Detail předmětu

Biologicky inspirované výpočty

FSI-VBCAk. rok: 2021/2022

Kurz seznamuje se základními i pokročilými přístupy tzv. biologicky inspirovaných výpočetních technik. Důraz je kladen na praktickou implementovatelnost této speciální třídy algoritmů umělé inteligence. Použitelnost metod je demonstrována na řešení matematických i inženýrských problémů.

Jazyk výuky

čeština

Počet kreditů

4

Garant předmětu

prof. Ing. Radomil Matoušek, Ph.D.

Zajišťuje ústav

Ústav automatizace a informatiky (ÚAI)

Výsledky učení předmětu

Znalosti: Studenti budou znát základní principy a algoritmy prezentovaných metod, použitelných ve spojité i kombinatorické optimalizaci, jejich možnosti, omezení a implementovatelnost.
Dovednosti: Umět tyto metody používat k řešení praktických inženýrských problémů, kde metody matematické optimalizace nemusí poskytovat přijatelné výsledky.

Prerekvizity

Znalosti základů statistiky a pravděpodobnosti.
Základy optimalizačních metod na úrovni předmětu Optimalizační metody I.

Plánované vzdělávací činnosti a výukové metody

Předmět je vyučován formou přednášek, které mají charakter výkladu základních principů a teorie dané disciplíny, vč. prezentace praktických aplikací. Cvičení je zaměřeno na praktické zvládnutí látky probrané na přednáškách formou týmových projektů. Předmět může být vzhledem k okolnostem vyučován distančně.

Způsob a kritéria hodnocení

Požadavky pro udělení klasifikovaného zápočtu: Studenti budou rozdělení do týmů. Zápočet získají předložením 4 funkčních softwarových projektů za každý tým. Kdokoliv z týmu musí být schopen projekt prezentovat a rozumět mu. Konkrétní specifikace probíhá na cvičení. Kontrola postupu realizace projektu a konzultace jsou prováděny průběžně. Maximum získaných bodů je 100, nutné je získat 60.

Učební cíle

Cílem kurzu je seznámit studenty s moderními prostředky biologicky inspirovaných výpočetních technik, a s možnostmi a přiměřeností jejich použití při řešení inženýrských úloh.

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

Kontrolována je účast na cvičeních. Zameškaná výuka může být nahrazena zpracováním zadaných úloh.

Základní literatura

KVASNIČKA, Vladimír. Evolučné algoritmy. Bratislava: Vydavateľstvo STU, 2000. Edícia vysokoškolských učebníc. ISBN isbn80-227-1377-5. (SK)
ZELINKA, Ivan. a kol. Evoluční výpočetní techniky. Principy a aplikace. Praha, BEN 2009. (CS)

Doporučená literatura

DORIGO, M., STüTZLE, T. Ant Colony Optimization. MIT Press 2004. (EN)
HAUPT, R. L., HAUPT, S. E. Practical Genetic Algorithms. John Wiley & Sons 1998. (EN)

Elearning

eLearning: aktuální otevřený kurz

Zařazení předmětu ve studijních plánech

  • Program N-AIŘ-P magisterský navazující 2 ročník, zimní semestr, povinný

Typ (způsob) výuky

 

Přednáška

13 hod., nepovinná

Vyučující / Lektor

prof. Ing. Radomil Matoušek, Ph.D.

Osnova

blok 1. Biologicky inspirované výpočty - úvod. Historie a rozdělení evolučních výpočetních technik (EVT). Standardní genetické algoritmy (SGA). Schémata teorém. Hypotéza o stavebních blocích.
blok 2. Pokročilé GA. Metody kódování problému. Kombinatorická optimalizace pomocí GA. Gramatická Evoluce (GE). Genetické programování (GP). Úlohy symbolické regrese. Kartézské genetické programování (CGA). Evoluční návrh kombinačních logických obvodů.
blok 3. Evoluční strategie (ES). Diferenciální evoluce (DE). Reprezentace. Základní modely. Binární vektorový prohledávací algoritmus HC12. Nelder-Mead algoritmus. Algoritmy využívající vzorů. Bayesovské optimalizační algoritmy.
blok 4. Hejnové algoritmy I. (strategie mravenčí kolonie, včelího roje). Hejnové algoritmy II. (strategie hejna částic, hejna světlušek, SOMA).
blok 5. Celulární automaty I – teoretický základ. Celulární automaty II – praktické aplikace.
blok 6. Shrnutí – Kolokvium.

Cvičení s počítačovou podporou

26 hod., povinná

Vyučující / Lektor

Ing. Tomáš Hůlka, Ph.D.

Osnova

Výuka bude rozdělena do 4 bloků reflektujících reálné využití biologicky inspirovaných výpočtů. Studenti budou pracovat ve skupinách a vzájemně – soutěživým způsobem, porovnávat dosažené výsledky.
A. Implementace GA a řešení konkrétní optimalizační úlohy*
B. Implementace zvolené metaheuristiky a řešení konkrétní optimalizační úlohy*
C. Implementace CGA pro evoluční návrh hardware
D. Implementace celulárního automatu
*Úlohy kombinatorické, celočíselné i smíšené optimalizace (TSP, QAP, návrh regulátoru, symbolická regrese, globální optimalizace multimodálních funkcí aj.)

Elearning

eLearning: aktuální otevřený kurz