Metody a algoritmy pro simulaci a optimalizaci systémů (FSI-9MAS)

Akademický rok 2019/2020

Garant:	prof. RNDr. Ing. Jiří Šťastný, CSc.
Garantující pracoviště:	ÚAI	všechny předměty garantované tímto pracovištěm
Jazyk výuky:	čeština či angličtina
Cíle předmětu:
Osvojení metod a vybraných prostředků počítačové simulace.
Výstupy studia a kompetence:
Schopnost používat metody a prostředky počítačové simulace.
Prerekvizity:
Základy matematiky včetně diferenciálního a integrálního počtu funkcí jedné a více proměnných a řešení systému diferenciálních rovnic, základy fyziky, mechaniky, elektrotechniky a automatického řízení, zvládnutí základních programovacích technik.
Obsah předmětu (anotace):
Klasifikace prvků a systémů. Metody numerické simulace. Modelování pomocí formálních systémů, konečných automatů a Petriho sítí. Simulační systémy spojité, diskrétní, kombinované a objektově orientované. Metody umělé inteligence v simulaci a optimalizaci. Použití neuronových sítí a evolučních algoritmů pro klasifikaci a predikci.
Metody vyučování:
Předmět je vyučován formou přednášek, které mají charakter výkladu základních principů a teorie dané disciplíny.
Způsob a kritéria hodnocení:
Písemná a ústní zkouška z obsahové náplně kursu.
Vymezení kontrolované výuky a způsob jejího provádění a formy nahrazování zameškané výuky:
Výuka je kontrolována zpracováním projektů.
Typ (způsob) výuky:
Přednáška	10 × 2 hod.	nepovinná
Osnova:
Přednáška	1. Úvod do metod počítačové simulace a optimalizace. 2. Klasifikace prvků a systémů. 3. Metody mumerické simulace. 4. Modelování pomocí formálních systémů. 5. Modelování pomocí konečných automatů a Petriho sítí. 6. Spojité, diskrétní, kombinované a objektově orientované simulační systémy. 7. Metody umělé inteligence v modelování a simulaci. 8. Metody umělé inteligence v optimalizaci a identifikaci. 9. Použití neuronových sítí pro klasifikaci a predikci. 10. Použití evolučních algoritmů pro klasifikaci a predikci.

Literatura - základní:
1. Fishwick, P.: Simulation Model Design and Execution, Building Digital Worlds, Prentice-Hall, 1995
2. Zeigler, B., Praehofer, H., Kim, T.: Theory of Modelling and Simulation, 2nd edition, Academic Press, 2000
3. Norgaard, M.: Neural Networks for Modelling and Control of Dynamic Systems, Springer, 2000
4. Goldberg, D. E.: Genetic Algorithms in Search, Optimization and Machine Learning. Addisson-Wesley Professional,1989
Literatura - doporučená:
1. Ross, S.: Simulation, 3rd edition, Academic Press, 2002
2. Mandic, Danilo P.: Recurrent neural networks for prediction, learning algorithms, architectures and stability, Wiley, Chichester 2001
3. O´Neill, M., Ryan, C.: Grammatical Evolution: Evolutionary automatic programming in an arbitrary language. Kluwer Academic publishers, 2003