Genetski algoritmi

Sadržaj

Prvi deo: Osnove genetskih algoritama i evolutivnog pretraživanja

Genetski algoritmi predstavljaju oblast računarske inteligencije inspirisanu prirodnom evolucijom, selekcijom, nasleđivanjem i adaptacijom. Prvi deo praktikuma uvodi osnovne pojmove: populaciju, jedinku, hromozom, gen, funkciju prilagođenosti, selekciju, ukrštanje, mutaciju i kriterijume zaustavljanja. Cilj je da se genetski algoritmi razumeju kao praktičan način rešavanja problema optimizacije, pretraživanja i izbora dobrih rešenja u velikom prostoru mogućnosti.

I. Uvod u genetske algoritme

1. Šta su genetski algoritmi – evolucija kao metoda rešavanja problema 2. Prirodna evolucija i računarska inteligencija – inspiracija iz biologije 3. Poreklo genetskih algoritama – od Darvina do optimizacionih metoda 4. Kada se koriste genetski algoritmi – problemi sa mnogo mogućih rešenja 5. Prednosti i ograničenja – snaga evolutivnog pristupa i njegove zamke

II. Populacija, jedinke i predstavljanje rešenja

6. Populacija i jedinke – skup mogućih rešenja koji se razvija kroz generacije 7. Hromozomi i geni – kako se rešenje zapisuje u algoritmu 8. Kodiranje rešenja – binarni, celobrojni, realni i permutacioni zapisi 9. Genotip i fenotip – razlika između zapisa i stvarnog značenja rešenja 10. Inicijalizacija populacije – kako počinje evolutivno pretraživanje

III. Fitness funkcija i evaluacija rešenja

11. Fitness funkcija – kako merimo kvalitet jednog rešenja 12. Ciljna funkcija i ograničenja – šta optimizujemo i pod kojim uslovima 13. Minimizacija i maksimizacija – dva lica optimizacionog problema 14. Kaznene funkcije – kako algoritam uči da izbegava loša rešenja 15. Skaliranje fitness vrednosti – ravnoteža između pritiska selekcije i raznovrsnosti

IV. Selekcija, ukrštanje i mutacija

16. Selekcija – izbor jedinki koje prenose osobine u sledeću generaciju 17. Rulet, turnirska i rang selekcija – različiti načini izbora roditelja 18. Ukrštanje – kombinovanje dobrih osobina dva rešenja 19. Mutacija – mala promena koja čuva raznovrsnost populacije 20. Elitizam – očuvanje najboljih rešenja kroz generacije

Drugi deo: Napredni modeli, podešavanje, primene i praktični projekti

Kada se savlada osnovni ciklus genetskog algoritma, slede pitanja projektovanja, podešavanja i primene u realnim problemima. Drugi deo praktikuma vodi kroz parametre algoritma, konvergenciju, lokalne optimume, raznovrsnost populacije, višekriterijumsku optimizaciju, hibridne pristupe, rad u Pythonu i praktične projekte. Poseban naglasak je na tome kako genetski algoritmi mogu da pomognu u rešavanju problema gde klasične metode postaju prespore, previše krute ili teško primenljive.

V. Ciklus genetskog algoritma i parametri

21. Osnovni ciklus genetskog algoritma – od populacije do nove generacije 22. Veličina populacije – odnos između raznovrsnosti i brzine rada 23. Verovatnoća ukrštanja i mutacije – podešavanje evolutivnog ritma 24. Kriterijumi zaustavljanja – kada algoritam treba da prestane da traži 25. Konvergencija i diverzitet – kako izbeći prerano zaglavljivanje

VI. Tipovi genetskih algoritama i optimizacioni problemi

26. Binarni genetski algoritmi – klasičan pristup sa nulama i jedinicama 27. Realno kodirani genetski algoritmi – optimizacija kontinuiranih vrednosti 28. Permutacioni problemi – rasporedi, redosledi i problem trgovačkog putnika 29. Višekriterijumska optimizacija – kada postoji više dobrih ciljeva 30. Pareto optimalnost – skup rešenja umesto jednog pobednika

VII. Projektovanje, podešavanje i hibridni pristupi

31. Projektovanje genetskog algoritma – od problema do evolutivnog modela 32. Podešavanje parametara – eksperimentisanje, stabilnost i kvalitet rešenja 33. Lokalni optimumi – zašto dobro rešenje nije uvek najbolje rešenje 34. Hibridni genetski algoritmi – kombinovanje evolucije sa drugim metodama 35. Genetski algoritmi i mašinsko učenje – optimizacija modela, osobina i hiperparametara

VIII. Praktičan rad, primene i završni projekat

36. Genetski algoritmi u Pythonu – biblioteke, struktura koda i prvi primeri 37. Primer optimizacije funkcije – traženje najboljeg rešenja korak po korak 38. Primer rasporeda i planiranja – evolutivni pristup složenim kombinacijama 39. Genetski algoritmi u AI sistemima – inteligentno pretraživanje i adaptacija 40. Mini projekat – izrada, testiranje i interpretacija jednog genetskog algoritma

Zaključak: Genetski algoritmi kao put od evolucije do inteligentne optimizacije