Ταχύτητα σύγκλισης εναντίον μνήμης στη διαμόρφωση απόψεων

Κοντουρά, Βασιλική; Kontoura, Vasiliki

dc.contributor.author	Κοντουρά, Βασιλική	el
dc.contributor.author	Kontoura, Vasiliki	en
dc.date.accessioned	2018-11-27T11:42:59Z
dc.date.available	2018-11-27T11:42:59Z
dc.date.issued	2018-11-27
dc.identifier.uri	https://dspace.lib.ntua.gr/xmlui/handle/123456789/48146
dc.identifier.uri	http://dx.doi.org/10.26240/heal.ntua.15869
dc.rights	Αναφορά Δημιουργού-Μη Εμπορική Χρήση-Όχι Παράγωγα Έργα 3.0 Ελλάδα	*
dc.rights.uri	http://creativecommons.org/licenses/by-nc-nd/3.0/gr/	*
dc.subject	Διαμόρφωση απόψεων	el
dc.subject	Κυρτή βελτιστοποίηση	el
dc.subject	Gradient descent	el
dc.subject	Το μοντέλο των Friedkin-Johnsen	el
dc.subject	Προσομοίωση	el
dc.subject	Opinion dynamics	en
dc.subject	Convex optimization	en
dc.subject	The Friedkin-Johnsen model	en
dc.subject	Simulation	en
dc.title	Ταχύτητα σύγκλισης εναντίον μνήμης στη διαμόρφωση απόψεων	el
heal.type	bachelorThesis
heal.classification	Επιστήμη υπολογιστών	el
heal.classification	Πληροφορική	el
heal.classificationURI	http://data.seab.gr/concepts/77de68daecd823babbb58edb1c8e14d7106e83bb
heal.language	el
heal.access	free
heal.recordProvider	ntua	el
heal.publicationDate	2017-11-10
heal.abstract	Αντικείμενο της κυρτής βελτιστοποίησης είναι η ελαχιστοποίηση μίας κυρτής αντικειμενικής συνάρτησης, δεδομένων κάποιων περιορισμών. Συχνά, η επίλυση τέτοιων προβλημάτων στηρίζεται σε επαναληπτικούς αλγορίθμους, ενώ χρήσιμη είναι και η μελέτη κατανεμημένων παραλλαγών τους, που μπορούν να εφαρμοστούν για την επίλυση προβλημάτων βελτιστοποίησης σε δίκτυα. Ωστόσο, η επίλυση προβλημάτων σε δίκτυα στην πράξη περιέχει διάφορους περιορισμούς και απαιτεί ιδιαίτερο χειρισμό. Δύο από τους βασικότερους τέτοιους περιορισμούς αποτελούν η ποσότητα μνήμης που είναι διαθέσιμη στους κόμβους ενός δικτύου και ο όγκος της επικοινωνίας που είναι εφικτός μεταξύ αυτών. Στη διπλωματική αυτή εργασία, επικεντρωνόμαστε σε ένα συγκεκριμένο επαναληπτικό αλγόριθμο βελτιστοποίησης, τη μέθοδο gradient descent, και μελετάμε πειραματικά την επίδραση της περιορισμένης μνήμης και επικοινωνίας σε ένα δίκτυο σε μία παραλλαγή της κατανεμημένης της εκδοχής, μέσω του τρόπου που φυσικά αυτή εφαρμόζεται στο μοντέλο διαμόρφωσης απόψεων των Friedkin και Johnsen. Για τη διεξαγωγή των πειραμάτων μας, υλοποιήσαμε έναν προσομοιωτή σε Python.	el
heal.abstract	The goal of convex optimization is to minimize a convex function given some constraints. Usually, problems like these are solved by iterative algorithms. Alongside these algorithms, it is useful to study their distributed variations, that can be used to solve optimization problems in networks. However, in networks, computations like these are more restrictive. Two of the main constraints when dealing with networks are the capacity of the memory that is available in each of their nodes and the amount of communication that can be performed between them. In this diploma dissertation, we focus on a specific iterative optimization algorithm, the gradient descent method, and we study experimentally the effect that limited available memory and commu- nication in a network have on a distributed variation of it, by studying one of its applications which appears naturally in the model that Friedkin and Johnsen proposed as part of their research in opinion dynamics. For our experiments, we implemented a simulator in Python.	en
heal.advisorName	Φωτάκης, Δημήτριος	el
heal.committeeMemberName	Φωτάκης, Δημήτριος	el
heal.committeeMemberName	Παπασπύρου, Νικόλαος	el
heal.committeeMemberName	Παγουρτζής, Αριστείδης	el
heal.academicPublisher	Εθνικό Μετσόβιο Πολυτεχνείο. Σχολή Ηλεκτρολόγων Μηχανικών και Μηχανικών Υπολογιστών. Τομέας Τεχνολογίας Πληροφορικής και Υπολογιστών	el
heal.academicPublisherID	ntua
heal.numberOfPages	64 σ.	en
heal.fullTextAvailability	true