Uvod: optimizacija, optimizacijski problemi, dualnost minimizacije in maksimizacije. Vrste optimizacije: eksaktna in stohastična, analitična in empirična, zvezna in diskretna, statična in dinamična ter enokriterijska in večkriterijska. Optimizacija na osnovi numeričnih modelov. Primeri optimizacijskih problemov in vzroki za njihovo zahtevnost.
Stohastična optimizacija: stohastičnost podatkov in optimizacijskih postopkov, motivacija za stohastično optimizacijo, prednosti in slabosti stohastičnih optimizacijskih metod. Enostavni stohastični metodi: naključno preiskovanje in lokalna optimizacija.
Stohastični optimizacijski algoritmi: simulirano ohlajanje. Evolucijski algoritmi: genetski algoritmi, evolucijske strategije, evolucijsko programiranje, genetsko programiranje in diferencialna evolucija. Iskanje s tabuji, optimizacija z roji delcev, optimizacija s kolonijami mravelj. Lastnosti in primerjava algoritmov, primeri uporabe.
Vrednotenje rezultatov: statistična analiza rezultatov stohastičnih algoritmov, mere učinkovitosti in predstavljanje rezultatov.
Razlike med načrtovalskimi in rutinskimi
problemi ter testnimi in realnimi problemi.
Uporabni vidiki: nastavljanje vrednosti parametrov stohastičnih optimizacijskih algoritmov, hibridizacija algoritmov, večkriterijsko optimiranje in optimiranje s subjektivnim vrednotenjem rešitev. Značilna področja uporabe in študije praktičnih primerov iz načrtovanja in
modeliranja, analize empiričnih podatkov,
časovnega razporejanja opravil in upravljanja z
viri.
Introduction: Optimization, optimization problems, duality of minimization and maximization. Types of optimization: exact and stochastic, analytical and empirical, continuous and discrete, static and dynamic, single-objective and multi-objective. Optimization based on numerical models. Examples of optimization problems and sources of their difficulty.
Stochastic optimization: Stochasticity of data and optimization procedures, motivation for stochastic optimization, advantages and disadvantages of stochastic optimization methods. Simple stochastic methods: random search and local optimization.
Stochastic optimization algorithms: Simulated annealing. Evolutionary algorithms:
genetic algorithms, evolution strategies,
evolutionary programming, genetic programming and differential evolution. Tabu search, particle swarm optimization, ant colony optimization. Characteristics of the algorithms and their comparison, examples of application.
Evaluation of results: Statistical analysis of stochastic algorithm results, performance measures and presentation of results. Differences between design and routine problems, and between synthetic test problems and real-world problems.
Applied aspects: Setting parameter values in stochastic optimization algorithms, hybridization of algorithms, multi-objective optimization and
optimization with subjective evaluation of
solutions. Typical domains of application and
practical case studies from design and modeling,
empirical data analysis, scheduling and resource
management.