Název:

Evoluční výpočetní techniky

Zkratka:

EVD

Ak.rok:

2017/2018

Semestr:

letní

Studijní plán:

Program	Obor	Ročník	Povinnost
VTI-DR-4	DVI4	-	volitelný

Vyučovací jazyk:

čeština

Informace pro zapsané:

http://www.fit.vutbr.cz/study/courses/EVD/private/

Ukončení:

zkouška (ústní)

Výuka:

hod./sem	přednáška	sem./cvič.	lab. cvič.	poč. cvič.	jiná
Rozsah:	39	0	0	0	0
	zkouška	testy	cvičení	laboratoře	ostatní
Body:	51	0	0	0	49

Garant:

Sekanina Lukáš, prof. Ing., Ph.D. (UPSY)

Přednášející:

Sekanina Lukáš, prof. Ing., Ph.D. (UPSY)
Schwarz Josef, doc. Ing., CSc. (UPSY)

Fakulta:

Fakulta informačních technologií VUT v Brně

Pracoviště:

Ústav počítačových systémů FIT VUT v Brně

Cíle předmětu:

Seznámit studenty s moderními evolučními algoritmy pro řešení složitých, vesměs NP úplných problémů.

Anotace:

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.

Okruhy otázek k SDZ:

Evoluční algoritmy, teoretické základy, základní rozdělení.
Genetické algoritmy (GA), struktura, teorie schémat.
Evoluční strategie (parametry úlohy a řídící parametry).
Genetické programování (princip, symbolická regrese).
Typické kombinatorické optimalizační úlohy (TSP, dekompozice hypergrafu, úloha batohu).
Numerické optimalizační úlohy (spojitá i diskrétní reprezentace).
Varianty EDA algoritmů, UMDA, BMDA a BOA. Bayesovská síť a její konstrukce.
Simulované žíhání (Metropolisův algoritmus, teplotní fáze).
Evoluční techniky pro multikriteriální a multimodální úlohy.
Nová evoluční paradigmata: imunitní systémy, diferenční evoluce, SOMA.

Získané dovednosti, znalosti a kompetence:

Zvládnuté postupy při řešení složitých optimalizačních úloh.

Osnova přednášek:

Evoluční algoritmy, teoretické základy, základní rozdělení
Genetické algoritmy (GA), struktura, teorie schémat.
Pokročilé GA.
Typické kombinatorické optimalizační úlohy (TSP, dekompozice hypergrafu, úloha batohu)
Evoluční strategie (parametry úlohy a řídící parametry).
Genetické programování (princip, symbolická regrese).
Evoluční 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).
Evoluční techniky pro multikriteriální a multimodální úlohy.
Techniky rychlého prototypování. Struktura vývojových systémů a GA knihovní moduly.
Nová evoluční paradigmata: imunitní systémy, diferenční evoluce, SOMA.
Typické inženýrské úlohy.

Osnova ostatní - projekty, práce:

Obhajoba projektu, programového díla využívajícího některou variantu evolučních algoritmů

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.

Literatura studijní:

Fogel D., B.: Evolutionary computation: Toward a new philosophy of machine intelligence. IEEE Press, New York, 2000, ISBN 0-7803-5379-X.

Kontrolovaná výuka:

Obhajoba projektu, programového díla využívajícího některou variantu evolučních algoritmů nebo zpracování vybraného tématu

Nacházíte se v sekcích

Hlavní menu

Evoluční výpočetní techniky