OPTPV_20141014 01

Zhrnutie prednášky

Prednáška uzatvára tému bezgradientových metód optimalizácie predstavením Nelder-Meadovej (downhill simplex) metódy. Téma je motivovaná príkladom robota (alebo viacerých robotov), ktorý meria fyzikálnu veličinu (teplotu, koncentráciu, žiarenie) na neznámej funkcii a hľadá jej extrém bez znalosti gradientu. Postupne sa porovnávajú stratégie ako Lúisova-Jacobova metóda, simulované žíhanie a metóda rojenia častíc (particle swarm), pričom sa zdôrazňuje výhoda komunikácie medzi viacerými bodmi na odhad smeru gradientu. Na základe troch agentov tvoriacich trojuholník (simplex) sa demonštruje princíp reflexie najhoršieho bodu smerom k lepším riešeniam, ilustrovaný na Himmelblauovej funkcii. Zdôrazňuje sa, že ide o lokálnu metódu závislú od počiatočného umiestnenia simplexu, s praktickým využitím napríklad pri robotických rybách hľadajúcich najchladnejšie miesto v oceáne.

• - Motivačný príklad: robot hľadá extrém neznámej funkcie meraním veličiny (teplota, radiácia, koncentrácia)
• - Porovnanie gradientových vs. bezgradientových metód – nutnosť bezgradientového prístupu pri neznámej funkcii
• - Predstavenie Lúisovej-Jacobovej metódy a simulovaného žíhania (temperature ako riadiaci parameter)
• - Metóda rojenia častíc (particle swarm) – viacero bodov bez nutnej komunikácie
• - Princíp Nelder-Meadovej (downhill simplex) metódy – reflexia najhoršieho vrcholu simplexu smerom k lepšiemu riešeniu
• - Simplex má o jeden vrchol viac než je dimenzia priestoru (v 2D trojuholník)
• - Ilustrácia na Himmelblauovej funkcii a praktická aplikácia u robotických rýb hľadajúcich najchladnejšie miesto
• - Metóda je lokálna – výsledok závisí od počiatočnej voľby simplexu

Zhrnutie pripravené s pomocou AI z prepisu videa.