Detail předmětu

Optimalizační metody a umělá inteligence v inženýrských simulacích

FSI-LOM Ak. rok: 2026/2027 Zimní semestr

Optimalizace představuje klíčový prvek v procesu hledání nejlepšího řešení v rámci daného inženýrského problému. Studenti budou podrobně seznámeni s teoretickými základy optimalizace a umělé inteligence a následně se naučí, jak tyto principy aplikovat na konkrétní výpočtové simulace. Kurz obsahuje klasické metody matematického programování, gradientní metody a heuristické přístupy, studium evolučních algoritmů a metody umělé inteligence se zaměřením na umělé neuronové sítě, a to jak klasické vrstvené topologie, tak konvoluční neuronové sítě a zpětnovazební modely.

Jazyk výuky

čeština

Počet kreditů

5

Garant předmětu

doc. Ing. Tomáš Mauder, Ph.D.

Zajišťuje ústav

Energetický ústav

Vstupní znalosti

Znalosti výpočtového modelování a simulačních metod. Základní znalosti matematické analýzy, lineární algebry, pravděpodobnosti, statistiky a numerických metod v rozsahu požadavků inženýrského studia.

Způsob zakončení předmětu a pravidla hodnocení studentů

Studenti zpracují zadanou odbornou tématiku formou semestrálního projektu. Po představení projektu proběhne odborná diskuse k tématu a bude provedeno vyhodnocení.

Učební cíle

Prohloubení teoretických i praktických znalostí a dovedností z oblasti optimalizačních a UI metod a jejich implementace pro počítačové simulační metody.

Prohloubení a rozšíření znalostí programování v jazyce Python.

Použití předmětu ve studijních plánech

Program N-SUE-P: Výpočtové simulace pro udržitelnou energetiku, magisterský navazující, povinný

Program C-AKR-P: Akreditované předměty v CŽV, celoživotní vzdělávání v akr. stud. programu
specializace CZS: Předměty zimního semestru, volitelný

Typ (způsob) výuky

 

Přednáška

26 hod., nepovinná

Vyučující / Lektor

doc. Ing. Petr Koňas, Ph.D.
doc. Ing. Tomáš Mauder, Ph.D.

Osnova


  1. Úvod, význam optimalizace, základní pojmy

  2. Lineární, nelineární, stochastické, celočíselné programování

  3. Heuristické metody, gradientní, evoluční, hejnové, modely lidského uvažování

  4. Umělá inteligence – úvod, prohledávání stavového prostoru

  5. Metody strojového učení, základní úlohy (regresní úloha, klasifikační úloha)

  6. Umělé neuronové sítě – neuron, topologie, aktivační funkce

  7. Umělé neuronové sítě – algoritmus učení

  8. Konvoluční neuronové sítě

  9. Zpětnovazební neuronové sítě

Cvičení s počítačovou podporou

26 hod., povinná

Vyučující / Lektor

doc. Ing. Petr Koňas, Ph.D.
doc. Ing. Tomáš Mauder, Ph.D.

Osnova


  1. Lineární programování v jazyce Python (Matlab)

  2. Heuristické metody v jazyce Python (Matlab)

  3. Umělá inteligence v jazyce Python (Matlab)

  4. Propojení optimalizačních algoritmů v Pythonu s výpočtovou simulací

  5. Metody strojového učení s využitím Matlabu (deep learning toolbox)

  6. Metody strojového učení s využitím frameworku Tensorflow (Python)