Detail předmětu

Aplikované evoluční algoritmy

FIT-EVOAk. rok: 2017/2018

Multikriteriální optimalizační problémy, standardní metody a stochastické evoluční algoritmy (EA), simulované žíhání (SA). Evoluční strategie (ES) a genetické algoritmy (GA). Nástroje rychlého prototypování. Representace problémů grafovými modely. Evoluční algoritmy v inženýrských aplikacích zejména v syntéze a fyzickém návrhu číslicových obvodů, umělé inteligenci, zpracování signálů, rozvrhování činnosti multiprocesorových systémů a v komerčních aplikacích.

Jazyk výuky

čeština

Počet kreditů

5

Výsledky učení předmětu

Schopnost formulovat řešený problém tak, aby mohl být řešen prostředky evolučního programování. Znalost metodiky pro rychlé prototypování evolučního optimalizátoru s využitím GA knihoven a existujících návrhových systémů.

Prerekvizity

Nejsou žádné prerekvizity.

Způsob a kritéria hodnocení

Hodnocení studia je založeno na bodovacím systému. Pro úspěšné absolvování předmětu je nutno dosáhnout 50 bodů.

Osnovy výuky

Osnova přednášek:
  • Evoluční algoritmy, teoretické základy, základní rozdělení (GA, EP, GP, ES). 
  • Genetické algoritmy (GA), struktura, teorie schémat.
  • Genetické algoritmy využívající diploidy a messy-chromozómy. Specifické operátory křížení.
  • Evoluční strategie (parametry úlohy a řídící parametry).
  • Evoluční programování, Horolezecké algoritmy, Simulované žíhání.
  • Genetické programování (princip, symbolická regrese).
  • Evoluční algoritmy s pravděpodobnostními modely (EDA - estimation of distribution algorithm).
  • Varianty EDA algoritmů, UMDA, BMDA a BOA. Bayesovská síť a její konstrukce.
  • Techniky pro multikriteriální a multimodální úlohy. Selekce a obnova populace.
  • Dynamické optimalizační úlohy.
  • Nová evoluční paradigmata: imunitní systémy, SOMA.
  • Diferenční evoluce a hejnové modely.
  • Inženýrské úlohy a evoluční algoritmy.

Osnova laboratorních cvičení:
  • Návrh jednoduchého optimalizátoru se systémem GADesign.
  • Využiti GA knihoven typu GAlib.
  • Genetické  programování v Javě.
  • Ilustrace činnosti programu BMDA.

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.


Učební cíle

Získat přehled o moderních optimalizačních technikách a evolučních algoritmech pro řešení složitých, vesměs NP úplných problémů. Seznámit studenty s programovými nástroji pro rychlé prototypování evolučních algoritmů a naučit řešit vybrané složité úlohy z inženýrské praxe.

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

Půlsemestrální a finální test, projekt.

Zařazení předmětu ve studijních plánech

  • Program IT-MGR-2 magisterský navazující

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

Typ (způsob) výuky

 

Přednáška

26 hod., nepovinná

Vyučující / Lektor

Osnova

  • Evoluční algoritmy, teoretické základy, základní rozdělení (GA, EP, GP, ES). 
  • Genetické algoritmy (GA), struktura, teorie schémat.
  • Genetické algoritmy využívající diploidy a messy-chromozómy. Specifické operátory křížení.
  • Evoluční strategie (parametry úlohy a řídící parametry).
  • Evoluční programování, Horolezecké algoritmy, Simulované žíhání.
  • Genetické programování (princip, symbolická regrese).
  • Evoluční algoritmy s pravděpodobnostními modely (EDA - estimation of distribution algorithm).
  • Varianty EDA algoritmů, UMDA, BMDA a BOA. Bayesovská síť a její konstrukce.
  • Techniky pro multikriteriální a multimodální úlohy. Selekce a obnova populace.
  • Dynamické optimalizační úlohy.
  • Nová evoluční paradigmata: imunitní systémy, SOMA.
  • Diferenční evoluce a hejnové modely.
  • Inženýrské úlohy a evoluční algoritmy.

Cvičení na počítači

8 hod., nepovinná

Vyučující / Lektor

Projekt

18 hod., nepovinná

Vyučující / Lektor