Lecture on heuristic optimization algorithms based on Convex
Optimization and Artificial Intelligence for solving real-life problems.
Last update: RNDr. Jan Hric (12.05.2022)
Přednáška heuristických optimalizačních algoritmů založených na
kombinaci kombinatorické optimalizace a umělé inteligence s aplikacemi
na praktické problémy.
Aim of the course -
Last update: RNDr. Jakub Bulín, Ph.D. (06.05.2024)
Understand the main principles of various heuristic optimization methods based on convex optimization and artificial intelligence, with emphasis on large-scale instances. Learn how to apply these methods in practice.
Last update: RNDr. Jakub Bulín, Ph.D. (06.05.2024)
Cílem předmětu je porozumění principům různých heuristických optimalizačních metod založených na kombinaci kombinatorické optimalizace a umělé inteligence, použitelných na velké instance pocházejících z praxe.
Course completion requirements -
Last update: RNDr. Jakub Bulín, Ph.D. (13.05.2022)
Students are expected to implement practical homework assignments and pass theoretical examination. The nature of homework assignments excludes the possibility of repeated attempts to get credit.
Last update: RNDr. Jakub Bulín, Ph.D. (13.05.2022)
Studenti musí implementovat praktické domácí úkoly a splnit teoretickou zkoušku. Povaha domácích úkolů vylučujeme možnost opakování zápočtu.
Literature -
Last update: RNDr. Jakub Bulín, Ph.D. (13.05.2022)
Wolsey, Laurence A. Integer programming. Vol. 42. New York: Wiley, 1998.
Kochenderfer, Mykel J., and Tim A. Wheeler. Algorithms for optimization. MIT Press, 2019.
Blum, Christian, and Günther R. Raidl. Hybrid Metaheuristics: Powerful Tools for Optimization. Springer, 2016.
Desaulniers, Guy, Jacques Desrosiers, and Marius M. Solomon, eds. Column generation. Vol. 5. Springer Science & Business Media, 2006.
Last update: RNDr. Jakub Bulín, Ph.D. (13.05.2022)
Wolsey, Laurence A. Integer programming. Vol. 42. New York: Wiley, 1998.
Kochenderfer, Mykel J., and Tim A. Wheeler. Algorithms for optimization. MIT Press, 2019.
Blum, Christian, and Günther R. Raidl. Hybrid Metaheuristics: Powerful Tools for Optimization. Springer, 2016.
Desaulniers, Guy, Jacques Desrosiers, and Marius M. Solomon, eds. Column generation. Vol. 5. Springer Science & Business Media, 2006.
Syllabus -
Last update: RNDr. Jakub Bulín, Ph.D. (13.05.2022)
Local search, Hill climbing, Simulated annealing
Population methods, e.g. Genetic algorithms
Problem instance reduction, Large neighborhood search
Hybrid methods: Lamarckian vs. Baldwinian learning, examples
Surrogate models
Applications, e.g. Minimum Common String Partition, Minimum Weight Dominating Set Problem, Arc Routing Problems, Public Transportation
The course is taught bi-yearly, alternating with the course Large-scale optimization: Exact methods (NOPT059).
Last update: RNDr. Jakub Bulín, Ph.D. (13.05.2022)
Lokální prohledávání, Hill climbing, simulované žíhání
Populační metody, např. Genetické algoritmy
Řešení úloh pomocí redukce velikosti instance
Hybridní metody: Lamarckian vs. Baldwinian, příklady
Náhradní modely
Aplikace, např. v oblastech logistiky a plánování
Výuka tohoto předmětu probíhá jednou za dva roky a střídá se s předmětem Optimalizace velkých problémů: přesné metody (NOPT059).