Metody optimalizace a A.I. pro měření v průmyslové praxi

Bc. et Bc. Jana Šimečková

Master's thesis

Optimization Methods and A.I. for Measurements in Industrial Practice

Abstract:

Tato diplomová práce se zaměřuje na aplikaci analytického programování, evolučních algoritmů a dalších metod umělé inteligence a strojového učení v kontextu optimalizace a modelování v průmyslové praxi. Práce je založena na pečlivé analýze relevantních zdrojů a jejím primárním cílem je provést odbornou rešerši na dané téma v teoretické části a aplikovat popsané metody v části praktické, včetně zhodnocení provedených experimen-tů. V rámci teoretické části byly podrobně prozkoumány různé aspekty evolučních výpo-četních technik, analytického programování, neuronových sítí a dalších metod využitých při zpracování dat. Praktická část práce se skládá z popisu dat získaných z fyzikálního měření, analýzy možností syntézy modelu popisující tato data a optimalizace nastavení parametrů měření pomocí evolučních výpočetních technik. Byly provedeny rozsáhlé ex-perimenty a analýzy, které přispěly k hlubšímu porozumění dané problematiky a poskytly cenné poznatky pro další výzkum v oblasti aplikace umělé inteligence a strojového učení v průmyslové praxi.

Abstract:

This master's thesis focuses on the application of analytical programming, evolutionary algorithms, and other methods of artificial intelligence and machine learning in the con-text of optimization and modeling in industrial practice. The work is based on a me-ticulous analysis of relevant sources, with its primary aim being to conduct an expert lite-rature review on the given topic in the theoretical part and to apply the described methods in the practical part, including the evaluation of conducted experiments. In the theoretical section, various aspects of evolutionary computing techniques, analytical programming, neural networks, and other data processing methods were thoroughly examined. The practical part of the work consists of a description of data obtained from physical mea-surements, an analysis of the possibilities of synthesizing a model describing this data, and the optimization of parameters settings using evolutionary computing techniques. Extensive experiments and analyses were carried out, contributing to a deeper understan-ding of the issue and providing valuable insights for further research in the field of artifi-cial intelligence and machine learning application in industrial practice.

Keywords

analytické programování, umělá inteligence, evoluční algoritmy, strojové učení, optimalizace

Language used: Czech

Date on which the thesis was submitted / produced: 10. 5. 2024

Thesis defence

• Supervisor: doc. Ing. Michal Pluháček, Ph.D.

Tomas Bata University in Zlín

Faculty of Applied Informatics

Master programme / field:
Information Technologies / Software Engineering