Adaptives Online-Tuning für kontinuierliche Zustandsräume

Aus SDQ-Institutsseminar
Version vom 29. November 2018, 14:19 Uhr von Philip Pfaffe (Diskussion | Beiträge) (Die Seite wurde neu angelegt: „{{Vortrag |vortragender=Timo Kopf |email=ubdfs@student.kit.edu |vortragstyp=Masterarbeit |betreuer=Philip Pfaffe |termin=Institutsseminar/2019-01-11 |kurzfassu…“)
(Unterschied) ← Nächstältere Version | Aktuelle Version (Unterschied) | Nächstjüngere Version → (Unterschied)
Vortragende(r) Timo Kopf
Vortragstyp Masterarbeit
Betreuer(in) Philip Pfaffe
Termin [[Institutsseminar/2019-01-11|
 VeranstaltungsdatumVeranstaltungsraum
Institutsseminar/2019-01-11Fr 11. Januar 2019, 11:01Raum 348 (Gebäude 50.34)
]]
Vortragssprache
Vortragsmodus
Kurzfassung Raytracing ist ein rechenintensives Verfahren zur Erzeugung photorealistischer Bilder.

Durch die automatische Optimierung von Parametern, die Einfluss auf die Rechenzeit ha- ben, kann die Erzeugung von Bildern beschleunigt werden. Im Rahmen der vorliegenden Arbeit wurde der Auto-Tuner libtuning um ein generalisiertes Reinforcement Learning- Verfahren erweitert, das in der Lage ist, bestimmte Charakteristika der zu zeichnenden Frames bei der Auswahl geeigneter Parameterkonfigurationen zu berücksichtigen. Die hier- für eingesetzte Strategie ist eine �-gierige Strategie, die für die Exploration das Nelder- Mead-Verfahren zur Funktionsminimierung aus libtuning verwendet. Es konnte gezeigt werden, dass ein Beschleunigung von bis zu 7,7% in Bezug auf die gesamte Rechenzeit ei- nes Raytracing-Anwendungsszenarios dieser Implementierung gegenüber der Verwendung von libtuning erzielt werden konnte.