Biologicky inspirované algoritmy
Kód | Zakončení | Kredity | Rozsah | Jazyk výuky |
---|---|---|---|---|
A4M33BIA | Z,ZK | 6 | 2P+2C | česky |
- Vztahy:
- Předmět A4M33BIA nesmí být zapsán, je-li v témže semestru zapsán anebo již dříve absolvován předmět AE4M33BIA (vztah je symetrický)
- Předmět A4M33BIA může při kontrole studijních plánů nahradit předmět AE4M33BIA
- Předmět A4M33BIA může být splněn v zastoupení předmětem AE4M33BIA
- Předmět A4M33BIA nesmí být zapsán, je-li v témže semestru zapsán anebo již dříve absolvován předmět AE4M33BIA (vztah je symetrický)
- Garant předmětu:
- Přednášející:
- Cvičící:
- Předmět zajišťuje:
- katedra kybernetiky
- Anotace:
-
Cílem předmětu je seznámit studenty s netradičními výpočetními technikami pro řešení složitých úloh klasifikace, modelování, shlukování, prohledávání a optimalizace. Biologicky inspirované algoritmy využívají analogií s nejrůznějšími jevy v přírodě či společnosti. Jádrem přednášek bude objasnění neuronových sítí a evolučních algoritmů.
Výsledek studentské ankety předmětu je zde: http://www.fel.cvut.cz/anketa/aktualni/courses/AD4M33BIA
Výsledek studentské ankety předmětu je zde: http://www.fel.cvut.cz/anketa/aktualni/courses/A4M33BIA
- Požadavky:
-
Základní znalosti z oblasti optimalizace
- Osnova přednášek:
-
1.Úvod - návaznost na předchozí předměty o optimalizaci, randomizované metody prohledávání, vztah k učení a modelování.
2.Co jsou to neuronové sítě, historie, typické úlohy, druhy učení neuronových sítí, perceptron.
3.Učení s učitelem - aproximace a klasifikace, lokální a globální jednotky v neuronových sítích. Vícevrstvý perceptron, RBF sítě, GMDH sítě.
4.Učení bez učitele - shlukování neuronovými sítěmi, samoorganizace, Hebbův zákon. Hopfieldova síť, asociativní paměti, ART sítě.
5.Kohonenova samoorganizující se mapa (SOM), kompetitivní učení. Posilované učení.
6.Algoritmus zpětného šíření chyby (back-propagation). Univerzální aproximace, Kolmogorovův teorém.
7.Zpracování časových posloupností, rekurentní neuronové sítě, Elmanova síť, back-propagation through time.
8.Standardní genetický algoritmus (SGA) - historie, základní cyklus, genetické operátory, schéma teorém.
9.Evoluční algoritmy s reálnou reprezentací - evoluční strategie, operátory křížení, diferenciální evoluce.
10.Neuroevoluce - evoluční postupy pro optimalizaci struktury a nastavení vah neuronové sítě, systém NEAT.
11.Vícekriteriální optimalizace - princip dominance, Pareto-optimální řešení, vícekriteriální evoluční algoritmy (NSGA-II, SPEA2).
12.Genetické programování (GP) - stromová reprezentace, inicializace, operátory, typované GP, automaticky definované funkce (ADF).
13.Rojová inteligence - optimalizace rojením částic (Particle Swarm Intelligence), mravenčí kolonie (Ant Colony Optimization).
14.Rezerva.
- Osnova cvičení:
-
1.Organizační záležitosti. Black box neuronová síť (MLP), aproximace, klasifikace. Příklady na lokální prohledávání v Matlabu.
2.Software pro neuronové sítě, Mathematica, Weka.
3.Výběr první semestrální práce (představení dat z praxe).
4.Řešení semestrální úlohy z neuronových sítí.
5.Řešení semestrální úlohy z neuronových sítí.
6.Odevzdání semestrální úlohy z neuronových sítí.
7.Zadání témat na semestrální úlohu z evolučních algoritmů.
8.Realizace jednoduchého genetického algoritmu (SGA). Ukázky vlivu jednotlivých parametrů SGA na jeho výpočet. Příklady na evoluční algoritmy v Matlabu.
9.Řešení semestrální úlohy z evolučních algoritmů.
10.Úspěšné aplikace evolučních algoritmů.
11.Řešení semestrální úlohy z evolučních algoritmů.
12.Odevzdání semestrální úlohy z evolučních algoritmů.
13.Test.
14.Rezerva.
- Cíle studia:
-
Cílem předmětu je seznámit studenty s netradičními výpočetními technikami pro řešení složitých úloh klasifikace, modelování, prohledávání a optimalizace. Jádrem přednášek bude objasnění neuronových sítí a evolučních algoritmů.
- Studijní materiály:
-
1.Haykin, S.: Neural Networks: A Comprehensive Foundation, 2nd edition, Prentice Hall, 1998
2.Rojas, R.: Neural Networks: A Systematic Introduction, Springer, 1996
3.Michalewicz, Z.: Genetic Algorithms + Data Structures = Evolution Programs, Springer, 1998
4.Michalewicz, Z.: How to solve it? Modern heuristics. 2nd ed. Springer, 2004.
- Poznámka:
- Další informace:
- http://cw.felk.cvut.cz/doku.php/courses/a4m33bia/start
- Pro tento předmět se rozvrh nepřipravuje
- Předmět je součástí následujících studijních plánů: