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 nových
materiálů nejvhodnějších z hlediska určitých vlastností, objevování
nejzajímvějších informací v dostupných datech či další typy
optimalizačních úloh, při nichž lze hodnoty optimalizované funkce získat pouze
empiricky. Tradiční evoluční algoritmy jsou konstruovány s cílem nalezení
globálního optima, kterému v evoluční terminologii odpovídá globální
maximum tzv. fitness funkce. V řadě aplikací však spíše než o jeden jediný
bod s nejvyšší hodnotou fitness jde o oblast, kde je fitness dostatečně
vysoká (např. vyšší než daný práh). Hledání takových oblastí pomocí tradičních
evolučních algoritmů je těžkopádné a zdlouhavé. Proto se od poloviny 90. let
vyvíjejí speciální evoluční algoritmy pro hledání oblastí s vysokou
fitness. V podstatě jsou založeny na postupné fokusaci populace postupným
zvyšováním požadované hodnoty fitness funkce a na odhadování rozdělení
pravděpodobnosti, že jedinec dosáhne alespoň požadovanou hodnotu. Oba kroky
však lze provést různými způsoby, a protože jde o nový typ evolučních
algoritmů, jsou ještě předmětem výzkumu. Dílčím příspěvkem k výzkumu
v oblasti způsobu a rychlosti fokusace by měla být i navržená diplomová
práce.
Student se nejdříve důkladně seznámí s nedůležitějšími typy evolučních algoritmů pro hledání oblastí s vysokou fitness. Na základě teoretického rozboru poznatků získaných z prostudované literatury poté zformuluje hypotézy o tom, jak v jednotlivých z nich fokusace populace ovlivňuje výsledné hodnoty fitness funkce i rychlost konvergence algoritmu k nim. Tyto hypotézy bude ověřovat jednak na specifických testovacích funkcích pro evoluční algoritmy, jednak na datech ze skutečných aplikací, poskytnutých vedoucím práce. Spolu s jednotlivými typy evolučních algoritmů pro hledání oblastí s vysokou fitness bude testovat i dva tradiční typy evolučních algoritmů, po dohodě s vedoucím práce. Všechny testované algoritmy přitom implementuje ve vývojovém prostředí Matlab, s využitím jeho toolboxu Genetic algorithm and direct search. Pokud při teoretickém rozboru či dosavadním průběhu testování dojde k názoru, že by z hlediska výsledné hodnoty fitness funkce či rychlost konvergence mohly být slibné i některé nové modifikace některého či některých z testovaných evolučních algoritmů pro hledání oblastí s vysokou fitness, implementuje a zahrne do testování i tyto modifikace.
·
P.A.N. Bosman. Design and Application of Iterated Density Estimation Evolutionary
Algorithms. Disertace, University of Utrecht, 2003.
· P. Larranaga, J.A. Lozano. Estimation of Distribution Algorithms, Kluwer, 2002. Kapitoly 1– 4, 6 – 8.
· H. Mühlenbein, T. Mahnig, and A. Ochoa. Schemata, Distributions and Graphical Models in Evolutionary Optimization. Journal of Heuristics, 5 (1999), 213–247.
· C.E. Priebe. Adaptive mixtures. Journal of the American Statistical Association, 89 (1994), 796–806.