K nejrychleji se rozvíjejícím
informačním technologiím patří od první poloviny 90. let tzv. data mining
("vytěžování dat"). Pod tímto názvem se skrývají metody umožňující z
nepřehledné spousty primárních dat, s níž se dnes setkáváme prakticky všude,
extrahovat modely, jež jsou abstrakcemi znalostí v datech latentně
obsažených. Jednou z oblastí, v nichž se znalosti extrahované
z dat stále více využívají, je optimalizace. Nejznámějšími příklady
používání data miningu pro zlepšení optimalizace je používání Gaussovských
procesů v bayesovské optimalizaci a používání řady regresních modelů jako
náhradních modelů v nákladné black-box optimalizaci. Oba tyto přístupy se
ale používají především pro tradiční jednokriteriální optimalizaci. Pro
podstatně složitější vícekriteriální optimalizaci se znalosti extrahované
z dat metodami data miningu začaly využívat teprve v posledním
desetiletí. Příspěvkem k využívání metod data miningu v této oblasti,
konkrétně ve vícekriteriální evoluční optimalizaci, by měla být i tato
diplomová práce.
Student si k
tomuto rámcovému tématu může vybrat z několika konkrétních diplomových
prací podle toho, zda ho nejvíce zajímají metody data mining nebo evoluční
algoritmy a evoluční optimalizace nebo konečně vícekriteriální optimalizace.
·
S. Bandaru, A.H.C. Ng, K. Deb. Data mining methods for knowledge discovery
in multi-objective optimization: Part B - New developments and applications.
Expert Systems with Applications, 70:2017, 119–138.
·
Karlsson, S. Bandaru, A.H.C. Ng. Online Knowledge Extraction and Preference
Guided Multi-Objective Optimization in Manufacturing. IEEE Access, 9:2021,
145382–145396.
·
S. Mittal, D.K. Saxena, k. Deb, E.D. Goodman. A Learning-based Innovized
Progress Operator for Faster Convergence in Evolutionary Multi-objective
Optimization. ACM Transactions on Evolutionary Learning and Optimization,
2:2021, 1:1–1:29.
·
H. Smedberg, S. Bandaru. Finding influential variables in multi-objective
optimization problems. In: IEEE Symposium on Computational Intelligence,
173–180, 2020.
·
H. Smedberg, S. Bandaru. A Modular Knowledge-Driven Mutation Operatorfor
Reference-Point Based Evolutionary Algorithms. In World Congress on
Computational Intelligence, paper no. 1886, 2022.