3236691569

Temat projektu/pracy dyplomowej inżynierskiej

Genetyczne uczenie sieci neuronowych w zadaniach klasyfikacji elementów konstrukcyjnych maszyn

Opiekun pracy

dr inż. Tomasz Bialaszewski

Konsultant pracy

Cel pracy

Praca ma na celu zastosowanie algorytmów genetycznych w problemie uczenia sieci neuronowych dla zadań klasyfikacji elementów konstrukcyjnyeh maszyn

Zadania do wykonania

•    przeprowadzenie poszukiwań bibliograficznych

•    opracow anie i implementac ja algorytmów genetycznych do uczenia sztucznych sieci neuronowych

•    zastosowanie rozważanego podejścia do klasyfikacji elementów konstrukcyjnych maszyn

•    opracowanie osiągniętych wyników numeryczne,

•    porównanie rozważanej metody z klasycznymi metodami identyfikacji

przykłady wyników bezpośrednich/symulacyjnych (ilustrujące działanie algorytmów), wnioski (zalety^-, ograniczenia metody/programu, kierunki rozwoju programu)).

Literatura

[1( D. E. Goldberg: Algory tmy genetyczne i ich zastosowania. Warszawa: WNT. 1998.

[2]    Z. Michalewicz: Algoiytmy genetyczne + struktuiy danych = programy ewolucyjne. Warszawa: WNT. 1996.

[3]    J. Arabas: Wykłady z algorytmów ewolucyjnych. Warszawa: WNT, 2001.

[4]    Knosala R.. Zastosowanie metod sztucznej inteligencji w inżynierii produkcji. Warszawa WNT 2002.

5] Rutkowski L.: Metody i techniki sztucznej inteligencji. Wydawnictwo Naukowe PWN. Warszawa 2005.

Liczba wykonawców

1

Uwagi: TB2

Temat projektu/pracy

dyplomowej

inżynierskiej

Toolbox algorytmów roju cząsteczek (PSO) dla środowiska MATLAB

Opiekun pracy

dr inż. Tomasz Bialaszewski

Konsultant pracy

Cel pracy

Praca ma na celu zaimplementowanie algory tmów optymalizacji rojem cząsteczek (PSO) w środowisku MATLAB-a

Zadania do wykonania

•    implementacja wybranych algory tmów - Matlab

•    zrealizowanie programów demonstracyjnych

•    przedstawienie wyników numetycznych i ich opracowanie graficzne dla przy kładowych zadań optymalizacy jnych

•    przykłady wyników bezpośrednich/symulacyjnych (ilustrujące działanie algorytmów), wnioski (zalety, ograniczenia metody/programu. kierunki rozwoju programu).

Literatura

[1]    Kennedy, J. and Eberhart, R. C. Particie swarm optimization. Proc. IEEE int'l conf. on neural networks Vol. IV, pp. 1942-1948. IEEE service center, Piscataway, NJ. 1995.

[2]    Eberhart. R. C. and Kemtedy, J. A new optimizer using particie swarm theory. Proceedings of the sixth International symposium on micro machinę and human science pp. 39-43. IEEE sen ice center, Piscataway, NJ, Nagoya, Japan, 1995.

[3]    Eberhart. R. C. and Shi. Y. Particie swarm optimization: developments. applications and resources. Proc. congress on evolutionaty computation 2001 IEEE service center. Piscataway. NJ., Seoul. Korea., 2001.

[4]    Shi, Y. and Eberhart, R. C. Parameter selection in particie swarm optimization. Eyolutionary Progranuning VII: Proc. EP 98 pp. 591-600. Springer-Verlag, New York. 1998.'

Liczba wykonawców

1

Uwagi: TB3