Adaptives Online-Tuning für kontinuierliche Zustandsräume
| Vortragende(r) | Timo Kopf | |
|---|---|---|
| Vortragstyp | Masterarbeit | |
| Betreuer(in) | Philip Pfaffe | |
| Termin | Fr 11. Januar 2019 | |
| 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 ε-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. | |