Εξελικτική Υπολογιστική

General

• Code: ΠΛΕ09033
• Semester: 9th
• Study Level: Undergraduate
• Course type: Specialization
• Teaching and exams language: Ελληνικά
• The course is offered to Erasmus students
• ECTS Units: 5
• Course homepage: ftp://teiser.gr/pliroforiki/Ekseliktikh_Ypologistikh/
• Instructors: Kazarlis Spyridon
• Coordinator: Kazarlis Spyridon
• Class Schedule:
  • Wed 10:00 - 13:00: Θ (CAD/CAM)
  • Wed 13:00 - 14:00: Ε (CAD/CAM)

Course Contents

• Επιστημονική ταξινόμηση της Εξελ.Υπολ., Υπολογιστική Ευφυία, Εισαγωγή στις αρχές της Εξελικτικικής Υπολογιστικής, ιστορική εξέλιξη, διαφορετικές μορφές αλγορίθμων, στόχοι και πεδίο εφαρμογής,
• Οι Γενετικοί Αλγόριθμοι, αρχές λειτουργίας, αντιστοιχία με τα βιολογικά συστήματα, συνάρτηση ποιότητας, κωδικοποίηση των λύσεων – είδη κωδικοποίησης, αλγόριθμοι επιλογής γονέων, βασικοί γενετικοί τελεστές (ανασυνδυασμός – crossover, μετάλλαξη – mutation), άλλοι γενετικοί τελεστές, συνδυαστικοί τελεστές, αναπαραγωγή λύσεων – παραγωγή πληθυσμού απογόνων, κριτηρια τερματισμού – σύγκλισης, άλλες τεχνικές (ελιτισμός, κλιμάκωση ποιότητας, προσαρμογή τελεστών, τελεστές αναρρίχησης, υβριδικά σχήματα, περιορισμοί ζευγαρώματος, ενίσχυση διασποράς),
• Θεωρία σχημάτων, Εσωτερικός Παραλληλισμός, Θεωρήματα σύγκλισης, Εφαρμογή Γ.Α σε προβλήματα με περιορισμούς, μέθοδοι αντιμετώπισης περιορισμών, Εφαρμογή σε Δυναμικά Προβλήματα Βελτιστοποίησης, Εφαρμογές Γενετικών Αλγορίθμων (προβλήματα συνεχών παραμέτρων – συνδυαστικά προβλήματα), Βελτιστοποίηση Πολλαπλών Στόχων, Μικρογενετικοί Αλγόριθμοι, Μεμετικοί Αλγόριθμοι.
• Συστήματα εκμάθησης κανόνων (GBML – Classifier Systems), αρχές λειτουργίας, ανιχνευτές και δράστες (detectors-effectors), αναπαράσταση κανόνων, αλγόριθμοι εκμάθησης κανόνων (Bucket Brigade Algorithm), Αντιστοιχία με Νευρωνικά Δίκτυα, Εφαρμογές Σ.Ε.Κ.
• Παράλληλοι Γενετικοί Αλγόριθμοι, Μοντέλα Π.Γ.Α., Μοντέλο Χαμηλής Ανάλυσης, Μοντέλο Υψηλής Ανάλυσης, Υβριδικά Μοντέλα, Μοντέλα διαφορετικών εξελικτικών συμπεριφορών.
• Εξελικτικές Στρατηγικές, αρχές λειτουργίας, κατηγοριοποίηση Ε.Σ., χρήση και αντικατάσταση γονέων, Εφαρμογές Ε.Π.
• Εξελικτικός Προγραμματισμός, αρχές λειτουργίας, κωδικοποίηση πραγματικών αριθμών, πιθανοτική μετάλλαξη σε πραγματικούς, εφαρμογές Ε.Π.
• Γενετικός Προγραμματισμός, αρχές λειτουργίας, κωδικοποίηση λύσεων ιεραρχικής και δενδροειδούς δομής, λύσεις μεταβλητού μήκους, ειδικοί τελεστές ανασυνδυασμού και μετάλλαξης δένδρων, εφαρμογές Γ.Π.
• Εξελισσόμενο Υλικό (Evolutionary Hardware), αρχές λειτουργίας, περιγραφή υλικού – FPGAs, μέθοδοι κωδικοποίσης λύσεων, τελεστές ανασυνδυασμού και μετάλλαξης γράφων, εφαρμογές Ε.Υ.
• Αλγόριθμοι Τεχνητής Ζωής (Artificial Life, Μulti Agent Systems, Ant Colony Optimization, Cultural Algorithms),

Educational Goals

Σκοπός του μαθήματος είναι να εισάγει τον φοιτητή στις βασικές έννοιες …

Με την επιτυχή ολοκλήρωση του μαθήματος ο φοιτητής/τρια θα είναι σε θέση:

• Να αναλύει την…
• Να περιγράφει τις…
• Να κατανοεί το…
• Να συγκρίνει τα…

General Skills

• Αναζήτηση, ανάλυση και σύνθεση δεδομένων και πληροφοριών, με τη χρήση και των απαραίτητων τεχνολογιών
• Ομαδική Εργασία
• Σχεδιασμός και Διαχείριση Έργων
• Προαγωγή της ελεύθερης, δημιουργικής και επαγωγικής σκέψης

Teaching Methods

Θεωρητική από έδρας διδασκαλία με συζήτηση και ενεργή συμμετοχή των φοιτητών. Κατά την διάρκεια του μαθήματος γίνονται παρουσιάσεις σε power point.

Εργαστηριακές Ασκήσεις. Χρήση Η/Υ για ανάπτυξη απλών παραδειγμάτων Εξελικτικών Αλγορίθμων

Use of ICT means

Χρήση ηλεκτρονικών μέσων για την παράδοση των διαλέξεων.

Χρήση Η/Υ για τις εργαστηριακές ασκήσεις. Χρήση εικονικών εργαστηρίων εμβάθυνσης της γνώσης. Υποστήριξη μαθησιακής διαδικασίας μέσω της ηλεκτρονικής πλατφόρμας Moodle (elearning.teicm.gr) Ηλεκτρονικές Ασκήσεις Αυτοαξιολόγησης. Επικοινωνία με φοιτητές μέσω e-mail, της ιστοσελίδας του μαθήματος και RSS feeds.

Teaching Organization

Students Evaluation

Ο τελικός βαθμός του μαθήματος διαμορφώνεται από την επίδοση του φοιτητή στη αξιολόγηση του θεωρητικού μέρους και σε αυτόν μπορεί να έχει συμβολή και η επίδοση στο εργαστηριακό μέρος. Σημειώνεται ότι ο φοιτητής θα πρέπει να έχει παρακολουθήσει επιτυχώς το εργαστηριακό μέρος για να έχει δικαίωμα εξέτασης στο θεωρητικό μέρος.

Ο βαθμός του θεωρητικού μέρους διαμορφώνεται από γραπτή τελική εξέταση .

1.  Η γραπτή τελική εξέταση του θεωρητικού μέρους μπορεί να περιλαμβάνει:
   • Ανάπτυξη θεωρητικών θεμάτων
   • Ερωτήσεις πολλαπλής επιλογής
   • Επίλυση προβλημάτων εφαρμογής των γνώσεων που αποκτήθηκαν.
   • Ερωτήσεις σύντομης απάντησης
   • Συγκριτική αξιολόγηση στοιχείων θεωρίας.
2. Η εξέταση των ασκήσεων του εργαστηρίου περιλαμβάνει:
   • δύο (2) τουλάχιστον ενδιάμεσες αξιολογήσεις της κατανόησης της ύλης και των εργαστηριακών δεξιοτήτων που αποκτήθηκαν μέσω εργαστηριακής εξέτασης ή και εξέτασης ανατεθέντων εργαστηριακών ασκήσεων κατά την οποία γίνεται και χρήση του εργαστηριακού εξοπλισμού ή προσομοιώσεων.

Recommended Bibliography

Συγγράμματα μέσω του συστήματος ΕΥΔΟΞΟΣ

1.  Βιβλίο [68372685]: Υπολογιστική Νοημοσύνη και Εφαρμογές, έκδοση 1η, 2010, Ιωάννης Μπούταλης,Γεώργιος Συρακούλης, Εκδότης ΑΦΟΙ ΠΑΠΑΜΑΡΚΟΥ Ο.Ε

Συγγράμματα που διανέμονται μέσω του Ιδρύματος ή της ηλεκτρονικής σελίδας του μαθήματος

1. Σπύρος Καζαρλής, “Εξελικτική Υπολογιστική”, Επίσημες Σημειώσεις για το θεωρητικό μέρος του μαθήματος «Εξελικτική Υπολογιστική», Σεπτέμβριος 2005.
2. Σπύρος Καζαρλής, “Εξελικτική Υπολογιστική-Εργαστήριο”, Επίσημες Σημειώσεις για το Εργαστηριακό μέρος του μαθήματος «Εξελικτική Υπολογιστική», Σεπτέμβριος 2005.

Συμπληρωματική προτεινόμενη βιβλιογραφία

1. D.E. Goldberg, Genetic Algorithms in Search, Optimization and Machine Learning, AddisonWesley, 1989.
2. L Davis, K De Jong, G Vose, Evolutionary Algorithms, 1999, Springer Verlag,
3. Th. Bäck, Evolutionary Algorithms in Theory and Practice, Oxford University Press, 1996
4. D.B. Fogel, Evolutionary Computation, IEEE Press, 1995
5. L. Davis, The Handbook of Genetic Algorithms, Van Nostrand & Reinhold, 1991