Rozsáhlá třída úloh řešených nástroji umělé intelligence je převoditelná na NP-těžké optimalizační úlohy. Jde například o problematiku učení umělých neuronových sítí, shlukovou analýzu a dolování dat s využitím směsí distribucí. Předmětem práce bude vývoj nových stochastických heuristik pro optimalizaci v Rn, které by byly vhodné pro hledání globálního minima spojitých funkcí na pravoúhlých oblastech. Zvláštní důraz bude kladen na využití modelu anomální difuze ke konstrukci Lévyho letů a jejich zakomponování do zmíněných heuristik. Předpokladem je zájem o matematické modelování, optimalizaci a schopnost realizace obecných nástrojů v prostředí MATLABu.
Literatura:
- Tvrdik, J., Krivy, I. (2015). Hybrid Differential Evolution Algorithm for Optimal Clustering, Applied Soft Computing, 35, 502-512.
- Samorodnitsky, G.; Taqqu, M.S. (1994). Stable Non-Gaussian Random Processes: Stochastic Models with Infinite Variance, CRC Press.
- Garoni, T. M.; Frankel, N. E. (2002). Lévy Flights: Exact Results and Asymptotics beyond All Orders, Journal of Mathematical Physics, 43 (5): 2670–2689.
- Cheung, N. J.; Ding, X.; Shen, H. (2016). A Nonhomogeneous Cuckoo Search Algorithm Based on Quantum Mechanism for Real Parameter Optimization, IEEE Transactions on Cybernetics, 47 (2): 391–402.
Školitel