3262347147

2 Badania naukowe

weryfikowane z wykorzystaniem rzeczywistych systemów równoległych.

Komputerowe systemy czasu rzeczywistego w swoich działaniach muszą nadążać za zdarzeniami zachodzącymi w rzeczywistości. Nakłada to ścisłe ograniczenia czasowe, w których muszą mieścić się obliczenia. Dlatego badane są problemy planowania wykonania obliczeń, których użyteczność zależy od stopnia w jakim zostaną one wykonane przed pożądanymi terminami (impre-cise computation). Ponieważ wiele systemów czasu rzeczywistego wykonuje swoje obliczenia w sposób cykliczny, analizowane są sposoby szeregowania zadań cyklicznych w celu minimalizacji odchylenia liczby zadań wykonanych w pewnym okresie czasu od liczby pożądanej. Badane są także systemy zadań o okresach binarnych, które pozwalają na zwięzłe zapisywanie rozwiązań, co jest szczególnie pożądane ze względu na ograniczenia pamięciowe.

W ramach prowadzonych prac rozważane są także problemy szeregowania zadań poza aplikacjami komputerowymi. Badany jest problem przydziału dźwigów portowych i nabrzeży do statków w celu za- i wyładunku. Analizie poddawane są również przypadki, w których czas wykonania pracy zależy od momentu jej rozpoczęcia. Przeprowadzane są również studia nad problem optymalizacji kolejności wytwarzania samochodów na etapie spawania karoserii, malowania oraz montażu. To zagadnienie jest szczególnie trudne ze względu na wielość i złożoność istniejących powiązań oraz kryteriów jakości rozwiązania.

2.4.3 Ewolucyjne systemy uczące się w środowiskach rzeczywistych i wirtualnych

1.    Kierownik projektu : dr hab.inż. Krzysztof Krawiec

2.    Opis wykonanych badań naukowych i uzyskanych wyników.

Prace prowadzone w ramach projektu dotyczą pogranicza uczenia maszynowego i algorytmów ewolucyjnych. Ich głównym celem jest rozwijanie i badanie nowych, zaawansowanych algorytmów uczących się z przykładów, wychodzących poza tradycyjny scenariusz użycia nauczonego klasyfikatora, który zazwyczaj sprowadza się wyłącznie do klasyfikowania nowych przykładów. W tym celu wykorzystano wybrane odmiany obliczeń ewolucyjnych, a także opracowano metody pomocnicze umożliwiające analizę, wizualizację i wykorzystanie pozyskanej wiedzy.

Głównym wątkiem prowadzonych prac są systemy realizujące współdzielenie wiedzy pomiędzy procesami uczenia się wielu zadań. Motywacją dla tego kierunku prac są zastosowania praktyczne, w których często pożądane jest aby system uczący się realizował wiele zadań, które mogą potencjalnie zawierać wspólne komponenty wiedzy (podzadania) i/lub dynamicznie dostosowywał się do zmian zachodzących w zadaniu (np. widzenie komputerowe,

19