Lágy számítási módszerek

A tantárgy angol neve: Soft Computing Methods

Adatlap utolsó módosítása: 2013. július 1.

Budapesti Műszaki és Gazdaságtudományi Egyetem
Villamosmérnöki és Informatikai Kar

Mérnök informatikus szak, MSc képzés   

Autonóm irányító rendszerek és robotok szakirány   

Tantárgykód Szemeszter Követelmények Kredit Tantárgyfélév
VIIIM129 1 2/1/0/v 4  
3. A tantárgyfelelős személy és tanszék Dr. Harmati István,
4. A tantárgy előadója

Dr. Harmati István egyetemi docens

Dr. Vámos Gábor egyetemi adjunktus

5. A tantárgy az alábbi témakörök ismeretére épít Matematika, Szabályozástechnika
6. Előtanulmányi rend
Kötelező:
NEM ( TárgyEredmény( "BMEVIIIMA09" , "jegy" , _ ) >= 2
VAGY
TárgyEredmény("BMEVIIIMA09", "FELVETEL", AktualisFelev()) > 0 )

A fenti forma a Neptun sajátja, ezen technikai okokból nem változtattunk.

A kötelező előtanulmányi rendek grafikus formában itt láthatók.

Ajánlott:
-
7. A tantárgy célkitűzése

A tantárgy célja hogy bemutassa az irányításelméletben és rendszermodellezésben egyre intenzívebben alkalmazott korszerű, lágy számítási technikákon alapuló mesterséges intelligencia módszereket. A módszerek alkalmazását nemlineáris identifikációs és irányítástechnikai tervezési feladatok keretében korszerű eszközök felhasználásával mutatja be.

 

A tantárgyat sikeresen abszolváló hallgatók közre tudnak működni komplex rendszerek modellezésében és irányítási algoritmusainak fejlesztésében és megvalósításában, továbbá általánosabb rendszer-optimalizációs és döntési feladatok megoldásában. Hosszú távon hasznosítható készségekkel rendelkeznek a fuzzy-neurális és genetikus algoritmusok műszaki és nem műszaki (biológiai, közgazdasági) területeken való alkalmazásában és a mesterséges intelligencia módszereket igénylő informatikai rendszerek fejlesztésében és kutatásában.

8. A tantárgy részletes tematikája

13 tényleges oktatási hét: 26 előadási + 13 tantermi gyakorlati óra. A gyakorlatok az elméleti előadás módszereit alkalmazási példák keretében mutatják be. Az előadások tematikája: 

 

  1. Fuzzy-neurális rendszerek alapjainak összefoglaló áttekintése. Fuzzy következtetés, defuzzifikáció, Sugeno-féle fuzzy rendszerek.

 

  1. Fuzzy logikai szabályozó (FLC) blokkvázlata és az egyes egységek funkciói. Fuzzy PID és PD szabályozók. A MacVicar-Whelan metaszabályok. Fuzzy PD szabályozó szabálybázisának felvétele. 

 

  1. Numerikus optimalizálási módszerek  összefoglaló áttekintése. Optimum szükséges analitikus feltétele korlátozások mellett. A probléma megfogalmazása, aktív halmaz, LICQ feltétel, az optimalizálási probléma Lagrange függvénye, Elsőrendű (Karush-Kuhn-Tucker) feltétel.

 

  1. Optimalizálási módszerek. Gradiens, konjugált gradiens és kvázi-Newton technikák. Gradiens számítás neurális hálózatban. Szubtraktív klaszterezés, gradiens számítás adaptív hálózatban, ANFIS.

 

  1. Genetikus algoritmusok felépítése. Lineáris és nemlineáris fitness, szelekció, bináris és real genetikus operátorok, visszahelyettesítési stratégiák. Multipopulációs algoritmus. Szabályozótervezés genetikus algoritmussal.

 

  1. Adaptív fuzzy irányítás. Névleges és felügyelő szabályozó tervezés, indirekt (modellre alapozott) és direkt (modellt nem használó) adaptív irányítás, stabilitásvizsgálat.

 

  1. Adaptív neurális irányítás. Direkt adaptív neurális irányítás teljes állapot-visszacsatolással, adaptív irányítás neurális hálózat alapú megfigyelővel. Esettanulmány: repülőgépirányítás.

 

  1. SVD alapú fuzzy approximáció és szabályozó tervezés. Az algoritmusok felépítése, a matematikai feltételek biztosítása, többváltozós kiterjesztés. Szabályozótervezés SVD-technikával.

 

  1. Optimalizálás és irányítás tervezés evolúciós és bakteriális algoritmusokkal. Az algoritmusok felépítése, fuzzy interpretáció, szabályozótervezés.

 

  1. Rajintelligenciák. Motivációk, közös tulajdonságok. A raj és rajintelligencia definíciója. Fontosabb módszerei. Hangyakolóniák. A globális viselkedés alapja, a mesterséges hangya matematikai modellje. A valódi és mesterséges hangya közötti különbségek. A feromon szerepe. A hangyakolónia alapú optimalizálás metaheurisztikája.

 

  1. Részecskeraj optimalizáció. Motiváció, előnyök, hátrányok. A részecskeraj optimalizálás koncepciója, a részecske felépítése, optimalizálás algoritmusa, a részecske mozgása. A részecskeraj optimalizálás implementációs kérdései, diszkrét algoritmusok és variánsok. 

 

  1. Tanuló algoritmusok.  Egyensúlyt tanuló algoritmusok, legjobb választ tanuló algoritmusok, számítási korlátok. Wolf-algoritmus és módosított változatai, Multiágens rendszerek irányítása tanuló algoritmusokkal.

 

  1. Valószínűségi tudásmodellezés Bayes-hálókkal.

 

 

 

9. A tantárgy oktatásának módja (előadás, gyakorlat, laboratórium) A tárgy előadásból és az előadás anyagát illusztráló gyakorlatokból áll.
10. Követelmények 1 zárthelyi a szorgalmi időszakban. Az aláírás feltétele legalább elégséges zárthelyi osztályzat. Eredménye 20% arányban beszámít a vizsgajegybe.
11. Pótlási lehetőségek

A zárthelyi a szorgalmi időszakban vagy a pótlási héten pótolható.

12. Konzultációs lehetőségek Zárthelyi előtti héten hallgatói igény szerint.
13. Jegyzet, tankönyv, felhasználható irodalom

[1] Elektronikus segédanyagok a tanszék oktatási portálján:

edu.iit.bme.hu (regisztráció szükséges)

[2] B. Lantos: Fuzzy systems and genetic algorithms, 2002, Műegyetemi kiadó

14. A tantárgy elvégzéséhez átlagosan szükséges tanulmányi munka
Kontakt óra42
Félévközi készülés órákra15
Felkészülés zárthelyire15
Házi feladat elkészítése 
Kijelölt írásos tananyag elsajátítása 
Vizsgafelkészülés48
Összesen120
15. A tantárgy tematikáját kidolgozta

Dr. Lantos Béla egyetemi tanár 

Dr. Harmati István egyetemi docens

Dr. Vámos Gábor egyetemi adjunktus