Mezi oblastmi informatiky, které v
uplynulých 20 letech prodělaly nejrychlejší rozvoj, jsou dvě nápadné inspirací
v biologických vědách - umělé neuronové sítě a evoluční optimalizační
algoritmy. Umělé neuronové sítě jsou distribuované výpočetní systémy
pokoušející se implementovat větší či menší část funkcionality biologických
nervových soustav. Nejstarší druhy těchto systémů byly navrženy právě za účelem
studia a modelování neuronů a nervových soustav živočichů a člověka. K zájmu o
umělé neuronové sítě nicméně přispěly především některé jejich biologicky méně
věrné druhy, které však mají pozoruhodné matematické vlastnosti - např.
schopnost libovolně přesně aproximovat i velmi obecné funkce, či schopnost
nacházet asociace v datech nebo shlukovat data na základě vnitřní podobnosti.
Evoluční optimalizační algoritmy jsou stochastické optimalizační metody, v
nichž při hledání optima cílové funkce hrají podstatnou roli heuristiky
inspirované výběrem nejúspěšnějších jedinců v biologickém vývoji druhů.
Nejvýznamnějším představitelem evolučních algoritmů jsou genetické algoritmy, v
nichž se používají heuristiky inspirované vývojem genotypu. Popularita umělých
neuronových sítí a genetických algoritmů a jejich úspěšnost v aplikacích
přirozeně vedla ke snahám zvýšit přínos obou těchto oblastí jejich
kombinováním. Až téměř do současnosti se však bylo možné setkat pouze s jediným
typem kombinování - genetické algoritmy se používaly k řešení optimalizačních
úloh vyskytujících se při návrhu umělých neuronových sítí, konkrétně pro
hledání nejvhodnější architektury sítě a pro nastavení jejích parametrů (učení
sítě). Teprve v nedávné době se objevily první pokusy využít naopak umělých
neuronových sítí k řízení heuristik, na nichž spočívají genetické algoritmy, a
tím v podsatě k řízení těchto algoritmů. Tento přístup je tudíž teprve ve
stádiu zrodu a veškerý výzkum a prototypové implementace v této oblasti jsou
velmi důležité. Právě takový výzkum a prototypová implementace, pro případ
jednoho konkrétního genetického algoritmu, jsou náplní navrhované diplomové
práce.
A právě takový výzkum, pro případ jednoho konkrétního genetického algoritmu, by
měl být náplní navrhované diplomové práce. Student by se měl nejdříve v rámci
rešeršní práce seznámit se základy umělých neuronových sítí a evolučních,
zejména genetických algoritmů, jakož i s nejdůležitějšími dosavadními pokusy
využít umělých neuronových sítí k řízení evolučních optimalizačních algoritmů.
Poté by se měl seznámit s implementací konkrétního genetického algoritmu
a analyzovat, jakým způsobem by bylo možné využít k řízení tohoto
algoritmu umělých neuronových sítí a o jaký typ sítí by mělo jít. Výsledky své
analýzy by měl ověřit prototypovou implementací patřičného modulu nebo několika
alternativních modulů ve vývojovém prostředí Matlab.
1. J.
Huhse, A. Zell. Evolution strategy with neigborhood attraction - A robust
evolution stratregy. In Proceedings of the Genetic and Evolutionary Computation
Conference GECCO 2001, Morgan Kaufmann, San Francisco, 2001, 1026-1033.
2. J.
Huhse, T. Villmann, P. Merz, A. Zell. Evolution Strategy with Neighborhood
Attraction Using a Neural Gas Approach. In Proceedings of the 7th International
Conference on Parallel Problem Solving from Nature, 2002, Springer, Berlin,
391-400.
3. K.S. Hwang, J.Y. Chiou, Y.P. Hsu. A self-organizing genetic algorithm with
an eugenic strategy. Journal of
Information Science and Engineering, 17: 35-45, 2001.
4. T. Kohonen. Self-Organizing Maps. Springer, Berlin, 2001.
5. M. Ros, M. Pointore, J.R. Chr¢¥etien. Molecular descriptor selection
combining genetic algorithms and fuzzy logic: application to database mining
procedures. Chemometrics and Intelligent Laboratory Systems, 63: 15-26, 2002.