Popis předmětu - A0M33EOA

Přehled studia | Přehled oborů | Všechny skupiny předmětů | Všechny předměty | Seznam rolí | Vysvětlivky               Návod
A0M33EOA Evoluční optimalizační algoritmy
Role:  Rozsah výuky:2P+2C
Katedra:13133 Jazyk výuky:CS
Garanti:Pošík P. Zakončení:Z,ZK
Přednášející:Pošík P. Kreditů:6
Cvičící:Pošík P. Semestr:Z

Webová stránka:

https://cw.fel.cvut.cz/wiki/courses/A0M33EOA

Anotace:

Evoluční algoritmy jsou stochastické optimalizační techniky využívající analogií s přírodní evolucí. Cílem předmětu je seznámit studenty s touto třídou algoritmů, s problémy, na něž mohou narazit při jejich aplikaci, a s metodami jejich řešení. Na přednáškách budou představeny různé varianty evolučních algoritmů a budou ukázány vhodné oblasti pro jejich nasazení. Na cvičeních si studenti vyzkouší implementaci evolučního algoritmu pro řešení složitějších optimalizačních problémů.

Cíle studia:

Cílem předmětu je detailně seznámit studenty s několika variantami evolučních optimalizačních algoritmů a ukázat vhodné oblasti pro jejich praktické nasazení. Důraz je kladen na identifikaci překážek, na které narážíme v aplikacích evolučních algoritmů, a na metody, kterými se řeší.

Osnovy přednášek:

1. Standardní evoluční algoritmy. Vztah klasických opt. technik a EA. Memetické algoritmy.
2. No Free Lunch. Hodnocení výkonosti a porovnání EA.
3. Práce s omezeními. Speciální reprezentace, penalizace a dekodéry, opravné algoritmy, multikriteriální přístup.
4. Parametry EA. Ladění, adaptace.
5. Statistická závislost mezi komponentami řešení. Perturbační metody. Optimalizace učením modelu.
6. Algoritmy EDA. Optimalizace odhadem modelu rozdělení pravděpodobnosti.
7. Evoluční strategie s adaptací kovarianční matice (CMA-ES).
8. Paralelní evoluční algoritmy.
9. Genetické programování (GP). Reprezentace,
inicializace, operátory, typované GP, ADF.
10. Gramatická evoluce. Gene expression programming.
11. Lineární GP. Grafové GP.
12. Problémy v GP. "Bloat", udržení diverzity.
13. Koevoluce.
14. Rezerva

Osnovy cvičení:

1. Realizace jednoduchého genetického algoritmu (SGA). Ukázky vlivu jednotlivých parametrů SGA na jeho výpočet.
2. Rozbor témat na semestrální úlohu. Zadání úloh.
3. Řešení semestrální úlohy I - implementace lokálního optimalizačního algoritmu.
4. Odevzdání semestrální úlohy I.
5. Řešení semestrální úlohy II - implementace jednoduchého EA.
6. Řešení semestrální úlohy II - implementace jednoduchého EA.
7. Odevzdání semestrální úlohy II.
8. Řešení semestrální úlohy III - implementace specializovaného EA.
9. Úspěšné aplikace evolučních algoritmů.
10. Řešení semestrální úlohy III - implementace specializovaného EA.
11. Odevzdání semestrální úlohy III. Prezentace referátů.
12. Prezentace referátů.
13. Prezentace referátů.
14. Rezerva

Literatura:

- Luke, S.: Essentials of Metaheuristics, 2009 http://cs.gmu.edu/~sean/book/metaheuristics/ - Poli, R., Langdon, W., McPhee, N.F.: A Field Guide to Genetic Programming, 2008 http://www.gp-field-guide.org.uk/

Požadavky:

Základní povědomí o optimalizaci a optimalizačních metodách. Více o předmětu na: https://cw.fel.cvut.cz/wiki/courses/a0m33eoa/start

Klíčová slova:

Evoluční algoritmy, genetické programování, evoluční strategie, optimalizace.

Předmět je zahrnut do těchto studijních plánů:

Plán Obor Role Dop. semestr


Stránka vytvořena 9.12.2022 05:50:43, semestry: Z,L/2022-3, L/2021-2, Z/2024-5, připomínky k informační náplni zasílejte správci studijních plánů Návrh a realizace: I. Halaška (K336), J. Novák (K336)