Detail předmětu

Evoluční algoritmy

FEKT-MEALAk. rok: 2017/2018

Předmět je orientován na deterministické a stochastické metody optimalizace pro hledání globálních extrémů. Zaměřuje se zejména na evoluční algoritmy s populacemi, jako genetické algoritmy, řízené náhodné prohledávání, evoluční strategie, metodu rojení částic, metodu mjravenčích kolonií a další.

Výsledky učení předmětu

Absolvent předmětu je schopen:
Realizovat jednoduché analytické optimalizační metody (metodu nejstrmějšího sestupu a Newtonovu metodu)
Realizovat simplexovou metodu pro hledání globálního extrému
Vysvětlit podstatu stochastických optimalizačních metod s populacemi
Vysvětlit podstatu binárních a spojitých genetických algoritmů a jejich základních operací

Prerekvizity

Jsou požadovány znalosti na úrovni bakalářského studia, předpokládáme znalosti ze základů numerické matematiky. V laboratorní výuce se předpokládá znalost programovacího prostředí Matlab.

Doporučená nebo povinná literatura

Tvrdík, J.: Evoluční algoritmy. Skripta, Přírodovědecká fakulta Ostravské univerzity, 2004 (CS)
Hynek, J.: Genetické algoritmy a genetické programování. Grada Publishing, 2008 (CS)
Zelinka a kol.: Evoluční výpočetní techniky. Principy a aplikace. BEN, Praha, 2009 (CS)
Haupt, R.L., Haupt, S.E.: Practical Genetic Algorithms. John Wiley & Sons, New Jersey, 2004 (EN)

Plánované vzdělávací činnosti a výukové metody

Metody vyučování zahrnují přednášky a cvičení na počítači. Předmět využívá e-learning. Student odevzdává jeden samostatný projekt.

Způsob a kritéria hodnocení

Podmínky pro úspěšné ukončení předmětu upřesňuje každoročně aktualizovaná vyhláška garanta předmětu;
- až 30 bodů za řešení zadaných úkolů v laboratorním cvičení (pro postup ke zkoušce je nutný zisk minimálně 15 bodů)
- až 70 bodů za písemnou zkoušku (z písemné zkoušky je nutné získat minimálně 35 bodů)

Jazyk výuky

čeština

Osnovy výuky

1. Optimalizace vycházející z matematické analýzy, podmínky optimality, gradient, hessián
2. Metoda nejstrmějšího sestupu, Newtonova metoda
3. Jednoduché metody: horolezecký algoritmus, zakázané prohledávání, simulované žíhání
4. Stochastické algoritmy pro hledání globálního minima, simplexová metoda
5. Evoluční algoritmy s populacemi. Binární genetické algoritmy.
6. Spojité genetické algoritmy.
7. Řízené náhodné prohledávání, evoluční strategie, diferenciální evoluce.
8. Rojové algoritmy: SOMA, rojení částic, mravenčí kolonie,
9. Algoritmy inspirované světluškami a včelami,
10. Algoritmy inspirované netopýry a vlčí smečkou.
11. Soutěžící heuristiky,testovací funkce pro ověřování optimalizačních algoritmů
12. Experimentální porovnávání evolučních algoritmů
12. Úvod do genetického programování

Cíl

Získání znalostí o deterministických a stochastických metodách optimalizace. Seznámení se s evolučními algoritmy s populacemi pro hledání globálních extrémů vícerozměrných funkcí. Seznámení se s úvodem do genetického programování.

Vymezení kontrolované výuky a způsob jejího provádění a formy nahrazování zameškané výuky

Vymezení kontrolované výuky a způsob jejího provádění stanoví každoročně aktualizovaná vyhláška garanta předmětu (viz Rozvrhové jednotky).
V zásadě:
- povinné počítačové cvičení (zmeškaná laboratorní cvičení musí být řádně omluvená a lze je nahradit po domluvě s vyučujícím)
- nepovinná přednáška

Zařazení předmětu ve studijních plánech

  • Program EEKR-M1 magisterský navazující

    obor M1-BEI , 2. ročník, zimní semestr, 5 kreditů, volitelný oborový

  • Program EEKR-CZV celoživotní vzdělávání (není studentem)

    obor ET-CZV , 1. ročník, zimní semestr, 5 kreditů, volitelný oborový

Typ (způsob) výuky

 

Cvičení na poč.

13 hod., povinná

Vyučující / Lektor

Ostatní aktivity

13 hod., povinná

Vyučující / Lektor