Detail předmětu
Evoluční výpočetní techniky
EVD Ak. rok 2009/2010 letní semestr
Evoluční výpočetní techniky v kontextu umělé inteligence a optimalizačních úloh s NP složitostí. Paradigmata genetických algoritmů, evoluční strategie, genetického programování a dalších evolučních heuristik. Teorie a praxe standardních evolučních výpočetních technik. Pokročilé evoluční algoritmy využívající grafické pravděpodobnostní modely (EDA-estimation of distribution algorithms). Paralelní evoluční algoritmy. Přehled typických aplikací evolučních algoritmů v multikriteriálních optimalizačních úlohách, umělé inteligenci, znalostních systémech a návrhu číslicových obvodů. Techniky rychlého prototypování evolučních algoritmů.
Garant předmětu
Jazyk výuky
Zakončení
Rozsah
- 39 hod. přednášky
Zajišťuje ústav
Získané dovednosti, znalosti a kompetence z předmětu
Zvládnuté postupy při řešení složitých optimalizačních úloh.
Cíle předmětu
Seznámit studenty s moderními evolučními algoritmy pro řešení složitých, vesměs NP úplných problémů.
Požadované prerekvizitní znalosti a dovednosti
Nejsou žádné prerekvizity.
Literatura studijní
- Fogel D., B.: Evolutionary computation: Toward a new philosophy of machine intelligence. IEEE Press, New York, 2000, ISBN 0-7803-5379-X.
Literatura referenční
- Back, J: Evolutionary algorithms, theory and practice, New York, 1996.
- Goldberg, D., E.: The Design of Innovation: Lessons from and for Competent Genetic Algorithms. Boston, MA: Kluwer Academic Publishers, 2002. ISBN: 1402070985.
- Kvasnička V., Pospíchal J., Tiňo P.: Evoluční algoritmy. Vydavatelství STU Bratislava, 2000, str. 215, ISBN 80-227-1377-5.
Osnova přednášek
- Evoluční algoritmy, teoretické základy, základní rozdělení (GA, EP, GP, ES)
- Genetické algoritmy (GA), struktura, teorie schémat.
- Genetické algoritmy využívající diploidy a messy-chromozómy.
- Typické kombinatorické optimalizační úlohy (TSP, dekompozice hypergrafu, úloha batohu)
- Evoluční strategie (parametry úlohy a řídící parametry).
- Genetické programování (princip, symbolická regrese).
- Genetické algoritmy s pravděpodobnostními modely (EDA - estimation of distribution algorithm).
- Varianty EDA algoritmů, UMDA, BMDA a BOA. Bayesovská síť a její konstrukce.
- Simulované žíhání (Metropolisův algoritmus, teplotní fáze).
- Techniky pro multikriteriální a multimodální úlohy. Selekce a obnova populace.
- Techniky rychlého prototypování. Struktura vývojových systémů a GA knihovní moduly.
- Nová evoluční paradigmata: imunitní systémy, diferenční evoluce, SOMA.
Průběžná kontrola studia
Hodnocení studia je založeno na bodovacím systému. Pro úspěšné absolvování předmětu je nutno dosáhnout 50 bodů.
Kontrolovaná výuka
Obhajoba projektu, programového díla využívajícího některou variantu evolučních algoritmů nebo zpracování vybraného článku
Zařazení předmětu ve studijních plánech