Přednášky:
1.Současný stav na poli softcomputingu, fuzzy logika, neuronové sítě, evoluční výpočetní techniky (EVT). Klasifikace evolučních výpočetních technik,historická fakta, současné trendy na poli EVT. Centrální dogma EVT podle Darwina a Mendela.
2. No Free Lunch teorém. Výpočetní složitost a fyzikální limity algoritmů.
3. Omezení kladená na účelovou funkci a parametry jedince. Penalizace a její dopad na geometrii účelové funkce. Práce s reálnými, celočíselnými a diskrétními hodnotami parametrů jedince.
4. Testovací benchmark funkce.
5. Víceúčelová optimalizace a Paretova množina.
Kritické situace v běhu algoritmu a jejich řešení.
6. Slepé hledání a horolezecký algoritmus.
7. Genetické algoritmy. Terminologie GA. Princip činnosti, Hybridná GA, messy GA, paralelní GA, migrační a difůzní model.
8. Evoluční strategie. Dvoučlenné ES: (1+1)-ES. Vícečlenné ES: (μ+λ)-ES a (μ, λ)-ES. Vícečlenné ES: (μ+λ)-ES a (μ, λ)-ES. Adaptivní ES.
9. Rojení částic (Particle swarm). Rozptýlené hledání (Scatter Search). Optimalizace mravenčí kolonií (AntColony Optimization).
10.SOMA : SamoOrganizující se Migrační Algoritmus, princip činnosti a použité strategie algoritmu: ATO, ATR, ATA a ATAA.
11. Diferenciální evoluce, princip činnosti a použité verze: DE/best/1/exp, DE/rand/1/exp, DE/rand-to-best/1/exp, DE/best/2/exp, DE/rand/2/exp, DE/best/1/bin, DE/rand/1/bin, DE/rand-to-best/1/bin, DE/best/2/bin, DE/rand/2/bin. SOMA, DE a permutační testovací problémy.
12. Swarm inteligence (SI). Základní pojmy a definice, reprezentativní algoritmy SI - particle swarm, scatter search, ant colony optimization, swarm robotic, umělá evoluce komplexních systémů.
13. Techniky symbolické regrese: genetické programování, gramatická evoluce. Alternativy: analytické programování, Probabilistic Incremental Program Evolution – PIPE, Gene Expression Programming, Multiexpression Programming a další.
Cvičení (na PC učebnách):
V cvičeních bude kladen důraz na praktickou aplikaci probíraných technik a řešení vybraných vzorových problémů.
• Implementace vybraných benchmark funkcí (optimalizačních problémů)
• Implementace Slepého algoritmu a Horolezeckého algoritmu
• Implementace Genetického algoritmu a jeho aplikace na problém obchodního cestujícího (TSP)
• Implementace Diferenciální evoluce
• Implementace Evolučních strategií
• Implementace algoritmu Rojení částic (Particle Swarm Optimization) s využitím setrvačnosti
• Implementace Samo-organizujícího se Migračního Algoritmu (SOMA), porovnání chování algoritmů SOMA a PSO
• Implementace Světluškového algoritmu (Firefly algorithm)
• Implementace algoritmu Optimalizace pomocí mravenčích kolonií (ACO) a jeho aplikace na problém obchodního cestujícího. Porovnání ACO a GA z hlediska rychlosti konvergence a přesnosti výsledného řešení
• Optimalizace založená na principu vzdělávání (Teaching-learning based algorithm)
• Víceúčelová optimalizace. Implementace algoritmu NSGA II (Non-dominated Sorting Genetic Algorithm)
1.Současný stav na poli softcomputingu, fuzzy logika, neuronové sítě, evoluční výpočetní techniky (EVT). Klasifikace evolučních výpočetních technik,historická fakta, současné trendy na poli EVT. Centrální dogma EVT podle Darwina a Mendela.
2. No Free Lunch teorém. Výpočetní složitost a fyzikální limity algoritmů.
3. Omezení kladená na účelovou funkci a parametry jedince. Penalizace a její dopad na geometrii účelové funkce. Práce s reálnými, celočíselnými a diskrétními hodnotami parametrů jedince.
4. Testovací benchmark funkce.
5. Víceúčelová optimalizace a Paretova množina.
Kritické situace v běhu algoritmu a jejich řešení.
6. Slepé hledání a horolezecký algoritmus.
7. Genetické algoritmy. Terminologie GA. Princip činnosti, Hybridná GA, messy GA, paralelní GA, migrační a difůzní model.
8. Evoluční strategie. Dvoučlenné ES: (1+1)-ES. Vícečlenné ES: (μ+λ)-ES a (μ, λ)-ES. Vícečlenné ES: (μ+λ)-ES a (μ, λ)-ES. Adaptivní ES.
9. Rojení částic (Particle swarm). Rozptýlené hledání (Scatter Search). Optimalizace mravenčí kolonií (AntColony Optimization).
10.SOMA : SamoOrganizující se Migrační Algoritmus, princip činnosti a použité strategie algoritmu: ATO, ATR, ATA a ATAA.
11. Diferenciální evoluce, princip činnosti a použité verze: DE/best/1/exp, DE/rand/1/exp, DE/rand-to-best/1/exp, DE/best/2/exp, DE/rand/2/exp, DE/best/1/bin, DE/rand/1/bin, DE/rand-to-best/1/bin, DE/best/2/bin, DE/rand/2/bin. SOMA, DE a permutační testovací problémy.
12. Swarm inteligence (SI). Základní pojmy a definice, reprezentativní algoritmy SI - particle swarm, scatter search, ant colony optimization, swarm robotic, umělá evoluce komplexních systémů.
13. Techniky symbolické regrese: genetické programování, gramatická evoluce. Alternativy: analytické programování, Probabilistic Incremental Program Evolution – PIPE, Gene Expression Programming, Multiexpression Programming a další.
Cvičení (na PC učebnách):
V cvičeních bude kladen důraz na praktickou aplikaci probíraných technik a řešení vybraných vzorových problémů.
• Implementace vybraných benchmark funkcí (optimalizačních problémů)
• Implementace Slepého algoritmu a Horolezeckého algoritmu
• Implementace Genetického algoritmu a jeho aplikace na problém obchodního cestujícího (TSP)
• Implementace Diferenciální evoluce
• Implementace Evolučních strategií
• Implementace algoritmu Rojení částic (Particle Swarm Optimization) s využitím setrvačnosti
• Implementace Samo-organizujícího se Migračního Algoritmu (SOMA), porovnání chování algoritmů SOMA a PSO
• Implementace Světluškového algoritmu (Firefly algorithm)
• Implementace algoritmu Optimalizace pomocí mravenčích kolonií (ACO) a jeho aplikace na problém obchodního cestujícího. Porovnání ACO a GA z hlediska rychlosti konvergence a přesnosti výsledného řešení
• Optimalizace založená na principu vzdělávání (Teaching-learning based algorithm)
• Víceúčelová optimalizace. Implementace algoritmu NSGA II (Non-dominated Sorting Genetic Algorithm)