Ajankohtaista

Väitös: 17.9.2016 Laskennallista älykkyyttä voi hyödyntää vaativissa optimointitehtävissä (Caraffini)

Alkamisaika: lauantai 17. syyskuuta 2016, 12.00

Päättymisaika: lauantai 17. syyskuuta 2016, 15.00

Paikka: Mattilanniemi, Agora, Alfa

PhD Fabio Caraffinin tietotekniikan väitöskirjan Algorithmic issues in Computational Intelligence Optimization: from design to implementation from implementation to design” tarkastustilaisuus. Vastaväittäjänä Prof. Daniela ZaharieFaculty of Mathematics and Computer Science West University of Timisoara Romania ja kustoksena Visiting professor Ferrante Neri (Jyväskylän yliopisto).

Tietotekniikan huima kehitys viime vuosikymmenien aikana on tuonut useita tehokkaita ja monimutkaisia tekoälyä sisältäviä järjestelmiä niin teollisuuden kuin tavallisen kuluttajan ulottuville. Tarjolla on laitteita, joissa elektroniikka ja sen tarvitsema ohjelmisto ovat sulautettuina ja jotka käyttävät tietojärjestelmiä internetin kautta – käyttäjän sitä oikeastaan huomaamatta.

Laitteet suorittavat monimutkaisiakin tehtäviä, mutta laitteen ”opettaminen” niiden sujuvaan suorittamiseen edellyttää usein vaikeiden optimointiongelmien ratkaisemista. Fabio Caraffini perehtyi väitöskirjassaan siihen, miten näiden optimointitehtävien ratkaisemisessa voi hyödyntää laskennallista älykkyyttä.

Väitöskirjan ensimmäinen tutkimus liittyi optimointialgoritmien suunnitteluun tapauksessa, jossa laskentakapasiteetti, muisti ja käytettävissä oleva laskenta-aika on etukäteen rajoitettu hyvin pieniksi. Kyseinen tilanne voi tulla vastaan esimerkiksi silloin, kun laskennallista älykkyyttä hyödyntävä optimointialgoritmi halutaan sisällyttää reaaliaikaiseen sulautettuun järjestelmään. Caraffini suunnitteli tutkimuksessa muistia säästäviä optimointialgoritmeja, jotka voidaan implementoida mikrokontrolleriin. Tutkimuksessa esiteltiin ja ratkaistiin lisäksi kolme robotiikan sovellusta.

Toisessa tutkimuksessa lähestymistapa oli ensimmäiseen verrattuna päinvastainen. Työssä kehitettiin kuusi uutta ”musta laatikko” -tyyppisten kustannusfunktioiden optimointiin sopivaa laskennallista älykkyyttä hyödyntävää optimointialgoritmia. 

Väitöksen kolmannessa tutkimuksessa analysoitiin populaatiopohjaisiin optimointialgoritmeihin liittyvää niin sanottua rakenteellista vinoutumaa kahden yleisesti käytetyn laskennallista älykkyyttä hyödyntävän algoritmin tapauksessa. Rakenteellinen vinoutuma tarkoittaa sitä, että optimointialgoritmi tutkii sallittujen ratkaisujen joukkoa epätasaisesti; epätasaisuus ei ole kuitenkaan peräisin optimoitavan kohdefunktion ominaisuuksista, vaan menetelmästä itsestään.

 

Lisätietoja:

Fabio Caraffini, fabio.caraffini@gmail.com                                       Viestintäharjoittelija Katja Ketola, tiedotus@jyu.fi, puh. 040 805 3638

Fabio Caraffini on syntynyt Italian Sansepolcrossa 1985. Hän valmistui maisteriksi Perugian yliopistosta vuonna 2011. Tällä hetkellä Caraffini toimii tutkijana ja luennoitsijana Leicesterin de Montfort yliopistossa.

Teos on julkaistu sarjassa Jyväskylä Studies in Computing numerona 243,94 sivua + tutkimusartikkelit, Jyväskylä 2016, ISSN 1456-5390. Luettavissa JYX-arkistossa: http://urn.fi/URN:ISBN:978-951-39-6742-0.

 

Abstract

Caraffini, Fabio. Algorithmic issues in Computational Intelligence Optimization: from design to implementation, from implementation to design.

The vertiginous technological growth of the last decades has generated a variety of powerful and complex systems. By embedding within modern hardware devices sophisticated software, they allow the solution of complicated tasks. As side effect, the availability of these heterogeneous technologies results into new difficult optimization problems to be faced by researchers in the field.

In order to overcome the most common algorithmic issues, occurring in such a variety of possible scenarios, this research has gone through cherry-picked case-studies. A first research study moved from implementation to design considerations. Implementation limitations, such as memory constraints and real-time requirements, inevitably plague the algorithmic design. Such limitations are typical of embedded systems. In this light, a fast and memory-saving “compact” algorithm was designed to be used within microcontrollers. Three robotic applications were subsequently addressed by means of selected single-solution approaches and the proposed compact algorithm. A new memetic computing approach using a micro-population was also designed to tackle large scale problems. In a second moment, the opposite approach, from design to implementation, was employed. As the benefit of metaheuristic optimization is the capability of tackling black-box systems, 6 novel general-purpose optimizers were designed according to different working principles. Their validity was thoroughly tested by means of popular benchmark suites. Finally, a theoretical study concludes this piece of research. The dynamic behaviour of population-based optimization algorithms, such as Genetic Algorithm and Particle Swarm Optimization, was observed. Their general-purpose nature questioned. The presence of an intrinsic structural bias was graphically displayed and rigorously formalized. It was shown that the bias prevent them from equally exploring all the areas of the search space, with a particularly deleterious strength in presence of a large population size.

Keywords: hyper-heuristics, memetic computing, differential evolution, compact algorithms, single-solution algorithms, local search, structural bias

 

Lisätietoja

Visiting professor Ferrante Neri
ferrante.neri@jyu.fi
kuuluu seuraaviin kategorioihin: ,