Biblioteka Sztucznej Inteligencji, Warszawa 1995.
• [6] http://www.ekonometria.4me.pl/modele-analityczne.htm.
• [7] Paterlini S., Minerva T., Regression model selection using genetic algorithms, Proceedings of the 11th WSEAS International Conference on Nural Networks and Evolutionary Computing and Fuzzy Systems, June 13-15, G. Enescu University, Iasi, Romania 2010.
• [8] Roetzheim W. H., Laboratorium złożoności, Intersoftland, Warszawa 1994.
• [9] Rutkowski L., Metody i techniki sztucznej inteligencji, PWN, Warszawa 2012.