Název:

Aplikované evoluční algoritmy

Zkratka:EVO
Ak.rok:2018/2019
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./cvič.lab. cvič.poč. cvič.jiná
Rozsah:26001214
 zkouškatestycvičenílaboratořeostatní
Body:60001822
Garant:Bidlo Michal, Ing., Ph.D. (UPSY)
Přednášející:Bidlo Michal, Ing., Ph.D. (UPSY)
Cvičící:Hyrš Martin, Ing. (UPSY)
Fakulta:Fakulta informačních technologií VUT v Brně
Pracoviště:Ústav počítačových systémů FIT VUT v Brně
Nahrazuje:
Aplikované evoluční algoritmy (EVA), UPSY
Rozvrh:
DenVýukaTýdenMístnostOdDoPSKSkupiny
StpřednáškavýukyD0207 12:0013:501MIT 2MIT xx
 
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 (reprezentace, symbolická regrese, aplikace).
  6. Evoluční vývin a gramatická evoluce (vybrané modely a jejich aplikace).
  7. Numerická optimalizace (částicové systémy, diferenciální evoluce, aplikace).
  8. Kombinatorická optimalizace pomocí mravenčích algoritmů.
  9. Evoluční algoritmy s pravděpodobnostními modely.
  10. Základy statistiky pro evoluční počítání.
  11. Vyhodnocování evolučních experimentů.
  12. Vícekriteriální optimalizace (základní techniky, aplikace z inženýrské praxe).
  13. Pokročilé techniky vícekriteriální optimalizace. Shrnutí předmětu.
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.
  • Optimalizace neuronových sítí pomocí diferenciální evoluce.
  • Detekce hran v obraze s využitím mravenčích algoritmů.
  • Řešení vybrané úlohy z oblasti statistické fyziky.
Osnova ostatní - projekty, práce:
 Realizace a vyhodnocení experimentu dle vlastní volby z oblasti aplikací evolučních technik.

Po dohodě lze projekty, řešené současně v jiných kurzech (např. BIN), uznat též pro kurz EVO, pokud tématicky zapadají do oblasti evolučních algoritmů.
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:
  Hodnocená počítačová cvičení, individuální projekt.
Podmínky zápočtu:
  Zápočet není ustanoven.
 

Vaše IPv4 adresa: 34.228.41.66
Přepnout na IPv6 spojení

DNSSEC [dnssec]