Przeskocz do głównej zawartości



Katedra Mechaniki i Inżynierii Obliczeniowej
Wydział Mechaniczny Technologiczny, Politechnika Śląska
44-100 Gliwice, ul. Konarskiego 18A
tel. +48 32 2371204   fax. +48 32 2371282

Strona główna
Przedmioty
Pliki do pobrania
Kontakt
  

Skip Navigation Links
Struktura Katedry
Oferta współpracy
LaboratoriaExpand Laboratoria
Nasi absolwenci
Wydarzenia
PracownicyExpand Pracownicy

Dydaktyka
Skip Navigation Links
Prace dyplomowe
Projekty inżynierskie
Specjalności
Przedmioty
Pliki do pobrania
Podręczniki i skrypty
Praktyki studenckie
Koła naukoweExpand Koła naukowe

Działalność
naukowa
Skip Navigation Links
Profil naukowy
Przykłady badańExpand Przykłady badań
Projekty badawcze
Rozprawy doktorskie
Konferencje naukowe

<lipiec 2021>
PnWtŚrCzPtSoN
2829301234
567891011
12131415161718
19202122232425
2627282930311
2345678

Obliczenia ewolucyjne

Kierunek: Automatyka i Robotyka
Specjalność: Modelowanie komputerowe układów i procesów (AB3)
Punkty ECTS: 3
Prowadzący: dr hab. inż. Witold Beluch


Opis przedmiotu

Algorytmy genetyczne (AG) i algorytmy ewolucyjne (AE) w pewnym naśladują naturalne procesy ewolucji, których celem jest maksymalne dopasowanie osobników do istniejących warunków życia. Łączą w sobie ewolucyjną zasadę przeżycia najlepiej przystosowanych osobników z systematyczną, choć zawierającą elementy losowości, wymianą informacji.

AG i AE są algorytmami optymalizacji, często traktowanymi jako „algorytmy ostatniej szansy” – stosuje się je zazwyczaj wówczas, gdy tradycyjne metody optymalizacji, zazwyczaj oparte na obliczeniach gradientu funkcji celu, zawodzą. Proces ewolucyjny zachodzący w populacji osobników odpowiada przeszukiwaniu przestrzeni potencjalnych rozwiązań. Poszukiwanie takie wymaga pogodzenia dwóch sprzecznych celów:

  • skorzystania z najlepszych dotychczas rozwiązań (jak metody analityczne);
  • możliwie szerokiego przeszukania przestrzeni potencjalnych rozwiązań (jak metody enumeracyjne i losowe).

W algorytmach ewolucyjnych i genetycznych korzysta się ze słownictwa zaczerpniętego bezpośrednio z biologii. W procesie ewolucyjnym przetwarzana jest populacja osobników, z których każdy reprezentuje potencjalne rozwiązanie zadania. Początkowa populacja jest tworzona zwykle losowo. Każdy z osobników jest oceniany za pomocą funkcji przystosowania i przypisywana jest mu wartość liczbowa. Przystosowanie osobnika rzutuje na jego prawdopodobieństwo wejścia do populacji pomocniczej w wyniku procesu zwanego selekcją. Wyselekcjonowane (niektóre więcej niż raz, niektóre raz, niektóre wcale) osobniki są następnie poddawane działaniu tzw. operatorów genetycznych/ewolucyjnych, jak krzyżowanie i mutacja. Powoduje powstanie nowych, choć niekoniecznie lepszych rozwiązań. Nowo powstała populacja jest oceniana i proces powtarzany jest aż do spełnienia warunku zatrzymania. Uzyskany w procesie ewolucji najlepszy wynik uważany jest za rozwiązanie zadania optymalizacji.

Do najczęściej stosowanych algorytmów naśladujących procesy zachodzące w naturze należą:

·         programowanie ewolucyjne,

·         algorytmy genetyczne,

·         strategie ewolucyjne,

·         symulowane wyżarzanie,

·         sztuczne sieci neuronowe,

·         algorytmy mrówkowe,

·         algorytmy immunologiczne

·         algorytmy rojowe.

 


Program przedmiotu

  • Wykład: 9 godzin w semestrze
  • Laboratorium: 9 godzin w semestrze

Warunki zaliczenia

1. Zaliczenie na ocenę pozytywną ćwiczeń (warunki podaje prowadzący na zajęciach)

2. Egzamin z wykładu.

 OCENA KOŃCOWA: O=0.5E+0.5L

E - ocena z egzaminu (musi być pozytywna)

L - ocena z ćwiczeń


Tematyka wykładów

  •  Inteligencja obliczeniowa i sztuczna inteligencja, test Turinga. Optymalizacja i metody optymalizacji. Algorytmy genetyczne (AG) – sposób działania.

  • Binarne kodowanie liczb rzeczywistych. Schematy i twierdzenie o schematach. Wpływ operacji genetycznych na schematy. Zbieżność AG.

  • Liczebność populacji. Metody uwzględniania ograniczeń. Kodowanie. Algorytmy ewolucyjne (AE).

  • Metody reprodukcji i sukcesji. Eksploracja i eksploatacja. Ocena działania algorytmu. Kryteria zatrzymania algorytmu. Funkcje testowe. Operatory krzyżowania i mutacji.

  • Optymalizacja wielomodalna. Równoległość w AE. Połączenie AE z metodami lokalnymi. Inne typy AE: Przykłady zastosowań AG i AE.


Literatura

  • L. Rutkowski, Metody i techniki sztucznej inteligencji, Wydawnictwa Naukowe PWN, Warszawa, 2006.

  • J. Arabas, Wykłady z algorytmów ewolucyjnych, WNT, Warszawa, 2001.

  • Z. Michalewicz, Algorytmy genetyczne + struktury danych = programy ewolucyjne, WNT, Warszawa, 1996.


Odnośniki:

·         http://wazniak.mimuw.edu.pl/index.php?title=Sztuczna_inteligencja - wykład dotyczący sztucznej inteligencji

·         http://www.tsp.gatech.edu/ - problem komiwojażera


Do pobrania


 

           webadmin


© Copyright MiIO. Wszelkie prawa zastrzeżone. Wszelkie materiały tekstowe, zdjęciowe, graficzne, dźwiękowe, filmowe zamieszczone na stronach są prawnie chronione i stanowią własność intelektualną MiIO.
Kopiowanie dla celów komercyjnych, dystrybucja, modyfikacja oraz publikacja, bez pisemnej zgody Kierownika Katedry Mechaniki i Inżynierii Obliczeniowej są zabronione.

Zasady wykorzystywania „ciasteczek” (ang. cookies) w serwisach internetowych Politechniki Śląskiej