Detail předmětu

Aplikované evoluční algoritmy

FIT-EVOAk. rok: 2018/2019

Přehled principů stochastického prohledávání stavového prostoru: metody Monte Carlo (MC), evoluční algoritmy (EA). Seznámení s vybranými technikami MC: Metropolisův algoritmus, simulované žíhání, aplikace v oblastech optimalizace a simulace. Přehled principů základních variant EA: evoluční programování (EP), evoluční strategie (ES), genetické algoritmy (GA), genetické programování (GP). Přehled statistických metod pro hodnocení evolučních experimentů. Pokročilé techniky a aplikace EA: numerická optimalizace, diferenciální evoluce (DE), EA založené na chování společenstev: mravenčí algoritmy, částicové systémy. Algoritmy vícekriteriální optimalizace. Aplikace EA v oblasti inženýrského návrhu a umělé inteligence.

Garant předmětu

Výsledky učení předmětu

Schopnost formulovat řešený problém tak, aby mohl být řešen prostředky evolučních algoritmů. Znalost postupů analýzy a návrhu základních typů evolučních algoritmů.

Doporučená nebo povinná literatura

  • Luke, S.: Essentials of Metaheuristics. Lulu, 2015, ISBN 978-1-300-54962-8
  • Jansen, T.: Analyzing Evolutionary Algorithms. Springer-Verlag, Berlin Heidelberg, 2013, ISBN 978-3-642-17338-7
  • Kvasnička, V., Pospíchal, J., Tiňo, P.: Evolučné algoritmy. Vydavatelství STU Bratislava, Bratislava, 2000, ISBN 80-227-1377-5
  • Oplatková, Z., Ošmera, P., Šeda, M., Včelař, F., Zelinka, I.: Evoluční výpočetní techniky - principy a aplikace. BEN - technická literatura, Praha, 2008, ISBN 80-7300-218-3

  • Brabazon, A., O'Neill, M., McGarraghy, S.: Natural Computing Algorithms. Springer-Verlag Berlin Heidelberg, 2015, ISBN 978-3-662-43630-1
  • Eiben, A.E., Smith, J.E.: Introduction to Evolutionary Computing, 2nd ed. Springer-Verlag Berlin Heidelberg, 2015, ISBN 978-3-662-44873-1
  • Jansen, T.: Analyzing Evolutionary Algorithms. Springer-Verlag, Berlin Heidelberg, 2013, ISBN 978-3-642-17338-7
  • Talbi, E.-G.: Metaheuristics: From Design to Implementation. Wiley, Hoboken, New Jersey, 2009, ISBN 978-0-470-27858-1
  • Bäck, T.: Evolutionary Algorithms in Theory and Practice. Oxford University Press, Oxford, 1996, ISBN 978-0195099713

Způsob a kritéria hodnocení

Hodnocená počítačová cvičení, individuální projekt. V případě doložené překážky ve studiu stanoví garant náhradní termín pro splnění hodnocené části předmětu.

Podmínky zápočtu:
Zápočet není ustanoven.

Jazyk výuky

čeština

Osnovy výuky

    Osnova přednášek:
    1. Úvod, základní pojmy, principy stochastického prohledávání prostoru.
    2. Metoda Monte Carlo a její varianty (Metropolisův algoritmus, simulované žíhání).
    3. Základní evoluční techniky (evoluční programování, evoluční strategie).
    4. Genetické algoritmy (řídicí parametry, genetické operátory).
    5. Genetické programování a symbolická regrese.
    6. Případová studie z oblasti návrhu algoritmů a elektronických obvodů.
    7. Diferenciální evoluce (optimalizace v reálné doméně, aplikace z inženýrské praxe).
    8. Evoluční algoritmy s pravděpodobnostními modely.
    9. Algoritmy vícekriteriální optimalizace (základní techniky, aplikace z inženýrské praxe).
    10. Pokročilé techniky vícekriteriální optimalizace.
    11. Paralelní evoluční techniky a koevoluční algoritmy.
    12. Evoluční vývin a gramatická evoluce (základní modely, aplikace v umělé inteligenci).
    13. Algoritmy založené na společenstvích (částicové systémy, mravenčí algoritmy).

    Osnova laboratorních cvičení:
    • Základní koncepty evolučního počítání, typické problémy, řešení technické úlohy pomocí varianty Metropolisova algoritmu.
    • Evoluční algoritmy v inženýrské praxi, optimalizace elektronických obvodů pomocí genetického algoritmu.
    • Evoluční návrh pomocí genetického programování.
    • Diferenciální evoluce, algoritmy s pravděpodobnostními modely.
    • Optimalizace pomocí algoritmů založených na společenstvích.
    • Řešení vybrané úlohy z oblasti statistické mechaniky.

    Osnova ostatní - projekty, práce:
    Zpracování tématu dle vlastní volby formou:
    • implementace aplikace z oblasti evolučních výpočtů nebo
    • studia vybraného odborného článku, prezentace hlavních myšlenek.
    Po dohodě lze projekty, řešené současně v jiných kurzech (např. BIN), uznat též pro kurz EVO, pokud tématicky zapadají do oblasti evolučních technik.

Cíl

Získat přehled o moderních optimalizačních technikách a evolučních algoritmech pro řešení složitých, vesměs NP úplných problémů. Naučit se řešit vybrané složité úlohy z inženýrské praxe pomocí evolučních technik.

Zařazení předmětu ve studijních plánech

  • Program IT-MGR-2 magisterský navazující

    obor MBS , libovolný ročník, letní semestr, 5 kreditů, volitelný
    obor MBI , libovolný ročník, letní semestr, 5 kreditů, povinně volitelný
    obor MIS , libovolný ročník, letní semestr, 5 kreditů, volitelný
    obor MIN , libovolný ročník, letní semestr, 5 kreditů, volitelný
    obor MMI , libovolný ročník, letní semestr, 5 kreditů, volitelný
    obor MMM , libovolný ročník, letní semestr, 5 kreditů, volitelný
    obor MGM , libovolný ročník, letní semestr, 5 kreditů, volitelný
    obor MPV , libovolný ročník, letní semestr, 5 kreditů, povinně volitelný
    obor MSK , libovolný ročník, letní semestr, 5 kreditů, volitelný

Typ (způsob) výuky

 

Přednáška

26 hod., nepovinná

Vyučující / Lektor

Osnova

  1. Úvod, principy stochastického prohledávání prostoru.
  2. Metoda Monte Carlo a její varianty.
  3. Evoluční programování a evoluční strategie.
  4. Genetické algoritmy.
  5. Genetické programování.
  6. Modely pro výpočetní development.
  7. Statistické vyhodnocování evolučních experimentů.
  8. Mravenčí algoritmy.
  9. Částicové systémy.
  10. Diferenciální evoluce.
  11. Vybrané aplikace evolučních algoritmů.
  12. Algoritmy vícekriteriální optimalizace.
  13. Pokročilé techniky vícekriteriální optimalizace.

Cvičení na poč.

12 hod., povinná

Vyučující / Lektor

Projekty

14 hod., povinná

Vyučující / Lektor

Osnova

Realizace zvoleného tématu z oblasti evolučních technik.

eLearning