MPŠ
MPŠ MP&Scaron MP&Scaron MP&Scaron Avtorji

Mednarodna
podiplomska šola
Jožefa Stefana

Jamova 39
SI-1000 Ljubljana
Slovenija

Tel: (01) 477 31 00
Faks: (01) 477 31 10
E-pošta: info@mps.si

Išči

Opis predmeta

Stohastične optimizacijske metode

Programi:

Informacijske in komunikacijske tehnologije, 2. stopnja

Sodelavci:

prof. dr. Bogdan Filipič

Cilji:

Cilji predmeta so (a) posredovati temeljna znanja o stohastičnih optimizacijskih metodah, (b) predstaviti vrste stohastičnih optimizacijskih algoritmov ter njihove prednosti in slabosti, (c) predstaviti metodologijo vrednotenja rezultatov stohastičnih optimizacijskih algoritmov in njihovega prilagajanja za reševanje specifičnih vrst problemov, (d) pokazati njihovo praktično uporabnost.

Študenti, ki bodo uspešno končali ta predmet, bodo obvladali osnove stohastične optimizacije in bodo usposobljeni za uporabo stohastičnih algoritmov v reševanju zahtevnih optimizacijskih problemov in spremljanje nadaljnjega razvoja na tem področju.

Vsebina:

Uvod:
Optimizacija, optimizacijski problemi, dualnost minimizacije in maksimizacije. Vrste optimizacije: eksaktna in stohastična, analitična in empirična, zvezna in diskretna, statična in dinamična ter enokriterijska in večkriterijska. Optimizacija na osnovi numeričnih modelov. Primeri optimizacijskih problemov in vzroki za njihovo zahtevnost.

Stohastična optimizacija:
Stohastičnost podatkov in optimizacijskih postopkov, motivacija za stohastično optimizacijo, prednosti in slabosti stohastičnih optimizacijskih metod. Enostavni stohastični metodi: naključno preiskovanje in lokalna optimizacija.

Stohastični optimizacijski algoritmi:
Simulirano ohlajanje. Evolucijski algoritmi: genetski algoritmi, evolucijske strategije, evolucijsko programiranje, genetsko programiranje in diferencialna evolucija. Iskanje s tabuji, optimizacija z roji delcev, optimizacija s kolonijami mravelj. Lastnosti in primerjava algoritmov, primeri uporabe.

Vrednotenje rezultatov:
Statistična analiza rezultatov stohastičnih algoritmov, mere učinkovitosti in predstavljanje rezultatov.
Razlike med načrtovalskimi in rutinskimi problemi ter testnimi in realnimi problemi.

Uporabni vidiki:
Nastavljanje vrednosti parametrov stohastičnih optimizacijskih algoritmov, hibridizacija algoritmov, večkriterijsko optimiranje in optimiranje s subjektivnim vrednotenjem rešitev. Značilna področja uporabe in študije praktičnih primerov iz načrtovanja in modeliranja, analize empiričnih podatkov, časovnega razporejanja opravil in upravljanja z viri.

Temeljna literatura in viri:

Izbrana poglavja iz naslednjih knjig:

• A. E. Eiben, and J. E. Smith. Introduction to Evolutionary Computing, 2nd edition. Springer, 2015. ISBN 978-3-662-44873-1
• A. Kaveh. Advances in Metaheuristic Algorithms for Optimal Design of Structures. Springer, 2014. ISBN 978-3-319-05548-0
• F. Neumann, and C. Witt. Bioinspired Computation in Combinatorial Optimization. Springer, 2010. ISBN 978-3-642-16543-6
• G. Rozenberg, Th. Bäck, and J. N. Kok (Eds.). Handbook of Natural Computing. Springer, 2012. ISBN 978-3-540-92909-3
• E.-G. Talbi. Metaheuristics: From Design to Implementation. Wiley, 2009. ISBN 978-0-470-27858-1

Izbrane reference nosilca:

• T. Tušar, and B. Filipič. “Visualization of Pareto front approximations in evolutionary multiobjective optimization: A critical review and the prosection method.” IEEE Transactions on Evolutionary Computation, vol. 19, no. 2, pp. 225-245, 2015.
• M. Mlakar, D. Petelin, T. Tušar, and B. Filipič. “GP-DEMO: Differential evolution for multiobjective optimization based on Gaussian process models.” European Journal of Operational Research, vol. 243, no. 2, pp. 347-361, 2015.
• E. Dovgan, M. Javorski, T. Tušar, M. Gams, and B. Filipič. “Discovering driving strategies with a multiobjective optimization algorithm.” Applied Soft Computing, vol. 16, no. 1, pp. 50-62, 2014.
• M. Depolli, R. Trobec, and B. Filipič. “Asynchronous master-slave parallelization of differential evolution for multiobjective optimization.” Evolutionary Computation, vol. 21, no. 2, pp. 261-291, 2013.
• P. Korošec, J. Šilc, and B. Filipič. “The differential ant-stigmergy algorithm.” Information Sciences, vol. 192, no. 1, pp. 82-97, 2012.

Načini preverjanja znanja:

Seminarska naloga (50%)
Pisni ali ustni izpit (50%)

Obveznosti študentov:

Seminarska naloga, pisni ali ustni izpit.

Zunanje povezave: