Název:

Evoluční výpočetní techniky

Zkratka:EVD
Ak.rok:2017/2018
Semestr:letní
Studijní plán:
ProgramOborRočníkPovinnost
VTI-DR-4DVI4-volitelný
Vyučovací jazyk:čeština
Informace pro zapsané:http://www.fit.vutbr.cz/study/courses/EVD/private/
Ukončení:zkouška (ústní)
Výuka:
hod./sempřednáškasem./cvičenílab. cvičenípoč. cvičeníjiná
Rozsah:390000
 zkouškatestycvičenílaboratořeostatní
Body:5100049
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:

  1. Evoluční algoritmy, teoretické základy, základní rozdělení.
  2. Genetické algoritmy (GA), struktura, teorie schémat.
  3. Evoluční strategie (parametry úlohy a řídící parametry).
  4. Genetické programování (princip, symbolická regrese).
  5. Typické kombinatorické optimalizační úlohy (TSP, dekompozice hypergrafu, úloha batohu).
  6. Numerické optimalizační úlohy (spojitá i diskrétní reprezentace).
  7. Varianty EDA algoritmů, UMDA, BMDA a BOA. Bayesovská síť a její konstrukce.
  8. Simulované žíhání (Metropolisův algoritmus, teplotní fáze).
  9. Evoluční techniky pro multikriteriální a multimodální úlohy. 
  10. 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