A0M33EOA: Evoluční optimalizační algoritmy

Podobné dokumenty
Genetické algoritmy. Informační a komunikační technologie ve zdravotnictví

Genetické programování

Projekční algoritmus. Urychlení evolučních algoritmů pomocí regresních stromů a jejich zobecnění. Jan Klíma

Evoluční výpočetní techniky (EVT)

Jak se matematika poučila v biologii

Navrženy v 60. letech jako experimentální optimalizační metoda. Velice rychlá s dobrou podporou teorie

Gramatická evoluce a softwarový projekt AGE

Biologicky inspirované výpočty. Schématické rozdělení problematiky a výuky

Evoluční algoritmy. Podmínka zastavení počet iterací kvalita nejlepšího jedince v populaci změna kvality nejlepšího jedince mezi iteracemi

Zadání a řešení testu z matematiky a zpráva o výsledcích přijímacího řízení do magisterského navazujícího studia od podzimu 2016

1. Úvod do genetických algoritmů (GA)

Algoritmy pro spojitou optimalizaci

Statistická analýza dat

PŘEDNÁŠKA 03 OPTIMALIZAČNÍ METODY Optimization methods

ití empirických modelů při i optimalizaci procesu mokré granulace léčivl ková SVK ÚOT

Využití metod strojového učení v bioinformatice David Hoksza

Zadání a řešení testu z matematiky a zpráva o výsledcích přijímacího řízení do magisterského navazujícího studia od jara 2016

SOUBĚŽNÉ UČENÍ V KARTÉZSKÉM GENETICKÉM PROGRAMOVÁNÍ CO-LEARNING IN CARTESIAN GENETIC PROGRAMMING

PRAVDĚPODOBNOST A STATISTIKA

Genetické algoritmy. Vysoká škola ekonomická Praha. Tato prezentace je k dispozici na:

Metaheuristiky s populacemi

5.5 Evoluční algoritmy

GLOBÁLNÍ OPTIMALIZACE S VYUŽITÍM SOFTWARU MATHEMATICA

Profilová část maturitní zkoušky 2017/2018

Stochastické modely Informace k závěrečné zkoušce


Logika a logické programování

KMA Písemná část přijímací zkoušky - MFS 2o16

Obor: Informatika Únor 2006 Okruh: Základy matematiky Otázka: 1. Jméno: Bodů:...

MATEMATIKA+ MAIPD14C0T01 DIDAKTICKÝ TEST. 2.1 Pokyny k otevřeným úlohám. 1 Základní informace k zadání zkoušky. 2.2 Pokyny k uzavřeným úlohám

Profilová část maturitní zkoušky 2013/2014


2.1 Pokyny k otevřeným úlohám. Výsledky pište čitelně do vyznačených bílých polí. 2.2 Pokyny k uzavřeným úlohám

7.[4body] Jedánautonomnísystém. 8.[4 body] Integrál

Zadání projektů k modulu: 1. Základy integrální logistiky

Cvičení Aktivita 1. část 2. část 3. část Ústní Celkem Známka

Programování II. Návrh programu I 2018/19

Genetické algoritmy. a jejich praktické využití. Pavel Šturc. průmyslu, stejně tak je zde uvedeno i několik případů jejich úspěšné implementace.

Masarykova univerzita. Fakulta informatiky. Evoluce pohybu

Cvičná bakalářská zkouška, 1. varianta

Zadání a řešení testu z matematiky a zpráva o výsledcích přijímacího řízení do magisterského navazujícího studia od jara 2017

Určete zákon rozložení náhodné veličiny, která značí součet ok při hodu a) jednou kostkou, b) dvěma kostkami, c) třemi kostkami.

6. Kde v DNA nalézáme rozdíly, zodpovědné za obrovskou diverzitu života?

AKM CVIČENÍ. Opakování maticové algebry. Mějme matice A, B regulární, potom : ( AB) = B A

Zadání a řešení testu z matematiky a zpráva o výsledcích přijímacího řízení do magisterského navazujícího studia od podzimu 2014

Symbolická regrese: Jak získat kvalitní a

Zadání a řešení testu z matematiky a zpráva o výsledcích přijímacího řízení do magisterského navazujícího studia od jara 2014

1. Vlastnosti diskretních a číslicových metod zpracování signálů... 15


Každé dítě bude mít 4 kuličky. Zkouška: (např. sečtením kuliček každého z dětí) = 20.

C# konzole Podíl dvou čísel, podmínka IF

Hardy-Weinbergův zákon - cvičení

PRAVDĚPODOBNOST A STATISTIKA

do magisterské etapy programu ELEKTRONIKA A KOMUNIKACE

Nové směry v evoluční biologii. Jaroslav Flegr Katedra filosofie a dějin přírodních věd Přírodovědecká Fakulta UK Praha

Státnice odborné č. 20

Usuzování za neurčitosti

Genetický polymorfismus

Grammar-based genetic programming

Obecná biologie a genetika B53 volitelný předmět pro 4. ročník

B3B33ALP - Algoritmy a programování - Zkouška z předmětu B3B33ALP. Marek Boháč bohacm11

Matematika I A ukázkový test 1 pro 2014/2015

VYSOKÉ UČENÍ TECHNICKÉ V BRNĚ BRNO UNIVERSITY OF TECHNOLOGY

VYSOKÉ UČENÍ TECHNICKÉ V BRNĚ

1 Nejkratší cesta grafem

Propojení výuky oborů Molekulární a buněčné biologie a Ochrany a tvorby životního prostředí. Reg. č.: CZ.1.07/2.2.00/

E(X) = np D(X) = np(1 p) 1 2p np(1 p) (n + 1)p 1 ˆx (n + 1)p. A 3 (X) =

maticeteorie 1. Matice A je typu 2 4, matice B je typu 4 3. Jakých rozměrů musí být matice X, aby se dala provést

MATEMATIKA ZÁKLADNÍ ÚROVEŇ

PŘEPOČET VÝSLEDKŮ ZÁKLADNÍ A VYŠŠÍ ÚROVNĚ OBTÍŽNOSTI DIDAKTICKÝCH TESTŮ DLE PRAVDĚPODOBNOSTNÍHO MODELU INDEX 11

Princip optimalizačních metod inspirovaných přírodou

Seminář z umělé inteligence. Otakar Trunda

Lekce 04 Řídící struktury

FAKULTA STROJNÍHO INŽENÝRSTVÍ ÚSTAV AUTOMATIZACE A INFORMATIKY

Kompetence komunikativní modul vede žáky k umění vyjadřovat se přiměřeně situaci

SPECIFICKÝCH MIKROPROGRAMOVÝCH ARCHITEKTUR

K možnostem krátkodobé předpovědi úrovně znečištění ovzduší statistickými metodami. Josef Keder

FAKULTA INFORMAČNÍCH TECHNOLOGIÍ

Komplexní čísla, Kombinatorika, pravděpodobnost a statistika, Posloupnosti a řady

Domény. Petr Štěpánek. S využitím materialu Krysztofa R. Apta

Univerzita Pardubice Fakulta ekonomicko-správní. Návrh a realizace systému pro genetické programování Bc. Petr Sotona

1. Převeďte dané číslo do dvojkové, osmičkové a šestnáctkové soustavy: a) b)

odpovědnosti za škodu v pojištění občanských rizik, pojištění odpovědnosti členů

Umělá inteligence aneb co už není sci -fi

MATEMATIKA vyšší úroveň obtížnosti

Michal Wiglasz* 1. Úvod

OTÁZKY K PROCVIČOVÁNÍ PRUŽNOST A PLASTICITA II - DD6

Úvod do teorie her

Teorie (ještě teoretičtější)

DIGITÁLNÍ ARCHIV VZDĚLÁVACÍCH MATERIÁLŮ

Matematika. ochrana životního prostředí analytická chemie chemická technologie Forma vzdělávání:

Maturitní témata. IKT, školní rok 2017/18. 1 Struktura osobního počítače. 2 Operační systém. 3 Uživatelský software.

Dynamické programování UIN009 Efektivní algoritmy 1

Chyby měření 210DPSM

EVOLUČNÍ ALGORITMY A NEURONOVÉ SÍTĚ

Inovace studia molekulární a buněčné biologie reg. č. CZ.1.07/2.2.00/

Kvadratické rovnice (dosazení do vzorce) I

ALGORITMY A DATOVÉ STRUKTURY

KFC/SEM, KFC/SEMA Rovnice, nerovnice

Matematika B101MA1, B101MA2

Transkript:

A0M33EOA: Evoluční optimalizační algoritmy Zkouškový test Pátek 8. února 2011 Vaše jméno: Známka, kterou byste si z předmětu sami dali, a její zdůvodnění: Otázka: 1 2 3 4 5 6 7 8 Celkem Body: 1 3 2 1 4 2 1 1 15 Srážky: Otázka: 9 10 11 12 13 14 15 16 Celkem Body: 2 3 2 1 2 1 2 2 15 Srážky: Informace o testu: Na vypracování testu máte 90 min. Test obsahuje 16 otázek a lze za něj získat 30 bodů. Při testu je povoleno používat pouze psací potřeby. Vše ostatní, zvláště taháky, mobilní telefony, kalkulátory, učebnice, atd. je zakázáno. Pokud otázka vyžaduje delší odpověd, než jen zaškrtnutí správné možnosti (správných možností), je u ní uveden rámeček, kam svou odpověd vepište. Pokud vám rámeček nestačí, pokračujte na prázdném papíru, podepište jej a odevzdejte spolu se zadáním. Bud te struční a pište čitelně. Co nepřečteme, jako kdyby nebylo. Hodně štěstí! Strana 1 z 6 Pokračujte na další stránce...

1 b. 1. Definujte pojem memetický algoritmus. Jaké jsou jeho výhody? 2. Máte nějaký optimalizační problém a dva algoritmy, které jsou schopny jej řešit s různou úspěšností. Chcete zjistit, který z algoritmů je lepší, abyste jej mohli nasadit do praxe. Kolega vám navrhl následující scénář: dáte oběma algoritmům k dispozici stejný počet ohodnocení účelové funkce pro každý běh a provedete 100 běhů s každým. Pro každý běh zaznamenáte kvalitu nejlepšího řešení, které algoritmus v daném běhu našel. Dostanete pro každý algoritmus 100 hodnot. Algoritmy porovnáte na základě průměrné hodnoty kvality řešení. 2 b. (a) Jaké vady vidíte na tomto scénáři? 1 b. (b) Jakou metodu byste použili k vyčíslení pravděpodobnosti, že jsme na základě jednoduchého porovnání průměru nebo mediánu udělali chybu (že lepší je ve skutečnosti ten druhý algoritmus než ten, který jsme vybrali)? 2 b. 3. Co je to epistáze (epistasis)? Uved te příklad a popište, proč v daném konkrétním případě může epistáze vadit. 1 b. 4. Vysvětlete základní princip EA pro optimalizaci učením klasifikačního modelu a rozdíl oproti klasickým EA. 5. Pravděpodobnostní model v algoritmu ECGA: Strana 2 z 6 Pokračujte na další stránce...

Pokračuje otázka č. 5... A0M33EOA: Zkouškový test 11. února 2011 2 b. (a) Jaký pravděpodobnostní model se používá v algoritmu ECGA? Pokuste se vysvětlit jeho strukturu a princip vzorkování. 2 b. (b) Jak se tento pravděpodnostní model učí? Stručně vysvětlete základní princip. 6. Mějme jednoduchý EDA pro numerickou optimalizaci (reprezentace je vektor reálných čísel). Modelem je Gaussova hustota pravděpodobnosti; model se učí metodou maximální věrohodnosti. Algoritmus používá selekci typu truncation a generační náhradovou strategií. 1 b. (a) Jaké je typické chování tohoto jednoduchého algoritmu? Jak se nazývá efekt, ke kterému dochází? 1 b. (b) Jmenujte alespoň 3 metody, jak lze tomuto chování zabránit. 1 b. 7. Co je to tzv. spatially embedded model paralelního genetického algoritmu? V čem je jedinečný proti jiným PGA? Strana 3 z 6 Pokračujte na další stránce...

1 b. 8. Jak funguje 1-populační kompetitivní koevoluce? Uved te příklad využití. 2 b. 9. Formulujte a popište základní tvar fitness funkce s penalizační funkcí. 3 b. 10. Popište algoritmus bezparametrového GA (parameterless GA). Zaměřte se na mechanismus vytváření a rušení populací během výpočtu. 2 b. 11. Uved te princip operátoru Semantic Aware Crossover navrženého pro genetické programování se stromovou reprezentací. Uved te, jaký je smysl použití tohoto operátoru. 1 b. 12. Popište reprezentaci řešení u algoritmu gramatické evoluce (GE) a podrobně popište algoritmus mapování genotypu na fenotyp u GE. Strana 4 z 6 Pokračujte na další stránce...

2 b. 13. Definujte dva hlavní typy tzv. intronů, se kterými se nejčastěji setkáme u genetického programování a uved te příklady. 1 b. 14. Uved te alespoň dvě výhody, které má metoda Probabilistic Tree-Creation oproti metodám GROW a FULL. 2 b. 15. Uved te alespoň čtyři výhody vyplývající z použití automaticky definovaných funkcí v genetickém programování. Strana 5 z 6 Pokračujte na další stránce...

2 b. 16. Uvažujte evoluční algoritmus Gene Expression Programming a následující chromozom s jedním genem Q * + * a * Q a a b a b b a a b kde Q značí funkci mocnina s jedním argumentem a a a b jsou proměnné. Nakreslete strom výrazu reprezentovaného tímto chromozomem. Strana 6 z 6 Konec testu.