ΠΕΡΙΓΡΑΜΜΑ ΜΑΘΗΜΑΤΟΣ

Το μάθημα αποσκοπεί στο να εισάγει τον φοιτητή στην θεωρία και την πρακτική της Εξελικτικής Υπολογιστικής, που αποτελεί ένα νέο αλλά εξελισσόμενο τομέα της Υπολογιστικής Νοημοσύνης, που περικλείει ένα σύνολο από ισχυρά εργαλεία βελτιστοποίησης και αναζήτησης λύσεων σε δύσκολα πραγματικά προβλήματα όπου δεν υπάρχουν αναλυτικές ή άλλες μέθοδοι επίλυσης. Αναλύονται οι αρχές λειτουργίας των εξελικτικών αλγορίθμων, η ιστορία τους και οι διαφορετικές τους μορφές. Περιγράφονται οι αρχές λειτουργίας και η θεωρία των Γενετικών Αλγορίθμων, τα δομικά τους στοιχεία, οι τεχνικές εφαρμογής τους σε πραγματικά προβλήματα (συνεχών παραμέτρων, συνδυαστικά, πολλαπλών στόχων, προβλήματα με περιορισμούς). Αναπτύσσονται ειδικές εφαρμογές των Γ.Α. όπως τα Συστήματα Εκμάθησης Κανόνων, και οι Παράλληλοι Γενετικοί Αλγόριθμοι. Περιγράφονται άλλες εξελικτικές τεχνικές όπως οι Εξελικτικές Στρατηγικές, ο Εξελικτικός Προγραμματισμός, ο Γενετικός Προγραμματισμός, το Εξελισσόμενο Υλικό, η Βελτιστοποίηση Αποικίας Μυρμηγκιών, τα Τεχνητά Ανοσοποιητικά Συστήματα, οι Μεμετικοί Αλγόριθμοι, οι Αλγόριθμοι Κουλτούρας και οι αλγόριθμοι Τεχνητής Ζωής.

• 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.

The course aims at introducing the student to the theory and practice of Evolutionary Computation that comprises a new but developing sector of Computational Intelligence that endorses a large set of powerful tools for search and optimization in difficult real-world problems, where analytical or other deterministic methods do not exist. The course analyzes the operating principles of evolutionary algorithms, their history, and their different types and versions. The course describes the theory and operating principles of Genetic Algorithms, their building blocks, and their implementation techniques for real-world problems that can be of various forms (continuous variable, combinatorial, multi objective and constrained ones). The course analyzes special E.A. implementations such as Learning Classifier Systems and Parallel Genetic Algorithms. Other Evolutionary techniques are also discussed, such as the Evolution Strategies, Evolutionary Programming, Genetic Programming, Evolvable Hardware, Ant Colony Optimization, Artificial Immune Systems, Memetic Algorithms, Cultural Algorithms and Artificial Life algorithms. The course features a Laboratory part, where students systematically build versions of a Genetic Algorithm of increasing completeness, in the ANSI C language, and apply them to benchmark and real world problems.

Συγγράμματα

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.