Циљ предмета је да се студенти Докторских студија упознају са основним принципима оптимизације базиране на напредним биолошки инспирисаним техникама вештачке интелигенције, као и да стекну теоријска и практична знања и вештине неопходне за самосталан научно-истраживачки рад у области развоја и примене биолошки инспирисаних алгоритама оптимизације у решавању инжењерских проблема.

Очекивани исходи учења подразумевају да након успешног полагања завршног испита студенти буду оспособљени да: Изврше формулисање и математичко моделирање оптимизационог проблема, уз усвајање одговарајућих критеријума оптимизације и формирање функције циља; Разумеју све фазе неопходне за развој и имплементацију напредних биолошки инспирисаних алгоритама оптимизације са циљем проналажења оптималног решења разматраног проблема минимизирањем/максимизирањем одговарајуће функције циља у зависности од постављених ограничења; Самостално развијају оригиналне кодове у MATLAB програмском окружењу и остваре експерименталну верификацију новоразвијених алгоритама, уз анализу остварених резултата и поређење са тренутним стањем у области истраживања; Самостално реализују научно-истраживачки рад и примене биолошки инспирисане технике вештачке интелигенције у решавању конкретног проблема инжењерске оптимизације.

Увод у биолошки инспирисане алгоритме оптимизације. Проблеми континуалне и дискретне оптимизације. Проблеми комбинаторне оптимизације. NP-hard проблеми. Стохастичка оптимизација. Једнокритеријумска и вишекритеријумска оптимизација. Подела оптимизационих алгоритама. Алгоритам симулираног жарења (енгл. Simulated Annealing – SA). Алгоритам табу претраге (енгл. Tabu Search algorithm – TS). Еволуциони метахеуристички алгоритми: генетички алгоритми (енгл. Genetic Algorithms – GA), еволуционо програмирање (Evolutionary Programming – EP), еволуционе стратегије (енгл. Evolution Strategy – ES), генетичко програмирање (енгл. Genetic Programming – GP). Алгоритми инспирисани интелигенцијом роја честица (енгл. Swarm Intelligence): оптимизација ројем честица (енгл. Particle Swarm Optimization – PSO), оптимизација колонијом мрава (енгл. Ant Colony Optimization – ACO), алгоритам заснован на интелигенцији мраволоваца (енгл. Ant Lion Optimizer – ALO), алгоритам заснован на опонашању колоније пчела (енгл. Bee Colony Optimization – BCO), оптимизација колонијом свитаца (енгл. Firefly Algorithm – FA), алгоритам инспирисан трагањем за храном воћних инсеката (енгл. Fruit fly Optimization Algorithm – FOA), алгоритам заснован на интелигенцији чопора вукова (енгл. Grey Wolf Optimizer – GWO), алгоритам инспирисан интелигенцијом јата китова (енгл. Whale Optimization Algorithm - WOA) и други. Хибридни метахеуристички алгоритми. Теорија хаоса и алгоритми оптимизације – интеграција хаотичних мапа у оптимизационе алгоритме у циљу диверзификације простора могућих решења и спречавања конвергенције алгоритама ка локалном оптимуму. Основни концепти, кодирање/представљање решења, оператори алгоритама, избор и подешавање параметара. Оцена перформанси и упоредна анализа различитих алгоритама оптимизације.

Практична настава подразумева: Истраживање у области биолошки инспирисаних алгоритама оптимизације кроз лабораторијски рад прилагођен научно-истраживачкој области студента и теми докторске дисертације; Писање семинарског рада; Публиковање резултата истраживања.

Превасходно завршен технички факултет, уз основно познавање програмирања у MATLAB програмском окружењу.

Лабораторија за индустријску роботику и вештачку интелигенцију (ROBOTICS&AI) Катедре за производно машинство, Универзитет у Београду - Машински факултет. Софтверски пакет MATLAB.

укупан фонд часова: 65

ново градиво: 30
разрада и примери (рекапитулација): 20

аудиторне вежбе: 0
лабораторијске вежбе: 0
рачунски задаци: 0
семинарски рад: 0
пројекат: 0
консултације: 0
дискусија/радионица: 0
студијски истраживачки рад: 0

преглед и оцена рачунских задатака: 0
преглед и оцена лабораторијских извештаја: 0
преглед и оцена семинарских радова: 10
преглед и оцена пројекта: 0
колоквијум са оцењивањем: 0
тест са оцењивањем: 0
завршни испит: 5

активност у току предавања: 0
тест/колоквијум: 0
лабораторијска вежбања: 0
рачунски задаци: 0
семинарски рад: 70
пројекат: 0
завршни испит: 30
услов за излазак на испит (потребан број поена): 50

Engelbrecht, A.P. (2007). Computational intelligence: an introduction. John Wiley & Sons ; Talbi, E.G. (2009). Metaheuristics: from design to implementation (Vol. 74). John Wiley & Sons; Wahde, M. (2008). Biologically inspired optimization methods: an introduction. WIT press; Yu, X., Gen, M. (2010). Introduction to evolutionary algorithms. Springer Science & Business Media; Yang, X.S. (2010). Engineering optimization: an introduction with metaheuristic applications. John Wiley & Sons;