Detail předmětu

Optimalizační metody a umělá inteligence v inženýrských simulacích

FSI-LOMAk. rok: 2025/2026

Optimalizace představuje klíčový prvek v procesu hledání nejlepšího řešení v rámci daného inženýrského problému. Studenti budou podrobně seznámeni s teoretickými základy optimalizace a umělé inteligence a následně se naučí, jak tyto principy aplikovat na konkrétní výpočtové simulace. Kurz obsahuje klasické metody matematického programování, gradientní metody a heuristické přístupy, studium evolučních algoritmů a metody umělé inteligence se zaměřením na umělé neuronové sítě, a to jak klasické vrstvené topologie, tak konvoluční neuronové sítě a zpětnovazební modely.

Jazyk výuky

čeština

Počet kreditů

5

Garant předmětu

doc. Ing. Tomáš Mauder, Ph.D.

Zajišťuje ústav

Energetický ústav (EÚ)

Vstupní znalosti

Znalosti výpočtového modelování a simulačních metod. Základní znalosti matematické analýzy, lineární algebry, pravděpodobnosti, statistiky a numerických metod v rozsahu požadavků inženýrského studia.

Pravidla hodnocení a ukončení předmětu

Studenti zpracují zadanou odbornou tématiku formou semestrálního projektu. Po představení projektu proběhne odborná diskuse k tématu a bude provedeno vyhodnocení.

Učební cíle

Prohloubení teoretických i praktických znalostí a dovedností z oblasti optimalizačních a UI metod a jejich implementace pro počítačové simulační metody.

Prohloubení a rozšíření znalostí programování v jazyce Python.

Studijní opory

Základní literatura

Bazaraa,M. et al.: Nonlinear Programming: Theory and Algorithms. Wiley and Sons, 2006
Gabriel A. Hackebeil et al.: Pyomo - Optimization Modeling in Python. Springer Nature Switzerland, 2021
Klapka,J. a kol.: Metody operačního výzkumu. FSI, 2001
Paradalos et al.: Handbook of Applied Optimization. Oxford unioversity press, 2002
Xiao-Zhi Gao et al.: Applications of Artificial Intelligence in Engineering. Springer Singapore, 2021
Yang, Xin-She: Engineering optimization:An Introduction with Metaheuristic Applications. Wiley and Sons, 2010

Zařazení předmětu ve studijních plánech

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

Typ (způsob) výuky

 

Přednáška

26 hod., nepovinná

Vyučující / Lektor

doc. Ing. Tomáš Mauder, Ph.D.

Osnova

  1. Úvod, význam optimalizace, základní pojmy
  2. Lineární, nelineární, stochastické, celočíselné programování
  3. Heuristické metody, gradientní, evoluční, hejnové, modely lidského uvažování
  4. Umělá inteligence - úvod, prohledávání stavového prostoru
  5. Metody strojového učení, základní úlohy (regresní úloha, klasifikační úloha)
  6. Umělé neuronové sítě – neuron, topologie, aktivační funkce
  7. Umělé neuronové sítě – algoritmus učení
  8. Konvoluční neuronové sítě
  9. Zpětnovazební neuronové sítě

Cvičení s počítačovou podporou

26 hod., povinná

Vyučující / Lektor

doc. Ing. Tomáš Mauder, Ph.D.

Osnova

  1. Lineární programování v jazyce Python (Matlab)
  2. Heuristické metody v jazyce Python (Matlab)
  3. Umělá inteligence v jazyce Python (Matlab)
  4. Propojení optimalizačních algoritmů v Pythonu s výpočtovou simulací
  5. Metody strojového učení s využitím Matlabu (deep learning toolbox)
  6. Metody strojového učení s využitím frameworku Tensorflow (Python)