Cílem práce bude porovnat adaptivní metody pro učení genetických algoritmů. V teoretické části student popíše existující (případně navrhne vlastní) adaptivní metody pro učení genetických algoritmů (metaučení), v části praktické provede experimenty a vyhodnotí jejich výsledky. Adaptace genetických algoritmů bude realizována pomocí vybraných přístupů (například hybridizace s PSO, algoritmus Bison Seeker apod.). Pro zhodnocení bude hybridní genetický algoritmus aplikován na vybraný standardní optimalizační problém (benchmarkové funkce, TSP, problém N dam apod).
Anotace v angličtině
The aim of the work will be to compare adaptive methods for learning genetic algorithms. In the theoretical part, the student will describe existing (or propose his own) adaptive methods for learning genetic algorithms (meta-learning), in the practical part he will perform experi-ments and evaluate their results. Adaptation of genetic algorithms will be implemented using selected approaches (for example, hybridization with PSO, Bison Seeker algorithm, etc.). For evaluation, the hybrid genetic algorithm will be applied to a selected standard optimization problem (benchmark functions, TSP, N-queens problem etc.).
Klíčová slova
Adaptivní metody, Algoritmus, Optimalizační problém, Genetické učení algoritmů, Optimalizace
Cílem práce bude porovnat adaptivní metody pro učení genetických algoritmů. V teoretické části student popíše existující (případně navrhne vlastní) adaptivní metody pro učení genetických algoritmů (metaučení), v části praktické provede experimenty a vyhodnotí jejich výsledky. Adaptace genetických algoritmů bude realizována pomocí vybraných přístupů (například hybridizace s PSO, algoritmus Bison Seeker apod.). Pro zhodnocení bude hybridní genetický algoritmus aplikován na vybraný standardní optimalizační problém (benchmarkové funkce, TSP, problém N dam apod).
Anotace v angličtině
The aim of the work will be to compare adaptive methods for learning genetic algorithms. In the theoretical part, the student will describe existing (or propose his own) adaptive methods for learning genetic algorithms (meta-learning), in the practical part he will perform experi-ments and evaluate their results. Adaptation of genetic algorithms will be implemented using selected approaches (for example, hybridization with PSO, Bison Seeker algorithm, etc.). For evaluation, the hybrid genetic algorithm will be applied to a selected standard optimization problem (benchmark functions, TSP, N-queens problem etc.).
Klíčová slova
Adaptivní metody, Algoritmus, Optimalizační problém, Genetické učení algoritmů, Optimalizace
Cílem práce bude porovnat adaptivní metody pro učení genetických algoritmů. V teoretické části student popíše existující (případně navrhne vlastní) adaptivní metody pro učení genetických algoritmů (metaučení), v části praktické provede experimenty a vyhodnotí jejich výsledky. Adaptace genetických algoritmů bude realizována pomocí vybraných přístupů (například hybridizace s PSO, algoritmus Bison Seeker apod.). Pro zhodnocení bude hybridní genetický algoritmus aplikován na vybraný standardní optimalizační problém (benchmarkové funkce, TSP, problém N dam apod).
Zásady pro vypracování
Cílem práce bude porovnat adaptivní metody pro učení genetických algoritmů. V teoretické části student popíše existující (případně navrhne vlastní) adaptivní metody pro učení genetických algoritmů (metaučení), v části praktické provede experimenty a vyhodnotí jejich výsledky. Adaptace genetických algoritmů bude realizována pomocí vybraných přístupů (například hybridizace s PSO, algoritmus Bison Seeker apod.). Pro zhodnocení bude hybridní genetický algoritmus aplikován na vybraný standardní optimalizační problém (benchmarkové funkce, TSP, problém N dam apod).
Seznam doporučené literatury
HYNEK, Josef. Genetické algoritmy a genetické programování. Praha: Grada, 2008. Průvodce (Grada). ISBN 978-80-247-2695-3.
MITCHELL, Melanie. An introduction to genetic algorithms. Cambridge, Mass.: MIT Press, c1996. ISBN 978-0262133166.
Harik, G., Lobo, F.: A parameter-less genetic algorithm. Proceedings of the Genetic and Evolutionary Computation Conference (GECCO-99) I (1999) 258?265
GOLDMAN, Brian W. a William F. PUNCH. Parameter-less population pyramid. In: Proceedings of the 2014 conference on Genetic and evolutionary computation - GECCO '14 [online]. New York, New York, USA: ACM Press, 2014, 2014, s. 785-792 [cit. 2018-10-18]. DOI: 10.1145/2576768.2598350. ISBN 9781450326629. Dostupné z: http://dl.acm.org/citation.cfm?doid=2576768.2598350
Seznam doporučené literatury
HYNEK, Josef. Genetické algoritmy a genetické programování. Praha: Grada, 2008. Průvodce (Grada). ISBN 978-80-247-2695-3.
MITCHELL, Melanie. An introduction to genetic algorithms. Cambridge, Mass.: MIT Press, c1996. ISBN 978-0262133166.
Harik, G., Lobo, F.: A parameter-less genetic algorithm. Proceedings of the Genetic and Evolutionary Computation Conference (GECCO-99) I (1999) 258?265
GOLDMAN, Brian W. a William F. PUNCH. Parameter-less population pyramid. In: Proceedings of the 2014 conference on Genetic and evolutionary computation - GECCO '14 [online]. New York, New York, USA: ACM Press, 2014, 2014, s. 785-792 [cit. 2018-10-18]. DOI: 10.1145/2576768.2598350. ISBN 9781450326629. Dostupné z: http://dl.acm.org/citation.cfm?doid=2576768.2598350
Přílohy volně vložené
-
Přílohy vázané v práci
-
Převzato z knihovny
Ne
Plný text práce
Přílohy
Posudek(y) oponenta
Hodnocení vedoucího
Záznam průběhu obhajoby
Obhajoba bakalářské práce proběhla na požadované úrovni. Student výborně reagoval na dotazy a připomínky vedoucího práce i členů komise pro státní závěrečné zkoušky.
Student popsal problematiku genetických algoritmů, adaptivních a hybridních přístupů, lokální optimalizační metody v podobě horolezeckého algoritmu a simulovaného žíhání. Dále se student zabýval aplikací hybridního genetického algoritmu pro řešení problému obchodního cestujícího, návrhem experimentů a vyhodnocením výsledků.
Vedoucí k obhajobě a samotné bakalářské práci nemá žádné zásadní připomínky.