
Optimizacijski algoritmi temeljeni na evolucijskom računanju
- Predavanje 15
- Vježbe 30
- Samostalni rad 105
Naziv predmeta
Optimizacijski algoritmi temeljeni na evolucijskom računanju
Oznaka predmeta
21-02-544
Semestar
3
ECTS
5
Nastavnici i suradnici
Sadržaj i cilj
Ovaj modul upoznaje studente s područjem optimizacije, P i NP složenosti, te pruža uvid u algoritme nadahnute evolucijom (geni, evolucijske strategije), ponašanjem životinja (kolonija mrava, roj, pčele) i drugim biološkim ili evolucijskim sustavima (imunološki sustav, sklad).
Ovaj je modul namijenjen studentima koji žele povezati stvarne probleme (problemi usmjeravanja, problemi raspoređivanja itd.) s evolucijskim i soft računarskim rješenjima.
Ovaj modul potiče studente na primjenu teorije u pratkične situacije, posebno kod NP-teških ili potpunih problema koji se uče u ostatku programa. Štoviše, ovaj modul priprema studente za poslove gdje je optimizacija srž poslovnog modela i gdje bi student trebao znati prepoznati vrstu problema te najprikladnije algoritamsko rješenje. Vještine stečene na ovom modulu značajno će doprinijeti razvoju studenta kao profesionalca u odgovarajućim područjima.
Studenti će naučiti:
• O različitim pristupima rješavanja problema optimizacije.
• O različitim evolucijskim računalnim algoritmima.
• Kako stvoriti softversko rješenje koje koristi evolucijske algoritme računanja.
• Kako analizirati rješenja problema optimizacije pomoću statističkih metoda.
Modul se predaje na programskim jezicima Java i Python. Provjera znanja modula temelji se na rješavanju niza manjih praktičnih zadataka u definiranom programskom jeziku i alatu za razvoj softvera te na papiru.
Literatura
Obvezna literatura:
1. Affenzeller, M. et al (2009) Genetic Algorithms and Genetic Programming: Modern Concepts and Practical Applications. London: Chapman and Hall.
2. Dorigo, M. and Stutzle, T. (2004) Ant Colony Optimization. Cambridge: A Bradford Book.
Preporučena literatura:
1. Price, K., Storn, R.M. and Lampinen, J.A. (2014) Differential Evolution: A Practical Approach to Global Optimization. New York City: Springer.
2. Deb, K. (2009) Multi-Objective Optimization Using Evolutionary Algorithms. Hoboken: Wiley.
Minimalni ishodi učenja
- Objasniti različite pristupe rješavanju problema optimizacije.
- Implementirati softversko rješenje s algoritmima evolucijskog računanja.
- Primijeniti algoritme evolucijskog računanja na jednokriterijske probleme optimizacije.
- Analizirati i usporediti rješenja optimizacijskog problema pomoću statističkih metoda.
Željeni ishodi učenja
- Primijeniti različite operatore izbora i analizirati utjecaj parametara algoritma u pretraživanju rješenja.
- Objasniti različite evolucijske operatore i utjecaj parametara u evolucijskom algoritmu.
- Povećati učinkovitost algoritma s dodatnim evolucijskim operatorima i/ili ubrzati evolucijski proces.
- Modelirati i analizirati evolucijski proces kako bi se dobila statističku značajnost.