|
Vyučující
|
-
Burkotová Jana, Mgr. Ph.D.
-
Machalová Jitka, doc. RNDr. Ph.D., MBA
|
|
Obsah předmětu
|
1. Globální optimalizace: - Deterministické metody - Stochastické metody - Heuristiky a metaheuristiky 2. Stochastická optimalizace a robustní optimalizace - Optimalizace a rozhodování za nejistoty 3. Bayesovská optimalizace: - Data driven optimalizace - Surrogate modely, Gaussian process, Kriging 4. Vícekriteriální optimalizace: - Princip dominance, Pareto optimální řešení - Klasické metody - Evoluční algoritmy - Interaktivní metody
|
|
Studijní aktivity a metody výuky
|
|
nespecifikováno
|
|
Výstupy z učení
|
|
|
|
Předpoklady
|
nespecifikováno
|
|
Hodnoticí metody a kritéria
|
nespecifikováno
Zápočet: samostatně vyřešit zadané příklady. Zkouška: rozumět látce a orientovat se v teorii i výpočetních metodách.
|
|
Doporučená literatura
|
-
A. Ben-Tal, L. El Ghaoui, A. Nemirovski. (2009). Robust Optimization. Princeton University Press.
-
F. Archetti. (2019). Bayesian optimization and data science. Springer.
-
J. R. Birge, F. Louveaux. (2011). Introduction to Stochastic Programming. Springer, New York.
-
K. Deb. (2008). Multi-Objective Optimization Using Evolutionary Algorithms. Wiley.
-
K. Miettinen. (1998). Nonlinear Multiobjective Optimization. Springer.
-
M. J. Kochenderfer, T. A. Wheeler. (2019). Algorithms for Optimization. Cambridge, MIT Press.
-
S. Theodoridis. (2020). Machine Learning: A Bayesian and Optimization Perspective. Academic Press.
|