Predicting the perfomance of Buchberger`s algorithm

Detalhes bibliográficos
Autor(a) principal: Cruz, Ana Maria Marques
Data de Publicação: 2022
Tipo de documento: Dissertação
Idioma: eng
Título da fonte: Repositório Científico de Acesso Aberto de Portugal (Repositórios Cientìficos)
Texto Completo: http://hdl.handle.net/10316/103132
Resumo: Dissertação de Mestrado em Matemática apresentada à Faculdade de Ciências e Tecnologia
id RCAP_c6593013052c9238326592dd949ad3ea
oai_identifier_str oai:estudogeral.uc.pt:10316/103132
network_acronym_str RCAP
network_name_str Repositório Científico de Acesso Aberto de Portugal (Repositórios Cientìficos)
repository_id_str 7160
spelling Predicting the perfomance of Buchberger`s algorithmPrever o desempenho do algoritmo de BuchbergerBases de GröbnerAlgoritmo BuchbergerRegressão LinearRedes NeuronaisIdeaisGröbner BasisBuchberger's AlgorithmLinear RegressionNeural NetworksIdealsDissertação de Mestrado em Matemática apresentada à Faculdade de Ciências e TecnologiaAs bases de Gröbner são um conceito fundamental em álgebra computacional. Desde a criação desta teoria, em 1949, por Wolfgang Gröbner, elas tornaram-se numa ferramenta importante emqualquer área onde exista computação polinomial, tanto na teoria como na prática. Embora se tenham demonstrado extremamente úteis, o seu cálculo é muito pesado em certos casos. O primeiro algoritmo desenvolvido para calcular estas bases é chamado Algoritmo de Buchberger, que ainda é um dos algoritmos mais utilizados para esse fim. Como passo preliminar para melhorar a eficiência do algoritmo, gostaríamos de poder prever, dado um ideal, quão complicado é calcular a respetiva base de Gröbner usando o Algoritmo de Buchberger. Nesta dissertação, abordamos precisamente esta questão, seguindo o trabalho recente de Mojsilovic, Peifer e Petrovic. Criamos um dataset que consiste em algumas distribuições de ideais binomiais e tóricos. Algumas propriedades dos mesmos foram estudadas de forma a procurar uma correlação entre essas características e o número de adições polinomiais. Depois introduzimos e aplicamos ferramentas de regressão linear e um modelo de rede neuronal simples para tentar prever o número de iterações necessárias usando as caracteristicas dos ideais definidas. De seguida, é usado redes neuronais recorrentes, para estudar a relação entre os expoentes dos ideais e o número de adições polinomiais. A performance tos três modelos é comparada e mostramos que existe uma melhoria considerável usando redes neuronais recurrentes, e que concluímos é possível prever o número de adições polinomiais, em alguns casos.Gröbner bases are a fundamental concept in computational algebra. Since the creation of the theory behind them in 1949, by Wolfgang Gröbner, they became an important tool in any area where polynomial computations play a part, both in theory and in practice. Although they have proved to be very useful, their calculation is very expensive in certain cases. The first algorithm ever developed to compute these bases is the so-called Buchberger’s Algorithm and is still one of the most commonly used algorithms for this purpose. As a preliminary step in improving the efficiency of the algorithm, one would like to be able to predict, given an ideal, how complicated it is to compute its Gröbner basis using Buchberger’s Algorithm. In this dissertation, we address precisely this issue, following the work of Mojsilovic, Peifer and Petrovic. We create a dataset consisting of some binomial and toric distributions. Some of their properties were studied in order to seek the relationship between these characteristics and the number of polynomial additions. Then we introduce linear regression and a simple neural network model to try to predict the number of iterations using the ideals properties. Then, it is used a recurrent neural network to study the relationship between the exponents of ideals and that of polynomial additions is studied. The performance of the three models is compared and we show that there is a considerable improvement when using a recurrent neural network model and conclude that we are able to predict the number of polynomial additions, in some cases.2022-09-30info:eu-repo/semantics/publishedVersioninfo:eu-repo/semantics/masterThesishttp://hdl.handle.net/10316/103132http://hdl.handle.net/10316/103132TID:203079973engCruz, Ana Maria Marquesinfo:eu-repo/semantics/openAccessreponame:Repositório Científico de Acesso Aberto de Portugal (Repositórios Cientìficos)instname:Agência para a Sociedade do Conhecimento (UMIC) - FCT - Sociedade da Informaçãoinstacron:RCAAP2022-10-19T20:33:05Zoai:estudogeral.uc.pt:10316/103132Portal AgregadorONGhttps://www.rcaap.pt/oai/openaireopendoar:71602024-03-19T21:20:01.054690Repositório Científico de Acesso Aberto de Portugal (Repositórios Cientìficos) - Agência para a Sociedade do Conhecimento (UMIC) - FCT - Sociedade da Informaçãofalse
dc.title.none.fl_str_mv Predicting the perfomance of Buchberger`s algorithm
Prever o desempenho do algoritmo de Buchberger
title Predicting the perfomance of Buchberger`s algorithm
spellingShingle Predicting the perfomance of Buchberger`s algorithm
Cruz, Ana Maria Marques
Bases de Gröbner
Algoritmo Buchberger
Regressão Linear
Redes Neuronais
Ideais
Gröbner Basis
Buchberger's Algorithm
Linear Regression
Neural Networks
Ideals
title_short Predicting the perfomance of Buchberger`s algorithm
title_full Predicting the perfomance of Buchberger`s algorithm
title_fullStr Predicting the perfomance of Buchberger`s algorithm
title_full_unstemmed Predicting the perfomance of Buchberger`s algorithm
title_sort Predicting the perfomance of Buchberger`s algorithm
author Cruz, Ana Maria Marques
author_facet Cruz, Ana Maria Marques
author_role author
dc.contributor.author.fl_str_mv Cruz, Ana Maria Marques
dc.subject.por.fl_str_mv Bases de Gröbner
Algoritmo Buchberger
Regressão Linear
Redes Neuronais
Ideais
Gröbner Basis
Buchberger's Algorithm
Linear Regression
Neural Networks
Ideals
topic Bases de Gröbner
Algoritmo Buchberger
Regressão Linear
Redes Neuronais
Ideais
Gröbner Basis
Buchberger's Algorithm
Linear Regression
Neural Networks
Ideals
description Dissertação de Mestrado em Matemática apresentada à Faculdade de Ciências e Tecnologia
publishDate 2022
dc.date.none.fl_str_mv 2022-09-30
dc.type.status.fl_str_mv info:eu-repo/semantics/publishedVersion
dc.type.driver.fl_str_mv info:eu-repo/semantics/masterThesis
format masterThesis
status_str publishedVersion
dc.identifier.uri.fl_str_mv http://hdl.handle.net/10316/103132
http://hdl.handle.net/10316/103132
TID:203079973
url http://hdl.handle.net/10316/103132
identifier_str_mv TID:203079973
dc.language.iso.fl_str_mv eng
language eng
dc.rights.driver.fl_str_mv info:eu-repo/semantics/openAccess
eu_rights_str_mv openAccess
dc.source.none.fl_str_mv reponame:Repositório Científico de Acesso Aberto de Portugal (Repositórios Cientìficos)
instname:Agência para a Sociedade do Conhecimento (UMIC) - FCT - Sociedade da Informação
instacron:RCAAP
instname_str Agência para a Sociedade do Conhecimento (UMIC) - FCT - Sociedade da Informação
instacron_str RCAAP
institution RCAAP
reponame_str Repositório Científico de Acesso Aberto de Portugal (Repositórios Cientìficos)
collection Repositório Científico de Acesso Aberto de Portugal (Repositórios Cientìficos)
repository.name.fl_str_mv Repositório Científico de Acesso Aberto de Portugal (Repositórios Cientìficos) - Agência para a Sociedade do Conhecimento (UMIC) - FCT - Sociedade da Informação
repository.mail.fl_str_mv
_version_ 1799134093543211008

Registros relacionados