Popis předmětu - AD4M33BIA

Přehled studia | Přehled oborů | Všechny skupiny předmětů | Všechny předměty | Seznam rolí | Vysvětlivky               Návod
AD4M33BIA Biologicky inspirované algoritmy
Role:PO, S2, V Rozsah výuky:14KP+6KC
Katedra:13133 Jazyk výuky:CS
Garanti:  Zakončení:Z,ZK
Přednášející:  Kreditů:6
Cvičící:  Semestr:L

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: AD4M33BIA

Výsledek studentské ankety předmětu je zde: A4M33BIA

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.

Osnovy 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.

Osnovy 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.

Literatura:

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.

Požadavky:

Základní znalosti z oblasti optimalizace

Poznámka:

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

Webová stránka:

http://cw.felk.cvut.cz/doku.php/courses/ad4m33bia/start

Klíčová slova:

umělé neuronové sítě, evoluční algoritmy, optimalizace

Předmět je zahrnut do těchto studijních plánů:

Plán Obor Role Dop. semestr
MKOI1 Umělá inteligence PO 2
MKEEM1 Technologické systémy V 2
MKEEM5 Ekonomika a řízení elektrotechniky V 2
MKEEM4 Ekonomika a řízení energetiky V 2
MKEEM3 Elektroenergetika V 2
MKEEM2 Elektrické stroje, přístroje a pohony V 2
MKKME1 Bezdrátové komunikace V 2
MKKME5 Komunikační systémy V 2
MKKME4 Sítě elektronických komunikací V 2
MKKME3 Elektronika V 2
MKKME2 Multimediální technika V 2
MVT01N-D Výpočetní technika S2 2
MKKYR4 Letecké a kosmické systémy V 2
MKKYR1 Robotika V 2
MKKYR3 Systémy a řízení V 2
MKKYR2 Senzory a přístrojová technika V 2

Stránka vytvořena 21.1.2021 17:50:30, semestry: Z/2020-1, L/2021-2, L/2020-1, Z/2021-2, připomínky k informační náplni zasílejte správci studijních plánů Návrh a realizace: I. Halaška (K336), J. Novák (K336)
Za obsah odpovídá: doc. Ing. Ivan Jelínek, CSc.