Metaheurystyki i Obliczenia Inspirowane Biologicznie

Laboratorium

• Harmonogram zajęć
• Zadania i sprawozdania
• Zasady oceniania

Tematyka wykładów (skrypt)

Na egzaminie nie obowiązują następujące rozdziały ze skryptu pdf: 5.12.3–5.12.7, 5.15, 6.

1   Optymalizacja
 1.1   Przeszukiwanie wykorzystujące sąsiedztwo pojedynczego rozwiązania
 1.2   Dobór wartości parametrów; zastosowanie interakcyjne i wsadowe
2   Algorytmy ewolucyjne
 2.1   Podział
 2.2   Algorytmy genetyczne (genetic algorithms)
  2.2.1   Budowa algorytmu i parametry
  2.2.2   Selekcja
  2.2.3   Skalowanie
  2.2.4   Krzyżowanie
  2.2.5   Mutacja
  2.2.6   Podsumowanie parametryzacji AG
  2.2.7   Twierdzenie o schematach
  2.2.8   Problemy zawodne (trudne dla AG) i twierdzenie „No Free Lunch”
  2.2.9   Nieporządny algorytm genetyczny
  2.2.10   Hierarchiczny algorytm genetyczny
  2.2.11   Empiryczna i teoretyczna ocena AG
 2.3   Strategie ewolucyjne (evolutionary strategies)
 2.4   Ewolucja różnicowa (differential evolution)
 2.5   Programowanie ewolucyjne (evolutionary programming)
  2.5.1   Reprezentacja zmiennoprzecinkowa
  2.5.2   Krzyżowanie i mutacja a globalna wypukłość
  2.5.3   Embriogeneza
 2.6   Programowanie genetyczne (genetic programming)
  2.6.1   Regresja symboliczna
  2.6.2   Hiperheurystyki i samo-programujące się algorytmy
 2.7   Mechanizmy inspirowane naturą
  2.7.1   Reprezentacja
  2.7.2   Operatory
  2.7.3   Funkcja celu i logika algorytmu
 2.8   Systemy klasyfikatorowe (CFS/LCS/GBML)
  2.8.1   Input and output interfaces
  2.8.2   Main cycle
  2.8.3   Learning Classifier Systems (LCS)
  2.8.4   Good and bad classifiers
  2.8.5   The need for competition
  2.8.6   Quality of classifiers
  2.8.7   Adaptation by credit assignment
  2.8.8   The Bucket Brigade algorithm
  2.8.9   Adaptation by rule discovery
  2.8.10   Podsumowanie
 2.9   Inne techniki w AE
  2.9.1   Wiele kryteriów
  2.9.2   Wzbogacanie wiedzą
  2.9.3   Sterowanie różnorodnością
  2.9.4   Obsługa ograniczeń
 2.10   Równoległe algorytmy ewolucyjne
 2.11   Jak zrobić skuteczny AE? Na co zwrócić uwagę?
 2.12   Architektury koewolucyjne
  2.12.1   Kooperatywne
  2.12.2   Konkurencyjne
3   Inne techniki optymalizacji inspirowane naturą
 3.1   Algorytmy mrówkowe (AS, ACO) i inteligencja grupowa
 3.2   Algorytm roju cząstek (PSO)
 3.3   Sztuczne systemy odpornościowe (AIS)
 3.4   Algorytmy pszczele (ABC)
 3.5   Algorytmy grawitacyjne (GSA) i elektrostatyczne (CSS)
 3.6   Świetliki, kukułki i szczętki (GSO, FA, CS, KH)
4   Niekonwencjonalne środowiska obliczeniowe
 4.1   Obliczenia molekularne
 4.2   Obliczenia kwantowe
 4.3   Obliczenia na błonach/membranach
5   Sztuczne życie
 5.1   Definicja, metodyka, cele
 5.2   Sztuczne życie a sztuczna inteligencja
 5.3   Czym życie jest, a czym nie jest: definicje życia
 5.4   Zakres badań i zastosowania
 5.5   Evolution
  5.5.1   Fundamental mechanisms
  5.5.2   Teorie: ewolucja, uczenie, symbioza
  5.5.3   Ukierunkowana a nieukierunkowana, ograniczona a nieograniczona
  5.5.4   Krytycznie...
  5.5.5   Artificial life helps understand evolution
 5.6   Modeling plants using L-systems
 5.7   Emergence in Boids
 5.8   Spatio-temporal dynamics in Cellular Automata
 5.9   Spontaneous (and open-ended) evolution in Tierra
 5.10   Directed (guided) evolution and coevolution
  5.10.1   Karl Sims – virtual creatures
  5.10.2   Coevolution of pursuit and evasion
  5.10.3   Optymalizacja konstrukcji (Evolutionary design)
  5.10.4   Building brains
  5.10.5   Building brains and bodies
 5.11   Współczesne „symulatory fizyki”
  5.11.1   Framsticks
 5.12   Agent i środowisko
  5.12.1   Complex Adaptive Systems (CAS), Multi-Agent Systems (MAS)
  5.12.2   Model Lotki–Volterry
  5.12.3   Sensor evolution
  5.12.4   Osadzenie jako miara współzależności
  5.12.5   Robotyka: hierarchia warstw sterowania
  5.12.6   Poziom autonomii
  5.12.7   Cognitive architectures and artificial general intelligence
 5.13   Formalne opisy systemu ewoluującego
  5.13.1   Maszyny von Neumanna
  5.13.2   Elementy algorytmu ewolucyjnego jako funkcje
 5.14   Elementy teorii gier i gry ewolucyjne
  5.14.1   Pojęcia podstawowe
  5.14.2   Modele
  5.14.3   Strategie zachowań społecznych i dylematy społeczne
 5.15   Modele życia biologicznego – wybrane przykłady
  5.15.1   Badanie prawa Herrnsteina
  5.15.2   Badanie wczesnych etapów ewolucji systemów nerwowych
  5.15.3   Badanie powstawania specyficznych struktur w systemach nerwowych
  5.15.4   Badanie altruizmu i reguły Hamiltona
  5.15.5   Badanie ewolucji sygnałów seksualnych i zasada upośledzenia
  5.15.6   Analiza społecznego uczenia się
  5.15.7   Badanie dynamiki ekspresji genów
  5.15.8   Analiza heurystyk karmienia młodych
  5.15.9   Analiza ewolucji komunikacji i języków
  5.15.10   Robotyka zbiorowa inspirowana biologią
 5.16   Granice poznawalności
6   Środowisko eksperymentalne – Framsticks (program na lab.)
 6.1   Informacje podstawowe
 6.2   Wizualizacja
 6.3   Fizyka i symulacja
 6.4   Model i genetyka
 6.5   Definicje eksperymentu
 6.6   Pisanie skryptów
 6.7   Przykładowe eksperymenty
  6.7.1   Porównanie reprezentacji genetycznych
  6.7.2   Mierzenie podobieństwa
  6.7.3   Ocenianie symetrii
  6.7.4   Sterowanie rozmyte
  6.7.5   Ewolucja czujników, oko wektorowe i koordynacja wizyjno-ruchowa
  6.7.6   Umysły: semantyka sieci neuronowej i reprezentacje
  6.7.7   Syntetyczna psychologia ewolucyjna, zaawansowane eksperymenty
  6.7.8   Emergencja i samoorganizacja