20.500.12556/DKUM-69973 Algoritem določanja funkcijske odvisnosti povezav med vozlišči v kompleksnih mrežah An algorithm for determining the functional relation of nodes' connectivity in complex networks V doktorski disertaciji predstavimo nov dvonivojski evolucijski algoritem za določanje funkcijske odvisnosti med netopološkimi lastnostmi vozlišč in povezavami v kompleksnih mrežah. Rezultat algoritma je neenačba, ki določa povezljivost med izbranima vozliščema kompleksne mreže. Na prvem nivoju predstavljenega algoritma poiščemo obliko neenačbe, na drugem nivoju pa ustrezne koeficiente in odločitveni prag. Ocenitveno funkcijo, ki je ozko grlo predlaganega algoritma, smo implementirali na grafično procesni enoti s tehnologijo CUDA, s čimer dosežemo učinkovito vzporedno izvajanje. V eksperimentalnem delu doktorske disertacije pokažemo primernost predstavljenega algoritma za analizo naravnih kompleksnih mrež. V primerjavi z metodami strojnega učenja in evolucijskimi algoritmi dosežemo boljše rezultate. Doktorsko disertacijo zaključimo s pregledom opravljenega dela in ovrednotenjem našega prispevka na raziskovalnem področju. In this Doctoral thesis, a new two-level evolutionary algorithm is introduced for defining the functional dependency between non-topological nodes' properties and complex networks' edges. The result of the algorithm is a threshold function, which determines connectivity between nodes in a complex network. A suitable function form is achieved at the first level, while the second level is used for an optimal function fitting. The evaluation function, which is a bottleneck of the proposed algorithm, is implemented on a general purpose graphic processing unit using CUDA. In that way, the parallelization of the algorithm is achieved. The suitability of the algorithm for complex network analysis is presented within the experimental part of the thesis. A comparison with machine learning and evolutionary algorithms showed the superiority of the proposed algorithm. Critical evaluation of the work done and addressing the main contributions of this work conclude the thesis. evolucijski algoritmi strojno učenje kompleksne mreže netopološke lastnosti vozlišč funkcijski zapis paralelno računanje GPGPU CUDA evolutionary algorithms machine learning complex network non-topological node properties function definition parallel computing GPGPU CUDA true true false [D. Jesenko] Slovenski jezik Angleški jezik Doktorska disertacija 2018-03-21 09:44:58 2018-05-03 12:19:12 2022-08-01 18:37:54 2019-07-11 17:51:15 2018 0 Maribor 0 0000-00-00 NiDoloceno NiDoloceno NiDoloceno 0000-00-00 0000-00-00 0000-00-00 004.421:519.254(043.3) 294829312 URN:SI:UM:DK:LQBHNERN DOK_Jesenko_David_2018.pdf DOK_Jesenko_David_2018.pdf 1 2CC44B012F0A003D87B550100EDD6025 06b5771fc3b68f7bf30179a5c2207a2f24660cc5babd8bd0fa6397892e029936 e8aa329b-7c0f-11eb-bb7a-00155d0001ca 20.500.12556/dkum/76ad59af-0849-433b-9b7e-d7ab56146743 https://dk.um.si/Dokument.php?lang=slv&id=124121 Fakulteta za elektrotehniko, računalništvo in informatiko 0 0 0