Tárgyfelelős: Dr. Fogarassyné dr. Vathy Ágnes egyetemi docens, Dr. Dulai Tibor egyetemi adjunktus
A tárgy a következő tárgyak ismeretét tételezi fel, azokra épít:
-
Tematika
Az alábbi témakörökkel kapcsolatos ismereteket sajátítják el egyéni képzési tervüket és érdeklődésüket is figyelembe véve a hallgatók:
T1. Lokális keresések, trajektória-alapú algoritmusok és populáció-alapú algoritmusok
A különböző keresési módszerek célja, működése és jellemzői. Lokális keresési módszerek. Trajektória-alapú algoritmusok (pl. tabu keresés, szimulált hűtés) tulajdonságai. Populáció alapú algoritmusok (pl. PSO, hangya-kolónia, evolúciós algoritmusok).
T2. A genetikus algoritmus hatékonyság-növelése
A fejlettebb reprezentációk, genetikus operátorok és stratégiák (pl. keresztezési, mutációs és szelekciós módszerek) alkalmazási lehetőségei és választásának okai. Adaptív genetikus algoritmus: adaptív paraméter- és operátorválasztás. Self-adaptive GA. Hybrid GA: hogyan és mikor integráljuk a GA-t más meta-heurisztikával vagy heurisztikával.
T3. Multi-objective és Constraint Handling GA
A Pareto-front fogalma. Pareto dominancia, fitnesz-hozzárendelési módszerek: pl. NSGA-II, SPEA2. Megszorítások kezelése GA-val: büntetés-alapú megközelítések, javító mechanizmusok. Komplex, illetve ellentmondó célok kezelése.
Az értékelés egy, a fenti témakörökhöz kapcsolódó egyéni projekt feladat kidolgozása alapján történik.
Irodalom
1. David E. Goldberg: Genetic Algorithms in Search, Optimization, and Machine Learning, Addison-Wesley Professional, 1989.
2. K. Deb, A. Pratap, S. Agarwal, T. Meyarivan: A Fast Elitist Non-Dominated Sorting Genetic Algorithm for Multi-Objective Optimization: NSGA-II., IEEE Transactions on Evolutionary Computation, 6(2), pp. 182-197., 2002.