Softcomputing
Kód | Zakončení | Kredity | Rozsah | Jazyk výuky |
---|---|---|---|---|
X33SCP | KZ | 4 | 2+2s | česky |
- Přednášející:
- Cvičící:
- Předmět zajišťuje:
- katedra kybernetiky
- Anotace:
-
Cílem předmětu je seznámit studenty s netradičními výpočetními technikami pro řešení složitých úloh optimalizace, prohledávání, řízení a rozhodování. Metody softcomputingu využívají analogií s nejrůznějšími jevy v přírodě či společnosti. Jádrem přednášek bude objasnění neuronových sítí a genetických algoritmů. Výsledky získávané těmito metodami jsou ve většině případů vysoce kvalitní, i když jejich absolutní přesnost není zaručena.
- Požadavky:
-
Kritéria pro získání klasifikovaného zápočtu
1. Odevzdání úlohy na evoluční algoritmy (max 10 bodů).
2. Odevzdání úlohy na neuronové sítě (max 5 bodů).
3. Úspěšné napsání testu (max 15 bodů).
4. Za každou z předchozích podmínek je třeba získat alespoň 1/3 maximálního počtu bodů pro danou podmínku.
5. Budete-li mít s odevzdáním semestrálek zpoždění, budou vám ze skóre odečteny 2 body za každý načatý týden zpoždění.
Klasifikace
1. Výborně (25,30> bodů
2. Velmi dobře (20,25> bodů
3. Dobře (15,20> bodů
4. Neprospěl (0,15>
- Osnova přednášek:
-
1. Úvod - Optimalizační problémy a klasické optimalizační metody.
2. Evoluční algoritmy - Úvod do evolučních algoritmů (EA), historie a přehled technik spadajících do EA, jednoduchý genetický algoritmus, oblasti použití EA.
3. Evoluční algoritmy - Teorie o schématech, příklad na GA, genetické programování.
4. Evoluční algoritmy - Typované genetické programování a gramatická evoluce, příklady aplikací. Indukce rozhodovacích stromů pomocí GP.
5. Evoluční algoritmy - Vícekriteriální optimalizace.
6. Evoluční algoritmy - Kompetentní genetické algoritmy. Přístupy pro zabránění předčasné konvergence v EA.
7. Estimation of Distribution Algorithms - EDAs pro diskrétní reprezentace.
8. Estimation of Distribution Algorithms - EDA pro reálné reprezentace.
9. Neuronové sítě - Úvod do neuronových sítí, model jednoduchého neuronu, algoritmus trénování neuronové sítě s jedním perceptronem, vícevrstvé dopředné neuronové sítě, backpropagation.
10. Neuronové sítě - Omezení algoritmu backpropagation, učení struktury a vah NN, NN s kaskádovou korelací, NEAT, NERO.
11. Neuronové sítě - Hopfieldova NN, Kohonenova samoorganizující se síť, pricip učení bez učitele, pojem radiálního neuronu, analogie činnosti sítě se shlukovou analýzou, rozšíření pro klasifikaci, počáteční odhad vah, ukazka použití.
12. Fuzzy logika a rozhodování.
13. Fuzzy modelování a řízení.
14. Rezerva.
- Osnova cvičení:
-
1. Organizační záležitosti, konkretizace programu cvičení, příklady na lokální prohledávání.
2. Evoluční algoritmy - ukázka jednoduchého GA, zadání semestrálních úloh na EA.
3. Evoluční algoritmy - řešení samostatných úloh.
4. Evoluční algoritmy - ukázky modifikovaných GA s omezenou předčasnou konvergencí.
5. Evoluční algoritmy - řešení samostatných úloh.
6. Evoluční algoritmy - ukázky aplikací EA.
7. Evoluční algoritmy - řešení samostatných úloh.
8. Evoluční algoritmy - kompetentní evoluční algoritmy, hledání vazeb mezi proměnnými.
9. Neuronové sítě - seznámení s programovou výbavou pro vytváření a použití NN, ukázka trénování a využití NN na typické úloze.
10. Neuronové sítě - 2. samostatná úloha: klasifikace dat do několika tříd s využitím vícevrstvé perceptronové sítě.
11. Neuronové sítě - řešení a vysvětlení 2. samostatné úlohy.
12. Fuzzy systémy - ukázky.
13. Test.
14. Zápočty.
- Cíle studia:
- Studijní materiály:
-
1. Goldberg: Genetic Algorithms in Search, Optimization, and Machine Learning, Addison-Wesley, 1989.
2. Michalewicz: Genetic Algorithms + Data Structures = Evolution Programs, Springer, 1998
3. Michalewicz: How to solve it? Modern heuristics. 2nd ed. Springer, 2004.
4. Bishop: Neural Networks for Pattern Recognition, Oxford University Press, 1995
5. Hájek: Mathematics of Fuzzy Logic. Kluwer, 1998
6. Mařík, Štěpánková, Lažanský: Umělá inteligence 3, Academia, Praha 2001 - kapitola 3
7. Mařík, Štěpánková, Lažanský: Umělá inteligence 4, Academia, Praha 2003 - kapitoly 4, 5, 6, 7
- Poznámka:
-
Rozsah výuky v kombinované formě studia: 14+4
Typ cvičení: s, c, p
Předmět je nabízen také v anglické verzi.
- Další informace:
- Pro tento předmět se rozvrh nepřipravuje
- Předmět je součástí následujících studijních plánů:
-
- Kybernetika a měření - řídicí technika- strukturované studium (povinně volitelný předmět)
- Kybernetika a měření - umělá inteligence- strukturované studium (povinně volitelný předmět)
- Kybernetika a měření - měřicí a přístrojové systémy- strukturované studium (povinně volitelný předmět)
- Kybernetika a měření - letecké informační a řídicí systémy- strukturované studium (povinně volitelný předmět)