The proposed algorithm discretizes the parameter space into a grid of cells, each representing a unique parameter configuration. The cells evolve according to local comparison rules, allowing the algorithm to explore and exploit promising regions without relying on derivative

L'algoritmo proposto discretizza lo spazio dei parametri in una griglia di celle, ognuna delle quali rappresenta un'unica configurazione di parametri. Le celle si evolvono in base a regole di confronto locali, consentendo all'algoritmo di esplorare e sfruttare regioni promettenti senza fare affidamento sulle derivate

AUTOMI CELLULARI COME METODO FREE-DERIVATIVE PER I PROBLEMI DI OTTIMIZZAZIONE

BALDUCCI, GIUSEPPE MARIANO
2024/2025

Abstract

The proposed algorithm discretizes the parameter space into a grid of cells, each representing a unique parameter configuration. The cells evolve according to local comparison rules, allowing the algorithm to explore and exploit promising regions without relying on derivative
2024
CELLULAR AUTOMATA AS FREE-DERIVATIVE APPROACH FOR OPTIMIZATION PROBLEMS
L'algoritmo proposto discretizza lo spazio dei parametri in una griglia di celle, ognuna delle quali rappresenta un'unica configurazione di parametri. Le celle si evolvono in base a regole di confronto locali, consentendo all'algoritmo di esplorare e sfruttare regioni promettenti senza fare affidamento sulle derivate
Automi Cellulari
Machine Learning
Gradient Descent
Hyperparameter Opt
Regolarizzazione L2
File in questo prodotto:
File Dimensione Formato  
tesi_def_589983.pdf

File consultabile da postazioni biblioteca

Dimensione 1.81 MB
Formato Adobe PDF
1.81 MB Adobe PDF

I documenti in UNITESI sono protetti da copyright e tutti i diritti sono riservati, salvo diversa indicazione.

Utilizza questo identificativo per citare o creare un link a questo documento: https://hdl.handle.net/20.500.14253/69037