Evoluční algoritmy jsou v posledních 20 letech
jednou z nejúspěšnějších metod pro řešení netradičních optimalizačních
problémů, jako např. hledání nejvhodnějších dokumentů obsahujících požadované
informace, hledání nejvhodnějších materiálů s požadovanými vlastnostmi či
další typy optimalizačních úloh, při nichž lze hodnoty cílové funkce získat
pouze empiricky. Protože evoluční algoritmy pracují pouze s funkčními
hodnotami optimalizované funkce, blíží s k jejímu optimu podstatně
pomaleji než optimalizační metody pro hladké funkce, které využívají rovněž
informace o gradientu optimalizované funkce, případně o jejích druhých
derivacích. Tato vlastnost evolučních algoritmů je zvláště nepříjemná ve
spojení se skutečností, že empirické získání hodnoty optimalizované funkce bývá
obvykle značně nákladné i časově náročné. Evoluční algoritmy však lze podstatně
urychlit tím, že při vyhodnocování funkční hodnoty optimalizované funkce
používají empirickou optimalizovanou funkci jen občas, zatímco většinou
vyhodnocují pouze její dostatečně přesný regresní model. Právě přesnost modelu
určuje, jak úspěšnou náhražkou původní empirické funkce bude. Proto se po
získání každé nové generace bodů, v nichž byla empirická funkce
vyhodnocena, model zpřesňuje opakovaným učením zahrnujícím tyto body. Lze však
jít ještě dále a již při volbě bodů pro empirické vyhodnocení brát kromě
hodnoty empirické funkce také v úvahu, jak při opakovaném učení modelu
přispějí k jeho zpřesnění. Takový přístup se označuje jako aktivní učení.
Používání aktivního učení k urychlení evolučních algoritmů je však teprve
v úplných začátcích a měla by ho podpořit i navržená diplomová práce.
Student si k tomuto rámcovému tématu může
vybrat z několika konkrétních diplomových prací podle toho, zda ho zajímá
spíše aktivní učení nebo spíše evoluční algoritmy a také podle toho, jestli
pracuje radši s benchmarkovými nebo reálnými daty.
· S. Abdullah, J.C. Allwright. An
active learning approach for radial basis function neural networks. Jurnal
Teknologi, 45: 77–96, 2006.
· I. Couckuyt, D. Gorissen, H. Rouhani,
E. Laermans, T. Dhaene. Evolutionary Regression Modeling with Active Learning:
An Application to Rainfall Runoff Modeling. In Adaptive and Natural Computing
Algorithms. Springer, 2009, 548–558.
· D.R. Jones. A taxonomy of global
optimization methods based on response surfaces. Journal of Global
Optimization, 21: 345-383, 2001.
· R.H. Myers, D.C. Montgomery, C.M.
Anderson-Cook. Response Surface Methodology: Proces and Product Optimization
Using Designed Experiment. John Wiley and Sons, 2009.
· M. Sugiyama, N. Rubens. A batch
ensemble approach to active learning with model selection. Neural Networks, 21:
1278–1286, 2008.