Evoluční algoritmy 1 - NAIL025

• Anglický název: Evolutionary Algorithms 1
• Zajišťuje: Katedra teoretické informatiky a matematické logiky (32-KTIML)
• Fakulta: Matematicko-fyzikální fakulta
• Platnost: od 2020
• Semestr: zimní
• E-Kredity: 5
• Rozsah, examinace: zimní s.:2/2, Z+Zk [HT]
• Počet míst: neomezen
• Minimální obsazenost: neomezen
• 4EU+: ne
• Virtuální mobilita / počet míst pro virtuální mobilitu: ne
• Stav předmětu: vyučován
• Jazyk výuky: čeština, angličtina
• Způsob výuky: prezenční
• Způsob výuky: prezenční
• Garant: Mgr. Roman Neruda, CSc.
• Třída: Informatika Mgr. - Teoretická informatika
• Kategorizace předmětu: Informatika > Teoretická informatika
• Je korekvizitou pro: NAIX086, NAIL086
• Je neslučitelnost pro: NAIX025
• Je záměnnost pro: NAIX025

Anotace

čeština

Evoluční modely, programování, strategie, Genetické algoritmy a programování. Klasifikační systémy, adaptivní chování. Celulární automaty. Řešení kombinatorických problémů.

Poslední úprava: ()

angličtina

Models of evolution, genetic algorithms, representation and operators of selection, mutation and crossover. Problem solving by means of evolutionary computation. Theoretical properties of simple genetic algorithm. Schemata theorem and building block hypothesis, probabilistic models. Evolutionarz machine learning, Michigan vs. Pittsburg approach, classifier systems.

Poslední úprava: Neruda Roman, Mgr., CSc. (02.05.2006)

Cíl předmětu

čeština

Naučit základní techniky používané v evolučních algoritmech. Ukázat souvislosti s příbuznými oblastmi dataminingu a učení.

Poslední úprava: T_KTI (26.05.2008)

angličtina

To learn basic techniques used in evolutionary algorithms. Show connections with related topics of datamining and learning.

Poslední úprava: Hric Jan, RNDr. (07.06.2019)

Podmínky zakončení předmětu

čeština

Podmínkou pro zakončení předmětu je získání zápočtu a složení zkoušky. Zápočet je udělen za vypracování úkolů na cvičení. Povaha kontroly získání zápočtu vylučuje možnost jejího opakování.

Poslední úprava: Pilát Martin, doc. Mgr., Ph.D. (13.10.2017)

angličtina

In order to pass the course, the student must obtain the credit for the seminar and pass an exam. The credit is given for solving assignments from the seminar. The nature of study verification excludes the possibility of its repetition.

Poslední úprava: Pilát Martin, doc. Mgr., Ph.D. (13.10.2017)

Literatura

čeština

Mitchell, M.: Introduction to genetic algorithms. MIT Press, 1996.

Goldberg, D.: Genetic algorithms in search optimization and machine learning, Addison-Wesley, 1989.

Holland, J.: Adaptation in natural and artificial systems, MIT Press, 1992 (2nd ed).

Holland, J.: Hidden order, Addison-Wesley, 1995.

Poslední úprava: Neruda Roman, Mgr., CSc. (02.05.2006)

angličtina

Mitchell, M.: Introduction to genetic algorithms. MIT Press, 1996.

Goldberg, D.: Genetic algorithms in search optimization and machine learning, Addison-Wesley, 1989.

Holland, J.: Adaptation in natural and artificial systems, MIT Press, 1992 (2nd ed).

Holland, J.: Hidden order, Addison-Wesley, 1995.

Poslední úprava: Pilát Martin, doc. Mgr., Ph.D. (04.11.2019)

Požadavky ke zkoušce

čeština

Zkouška je ústní s časem na písemnou přípravu. Požadavky odpovídají sylabu předmětu v rozsahu, který byl přednesen na přednášce. Součástí zkoušky je i návrh evolučního algoritmu aplikovaného na konkrétní problém.

Poslední úprava: Pilát Martin, doc. Mgr., Ph.D. (13.10.2017)

angličtina

The exam is oral with time for written preparation. The requirements correspond to the syllabus in the extent presented during the lectures. A part of the exam asks to design an evolutionary algorithm for a given problem.

Poslední úprava: Pilát Martin, doc. Mgr., Ph.D. (13.10.2017)

Sylabus

čeština

Modely evoluce - základní přístupy a pojmy. Populace, rekombinace. Ohodnocení úspěšnosti individua.

Genetické algoritmy. Zakódování řešené problému do chromozómu. Základní genetické operace, selekce, křížení, mutace.

Selekce - simulace přirozeného výběru. Účelová funkce. Dynamická vs. statická selekce, mechanismus rulety, turnaje, elitářství.

Reprezentační schemata, vlastnosti, věta o schematech. Hypotéza o stavebních blocích. Věta o implicitním paralelismu.

Pravděpodobnostní modely jednoduchého genetického algoritmu, konečná a nekonečná velikost populace.

Strojové učení a datokopectví. Evoluce expertních systémů, vnitřní reprezentace, Michiganský vs. Pittsburgský přístup.

Klasifikační systémy. Učení pravidel "if-then", makléřský algoritmus, Q-učení, produkční systémy.

Poslední úprava: Neruda Roman, Mgr., CSc. (02.05.2006)

angličtina

Models of evolution, basic approaches and notions. Population, recombination, fitness evaluation.

Genetic algorithms, solution encoding in a chromozome, basic operators of selection, mutation, crossover.

Selection, objective function, dynamic vs. static, roulette-wheel selection, tournaments, elitism.

Schema theorem, building block hypotheses, implicit paralallelism.

Probabilistic models of simple genetic algorithm, finite and infinite population.

Machine learning and data mining, evoluion of expert systems, internal representation, Michigan vs. Pittsburg approach.

Clasifier systems, if-then rules, bucket brigade algorithm, Q-learning, production systems.

Poslední úprava: Neruda Roman, Mgr., CSc. (02.05.2006)