čeština

Absolvent předmětu je schopen:
Realizovat jednoduché analytické optimalizační metody (metodu nejstrmějšího sestupu a Newtonovu metodu)
Realizovat simplexovou metodu pro hledání globálního extrému
Vysvětlit podstatu stochastických optimalizačních metod s populacemi
Vysvětlit podstatu binárních a spojitých genetických algoritmů a jejich základních operací

Jsou požadovány znalosti na úrovni bakalářského studia, předpokládáme znalosti ze základů numerické matematiky. V laboratorní výuce se předpokládá znalost programového prostředí Matlab.

Metody vyučování zahrnují přednášky a cvičení na počítači. Předmět využívá e-learning. Student odevzdává jeden samostatný projekt.

Podmínky pro úspěšné ukončení předmětu stanoví každoročně aktualizovaná vyhláška garanta předmětu.
- až 30 bodů za řešení zadaných úkolů v laboratorním cvičení (pro postup ke zkoušce je nutný zisk minimálně 15 bodů)
- až 70 bodů za písemnou zkoušku (z písemné zkoušky je nutné získat minimálně 35 bodů)
- 30 points can be obtained for activity in the laboratory exercises, consisting in solving tasks (for the procedure for the examination must be obtained at least 15 points)
- 70 points can be obtained for the written exam (the written examination is necessary to obtain at least 35 points)

Zkouška z předmětu bude probíhat distančně.

1. Optimalizace vycházející z matematické analýzy, podmínky optimality, gradient, hessián.
2. Metoda nejstrmějšího sestupu, Newtonova metoda.
3. Jednoduché metody: horolezecký algoritmus, zakázané prohledávání, simulované žíhání.
4. Stochastické algoritmy pro hledání globálního minima, simplexová metoda.
5. Evoluční algoritmy s populacemi. Binární genetické algoritmy.
6. Spojité genetické algoritmy.
7. Řízené náhodné prohledávání, evoluční strategie, diferenciální evoluce.
8. Rojové algoritmy: SOMA, rojení částic, mravenčí kolonie,.
9. Algoritmy inspirované světluškami a včelami.
10. Algoritmy inspirované netopýry a vlčí smečkou.
11. Soutěžící heuristiky,testovací funkce pro ověřování optimalizačních algoritmů.
12. Experimentální porovnávání evolučních algoritmů.
12. Úvod do genetického programování.

Získání znalostí o deterministických a stochastických metodách optimalizace. Seznámení se s evolučními algoritmy s populacemi pro hledání globálních extrémů vícerozměrných funkcí. Seznámení se s úvodem do genetického programování.

Vymezení kontrolované výuky a způsob jejího provádění stanoví každoročně aktualizovaná vyhláška garanta předmětu (viz Rozvrhové jednotky).
V zásadě:
- povinné počítačové cvičení (zmeškaná laboratorní cvičení musí být řádně omluvená a lze je nahradit po domluvě s vyučujícím)
- nepovinná přednáška

Tvrdík, J.: Evoluční algoritmy. Skripta, Přírodovědecká fakulta Ostravské univerzity, 2004 (CS)

Hynek, J.: Genetické algoritmy a genetické programování. Grada Publishing, 2008 (CS)