Detail předmětu

Evoluční výpočetní techniky

EVD Ak. rok 2011/2012 letní semestr

Aktuální akademický rok

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

Schwarz Josef, doc. Ing., CSc.

Jazyk výuky

česky, anglicky

Zakončení

zkouška

Rozsah

  • 39 hod. přednášky

Zajišťuje ústav

Ústav počítačových systémů (UPSY)

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
  • 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.

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 tématu

Nahoru