|
Vyučující
|
-
Šenkeřík Roman, prof. Ing. Ph.D.
-
Pluháček Michal, doc. Ing. Ph.D.
|
|
Obsah předmětu
|
- Úvod do evolučních výpočetních technik (EVT), Historie a současné trendy. Paralela s procesy v biologii a základní pojmy, Klasifikace EVT, No Free Lunch teorém. - Benchmarkování algoritmů, Tvorba populace, Omezení jedince a účelové funkce typu soft constraints a hard constraints. Penalizace účelové funkce. Různé typy kódování jedince, práce s celočíselnými a diskrétními hodnotami. - Evoluční strategie: jedno a více-členné, CMAES. - Genetické algoritmy. - Diferenciální evoluce. - Samoorganizující se migrační algoritmus. - Hejnové algoritmy - Swarm intelligence: Úvod do problematiky, Algoritmus PSO. - Další moderní hejnové algoritmy (ABC, Ant Colony Optimization, Firefly algoritmus a další). - Další typy evolučních optimalizačních technik - hybridní strategie, scatter search, imunologický systém a jiné. - Evoluční symbolická regrese - základní pojmy a princip. Genetické programování - Analytické programování a Gramatická evoluce. - Více-kriteriální, mnoho kriteriální a dynamické optimalizační problémy a jejich řešení pomocí EVT. - Použití evolučních výpočetních technik v interdisciplinárních reálných aplikacích.
|
|
Studijní aktivity a metody výuky
|
|
Přednášení, Cvičení na počítači
|
| Předpoklady |
|---|
| Odborné znalosti |
|---|
| Znalosti z oblastí: Matematická informatika Programování Umělá inteligence |
| Znalosti z oblastí: Matematická informatika Programování 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 |
| Cvičení na počítači |
| Cvičení na počítači |
| Hodnotící metody |
|---|
| Ústní zkouška |
| Ústní zkouška |
|
Doporučená literatura
|
-
Kacprzyk J, Pedrycz, W. Springer handbook of computational intelligence. 2015.
-
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.
-
O'Neill, Michael. Grammatical evolution : evolutionary automatic programming in an arbitrary language. Boston : Kluwer Academic Publishers, 2003. ISBN 1402074441.
-
Posíchal, Jiří. Evolučné algoritmy. 1. vyd. Bratislava : STU, 2000. ISBN 8022713775.
-
Simon, D. Evolutionary optimization algorithms: biologically-inspired and population-based approaches to computer intelligence.. 2013. ISBN 978-0-470-93741-9.
-
Yang X.S. Recent advances in swarm intelligence and evolutionary computation. 2015. ISBN 978-3-319-13825-1.
-
Zelinka I., Oplatková Z., Šeda M., Ošmera P., Včelař F. Evoluční výpočetní techniky, principy a aplikace. 2009. ISBN 978-80-7300-218-3.
-
Zelinka I., Snášel V., Abraham A. Handbook of optimization: from classical to modern approach. Berlin, 2013. ISBN 978-3-642-30503-0.
|