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.
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
|
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
- AE z selekcją bazującą na różnicy między przystosowaniem
średniego osobnika populacji z włączeniem i wyłączeniem ocenianego
osobnika (Kamil Słomka, Adrian Słomka, Mateusz Wypysiak)
- Badanie ewolucji różnicowej z reprodukcją proporcjonalną(DMEA)
pod kątem techniki adaptacji współczynnika skalującego oraz wrażliwosci
na historię ewolucji (Krzysztof Głowiński, Piotr Lewandowski)
- 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)
- Detekcja siodeł poprzez porównanie gaussowskiej aproksymacji
funkcji celu oraz oryginalnej funkcji , algorytmem bazowym będzie
CMA-ES (Aleksandra Woźniczko i Artur Adamek)
- Detekcja siodeł poprzez porównanie gaussowskiej aproksymacji
funkcji celu oraz oryginalnej funkcji dla algorytmu DMEA, próba
adaptacji współczynika skalującego F (Tomasz Sitarek,Stanisław
Kaźmierczak)
- Porównanie CMA-ES oraz DMEA dla dynamicznie zmiennej funkcji
celu (Katarzyna Sawicka, Daniel Kłobuszewski)
- DMEA w wersji steady-state (Adam Sroka, Damian Ryciak)
- Analiza skupień w historii ewolucji i 'wielogatunkowa
optymalizacja", DMEA jako algorytm bazowy (Marcin Goss,
Krzysztof Stolarz)
- 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