Fakulta elektrotechnická

České vysoké učení technické v Praze

ČVUT v Praze

Popis předmětu - AE4M33BIA

Přehled studia | Přehled oborů | Všechny skupiny předmětů | Všechny předměty | Seznam rolí | Vysvětlivky               Návod
AE4M33BIA Bio Inspired Algorithms Rozsah výuky:2+2c
Garanti:  Role:PO,V Jazyk výuky:EN
Vyučující:  Zakončení:Z,ZK
Zodpovědná katedra:13133 Kreditů:6 Semestr:L

Anotace:

The students will learn some of the uncoventional methods of computational intelligence aimed at solving complex tasks of classification, modeling, clustering, search and optimization. Bio-inspired algorithms take advantage of analogies to various phenomena in the nature and society. The main topics of the subject are artificial neural networks and evolutionary algorithms.

Výsledek studentské ankety předmětu je zde: AE4M33BIA

Cíle studia:

The goal of this subject is to acquaint students with unconventional methods of computational intelligence aimed at solving complex tasks of classification, modeling, clustering, search and optimization. The main topics of the subject are artificial neural networks and evolutionary algorithms.

Osnovy přednášek:

1. Introduction -- relations to conventional optimization methods, black-box optimization, randomized search methods.
2. Introduction to artificial neural networks, history, typical tasks and their solutions, types of neural networks learning. Perceptron.
3. Supervised learning -- approximation and classification, local and global units in neural networks. Multi-layered perceptron, RBF networks, GMDH networks.
4. Unsupervised learning -- clustering with neural networks, self-organization, Hebb's rule, Hopfield network, associative memory, ART networks.
5. Kohonen's self-organizing map (SOM), competitive learning, reinforcement learning.
6. Error back-propagation algorithm, universal approximation, Kolmogorov theorem.
7. Temporal sequences processing, recurrent neural networks, Elman network, back-propagation through time.
8. Simple genetic algorithm (SGA) -- history, basic cycle, genetic operators, schema theorem.
9. Evolutionary algorithms with real representation -- evolutionary strategy, crossover operators. Differential evolution (DE).
10. Neuroevolution -- evolutionary techniques for neural network structure learning and parameter tunning. NEAT system.
11. Multiobjective optimization -- dominance principle, Pareto-optimal solutions, multiobjective evolutionary algorithms (NSGA-II, SPEA2).
12. Genetic programming (GP) -- tree representation, initialization, operators, strongly-typed GP, automatically defined functions (ADF).
13. Reserved.

Osnovy cvičení:

1. Seminar organization. Black box neural network (MLP), approximation, classification, local search examples in Matlab.
2. Neural network software, Mathematica, Weka.
3. First assignment introduction (introduction to data).
4. Elaboration of the first assignment.
5. Elaboration of the first assignment.
6. First assignment presentation and evaluation.
7. Second assignment introduction (evolutionary algorithms).
8. Simple genetic algorithm (SGA). Influence of SGA parameters on its behaviour. Examples of evolutionary algorithms in Matlab.
9. Elaboration of the second assignment.
10. Successful applications of evolutionary algorithms.
11. Test.
12. Second assignment hand-in and evaluation.
13. Assignments.

Literatura:

1. Haykin, S.: Neural Networks: A Comprehensive Foundation, 2nd edition, Prentice Hall, 1998
2. Rojas, R.: Neural Networks: A Systematic Introduction, Springer, 1996
3. Michalewicz, Z.: Genetic Algorithms + Data Structures = Evolution Programs, Springer, 1998
4. Michalewicz, Z.: How to solve it? Modern heuristics. 2nd ed. Springer, 2004.

Požadavky:

Basic knowledge of optimization

Webová stránka:

http://cw.felk.cvut.cz/doku.php/courses/ae4m33bia/start

Klíčová slova:

artificial neural networks, evolutionary algorithms, optimization

Předmět je zahrnut do těchto studijních plánů:

Plán Obor Role Dop. semestr
MEKME4 Sítě elektronických komunikací V 2
MEKME5 Komunikační systémy V 2
MEKME3 Elektronika V 2
MEKME2 Multimediální technika V 2
MEKME1 Bezdrátové komunikace V 2
MEOI1 Umělá inteligence PO 2
MEEEM3 Elektroenergetika V 2
MEEEM4 Ekonomika a řízení energetiky V 2
MEEEM5 Ekonomika a řízení elektrotechniky V 2
MEEEM1 Technologické systémy V 2
MEEEM2 Elektrické stroje, přístroje a pohony V 2
MEKYR4 Letecké a kosmické systémy V 2
MEKYR1 Robotika V 2
MEKYR2 Senzory a přístrojová technika V 2
MEKYR3 Systémy a řízení V 2


Stránka vytvořena 23.1.2018 12:47:43, semestry: Z,L/2017-8, Z/2018-9, připomínky k informační náplni zasílejte správci studijních plánů Návrh a realizace: I. Halaška (K336), J. Novák (K336)
Za obsah odpovídá: doc. Ing. Ivan Jelínek, CSc.