Evoluční algoritmy jsou v posledním čtvrtstoletí jednou z nejúspěšnějších metod pro řešení netradičních optimalizačních problémů, jako např. hledání nejvhodnějších dokumentů obsahujících požadované informace, hledání nejvhodnějších materiálů s požadovanými vlastnostmi či další typy optimalizačních úloh, při nichž lze hodnoty cílové funkce získat pouze empiricky. Protože evoluční algoritmy jsou heuristické, má každý z nich mnoho variant a každá takováto varianta závisí na mnoha parametrech. V ideálním případě bychom měli použít variantu a nastavení jejích parametrů, které budou nejvhodnější pro daný optimalizační problém, nejvhodnější typicky z toho hlediska, že se dostanou do předepsané blízkosti optima v nejnižším počtu iterací nebo z toho hlediska, že se v předepsaném počtu iterací dostanou nejblíže k optimu. Volba nejvhodnější z konečného počtu variant evolučního algoritmu je vlastně klasifikační problém, stejně jako volba nejvhodnější hodnoty nominálního parametru. Podobně volba nejvhodnější hodnoty spojitého parametru je regresní problém a volba nejvhodnější hodnoty ordinálního parametru je problém ordinální regrese. K nalezení nejvhodnějších variant evolučních algoritmů a jejich parametrů v závislosti na příznacích optimalizačního problému lze tudíž použít algoritmy klasifikačního a regresního učení. Tento přístup se označuje jako metaučení a příznakům optimalizačního problému, které slouží jako jeho vstupy, se v souvislosti s ním říká metapříznaky.
Seznam odborné literatury
viz https://www.cs.cas.cz/~martin/diplomka65.html
Předběžná náplň práce
Student si k tomuto rámcovému tématu může vybrat z několika konkrétních diplomových prací podle toho, zda ho více zajímají evoluční algoritmy nebo metaučení a hledání metapříznaků a také podle toho, jestli pracuje radši s benchmarkovými nebo reálnými daty.
