Zadání diplomové práce

Evoluční optimalizační algoritmy a metaučení

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 jsou heuristické, má každý z nich mnoho variant a každá takováto varianta závisí na mnoha parametrech. V ideálním případě bychom měli použít variantu a nastavení jejích parametrů, které budou nejvhodnější pro daný optimalizační problém, nejvhodnější typicky z toho hlediska, že se dostanou do předepsané blízkosti optima v nejnižším počtu iterací nebo z toho hlediska, že se v předepsaném počtu iterací dostanou nejblíže k optimu. Volba nejvhodnější z konečného počtu variant evolučního algoritmu je vlastně klasifikační problém, stejně jako volba nejvhodnější hodnoty nominálního parametru. Podobně volba nejvhodnější hodnoty spojitého parametru je regresní problém a volba nejvhodnější hodnoty ordinálního parametru je problém ordinální regrese. K nalezení nejvhodnějších variant evolučních algoritmů a jejich parametrů v závislosti na příznacích optimalizačního problému lze tudíž použít algoritmy klasifikačního a regresního učení. Tento přístup se označuje jako metaučení a příznakům optimalizačního problému, které slouží jako jeho vstupy, se v souvislosti s ním říká metapříznaky.

Student si k tomuto rámcovému tématu může vybrat z několika konkrétních diplomových prací podle toho, zda ho více zajímají evoluční algoritmy nebo metaučení a hledání metapříznaků a také podle toho, jestli pracuje radši s benchmarkovými nebo reálnými daty.

Doporučená literatura

· P. Kerschke, H.H. Hoos, F. Neumann, H. Trautmann. Automated Algorithm Selection: Survey and Perspectives. Evolutionary Computation, 27:3–45, 2019.

· O. Mersmann, B. Bischl, H. Trautmann, M. Preuss, M., C. Weihs et al. Exploratory landscape analysis. In GECCO 2011, 829–836.

· M.A. Munoz, Y. Sun, M. Kirley, S.K. Halgamuge, S. K. Algorithm selection for black-box continuous optimization problems. Information Sciences, 317:224–245, 2015.

· Z. Pitra, J. Koza, J. Tumpach, M. Holeňa. Landscape Analysis for Surrogate Models in the Evolutionary Black-Box Context. Evolutionary Computation, 30:1–25, 2022.

· B.S. Saini, M. Lopez-Ibanez, K. Miettinen. Automatic surrogate modelling technique selection based on features of optimization problems. GECCO 2019, 1765–1772.