egzaminy z ostatniego roku:
zerowy ,
pierwszy ,
drugi,
trzeci,
wyniki egzaminow
Do zdobycia jest w sumie 100 punktów, w tym 50 punktów w ramach
projektu oraz 50 punktów z egzaminu. Warunkiem z koniecznym
zaliczenia
jest zdobycie w sumie co najmniej 10 punktów z egzaminu i co najmniej
10 punktów z projektu.
Egzamin polega na samodzielnym rozwiązaniu zadań; można na
nim korzystać z własnych notatek i książek, natomiast nie wolno
korzystać z
urządzeń elektronicznych.
Pod warunkiem spełnienia kryteriow opisanych wcześniej, ocena z
przedmiotu jest wystawiana wg poniższej tabeli:
liczba
punktów
|
0-50 |
51-60
|
61-70
|
71-80
|
81-90
|
91-100
|
ocena
|
2
|
3
|
3.5
|
4
|
4.5
|
5
|
tydzień
|
tematyka
|
| 1 |
Informacje o przedmiocie, literatura, klasyfikacja metod
ewolucyjnych. Zadanie minimalizacji funkcji celu. Pojęcie zbioru
dopuszczalnego.
|
2
|
Optymalizacji funkcji wypukłej metodą bisekcji i złotego podziału.
Dwufazowe metody optymalizacji funkcji celu. Gradient funkcji funkcji i metoda
największego spadku. Hesjan funkcji, metody pseudonewtonowskie (zmiennej
metryki). Próbkowanie z rozkładem jednostajnym - interpretacja jako metody
optymalizacji fukcji. Rozkład zmiennej losowej opisującej próbkowanie jako
reprezentacja przypuszczalnego położenia poszukiwanego minimum funkcji.
|
| 3 |
Rozkład próbkowania. Adaptacja rozkładu próbkowania na podstawie
zdobytych informacji o wartościach funkcji celu w punktach dziedziny. Mieszanina
rozkładów jako sposób na kształtowanie rozkładu próbkowania.
Pierwszy algorytm ewolucyjny: reprodukcja proporcjonalna,
mutacja gaussowska, generacyjne zastępowanie. Opis algorytmy
ewolucyjnego za pomocą rozkładu próbkowania
zdefiniowanego jako mieszanina rozkładów normalnych.
Metoda odwrotniości
dystrybuanty i metoda generacji mieszaniny rozkładów normalnych.
|
| 4 |
R jako środowisko analiz statystycznych. Symulacja funkcji nlm -
realizacja metody największego spadku. Symulacja prostego algorytmu
ewolucyjnego - rola zasięgu mutacji (standardowego odchylenia mutacji
gaussowskiej), selekcji, liczności populacji
|
| 5 |
Przykład wykorzystania algorytmu ewolucyjnego do indukcji atrybutów
w zadaniu adnotacji sekwencji DNA.
|
| |
Dynamika rozkładu próbkowania i jej paradoksy:
przemieszczenie maksimow wzgledem maksimow przystosowania,
zamiana maksimow lokalnych i globalnych, "polykanie" maksimow o malej
mierze
zbioru przyciagania przez sasiadujace o wiekszej mierze. Operatory
genetyczne dla binarnej reprezentacji Metody uwzgledniania ograniczen.
Zewnetrzna i wewnetrzna
funkcja kary. Uwzglednianie ograniczen przez algorytm naprawy. Ewolucja
lamarkowska i
darwinowska na przykladzie algorytmow naprawy. |
| |
|
| |
|
|
Precyzja i odporność. Regula 1/5 sukcesów jako metoda adaptacji zasięgu
mutacji. Samoczynna adaptacja zasięgu mutacji poprzez włączenie
macierzy kowariancji do informacji genotypowej. Metoda CMA-ES w
zarysie. Podstawy ewolucji różnicowej - mutacja różnicowa.
|
| |
Analiza genealogii punktów w populacjach. Zbieżność algorytmu
ewolucyjnego. Przewidywanie dynamiki zróżnicowania populacji na
podstawie analizy genealogii. |
|
Równoległe realizacje algorytmów ewolucyjnych. Model wyspowy
i komórkowy. |
|
Metody pokrewne - EDA, optymalizacja rojem cząstek. |
|
|
|
|
|
Podsumowanie przedmiotu, prezentacja wyników projekŧów
|
Tematy projektów
Tematy sa podane na
stronie dr. Biedrzyckiego
Warto poczytac...
O algorytmie CMA-ES można znaleźć wiele informacji
na tej stronie
Jeśli chcecie Państwo pobawić się własną implementacją algorytmu
ewolucyjnego, zachęcam do skorzystania ze środowiska
EASEA.
Środowisko
to umożliwia równoległą symulację AE z użyciem kart graficznych do
których istnieją sterowniki CUDA (przede wszystkim są to karty nVidia).
Obecnie jestem w trakcie rozpoznawania możliwości EASEA i jak na razie
zauważyłem znaczne przyspieszenie obliczeń dla licznych populacji (do
30 razy na karcie geforce 9500 GT)
Implementacja DMEA jest
tutaj
Implementacja CEC2005 w R jest
tutaj