Биолошки инспирисани алгоритми оптимизације

ID: 3529
врста предмета: научно-стручни
носилац предмета: Петровић М. Милица
извођачи: Петровић М. Милица
контакт особа: Петровић М. Милица
ниво студија: докторске студије
ЕСПБ: 5
облик завршног испита: презентација семинарског рада

извођења

  • 2. семестар, позиција 2

циљ

Циљ предмета је да се студенти Докторских студија упознају са основним принципима оптимизације базиране на напредним биолошки инспирисаним техникама вештачке интелигенције, као и да стекну теоријска и практична знања и вештине неопходне за самосталан научно-истраживачки рад у области развоја и примене биолошки инспирисаних алгоритама оптимизације у решавању инжењерских проблема.

исход

Очекивани исходи учења подразумевају да након успешног полагања завршног испита студенти буду оспособљени да: Изврше формулисање и математичко моделирање оптимизационог проблема, уз усвајање одговарајућих критеријума оптимизације и формирање функције циља; Разумеју све фазе неопходне за развој и имплементацију напредних биолошки инспирисаних алгоритама оптимизације са циљем проналажења оптималног решења разматраног проблема минимизирањем/максимизирањем одговарајуће функције циља у зависности од постављених ограничења; Самостално развијају оригиналне кодове у MATLAB програмском окружењу и остваре експерименталну верификацију новоразвијених алгоритама, уз анализу остварених резултата и поређење са тренутним стањем у области истраживања; Самостално реализују научно-истраживачки рад и примене биолошки инспирисане технике вештачке интелигенције у решавању конкретног проблема инжењерске оптимизације.

садржај теоријске наставе

Увод у биолошки инспирисане алгоритме оптимизације. Проблеми континуалне и дискретне оптимизације. Проблеми комбинаторне оптимизације. NP-hard проблеми. Метахеуристика. Стохастичка оптимизација. Једнокритеријумска и вишекритеријумска оптимизација. Подела оптимизационих алгоритама. Алгоритам симулираног каљења (Simulated Annealing – SA). Алгоритам табу претраге (Tabu Search algorithm – TS). Еволуциони метахеуристички алгоритми: генетички алгоритми (Genetic Algorithms – GA), еволуционо програмирање (Evolutionary Programming – EP), еволуционе стратегије (Evolution Strategy – ES), генетичко програмирање (Genetic Programming – GP). Алгоритми инспирисани интелигенцијом роја честица (Swarm Intelligence): оптимизација ројем честица (Particle Swarm Optimization – PSO), оптимизација колонијом мрава (Ant Colony Optimization – ACO), алгоритам заснован на интелигенцији мраволоваца (Ant Lion Optimizer – ALO), алгоритам заснован на опонашању колоније пчела (Bee Colony Optimization – BCO), оптимизација колонијом свитаца (Firefly Algorithm – FA), алгоритам инспирисан трагањем за храном воћних инсеката (Fruit fly Optimization Algorithm – FOA), алгоритам заснован на интелигенцији чопора вукова (Grey Wolf Optimizer – GWO), и други. Хибридни метахеуристички алгоритми. Теорија хаоса и алгоритми оптимизације – интеграција хаотичних мапа у оптимизационе алгоритме у циљу диверзификације простора могућих решења и избегавања заробљавања алгоритама у локалном оптимуму. Основни концепти, кодирање/представљање решења, оператори алгоритама, избор и подешавање параметара. Оцена перформанси и упоредна анализа различитих алгоритама оптимизације.

садржај практичне наставе

Практична настава подразумева: Истраживање у области биолошки инспирисаних алгоритама оптимизације кроз лабораторијски рад прилагођен научно-истраживачкој области студента и теми докторске дисертације; Писање семинарског рада; Публиковање резултата истраживања.

услов похађања

Превасходно завршен технички факултет, уз основно познавање програмирања у MATLAB програмском окружењу.

ресурси

Лабораторија за инустријску роботику и вештачку интелигенцију (Robotics & AI) Катедре за производно машинство. Софтверски пакет MATLAB, Лабораторија CeNT, Машински факултет у Београду.

фонд часова

укупан фонд часова: 60

активна настава (теоријска)

ново градиво: 15
разрада и примери (рекапитулација): 5

активна настава (практична)

аудиторне вежбе: 0
лабораторијске вежбе: 10
рачунски задаци: 0
семинарски рад: 5
пројекат: 0
консултације: 0
дискусија/радионица: 0
студијски истраживачки рад: 0

провера знања

преглед и оцена рачунских задатака: 0
преглед и оцена лабораторијских извештаја: 15
преглед и оцена семинарских радова: 5
преглед и оцена пројекта: 0
колоквијум са оцењивањем: 0
тест са оцењивањем: 0
завршни испит: 5

провера знања (укупно 100 поена)

активност у току предавања: 0
тест/колоквијум: 0
лабораторијска вежбања: 0
рачунски задаци: 0
семинарски рад: 70
пројекат: 0
завршни испит: 30
услов за излазак на испит (потребан број поена): 50

литература

[1] Engelbrecht, A.P. Computational intelligence: an introduction. John Wiley & Sons, 2007. ; [2] Talbi, E.G. Metaheuristics: from design to implementation (Vol. 74). John Wiley & Sons, 2009.; [3] Wahde, M. Biologically inspired optimization methods: an introduction. WIT press, 2008.; [4] Yu, X., Gen, M. Introduction to evolutionary algorithms. Springer Science & Business Media, 2010.; [5] Yang, X.S. Engineering optimization: an introduction with metaheuristic applications. John Wiley & Sons, 2010.;