Přednášky:
- Stručný úvod do historie evolučních algoritmů a metaheuristik. Klasifikace metaheuristik na základě jejich principu. Druhy optimalizačních problémů (globální, kombinatorická, víceúčelová optimalizace). Účelová funkce, omezení. Prostor vhodných řešení. Základní názvosloví.
- Algoritmy lokálního prohledávání: Horolezecký algoritmus (Hill Climbing), Tabu search, Simulované žíhání. Uváznutí v lokálním extrému a metody řešení.
- Diferenciální evoluce: princip a její užití v globální optimalizaci. Aktuální varianty diferenciální evoluce s ohledem na využití algoritmu pro řešení reálných optimalizačních úloh. Trendy pro vylepšení základních algoritmů.
- Rojení částic (Particle swarm) a Samoorganizující migrační algoritmus (SOMA) a jejich aktuální varianty. Trendy pro vylepšení základních algoritmů.
- Kombinatorická optimalizace: Knapsack, Travelling salesman problem, Vehicle routing problem. Řešení vybraných problémů pomocí genetického algoritmu.
- Kombinatorická optimalizace a algoritmus mravenčích kolonií.
- Víceúčelová optimalizace, Paretova množina, Paretova hranice. Algoritmus NSGA II a jeho aktuální varianty.
- Optimalizace s omezeními. Lehká (soft) vs. těžká (hard) omezení. Způsob ohodnocení jedince. Nurse schedulling problem. Využití biologicky inspirovaných algoritmů pro řešení vybraných problémů.
- Evoluční strategie: základní princip. Evoluční strategie s využitím kovariační matice (CMA-ES) v optimalizaci s omezeními.
- Dynamická optimalizace s omezeními. Využití biologicky inspirovaných algoritmů vs.jiné optimalizační metody s ohledem na efektivitu algoritmů.
- Optimalizace problémů s vysokým počtem dimenzí (large-scale optimalization). Prokletí dimenzionality.
- Paralelizace biologicky inspirovaných algoritmů.
- Způsoby porovnání algoritmů (statistické porovnání algoritmů). No free lunch teorém.
Cvičení (na PC učebnách):
- Globální optimalizace, vybrané problémy. Společný základ pro biologicky inspirované algoritmy. Jedinec, popupace, generace. Způsoby ukončení algoritmu.
- Horolezecký algoritmus, Tabu search, simulované žíhání v globální optimalizaci. Role normálního a uniformního rozdělení v biologicky inspirovaných algoritmech.
- Diferenciální evoluce a její verze aplikované na problémy globální optimalizace.
- Implementace algoritmu rojení částic (PSO) a Samoorganizujícího migračního algoritmu (SOMA) a jejich aplikace na problémy globální optimalizace.
- Genetický algoritmus a jeho využití v kombinatorické optimalizaci (Knapsack, Travelling salesman, Vehicle routing problém).
- Algoritmus mravenčích kolonií a jeho aplikace na vybrané kombinatorické úlohy.
- Víceúčelová optimalizace (vybrané problémy) a algoritmus NSGA II.
- Využití biologicky inspirovaných algoritmů pro optimalizaci s omezeními. Nurse schedulling problem.
- CMA-ES a její využití v optimalizaci s omezeními.
- Dynamická optimalizace s omezeními - aplikace vybraných algoritmů (diferenciální evoluce, rojení částic, SOMA) na vybrané problémy.
- Problémy s vysokým počtem dimenzí a jejich řešení pomocí biologicky inspirovaných algoritmů.
- Paralelizace biologicky inspirovaných algoritmů.
- Statistické srovnání biologicky inspirovaných algoritmů.
- Stručný úvod do historie evolučních algoritmů a metaheuristik. Klasifikace metaheuristik na základě jejich principu. Druhy optimalizačních problémů (globální, kombinatorická, víceúčelová optimalizace). Účelová funkce, omezení. Prostor vhodných řešení. Základní názvosloví.
- Algoritmy lokálního prohledávání: Horolezecký algoritmus (Hill Climbing), Tabu search, Simulované žíhání. Uváznutí v lokálním extrému a metody řešení.
- Diferenciální evoluce: princip a její užití v globální optimalizaci. Aktuální varianty diferenciální evoluce s ohledem na využití algoritmu pro řešení reálných optimalizačních úloh. Trendy pro vylepšení základních algoritmů.
- Rojení částic (Particle swarm) a Samoorganizující migrační algoritmus (SOMA) a jejich aktuální varianty. Trendy pro vylepšení základních algoritmů.
- Kombinatorická optimalizace: Knapsack, Travelling salesman problem, Vehicle routing problem. Řešení vybraných problémů pomocí genetického algoritmu.
- Kombinatorická optimalizace a algoritmus mravenčích kolonií.
- Víceúčelová optimalizace, Paretova množina, Paretova hranice. Algoritmus NSGA II a jeho aktuální varianty.
- Optimalizace s omezeními. Lehká (soft) vs. těžká (hard) omezení. Způsob ohodnocení jedince. Nurse schedulling problem. Využití biologicky inspirovaných algoritmů pro řešení vybraných problémů.
- Evoluční strategie: základní princip. Evoluční strategie s využitím kovariační matice (CMA-ES) v optimalizaci s omezeními.
- Dynamická optimalizace s omezeními. Využití biologicky inspirovaných algoritmů vs.jiné optimalizační metody s ohledem na efektivitu algoritmů.
- Optimalizace problémů s vysokým počtem dimenzí (large-scale optimalization). Prokletí dimenzionality.
- Paralelizace biologicky inspirovaných algoritmů.
- Způsoby porovnání algoritmů (statistické porovnání algoritmů). No free lunch teorém.
Cvičení (na PC učebnách):
- Globální optimalizace, vybrané problémy. Společný základ pro biologicky inspirované algoritmy. Jedinec, popupace, generace. Způsoby ukončení algoritmu.
- Horolezecký algoritmus, Tabu search, simulované žíhání v globální optimalizaci. Role normálního a uniformního rozdělení v biologicky inspirovaných algoritmech.
- Diferenciální evoluce a její verze aplikované na problémy globální optimalizace.
- Implementace algoritmu rojení částic (PSO) a Samoorganizujícího migračního algoritmu (SOMA) a jejich aplikace na problémy globální optimalizace.
- Genetický algoritmus a jeho využití v kombinatorické optimalizaci (Knapsack, Travelling salesman, Vehicle routing problém).
- Algoritmus mravenčích kolonií a jeho aplikace na vybrané kombinatorické úlohy.
- Víceúčelová optimalizace (vybrané problémy) a algoritmus NSGA II.
- Využití biologicky inspirovaných algoritmů pro optimalizaci s omezeními. Nurse schedulling problem.
- CMA-ES a její využití v optimalizaci s omezeními.
- Dynamická optimalizace s omezeními - aplikace vybraných algoritmů (diferenciální evoluce, rojení částic, SOMA) na vybrané problémy.
- Problémy s vysokým počtem dimenzí a jejich řešení pomocí biologicky inspirovaných algoritmů.
- Paralelizace biologicky inspirovaných algoritmů.
- Statistické srovnání biologicky inspirovaných algoritmů.