Συμβολή στην επιτάχυνση ασύγχρονου παράλληλου διαφορικού εξελικτικού αλγορίθμου με χρήση νευρωνικών δικτύωνΣυμβολή στην επιτάχυνση ασύγχρονου παράλληλου διαφορικού εξελικτικού αλγορίθμου με χρήση νευρωνικών δικτύωνAccelerating a parallel asynchronous differential evolution algorithm using neural networks Μεταπτυχιακή Διατριβή Master Thesis 2021-10-112021elΣτην παρούσα μεταπτυχιακή διατριβή θα χρησιμοποιηθεί ως βάση ένας υπάρχων παράλληλος ασύγχρονος Διαφορικός Εξελικτικός αλγόριθμος, ο οποίος έχει αναπτυχθεί από μέλη του Εργαστηρίου Στροβιλομηχανών & Ρευστοδυναμικής (TurboLab – TUC), σε γλώσσα προγραμματισμού FORTRAN. Ο συγκεκριμένος αλγόριθμος υποστηρίζεται από δύο Τεχνητά Νευρωνικά Δίκτυα (ΤΝΔ) (Artificial Neural Networks – ANNs), τα οποία λειτουργούν ως υποκατάστατα μοντέλα (surrogate models) για την επιτάχυνση της διαδικασίας αξιολόγησης κάθε υποψήφιας λύσης που εξετάζει ο Διαφορικός Εξελικτικός αλγόριθμος. Στα πλαίσια της παρούσας εργασίας, αρχικά θα γίνει μία βιβλιογραφική επισκόπηση των μεθόδων που χρησιμοποιούνται διεθνώς για τον συνδυασμό Εξελικτικών Αλγορίθμων με Τεχνητά Νευρωνικά Δίκτυα ως surrogate models (meta-models). Ειδικότερα, θα εξετασθεί ο τρόπος που επιλέγονται τα άτομα των προηγούμενων πληθυσμών του Διαφορικού Εξελικτικού αλγορίθμου, ώστε να χρησιμοποιηθούν για την επανεκπαίδευση σε κάθε γενιά των ΤΝΔ. Επειδή η σωστή επιλογή των συγκεκριμένων ατόμων επιτρέπει την καλύτερη εκπαίδευση και αύξηση της ακρίβειας πρόβλεψης των ΤΝΔ, θα γίνει προσπάθεια να βρεθούν πολιτικές πιο αποτελεσματικής επιλογής αυτών των ατόμων σε κάθε γενιά. Η αποτελεσματικότητα των παραπάνω εναλλακτικών πολιτικών θα συγκριθεί με την υπάρχουσα πολιτική σε επιλεγμένα προβλήματα αναφοράς. Παράλληλα, θα γίνει προσπάθεια εισαγωγής και επιπλέον βελτιώσεων στον υπάρχοντα κώδικα, ώστε να καταστεί πιο εύχρηστος και πιο αποτελεσματικός. In the present M.Sc. thesis an existing parallel asynchronous Differential Evolution (DE) algorithm, will be used as a basis, previously developed by members of the Turbomachines & Fluid Dynamics Laboratory (TurboLab - TUC), in FORTRAN programming language. This algorithm is supported by two Artificial Neural Networks (ANNs), which act as surrogate models to speed up the evaluation process of each candidate solution, considered by the Differential Evolutionary algorithm. In the context of the present work, a comprehensive review of the methods that are used in the open literature for the combination of Evolutionary Algorithms with Artificial Neural Networks as surrogate models (meta-models) will be firstly carried out. Specifically, the way in which individuals of the previous populations of the Differential Evolutionary algorithm are selected will be examined, so that they can be used for the retraining the ANNs in each generation of the DE algorithm. As the right choice of those individuals enables better training and increased accuracy of ANNs prediction, efforts will be made to find more effective policies for selecting these individuals in each generation. The effectiveness of the above alternative policies will be compared with the existing policy on selected test cases. Alongside, an effort will be made to introduce further improvements to the existing code, in order to make it easier to use and more efficient. http://creativecommons.org/licenses/by-nc-nd/4.0/Πολυτεχνείο Κρήτης::Σχολή Μηχανικών Παραγωγής και ΔιοίκησηςPissas_Vasileios_MSc_2021.pdfChania [Greece]Library of TUC2021-10-09application/pdf5.3 MBembargo Pissas Vasileios Πισσας Βασιλειος Nikolos Ioannis Νικολος Ιωαννης Delis Anargyros Δελης Αναργυρος Arampatzis Georgios Αραμπατζης Γεωργιος Πολυτεχνείο Κρήτης Technical University of Crete Evolutionary algorithms Differential evolution Artificial neural networks Neural networks training self-adaptive search strategies Εξελικτικός αλγόριθμος Διαφορικός εξελικτικός αλγόριθμος Τεχνητά νευρωνικά δίκτυα Εκπαίδευση νευρωνικών δικτύων αυτοπροσαρμόσιμη στρατηγική αναζήτησης