Tabela ogłoszeń

Egzamin w sesji jesiennej: 14.09 (sroda) godzina 10-12, sala 223, Gmach Elektroniki. Osoby zainteresowane prosze o wczesniejszy kontakt poczta elektroniczna.

Konsultacje w sesji jesiennej po wczesniejszym umowieniu. Z reguly mozna mnie zastac w pokoju 223 w Gmach Elektroniki w godzinach 10-13 (pn., wt., sr.) lub 14-16 (cz., pt.).

Wyniki egzaminow

Projekt jest wykonywany w zespołach dwuosobowych i jest prowadzony przez mgr. inż. Pawła Zawistowskiego i przeze mnie. Tematy projektów pana Zawistowskiego można znaleźć pod tym adresem, natomiast moje propozycje znajdują się na końcu strony.

Zasady zaliczania

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

Harmonogram przedmiotu

tydzień
 tematyka
23.02 Informacje o przedmiocie, literatura, klasyfikacja metod ewolucyjnych Zadanie minimalizacji funkcji celu. Pojęcie zbioru dopuszczalnego. Metoda najwiekszego spadku. Metody losowe poszukiwania minimum fukcji: a)metoda Monte Carlo - próbkowanie zbioru dopuszczalnego z rozkładem jednostajnym, b)proces błądzenia przypadkowego, c)stochastyczny największy spadek, d)symulowane wyżarzanie. Zasada "tolerancji" (miękkiej selekcji) jako podstawa właściwości globalnych metod iteracyjnych optymalizacji.
2.03
Pierwszy algorytm ewolucyjny: reprodukcja proporcjonalna, mutacja gaussowska, generacyjne zastępowanie. Opis algorytmy ewolucyjnego za pomocą rozkładu próbkowania zdefiniowanego jako mieszanina rozkładów normalnych. Tendencje do skupiania się punktów wskutek losowania ze zwracaniem. Metoda odwrotnej dystrybuanty i metoda generacji mieszaniny rozkładów normalnych. Symulacja pierwszego algorytmu ewolucyjnego.
9.03 Przykład wykorzystania algorytmu eowlucyjnego w procesie ekstrakcji parametrów tranzystorów bazującym na modelu tranzystora. Analiza genealogiczna algorytmu ewolucyjnego i powiązania ze zróżnicowaniem populacji. Metody reprodukcji: proporcjonalna (ruletkowa), progowa, rangowa liniowa, turniejowa.
16.03 Nacisk selektywny i jego modyfikacje za pomocą parametrów metod reprodukcji. Analiza teoretyczna różnorodności pierwszego algorytmu ewolucyjnego z wykorzystaniem modelu populacji nieskończonej (szczegóły w tym tekście) dla gaussowskiej funkcji celu. Punctuated equilibria model. Omówienie tematyki projektów.
23.03 Omówienie benchmark'u BBOB. Metody krzyzowania: arytmetyczne, jednopunktowe, równomierne. Wpływ krzyżowania na różnorodność populacji. Porównanie różnorodności populacji uzyskiwanej w wyniku zastosowania reprodukcji turniejowej i progowej. .
30.03 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.
6.04 Wykład odwołany
13.04 Wykład odwołany
20.04
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.
27.04 Analiza genealogii punktów w populacjach. Zbieżność algorytmu ewolucyjnego. Przewidywanie dynamiki zróżnicowania populacji na podstawie analizy genealogii.
4.05
Równoległe realizacje algorytmów ewolucyjnych. Model wyspowy i komórkowy.
11.05
Metody pokrewne - EDA, optymalizacja rojem cząstek.
18.05
 Wykład odwołany
25.05
Wykład odwołany
8.06
Podsumowanie przedmiotu, prezentacja wyników projekŧów

Tematy projektów J. Arabas
  1. AE z selekcją bazującą na różnicy między przystosowaniem średniego osobnika populacji z włączeniem i wyłączeniem ocenianego osobnika (Kamil Słomka, Adrian Słomka, Mateusz Wypysiak)
  2. Badanie ewolucji różnicowej z reprodukcją proporcjonalną(DMEA) pod kątem techniki adaptacji współczynnika skalującego oraz wrażliwosci na historię ewolucji (Krzysztof Głowiński, Piotr Lewandowski)
  3. Ewolucja różnicowa z estymacją macierzy kowariancji populacji lub CMA-ES z ważoną estymacją macierzy kowariancji i wektora średniego - z jakiej próby estymować punkty, jak uwzględniać historię ewolucji (Mai Hoa Pham, Lukasz Szczurek)
  4. Detekcja siodeł poprzez porównanie gaussowskiej aproksymacji funkcji celu oraz oryginalnej funkcji , algorytmem bazowym będzie CMA-ES (Aleksandra Woźniczko i Artur Adamek)
  5. Detekcja siodeł poprzez porównanie gaussowskiej aproksymacji funkcji celu oraz oryginalnej funkcji  dla algorytmu DMEA, próba adaptacji współczynika skalującego F (Tomasz Sitarek,Stanisław Kaźmierczak)
  6. Porównanie CMA-ES oraz DMEA dla dynamicznie zmiennej funkcji celu (Katarzyna Sawicka, Daniel Kłobuszewski)
  7. DMEA w wersji steady-state (Adam Sroka, Damian Ryciak)
  8. Analiza skupień w historii ewolucji i 'wielogatunkowa optymalizacja", DMEA jako algorytm bazowy (Marcin Goss, Krzysztof Stolarz)
  9. Analiza korelacji rangowej jakości punktów i ich rodziców w kolejnych generacjach i badanie związku minimum tej korelacji ze schematem ewolucji zgodnym z modelem punctuated equilibria (Adam Omelczuk+NN)
O algorytmie DMEA można poczytać tutaj
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 CEC2002 w R jest tutaj