Detail předmětu

Aplikované evoluční algoritmy

FIT-EVOAk. rok: 2013/2014

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

Garant předmětu

doc. Ing. Josef Schwarz, CSc.

Zajišťuje ústav

Ústav počítačových systémů (UPSY)

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.

Plánované vzdělávací činnosti a výukové metody

Výuka předmětu je realizována formou: Přednáška - 2 vyučovací hodiny týdně, Cvičení na poč. - 1 vyučovací hodina týdně, Projekty - 1 vyučovací hodina týdně.

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:
    • Program pro optimalizaci zadaného problému na bázi evolučních algoritmů.

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 , 0 ročník, letní semestr, volitelný
    obor MIN , 0 ročník, letní semestr, volitelný
    obor MIS , 0 ročník, letní semestr, volitelný
    obor MMI , 0 ročník, letní semestr, volitelný
    obor MMM , 0 ročník, letní semestr, volitelný
    obor MPV , 2 ročník, letní semestr, povinně volitelný
    obor MBI , 0 ročník, letní semestr, povinně volitelný
    obor MGM , 0 ročník, letní semestr, volitelný
    obor MSK , 0 ročník, letní semestr, volitelný

Typ (způsob) výuky

 

Přednáška

26 hod., nepovinná

Vyučující / Lektor

doc. Ing. Josef Schwarz, CSc.

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

doc. Ing. Josef Schwarz, CSc.

Projekt

18 hod., nepovinná

Vyučující / Lektor

doc. Ing. Josef Schwarz, CSc.

Elektronické učební texty

M. Bidlo: Aplikované evoluční algoritmy - přednáškové materiály. FIT VUT v Brně, 2023
P02-MonteCarlo.zip 1.51 MB
P04-Geneticky_alg.zip 1.03 MB
P06-Diferencialni_evo.zip 0.97 MB
P09-Casticove_sys.zip 0.68 MB
P11-12-Multikrit.opt.zip 1.44 MB
P08-Statistika.zip 4.49 MB