Detail předmětu

Evoluční výpočetní techniky

FIT-EVDAk. rok: 2017/2018

Evoluční výpočetní techniky v kontextu umělé inteligence a optimalizačních úloh s NP složitostí. Paradigmata genetických algoritmů, evoluční strategie, genetického programování a dalších evolučních heuristik. Teorie a praxe standardních evolučních výpočetních technik. Pokročilé evoluční algoritmy využívající grafické pravděpodobnostní modely (EDA-estimation of distribution algorithms).  Paralelní evoluční algoritmy. Přehled typických aplikací evolučních algoritmů v multikriteriálních optimalizačních úlohách, umělé inteligenci, znalostních systémech a návrhu číslicových obvodů. Techniky rychlého prototypování evolučních algoritmů.

Okruhy otázek k SDZ:

  1. Evoluční algoritmy, teoretické základy, základní rozdělení.
  2. Genetické algoritmy (GA), struktura, teorie schémat.
  3. Evoluční strategie (parametry úlohy a řídící parametry).
  4. Genetické programování (princip, symbolická regrese).
  5. Typické kombinatorické optimalizační úlohy (TSP, dekompozice hypergrafu, úloha batohu).
  6. Numerické optimalizační úlohy (spojitá i diskrétní reprezentace).
  7. Varianty EDA algoritmů, UMDA, BMDA a BOA. Bayesovská síť a její konstrukce.
  8. Simulované žíhání (Metropolisův algoritmus, teplotní fáze).
  9. Evoluční techniky pro multikriteriální a multimodální úlohy. 
  10. Nová evoluční paradigmata: imunitní systémy, diferenční evoluce, SOMA.

Jazyk výuky

čeština

Garant předmětu

prof. Ing. Lukáš Sekanina, Ph.D.

Zajišťuje ústav

Ústav počítačových systémů (UPSY)

Výsledky učení předmětu

Zvládnuté postupy při řešení složitých optimalizačních úloh.

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
    • Genetické algoritmy (GA), struktura, teorie schémat.
    • Pokročilé GA.
    • Typické kombinatorické optimalizační úlohy (TSP, dekompozice hypergrafu, úloha batohu)
    • Evoluční strategie (parametry úlohy a řídící parametry).
    • 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.
    • Simulované žíhání (Metropolisův algoritmus, teplotní fáze).
    • Evoluční techniky pro multikriteriální a multimodální úlohy. 
    • Techniky rychlého prototypování. Struktura vývojových systémů a GA knihovní moduly.
    • Nová evoluční paradigmata: imunitní systémy, diferenční evoluce, SOMA.
    • Typické inženýrské úlohy.

    Osnova ostatní - projekty, práce:
    • Obhajoba projektu, programového díla využívajícího některou variantu evolučních algoritmů

Učební cíle

Seznámit studenty s moderními evolučními algoritmy pro řešení složitých, vesměs NP úplných problémů.

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

Obhajoba projektu, programového díla využívajícího některou variantu evolučních algoritmů nebo zpracování vybraného tématu

Základní literatura

Back, J: Evolutionary algorithms, theory and practice, New York, 1996. Goldberg, D., E.: The Design of Innovation: Lessons from and for Competent Genetic Algorithms. Boston, MA: Kluwer Academic Publishers, 2002. ISBN: 1402070985. Kvasnička V., Pospíchal J., Tiňo P.: Evoluční algoritmy. Vydavatelství STU Bratislava, 2000, str. 215, ISBN 80-227-1377-5.

Doporučená literatura

Fogel D., B.: Evolutionary computation: Toward a new philosophy of machine intelligence. IEEE Press, New York, 2000, ISBN 0-7803-5379-X.

Zařazení předmětu ve studijních plánech

  • Program VTI-DR-4 doktorský

    obor DVI4 , 0 ročník, letní semestr, volitelný

Typ (způsob) výuky

 

Přednáška

39 hod., nepovinná

Vyučující / Lektor

prof. Ing. Lukáš Sekanina, Ph.D.

Osnova

  • Evoluční algoritmy, teoretické základy, základní rozdělení
  • Genetické algoritmy (GA), struktura, teorie schémat.
  • Pokročilé GA.
  • Typické kombinatorické optimalizační úlohy (TSP, dekompozice hypergrafu, úloha batohu)
  • Evoluční strategie (parametry úlohy a řídící parametry).
  • 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.
  • Simulované žíhání (Metropolisův algoritmus, teplotní fáze).
  • Evoluční techniky pro multikriteriální a multimodální úlohy. 
  • Techniky rychlého prototypování. Struktura vývojových systémů a GA knihovní moduly.
  • Nová evoluční paradigmata: imunitní systémy, diferenční evoluce, SOMA.
  • Typické inženýrské úlohy.