Genetické algoritmy — praktické aplikace

Zdroj: raw/ipmrk/ga-vyuziti.md | Kurz: IpmrK

Shrnutí

Navazuje na teorii GA a ukazuje konkrétní oblasti nasazení genetických algoritmů. Společný jmenovatel: velký prostor řešení, kde analytické řešení je nepraktické.

Hlavní aplikace

Minimalizace nákladů / maximalizace zisku — nastavení výroby, rozdělení zdrojů, portfolio aktivit.
Aproximace měřených dat — hledání nejlepších parametrů funkce (lineární, kvadratická) minimalizací chyby.
Minimalizace času výroby — optimální pořadí operací, přiřazení úkolů ke strojům, harmonogram.
Cutting plan — řezání materiálu (trubky, plechy) s minimálním odpadem.
Knapsack problem — výběr položek do omezené kapacity s maximální hodnotou. Binární kódování: 1 = vybrána, 0 = ne. Aplikace: investice při omezeném kapitálu, výběr projektů.
Obchodní cestující (TSP) — nejkratší trasa přes všechna města. Prakticky: logistika rozvozu, kurýrní služby, plánování tras.
Predikce časových řad — GA neprediukje přímo, ale optimalizuje parametry predikčního modelu / obchodní strategie. Aplikace: kapitálové trhy, indexy, akcie, komodity, měnové kurzy.
Klastrování — segmentace klientů, firem, regionů do skupin podle podobnosti.

Dva typy úloh

Přímá optimalizace — minimum nákladů, času, odpadu; maximum zisku
Parametrická optimalizace modelu — nejlepší parametry aproximace, nejlepší nastavení predikčního systému

Zkouškové shrnutí

Genetické algoritmy se prakticky používají všude tam, kde je třeba z mnoha možných variant najít co nejlepší řešení, zejména při optimalizaci nákladů, tras, výroby, parametrů modelů, predikcí a klastrování.

Souvislosti

Genetické algoritmy — hlavní téma
Genetické algoritmy — teorie — předchozí přednáška
Predikce — jedna z klíčových aplikací
Optimalizace — obecnější kontext