Cílem této práce bylo vytvořit diskrétní variantu diferenciální evoluce ve variantě DISH. V teoretické části je nejprve popsáno, co to jsou evoluční algoritmy a k čemu se využívají. Následně je uvedena základní verze diferenciální evoluce, ze které výsledný algoritmus vychází a postupný vývoj od této základní verze až po verzi DISH. Jelikož diferenciální evoluce i její rozšířené verze jsou určeny pro spojité optimalizační úlohy, je uvedeno, jak lze algoritmus upravit, aby mohl řešit úlohy diskrétní optimalizace. Teoretická část je pak uzavřena popisem jak a proč evoluční algoritmy testovat.
Praktická část obsahuje výsledky testovaní vzniklého algoritmu. Byly implementovány čtyři diskrétní varianty, které byly otestovány na osmi testovacích funkcích. Pro porovnání úspěšnosti vzniklého algoritmu byly stejné funkce optimalizovány pomocí genetického algoritmu, který je už v základní verzi určen pro diskrétní úlohy
Annotation in English
The goal of this thesis was to create discrete variant of differential evolution in the DISH variant. The theoretical part describes what evolutionary algorithms are and what they are used for. Subsequently, the basic version of the differential evolution, on which the resulting algorithm is based, is described there along with the development from the basic version to the DISH version. Since differential evolution and its extended versions are for solving continuous optimization tasks, there is shown how the algorithm can be modified so it can solve discrete optimization tasks. This part is then concluded with description of why and how to test evolutionary algorithms.
The practical part contains results of testing of the final form of newly created algorithm. Four discrete variants were implemented, which were tested on eight test functions. To compare the success of the resulting algorithm the same functions were optimized using genetic algorithm, which used for discrete optimization tasks.
Cílem této práce bylo vytvořit diskrétní variantu diferenciální evoluce ve variantě DISH. V teoretické části je nejprve popsáno, co to jsou evoluční algoritmy a k čemu se využívají. Následně je uvedena základní verze diferenciální evoluce, ze které výsledný algoritmus vychází a postupný vývoj od této základní verze až po verzi DISH. Jelikož diferenciální evoluce i její rozšířené verze jsou určeny pro spojité optimalizační úlohy, je uvedeno, jak lze algoritmus upravit, aby mohl řešit úlohy diskrétní optimalizace. Teoretická část je pak uzavřena popisem jak a proč evoluční algoritmy testovat.
Praktická část obsahuje výsledky testovaní vzniklého algoritmu. Byly implementovány čtyři diskrétní varianty, které byly otestovány na osmi testovacích funkcích. Pro porovnání úspěšnosti vzniklého algoritmu byly stejné funkce optimalizovány pomocí genetického algoritmu, který je už v základní verzi určen pro diskrétní úlohy
Annotation in English
The goal of this thesis was to create discrete variant of differential evolution in the DISH variant. The theoretical part describes what evolutionary algorithms are and what they are used for. Subsequently, the basic version of the differential evolution, on which the resulting algorithm is based, is described there along with the development from the basic version to the DISH version. Since differential evolution and its extended versions are for solving continuous optimization tasks, there is shown how the algorithm can be modified so it can solve discrete optimization tasks. This part is then concluded with description of why and how to test evolutionary algorithms.
The practical part contains results of testing of the final form of newly created algorithm. Four discrete variants were implemented, which were tested on eight test functions. To compare the success of the resulting algorithm the same functions were optimized using genetic algorithm, which used for discrete optimization tasks.
Zvolte vhodné metody využitelné pro algoritmus diferenciální evoluce.
Implementujte algoritmus DISH ve Vámi zvoleném programovacím jazyce.
Implementujte zvolené metody z bodu 2. v algoritmu DISH.
Otestujte Vámi implementované verze algoritmu na vybraných benchmark problémech z diskrétní optimalizace.
Research Plan
Vypracujte literární rešerši na dané téma.
Zvolte vhodné metody využitelné pro algoritmus diferenciální evoluce.
Implementujte algoritmus DISH ve Vámi zvoleném programovacím jazyce.
Implementujte zvolené metody z bodu 2. v algoritmu DISH.
Otestujte Vámi implementované verze algoritmu na vybraných benchmark problémech z diskrétní optimalizace.
Recommended resources
ZELINKA, Ivan. Evoluční výpočetní techniky: principy a aplikace. Praha: BEN, 2009. ISBN 80-7300-218-3.
DAS, Swagatam, Sankha Subhra MULLICK a P.N. SUGANTHAN. Recent advances in differential evolution ? An updated survey. Swarm and Evolutionary Computation [online]. 2016, 27, 1-30 [cit. 2019-11-11]. DOI: 10.1016/j.swevo.2016.01.004. ISSN 22106502. Dostupné z: https://linkinghub.elsevier.com/retrieve/pii/S2210650216000146
KRUSE, Rudolf, Christian BORGELT, Christian BRAUNE, Sanaz MOSTAGHIM a Matthias STEINBRECHER. Comptuational Intelligence: A Methodological Introduction. Second Edition. London: Springer, 2016. ISBN 978-1-4471-7294-9.
BLUM, Christian a Günther R. RAIDL. Hybrid Metaheuristics: Powerful Tools for Optimization. Switzerland: Springer, 2016. ISBN 978-3-319-30882-1.
MOCKUS, Jonas, William EDDY, Audris MOCKUS, Linas MOCKUS a Gintaras REKLAITIS. Bayesian Heuristic approach to discrete and global optimization: Algorithms, visualization, software, and applications. Dordrecht: Springer, 1997. ISBN 978-1-4419-4767-3.
VIKTORIN, Adam, ŠENKEŘÍK, Roman, PLUHÁČEK, Michal, KADAVÝ, Tomáš, ZAMUDA, Aleš. Distance based parameter adaptation for Success-History based Differential Evolution. Swarm and Evolutionary Computation, 2019, 2019, 50, 1-17. ISSN 2210-6502.
KACPRZYK, Janusz a Witold PEDRYCZ. Springer handbook of computational intelligence. Dordrecht: Springer, 2015, lvi, 1633 s. ISBN 978-3-662-43504-5.
Recommended resources
ZELINKA, Ivan. Evoluční výpočetní techniky: principy a aplikace. Praha: BEN, 2009. ISBN 80-7300-218-3.
DAS, Swagatam, Sankha Subhra MULLICK a P.N. SUGANTHAN. Recent advances in differential evolution ? An updated survey. Swarm and Evolutionary Computation [online]. 2016, 27, 1-30 [cit. 2019-11-11]. DOI: 10.1016/j.swevo.2016.01.004. ISSN 22106502. Dostupné z: https://linkinghub.elsevier.com/retrieve/pii/S2210650216000146
KRUSE, Rudolf, Christian BORGELT, Christian BRAUNE, Sanaz MOSTAGHIM a Matthias STEINBRECHER. Comptuational Intelligence: A Methodological Introduction. Second Edition. London: Springer, 2016. ISBN 978-1-4471-7294-9.
BLUM, Christian a Günther R. RAIDL. Hybrid Metaheuristics: Powerful Tools for Optimization. Switzerland: Springer, 2016. ISBN 978-3-319-30882-1.
MOCKUS, Jonas, William EDDY, Audris MOCKUS, Linas MOCKUS a Gintaras REKLAITIS. Bayesian Heuristic approach to discrete and global optimization: Algorithms, visualization, software, and applications. Dordrecht: Springer, 1997. ISBN 978-1-4419-4767-3.
VIKTORIN, Adam, ŠENKEŘÍK, Roman, PLUHÁČEK, Michal, KADAVÝ, Tomáš, ZAMUDA, Aleš. Distance based parameter adaptation for Success-History based Differential Evolution. Swarm and Evolutionary Computation, 2019, 2019, 50, 1-17. ISSN 2210-6502.
KACPRZYK, Janusz a Witold PEDRYCZ. Springer handbook of computational intelligence. Dordrecht: Springer, 2015, lvi, 1633 s. ISBN 978-3-662-43504-5.
