Název:

Aplikované evoluční algoritmy

Zkratka:EVO
Ak.rok:2017/2018
Semestr:letní
Studijní plán:
ProgramOborRočníkPovinnost
IT-MGR-2MBI-povinně volitelný - skupina I
IT-MGR-2MBS-volitelný
IT-MGR-2MGM-volitelný
IT-MGR-2MIN-volitelný
IT-MGR-2MIS-volitelný
IT-MGR-2MMI-volitelný
IT-MGR-2MMM-volitelný
IT-MGR-2MPV-povinně volitelný - skupina B
IT-MGR-2MSK-volitelný
Vyučovací jazyk:čeština
Informace veřejné:http://www.fit.vutbr.cz/study/courses/EVO/public/
Kredity:5 kreditů
Ukončení:zkouška (písemná)
Výuka:
hod./sempřednáškasem./cvičenílab. cvičenípoč. cvičeníjiná
Rozsah:26001214
 zkouškatestycvičenílaboratořeostatní
Body:60001822
Garant:Bidlo Michal, Ing., Ph.D., UPSY
Přednášející:Bidlo Michal, Ing., Ph.D., UPSY
Cvičící:Šimek Václav, Ing., UPSY
Fakulta:Fakulta informačních technologií VUT v Brně
Pracoviště:Ústav počítačových systémů FIT VUT v Brně
Nahrazuje:
Aplikované evoluční algoritmy (EVA), UPSY
Rozvrh:
DenVýukaTýdenMístnostOdDoPSKSk-odSk-do
Pozkouška - 2. oprava2018-06-04A11212:0013:501MIT
Pozkouška - 2. oprava2018-06-04A11212:0013:502MIT
Pozkouška - řádná2018-05-14A11315:0016:501MIT
Pozkouška - řádná2018-05-14A11315:0016:502MIT
Popřednáška - Informace k projektům2018-02-26D020718:0018:50
Útzkouška - 1. oprava2018-05-22G20209:0010:501MIT
Útzkouška - 1. oprava2018-05-22G20209:0010:502MIT
 
Cíle předmětu:
  Získat přehled o moderních optimalizačních technikách a evolučních algoritmech pro řešení složitých, vesměs NP úplných problémů. Naučit se řešit vybrané složité úlohy z inženýrské praxe pomocí evolučních technik.
Anotace:
  Přehled principů stochastického prohledávání stavového prostoru - metody Monte Carlo, evoluční algoritmy. Podrobné seznámení s vybranými technikami: Metropolisův algoritmus, simulované žíhání, úlohy statistické fyziky. Přehled principů základních variant evolučních algoritmů (EA): evoluční programování (EP), evoluční strategie (ES), genetické algoritmy (GA), genetické programování (GP), diferenciální evoluce (DE). Pokročilé evoluční techniky: EA s pravděpodobnostními modely, multikriteriální optimalizace, paralelní a distribuované EA. Metody optimalizace založené na společenstvích: částicové roje, mravenčí kolonie. Aplikace EA v inženýrských úlohách a umělé inteligenci.
Získané dovednosti, znalosti a kompetence:
  Schopnost formulovat řešený problém tak, aby mohl být řešen prostředky evolučních algoritmů. Znalost postupů analýzy a návrhu základních typů evolučních algoritmů.
Osnova přednášek:
 
  1. Úvod, základní pojmy, principy stochastického prohledávání prostoru.
  2. Metoda Monte Carlo a její varianty (Metropolisův algoritmus, simulované žíhání).
  3. Základní evoluční techniky (evoluční programování, evoluční strategie).
  4. Genetické algoritmy (řídicí parametry, genetické operátory).
  5. Genetické programování a symbolická regrese.
  6. Případová studie z oblasti návrhu algoritmů a elektronických obvodů.
  7. Diferenciální evoluce (optimalizace v reálné doméně, aplikace z inženýrské praxe).
  8. Evoluční algoritmy s pravděpodobnostními modely.
  9. Algoritmy vícekriteriální optimalizace (základní techniky, aplikace z inženýrské praxe).
  10. Pokročilé techniky vícekriteriální optimalizace.
  11. Paralelní evoluční techniky a koevoluční algoritmy.
  12. Evoluční vývin a gramatická evoluce (základní modely, aplikace v umělé inteligenci).
  13. Algoritmy založené na společenstvích (částicové systémy, mravenčí algoritmy).
Osnova laboratorních cvičení:
 
  • Základní koncepty evolučního počítání, typické problémy, řešení technické úlohy pomocí varianty Metropolisova algoritmu.
  • Evoluční algoritmy v inženýrské praxi, optimalizace elektronických obvodů pomocí genetického algoritmu.
  • Evoluční návrh pomocí genetického programování.
  • Diferenciální evoluce, algoritmy s pravděpodobnostními modely.
  • Optimalizace pomocí algoritmů založených na společenstvích.
  • Řešení vybrané úlohy z oblasti statistické mechaniky.
Osnova ostatní - projekty, práce:
 Zpracování úlohy dle vlastní volby z nabídky témat pro aktuální ak. rok.

Po dohodě lze projekty, řešené současně v jiných předmětech (např. BIN), uznat též pro předmět EVO, pokud tématicky zapadají do oblasti evolučních technik a řešení splňuje podmínky požadované k projektům v EVO.
Literatura referenční:
 
  • Brabazon, A., O'Neill, M., McGarraghy, S.: Natural Computing Algorithms. Springer-Verlag Berlin Heidelberg, 2015, ISBN 978-3-662-43630-1
  • Eiben, A.E., Smith, J.E.: Introduction to Evolutionary Computing, 2nd ed. Springer-Verlag Berlin Heidelberg, 2015, ISBN 978-3-662-44873-1
  • Jansen, T.: Analyzing Evolutionary Algorithms. Springer-Verlag, Berlin Heidelberg, 2013, ISBN 978-3-642-17338-7
  • Talbi, E.-G.: Metaheuristics: From Design to Implementation. Wiley, Hoboken, New Jersey, 2009, ISBN 978-0-470-27858-1
  • Bäck, T.: Evolutionary Algorithms in Theory and Practice. Oxford University Press, Oxford, 1996, ISBN 978-0195099713
Literatura studijní:
 
  • Luke, S.: Essentials of Metaheuristics. Lulu, 2015, ISBN 978-1-300-54962-8
  • Jansen, T.: Analyzing Evolutionary Algorithms. Springer-Verlag, Berlin Heidelberg, 2013, ISBN 978-3-642-17338-7
  • Kvasnička, V., Pospíchal, J., Tiňo, P.: Evolučné algoritmy. Vydavatelství STU Bratislava, Bratislava, 2000, ISBN 80-227-1377-5
  • Oplatková, Z., Ošmera, P., Šeda, M., Včelař, F., Zelinka, I.: Evoluční výpočetní techniky - principy a aplikace. BEN - technická literatura, Praha, 2008, ISBN 80-7300-218-3
Průběžná kontrola studia:
  6 počítačových cvičení (každé za max. 3 body), projekt s průběžnou a závěrečnou obhajobou (celkem max. za 22 bodů). V případě doložené překážky ve studiu bude vypsán zvláštní termín, kde bude možné zameškanou výuku nahradit.
Podmínky zápočtu:
  Zápočet není ustanoven.
 

Vaše IPv4 adresa: 54.198.3.15
Přepnout na IPv6 spojení

DNSSEC [dnssec]