Vyučující
|
-
Pluháček Michal, doc. Ing. Ph.D.
-
Zelinka Ivan, prof. Ing. Ph.D.
-
Komínková Oplatková Zuzana, prof. Ing. Ph.D.
-
Šenkeřík Roman, prof. Ing. Ph.D.
|
Obsah předmětu
|
- Současný stav na poli softcomputingu, fuzzy logika, neuronové sítě, evoluční výpočetní techniky (EVT). Klasifikace evolučních výpočetních technik, historická fakta, současné trendy na poli EVT. Centrální dogma EVT podle Darwina a Mendela. - No Free Lunch teorém. Výpočetní složitost a fyzikální limity algoritmů. Víceúčelová optimalizace a Paretova množina. - Omezení kladená na účelovou funkci a parametry jedince. Penalizace a její dopad na geometrii účelové funkce. Práce s reálnými, celočíselnými a diskrétními hodnotami parametrů jedince. Genetické algoritmy. Terminologie GA. Princip činnosti, Hybridná GA, messy GA, paralelní GA, migrační a difůzní model. - Evoluční strategie. Dvoučlenné ES, Vícečlenné ES, Adaptivní ES. Rojení částic (Particle swarm). Rozptýlené hledání (Scatter Search). Optimalizace mravenčí kolonií (Ant Colony Optimization). - SOMA : SamoOrganizující se Migrační Algoritmus, princip činnosti a použité strategie algoritmu: ATO, ATR, ATA a ATAA. Diferenciální evoluce, princip činnosti a použité verze: DE/best/1/exp, DE/rand/1/exp, DE/rand-to-best/1/exp, DE/best/2/ exp, DE/rand/2/exp, DE/best/1/bin, DE/rand/1/bin, DE/rand-to-best/1/bin, DE/best/2/bin, DE/rand/2/bin. SOMA, DE a permutační testovací problémy. - Techniky genetického programování: genetické programování, gramatická evoluce. Alternativy: analytické programování, Probabilistic Incremental Program Evolution, PIPE, Gene Expression Programming, Multiexpression Programming a další. - Inspirace v biologii. Výpočetní zařízení. Rekonfigurovatelná zařízení. Evoluční návrh a číslicové obvody. EH a buňečné automaty. Polymorfní elektronika. - Buněčné automaty (BA) a komplexní systémy. Úvod do problematiky, Formalismus BA, dynamika a klasifikace buněčných automatů podle Wolframa, Conwayova hra života, modelování pomocí BA. - Umělý život. Základní definice a existující systémy a modely. Tierra, biomorfové, Sbeat, Sbart, Eden, Galapagos,... Sebereprodukující se automaty podle Turinga a von Neumanna. Langtonova smyčka, počítačové viry a umělý život. Umělý život a hrana chaosu (podle Kaufmanna) - Neuronové sítě (NS). Historie a základní princip NS. Trénovací množina a její použití NS. Základní typy sítí a jejich aplikace na různé typy problémů. - Fraktální geometrie. Historie, definice fraktálu, základní typy algoritmů generujících fraktály. Fraktální dimenze, interpolace a komprese. Vývojové systémy a umělý život. L- systémy, želví grafika, parametrické L-systémy, L-systémy z pohledu fraktální geometrie. - Imunologické systémy (IS). Princip IS, limity IS, algoritmy realizující IS, imunotronika. - Swarm inteligence (SI). Základní pojmy a definice, reprezentativní algoritmy SI - particle swarm, scatter search, ant colony optimization, swarm robotic, umělá evoluce komplexních systémů. - DNA computing. DNA computing jako součást bioinformatiky, DNA a binární reprezentace podle Adlemanna. Watson-Crickův automat. Matematické modelování operací nad DNA.
|
Studijní aktivity a metody výuky
|
Přednášení
|
Předpoklady |
---|
Odborné znalosti |
---|
Znalosti z oblastí: Matematika Základy informatiky Umělá inteligence |
Znalosti z oblastí: Matematika Základy informatiky Umělá inteligence |
Výsledky učení |
---|
Student umí definovat a popsat základní pojmy EVT, historii a současné trendy, a rozumí paralelám s biologickými procesy a klasifikaci EVT. |
Student umí definovat a popsat základní pojmy EVT, historii a současné trendy, a rozumí paralelám s biologickými procesy a klasifikaci EVT. |
Student má znalosti o benchmarkování algoritmů, tvorbě populace, soft a hard constraints, a rozumí různým typům kódování jedinců. |
Student má znalosti o benchmarkování algoritmů, tvorbě populace, soft a hard constraints, a rozumí různým typům kódování jedinců. |
Student rozumí rozdílům mezi jedno-člennými a více-člennými evolučními strategiemi, CMAES, genetickými algoritmy, diferenciální evolucí a hejnovými algoritmy. |
Student rozumí rozdílům mezi jedno-člennými a více-člennými evolučními strategiemi, CMAES, genetickými algoritmy, diferenciální evolucí a hejnovými algoritmy. |
Student dokáže definovat a vysvětlit hejnové algoritmy jako PSO, SOMA, Ant Colony Optimization, a rozumí hybridním strategiím. |
Student dokáže definovat a vysvětlit hejnové algoritmy jako PSO, SOMA, Ant Colony Optimization, a rozumí hybridním strategiím. |
Student umí objasnit principy evoluční symbolické regrese, genetického programování a analytického programování. |
Student umí objasnit principy evoluční symbolické regrese, genetického programování a analytického programování. |
Odborné dovednosti |
---|
Student dokáže navrhnout a implementovat evoluční strategie pro řešení konkrétních problémů. |
Student dokáže navrhnout a implementovat evoluční strategie pro řešení konkrétních problémů. |
Student umí aplikovat a optimalizovat různé typy evolučních algoritmů pro specifické účely jako optimalizace a aproximace. |
Student umí aplikovat a optimalizovat různé typy evolučních algoritmů pro specifické účely jako optimalizace a aproximace. |
Student má dovednosti v benchmarkingu a ladění evolučních a hejnových algoritmů pro zlepšení jejich výkonu. |
Student má dovednosti v benchmarkingu a ladění evolučních a hejnových algoritmů pro zlepšení jejich výkonu. |
Student umí efektivně použít hejnové algoritmy pro řešení praktických problémů. |
Student umí efektivně použít hejnové algoritmy pro řešení praktických problémů. |
Student je schopen aplikovat evoluční výpočetní techniky v různých interdisciplinárních reálných aplikacích. |
Student je schopen aplikovat evoluční výpočetní techniky v různých interdisciplinárních reálných aplikacích. |
Vyučovací metody |
---|
Odborné znalosti |
---|
Přednášení |
Přednášení |
Hodnotící metody |
---|
Ústní zkouška |
Ústní zkouška |
Doporučená literatura
|
-
Koza, J. R. Genetic Programming. Cambridge : MIT Press, 1998. ISBN 0-262-11189-6.
-
Koza, John R. Genetic Programming : Darwinian Invention and Problem Solving. San Francisco : Morgan Kaufmann Publishers, 1999. ISBN 1558605436.
-
Mařík V. Štěpánková O., Lažanský J. Umělá inteligence IV. Academia, Praha, 2004. ISBN 80-200-1044-0.
-
Mařík, Vladimír. Umělá inteligence. Vyd. 1. Praha : Academia, 2001. ISBN 8020004726.
-
Novák, V. Fuzzy množiny a jejich aplikace. Praha : SNTL, 1990. ISBN 80-03-00325-3.
-
Pokorný, Miroslav. Řídící systémy se znalostní bází. Dotisk 1. vyd. Ostrava : VŠB, 1999. ISBN 8070782757.
-
Posíchal, Jiří. Evolučné algoritmy. 1. vyd. Bratislava : STU, 2000. ISBN 8022713775.
-
Šnorek, M., Jiřina, M. Neuronové sítě a neuropočítače. Praha : ČVUT, 1996. ISBN 80-01-01455-X.
-
Vysoký, Petr. Fuzzy řízení. Vyd. 1. Praha : Vydavatelství ČVUT, 1996. ISBN 80-01-01429-8.
-
Zelinka I., Oplatkova´ Z., Šeda M., Ošmera P., Včelař F. Evoluční vy´početní techniky, principy a aplikace. BEN, 2008.
-
Zelinka, I. Umělá inteligence II.
-
Zelinka, Ivan. Umělá inteligence : neuronové sítě a genetické algoritmy. 1. vyd. Brno : VUTIUM, 1998. ISBN 8021411635.
|