Popis tema: genetsko programiranje, evolucijski algoritmi

Teme su poredane od najnovijih prema starijima, no i neke 'starije' teme također se obnavljaju uz nove rezultate. Popis nije konačan, tj. moguće je predložiti i obrađivati temu koja nije među navedenima - ovisno o razini rada (seminar, projekt, završni, diplomski).

Neke od korisnih početnih stranica:

Upravljanje TCS-om (traffic control system) uz pomoć genetskog programiranja

Opis: za upravljanje prometom (rad semafora, ograničenja brzine (variable speed limit), dinamičke trake (dynamic lanes) i slično) provodi se optimizacija na temelju predviđenog toka prometa. No u dinamičkim uvjetima može se upravljati semaforima pomoću pravila, koja na temelju trenutnog stanja, donose odluke o ciklusima semafora. Pravila se mogu evoluirati GP-om (a koristi se i reinforced learning).
primjeri: Learning Traffic Signal Control via Genetic Programming, Evolving Adaptive Traffic Signal Controllers for a Real Scenario Using Genetic Programming with an Epigenetic Mechanism
zadatak: uz pomoć gotovih simulatora prometa (taj dio ne treba implementirati), optimirati ponašanje sustava semafora za skup križanja!

Napredne tehnike simboličke regresije

popis tehnika za implementaciju dostupan je ovdje: https://github.com/cavalab/srbench
Operon: kombinacija "obicnog" GP-a i optimizacije parametara modela uz pomoc algoritma nelinearne optimizacije (https://github.com/heal-research/operon)
MEGP: varijanta simboličke regresije temeljena na GP-u: https://dl.acm.org/doi/abs/10.1145/2576768.2598291; koliko je zaista dobra?
AI-Feynman: novi pristup simboličkoj regresiji koji radi jako dobro: https://github.com/SJ001/AI-Feynman; mozemo li bolje od toga, uz pomoć hibridnog evolucijskog pristupa?

Simbolička regresija za implicitne jednadžbe

Opis: GP-om možemo jednostavno dobiti funkciju oblika f(x,y,...)=..., ali kako dobiti implicitnu jednadžbu koja opisuje sustav? Primjerice, x^2+y^2-1=0
osnovna ideja je opisana ovdje: Symbolic regression of implicit equations, jos detalja ovdje: https://www.creativemachineslab.com/eureqa.html
zadatak: treba implemetirati i po mogućnosti primijeniti na razne oblike regresije (GP, CGP, GEP, AP)
imamo jedan diplomski rad (https://www.bib.irb.hr/1112679), ali treba nastaviti s mogucim novim idejama
drugaciji primjer za usporedbu: https://www.pnas.org/content/113/15/3932

Raspodijeljena simbolicka regresija (i/ili optimizacija)

Opis: imamo vec implementirane razlicite tehnike simb regresije: stablo, CGP, GEP, analytic programming... ideja je povezati ih u raspodijeljeni sustav gdje ce svaka podpopulacija koristiti razliciti prikaz (i mozda razliciti algoritam evolucije), te napraviti operator migracije koji ce omoguciti seljenje genetskog materijala izmedju podpopulacija
pogodno za paralelno izvodjenje na visejzegrenim racunalima!
raspodijeljena populacija obicno ima bolju konvergenciju, a razliciti prikazi omogucuju paralelno istrazivanje razlicitih modela - moguce primijeniti i na "obicnu" optimizaciju vektora realnih vrijednosti
moze se spojiti s prethodnom temom (SRM), koja bi trebala nuditi sucelje

Optimizacija sustava za GPS napade

Opis: GPS spoofing je vrsta napada gdje se GPS prijemnik moze zavarati da 'misli' da je na drugoj lokaciji (otmica vozila npr). Pri tome napadac mora imati nekoliko preduvjeta za uspjesan napad, kao sto je pozicija izvornika laznog GPS signala. U ovom radu pokusali bi metodama optimizacije pronaci 'rjesenje' za napadaca, tj. otkriti ima li napadac mogucnosti napasti neki GPS sustav (vozilo), tako da probamo pronaci pozicije laznih GPS odasiljaca!
prezentacija s opisom sustava
rad s opisom problema (detalji usmeno)
imamo jedan zavrsni rad (https://www.bib.irb.hr/1112668), treba pokusati nadmasiti (dobiti bolja rjesenja!)

Symbolic regression machine (SRM)

Opis: postoji zgodan alat Eureqa (https://en.wikipedia.org/wiki/Eureqa) koji radi simbolicku regresiju, kao nas primjer u ECF-u (http://gp.zemris.fer.hr/ecf/tutorial.html#tree). Ideja je napraviti korisničko sučelje koje omogućuje sličnu funkcionalnost kao Eureqa, a u pozadini zapravo koristi ECF.
imamo jednu staru implementaciju (https://github.com/domagojstankovic/SymReg_Lab), treba nam nova! (po mogucnosti u Pythonu)

ECF klasifikator

Opis: imamo nekoliko klasifikatora (stabla odluke, GP, sada i neuronsku mrežu) koje treba objediniti tako da imaju iste parametre! (ulazni podaci, način ocjene, odabir značajki, strukture mreže itd). Na kraju, ultra korisno bilo bi nakalemiti vizualno sučelje (u bilo čemu) gdje korisnik lako odabere te parametre
linkovi: postojeće implementacije opisane u ovim završnim radovima: http://bib.irb.hr/datoteka/845373.Final_0036475679_41.pdf, http://bib.irb.hr/datoteka/845380.Final_0036478088_41.pdf, treba ujednačiti funkcionalnost!

Novi genotip za ugradnju u ECF

Opis: novi genotip na bazi

https://ieeexplore.ieee.org/abstract/document/9180100

Algoritmi optimizacije za ugradnju u ECF

danas se CMA-ES smatra ponajboljim algoritmom za kontinuiranu optimizaciju: Evolution Strategies, https://en.wikipedia.org/wiki/CMA-ES. Koja inačica algoritma je najbolja?? Želimo isprobati!
još jedan kandidat: Estimation of distribution algorithm
algoritam CONDOR: http://www.applied-mathematics.net/CONDORManual/CONDORManual.html,
dosta algoritama ima ovdje: https://nlopt.readthedocs.io/en/latest/NLopt_Algorithms/
https://www.zhangzk.net/software.html, https://www.pdfo.net/
algoritmi: Bees algorithm, Grammatical evolution, Fish School Search, Ant colony optimization, Firefly algorithm, ...
Bayesova optimizacija: http://link.springer.com/article/10.1007%2Fs101070100290, http://arxiv.org/abs/1404.4261, http://coco.gforge.inria.fr/lib/exe/fetch.php?media=pdf2015:03-cec2015-brockhoff.pdf

Neuroevoucija u dubokom učenju

Kako se evoucijski algoritmi mogu primijeniti u dubokom učenju? Jedan pregled dostupan je ovdje: https://evolution.sigevo.org/issues/HTML/sigevolution-14-1/home.html
Neural Network Pruning by Cooperative Coevolution https://arxiv.org/abs/2204.05639
Deep Evolutionary Learning for Molecular Design https://ieeexplore.ieee.org/document/9756593
Constructing ANFIS With Sparse Data Through Group-Based Rule Interpolation: An Evolutionary Approach https://ieeexplore.ieee.org/document/9316874

Učenje strategija za razne netrivijalne igre ili simulacije za više igrača

Opis: kako uz pomoć GP-a (ili sličnih alata u za strojno učenje i optimizaciju) možemo dobiti strategiju igranja za neke logičke igre? (ili simulacije, kao https://sourceforge.net/projects/torcs/)
simuliranje robota i upravljanje: https://cyberbotics.com/
https://www.aigaming.com/
https://www.battlecode.org/tournaments/eternal-glory/
http://ants.aichallenge.org/
http://www.robocup.org/leagues/24
ostvarenje strategije igranja igara (tipa Rock-Paper-Scissors) uz pomoć genetskog programiranja (ili neka slična igra)

Semantičko genetsko programiranje

Opis: osim po dobroti, programi koje GP evoluira trebali bi se gledati i po ponašanju (semantici) koju pokazuju za zadani problem, i to onda iskoristiti za poboljšanje evolucije
linkovi: http://www.slideshare.net/AlbertoMoraglio/semantic-genetic-programming-tutorial

Razvoj funkcionalnosti programskog okvira za evolucijske algoritme - ECF (Evolutionary Computation Framework)

Opis: razvoj postojećeg programskog okvira za primjenu evolucijskih algoritama
Info: http://ecf.zemris.fer.hr/
podteme:
- Python ekstenzija za korisnike
- višekriterijska optimizacija (predator-prey i drugi algoritmi: http://www.zemris.fer.hr/~yeti/studenti/Seminar_2/2013/Mia_Primorac/)
- support vector machine/regression (SVM/SVR); http://kernelsvm.tripod.com, Wikipedia, kombinacija uz genetski algoritam

Rješavanje problema raspoređivanja GP-om i drugim metodama simboličke regresije

Opis: evolucija strategija raspoređivanja za uporabu u dinamičkim okruženjima; ima puno prethodnih radova i gotovih materijala
osim GP-a, imamo i druge ready to use paradigme (CGP, GEP, AP)

Podteme:

Batch scheduling: umjesto jednog posla rasporedujemo vise poslova istovremeno
- izrada ispitnih primjera
- implementacija jednostavnih heuristika (iz literature)
- implementacija GP-a za taj problem: odabir i oblikovanje terminala i funkcija, evolucija metaheuristike
Koevolucija heuristika raspoređivanja i primjera koje treba rasporediti (natjecateljska koevolucija, "adversarial" learning)
- evolucija s dvije populacije (GP i GA, recimo), jedna populacija evoluira primjere za ucenje, druga na temelju tih primjera pokusava izraditi sto bolja pravila rasporedivanja
- primjenjivo i općenito na bilo koji problem simboličke regresije (zato nam je bitno!), primjerice, natjecanje simboličkih modela i podataka za učenje (active learning)
Implementacija NELLI-GP ensemble learning metode
- primjena na postojeće probleme raspoređivanja, ali i na druge probleme simboličke regresije

(21.07.2022.)