Název:

Aplikované evoluční algoritmy

Zkratka:EVO
Ak.rok:2006/2007
Semestr:letní
Studijní plán:
ProgramOborRočníkPovinnost
IT-MGR-2MGM.-volitelný
IT-MGR-2MIN.-volitelný
IT-MGR-2MIS.-volitelný
IT-MGR-2MPS1.volitelný
IT-MGR-2EITE2.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:50200030
Garant:Schwarz Josef, doc. Ing., CSc., UPSY
Přednášející:Schwarz Josef, doc. Ing., CSc., UPSY
Cvičící:Jaroš Jiří, doc. Ing., Ph.D., UPSY
Kobliha Miloš, Ing., UPSY
Fakulta:Fakulta informačních technologií VUT v Brně
Pracoviště:Ústav počítačových systémů FIT VUT v Brně
Nahrazuje:
Aplikované evoluční algoritmy (EVA), UPSY
 
Cíle předmětu:
  Seznámit studenty s paradigmaty evolučních algoritmů zahrnující genetické algoritmy (GA), evoluční strategii (ES) a genetické programování (GP). Naučit studenty řešit složité vesměs NP úplné optimalizační problémy na bázi klasických evolučních algoritmů a pokročilých evolučních algoritmů (EDA) založených na odhadu rozložení slibných řešení. Seznámit studenty s programovými nástroji pro rychlé prototypování evolučních algoritmů  pro řešení inženýrských úloh a úloh z oblasti umělé inteligence.
Anotace:
  Teoretické základy a praxe evolučních výpočetních technik. Využití genetických algoritmů, evoluční strategie, evolučního programování a genetického programování pro řešení multimodálních a multikriteriálních optimalizačních úloh. Techniky rychlého prototypování genetických algoritmů. Pokročilé evoluční algoritmy (EDA) založené na odhadu rozložení slibných řešení. Kooperace evolučních algoritmů, fuzzy logiky a neuronových sítí. Klasifikátory a nová pradigmata evolučních algoritmů. Evoluční algoritmy v inženýrských aplikacích, umělé inteligenci, znalostních systémech, návrhu VLSI obvodů a rozvrhování činnosti multiprocesorových systémů.
Požadované prerekvizitní znalosti a dovednosti:
  Základní znalosti z teorie algoritmů a jejich složitosti. Základní pojmy z teorie grafů, umělé inteligence a teorie pravděpodobnosti.
Získané dovednosti, znalosti a kompetence:
  
  1. Schopnost analýzy problému a stanovení jeho složitosti. Schopnost výběru vhodné evoluční techniky a stanovení adekvátního zakódování řešení pro zadanou optimalizační úlohu.
  2. Znalost postupu při výběru vhodných genetických operátorů a řídicích parametrů evolučního procesu zahrnující stanovení velikosti populace řešení, četnosti křížení a mutace. Schopnost návrhu a odladění evolučního algoritmu pro řešení dané optimalizační úlohy na platformě jazyka C++.
Osnova přednášek:
 
  1. Evoluční algoritmy, základní rozdělení. Optimalizační úlohy.
  2. Genetické algoritmy (GA), teorie schémat.
  3. Pokročilé genetické algoritmy, diploidy, messy-chromozómy.
  4. Kombinatorické úlohy. Evoluční strategie.
  5. Evoluční programování. Genetické programování.
  6. Simulované žíhání. Horolezecké algoritmy. Metoda zakázaného prohledávání.
  7. Evoluční algoritmy s pravděpodobnostními modely (EDA algoritmy).
  8. Varianty EDA algoritmů - UMDA, BMDA, BOA.
  9. Multimodální a multikriteriální úlohy.
  10. Dynamické optimalizační úlohy. Imunitní systémy.
  11. Hybrigní genetické algoritmy. Techniky rychlého prototypování. 
  12. Kooperace genetických algoritmů, fuzzy logiky a neuronových sítí. Klasifikátory.
  13. Typické úlohy v inženýrské praxi.
Osnova laboratorních cvičení:
 
  1. Úvod do evolučních algoritmů, prezentace jejich možností.
  2. Strukura a využiti systému GADesign.
  3. Optimalizační úlohy využívající systém GADesign.
  4. Optimalizační úlohy využívající knihovnu GALIB.
  5. Evoluční návrh.
  6. Optimalizační úlohy využívající systém DEBOA.
Osnova ostatní - projekty, práce:
 Implementace programu pro řešení zadaného optimalizačního problému na bázi evolučních algoritmů.
Literatura referenční:
 
  • Eiben, A. E., Smith, E.: Introduction to Evolutionary Computing (Natural Computing Series). Springer Verlag, November, 2003, 299 s., ISBN 3540401849.
  • Dasgupta, D., Michalewicz, Z.: Evolutionary algorithms in engineering applications. Springer Verlag, Berlin, 1997, ISBN 3-540-62021-4.
  • Back, J: Evolutionary algorithms, theory and practice, New York, 1996, ISBN 0-19-509971-0.
  • Kvasnička, V., Pospíchal, J., Tiňo, P.: Evoluční algoritmy. Vydavatelství STU Bratislava, 2000, 215 s., ISBN 80-227-1377-5.
  • stránky EVONET
Literatura studijní:
 
  • Kvasnička ,V., Pospíchal, J., Tiňo, P.: Evoluční algoritmy. Vydavatelství STU Bratislava, 2000, 215 s., ISBN 80-227-1377-5.
  • Kvasnička, V. a kol.: Úvod do teorie neuronových sítí, Iris 1997, ISBN 80-88778-30-1.
Kontrolovaná výuka:
  Kontrolovanou výukou je projekt
Průběžná kontrola studia:
  
  • Půlsemestrální zkouška: 20 bodů.
  • Projekt a jeho prezentace: 30 bodů.
  • Závěrečná zkouška: 50 bodů.
    Hranice pro úspěšnou zkoušku podle pravidel ECTS je 50 bodů.
Podmínky zápočtu:
  Zápočet není ustanoven.