Evolutionary Algorithms

Přednášející:

Cvičící:

Předmět zajišťuje:

katedra kybernetiky

Anotace:

The students will get acquainted with various forms of evolutionary algorithms -- optimization metaheuristics that use analogies with natural evolution to solve complex optimization tasks. The subject builds on and extends knowledge from the subject Bio-inspired algorithms. The main goal of this subject is to introduce various forms of evolutionary algorithms along with suitable application areas. In the seminar and lab lectures, the students will get hands-on tutorials and will be obliged to implement their own evolutionary algorithm to solve an optimization task as part of their project.

Požadavky:

Základy evolučních algoritmů.

Více o předmětu na:

https://cw.felk.cvut.cz/doku.php/courses/a0m33eoa/start

Osnova přednášek:

1. Evolutionary algorithms (EAs) and issues during their design -- premature convergence, parameter tuning, constraints, statistical dependence of solution components, No-Free-Lunch theorem.

2. EA parameters -- setting, tuning, adaptation.

3. Working with constraints -- special representation, penalization, decoders and repairing algorithms, multiobjective approach.

4. Learning dependencies -- perturbation methods.

5. Learning dependencies -- distribution estimation in discrete space.

6. Learning dependencies -- distribution estimation in real space.

7. Evolutionary strategy with covariance matrix adaptation.

8. Grammatical evolution, gene expression programming.

9. Linear genetic programming, graph-based genetic programming.

10. GP issues -- 'bloat', diversity preservation.

11. Memetic algorithms, hybrid evolutionary algorithms.

12. Dynamic optimization using EAs.

13. Coevolution.

14. Reserved.

Osnova cvičení:

1. Implementation of simple genetic algorithm (SGA). Influence of individual parameter values.

2. Introduction to the topics for the seminar project.

3. Seminar project elaboration.

4. Competent evolutionary algorithms, learning dependencies among variables.

5. Seminar project elaboration.

6. Application of EA to some of the computational biology problems.

7. Seminar project elaboration.

8. Using GA to select variables for time series model (difference between one and several criteria).

9. Seminar project elaboration.

10. Successful applications of EAs.

11. Hand-in of the seminar project and presentations of the results.

12. Hand-in of the seminar project and presentations of the results.

13. Test.

14. Reserved.

Cíle studia:

Cílem předmětu je detailně seznámit studenty s několika variantami evolučních optimalizačních algoritmů a ukázat vhodné oblasti pro jejich praktické nasazení. Důraz je kladen na identifikaci překážek, na které narážíme v aplikacích evolučních algoritmů, a na metody, kterými se řeší.

Studijní materiály:

- Michalewicz, Z.: Genetic Algorithms + Data Structures = Evolution

Programs, Springer, 1998

- Koza, J.: Genetic Programming, The MIT Press, 5. vydani, 1996

- DeJong, K.: Evolutionary Computation, MIT Press, 2002

Poznámka:

Rozsah výuky v kombinované formě studia: 14p+6c

Další informace:

Pro tento předmět se rozvrh nepřipravuje

Předmět je součástí následujících studijních plánů: