Detail předmětu

Evoluční výpočetní techniky

FIT-EVDAk. rok: 2020/2021

Evoluční výpočetní techniky v kontextu umělé inteligence a optimalizačních úloh. Jedno- a více-kriteriální optimalizace, relace dominance a Paretova fronta. Principy genetických algoritmů, evoluční strategie, genetického programování a dalších evolučních heuristik. Statistické vyhodnocení experimentů, teoretická analýza evolučních algoritmů. Pokročilé evoluční algoritmy využívající pravděpodobnostní modely.  Paralelní evoluční algoritmy. Vícekriteriální evoluční optimalizace. Techniky rychlého prototypování evolučních algoritmů.

Okruhy otázek k SDZ:

  1. Kódování problému, genotyp, fenotyp, fitness funkce
  2. Genetické algoritmy, teorie schémat.
  3. Evoluční strategie.
  4. Genetické programování a symbolická regrese.
  5. Evoluční algoritmy využívající pravděpodobnostní modely pro tvorbu populace.
  6. Simulované žíhání.
  7. Vícekriteriální evoluční algoritmy (relace dominance, NSGA-II). 
  8. Paralelní evoluční algoritmy.
  9. Diferenční evoluce, SOMA.
  10. Statistické vyhodnocení experimentů.

Výsledky učení předmětu

Zvládnuté postupy při řešení složitých optimalizačních úloh pomocí evolučních algoritmů.
Hlubší pochopení problému optimalizace a jeho řešení v počítačovém inženýrství.

Doporučená nebo povinná literatura

Kvasnička V., Pospíchal J., Tiňo P.: Evoluční algoritmy. Vydavatelství STU Bratislava, 2000, str. 215, ISBN 80-227-1377-5. (EN)
Eiben, A.E., Smith, J.E.: Introduction to Evolutionary Computing. 2nd ed. Springer, 2015, ISBN 978-3-662-44873-1.
Brabazon, A., O'Neill, M., McGarraghy, S.: Natural Computing Algorithms. Springer, 2015, ISBN 978-3-662-43630-1.
Bentley, P.: Evolutionary Design by Computers. Morgan Kaufmann, 1999, ISBN 978-1558606050.
Doerr, B. Neumann F. (eds.): Theory of Evolutionary Computation. Springer, 2020, ISBN 978-3-030-29413-7

Způsob a kritéria hodnocení

Odevzdání projektu v zadaném termínu, zkouška.

Jazyk výuky

čeština, angličtina

Cíl

Seznámit studenty s moderními evolučními algoritmy pro řešení složitých optimalizačních a návrhových problémů.

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

V průběhu studia je třeba odevzdat vypracovaný projekt a složit zkoušku. Výuka probíhá formou přednášek nebo řízeného samostudia; zmeškanou výuku je třeba nahradit samostudiem.

Zařazení předmětu ve studijních plánech

  • Program VTI-DR-4 doktorský

    obor DVI4 , libovolný ročník, letní semestr, 0 kreditů, volitelný

  • Program VTI-DR-4 doktorský

    obor DVI4 , libovolný ročník, letní semestr, 0 kreditů, volitelný

Typ (způsob) výuky

 

Přednáška

26 hod., nepovinná

Vyučující / Lektor

Osnova

  1. Úvod do studia evolučních algoritmů.
  2. Genetické algoritmy, teorie schémat.
  3. Statistické vyhodnocení experimentů.
  4. Typické optimalizační úlohy.
  5. Pokročilé techniky v genetických algoritmech.
  6. Teoretická analýza evolučních algoritmů.
  7. Vícekriteriální evoluční algoritmy.
  8. Evoluční strategie.
  9. Genetické programování a symbolická regrese.
  10. Paralelní evoluční algoritmy.
  11. Evoluční algoritmy s pravděpodobnostními modely.
  12. Simulované žíhání, diferenční evoluce, SOMA a další algoritmy.
  13. Aktuální trendy.

Konzultace v kombinovaném studiu

26 hod., nepovinná

Vyučující / Lektor

eLearning