Softcomputing

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)