Thesis Topics

Below is the list of available Ph.D. thesis topics for international and Czech students within the A.I.Lab.
If you are interested in doing your Ph.D. in A.I.Lab, please contact the supervisor of your chosen topic as soon as possible for details and topic reservations.

Type Lang. Topic Supervisor Advisor
Ph.D. MACHINE LEARNING IN CYBER SECURITY Assoc. Prof. Ing. Zuzana Komínková Oplatková, Ph.D. –
Ph.D. DESIGNING SELF-ORGANIZING COOPERATIVE ROBOTIC SYSTEMS WITH DECENTRALIZED DECISON MAKING Prof. Ing. Roman Šenkeřík, Ph.D. Ing. Michal Pluháček, Ph.D.
Ph.D. EVOLUTIONARY MACHINE LEARNING – TOPIC RESERVED Prof. Ing. Roman Šenkeřík, Ph.D. Assoc. Prof. Ing. Zuzana Komínková Oplatková, Ph.D.
Ph.D. ANALYTIC APPROACH TO EVOLUTIONARY ALGORITHMS Prof. Ing. Roman Šenkeřík, Ph.D. –
Ph.D. FORECASTING CRYPTOCURRENCY VALUE Prof. Ing. Roman Šenkeřík, Ph.D. –
Ph.D. EVOLUTIONARY ALGORITHMS FOR DISCRETE OPTIMALIZATION TASKS Prof. Ing. Roman Šenkeřík, Ph.D. –
Ph.D. DETEKCE VZORŮ V DYNAMICKÝCH DATECH prof. Ing. Roman Šenkeřík, Ph.D. –
Ph.D. INTELIGENTNÍ ENSEMBLE MODELOVÁNÍ prof. Ing. Roman Šenkeřík, Ph.D. –
Ph.D. MODELOVÁNÍ A PREDIKCE DYNAMIKY SOCIÁLNÍCH SÍTÍ prof. Ing. Roman Šenkeřík, Ph.D. –
Ph.D. MODERNÍ STRATEGIE EVOLUČNÍCH ALGORITMŮ PRO ŘEŠENÍ ÚLOH DISKRÉTNÍ OPTIMALIZACE prof. Ing. Roman Šenkeřík, Ph.D. –
Ph.D. PŘEDPOVÍDÁNÍ HODNOTY A POTENCIÁLU KRYPTOMĚN prof. Ing. Roman Šenkeřík, Ph.D. –
Ph.D. EVOLUČNÍ ALGORITMY A STROJOVÉ UČENÍ prof. Ing. Roman Šenkeřík, Ph.D. doc. Ing. Zuzana Komínková Oplatková, Ph.D.
Ph.D. VYUŽITÍ METOD HEJNOVÉ INTELIGENCE V DECENTRALIZOVANÝCH ROBOTICKÝCH SYSTÉMECH prof. Ing. Roman Šenkeřík, Ph.D. Ing. Michal Pluháček, Ph.D.
Ph.D. ANALÝZA POPULAČNÍ DYNAMIKY EVOLUČNÍCH ALGORITMŮ prof. Ing. Roman Šenkeřík, Ph.D. –
Ph.D. VZDÁLENÁ A ROZŠÍŘENÁ REALITA V PRŮMYSLOVÉM PROSTŘEDÍ doc. Ing. Zuzana Komínková Oplatková, Ph.D. Ing. Peter Janků, Ph.D.

 

MACHINE LEARNING IN CYBER SECURITY

Supervisor: Assoc. Prof. Ing. Zuzana Komínková Oplatková, Ph.D.

Cyber security is a very spoken word currently. The current research in this area is done from different points of view. The common issue is to identify a problem and based on this identification and observation it is necessary to defend the system. To identify a problem might be considered as a detection of possible attacks or presence of any malware in the system. It can be looked on these as they are some anomaly compared to standard behavior of the system. The main aim of the thesis will be focused on classification of these „abnormalities“ via machine learning techniques – how to detect such „classes“ of problems as we are more or less in the range of one-class classification problem.
The goal will be to find suitable machine learning techniques for this type of problems and to design a suitable methodology of their usage.
Literature
  1. Zelinka et al.: Analytical Programming – a Novel Approach for Evolutionary Synthesis of Symbolic Structures, in Kita E.: Evolutionary Algorithms, InTech 2011, ISBN: 978-953-307-171-8
  2. Oplatkova Z.: Metaevolution: Synthesis of Optimization Algorithms by means of Symbolic Regression and Evolutionary Algorithms, Lambert Academic Publishing Saarbrücken, 2009, ISBN: 978-3-8383-1808-0
  3. Komínková Oplatková, Z., Šenkeřík R.: MIMO Pseudo Neural Networks for Iris Data Classification. In Advances in Intelligent Systems and Computing. 285. Heidelberg : Springer-Verlag Berlin, 2014, s. 165-172. ISSN 2194-5357. ISBN 978-3-319-06739-1
  4. Fausett L. V.: Fundamentals of Neural Networks: Architectures, Algorithms and Applications. Prentice Hall, ISBN 9780133341867, (1993)
  5. Adams N., Heard N.: Data Analysis for Network Cyber-Security, World Scientific Publishing Company, 2014, ISBN: 978-1783263745
  6. Oulehla M., Jašek R.: Moderní kryptografie. Praha: IFP Publishing, 2017. ISBN 978-80-87383-67-4.

 

DESIGNING SELF-ORGANIZING COOPERATIVE ROBOTIC SYSTEMS WITH DECENTRALIZED DECISON MAKING

Supervisor: Assoc. Prof. Ing. Roman Šenkeřík, Ph.D.
Advisor: Ing. Michal Pluháček, Ph.D.

The challenges of modern age require equally sophisticated solutions. Many complex tasks are solvable by using cooperative robotic systems. However, as the number of simultaneously employed robotic units increases, new challenges emerge. The effective control of large robotic group requires innovative approaches. Such effective rules for large group self-organization have been observed in nature and inspired the research field of Swarm intelligence. Using similar principles, it is possible to design highly efficient self-organizing robotic systems with decentralized decision-making. The goal of the work is to use the principles of decentralized decision making to design highly efficient self-organizing robotic systems with large number of robotic units.
Literature
  1. Hamann, H. (2018). Swarm robotics: A formal approach. Springer International Publishing.
  2. Brambilla, M., Ferrante, E., Birattari, M., & Dorigo, M. (2013). Swarm robotics: a review from the swarm engineering perspective. Swarm Intelligence, 7(1), 1-41.
  3. Rubenstein, M., Cornejo, A., & Nagpal, R. (2014). Programmable self-assembly in a thousand-robot swarm. Science, 345(6198), 795-799.
  4. Garattoni, L., & Birattari, M. (2018). Autonomous task sequencing in a robot swarm. Science Robotics, 3(20), eaat0430.
  5. Heinrich, M. K., Soorati, M. D., Kaiser, T. K., Wahby, M., & Hamann, H. (2019). Swarm robotics: Robustness, scalability, and self-X features in industrial applications. it-Information Technology, 61(4), 159-167.
  6. Chung, S. J., Paranjape, A. A., Dames, P., Shen, S., & Kumar, V. (2018). A survey on aerial swarm robotics. IEEE Transactions on Robotics, 34(4), 837-855.
  7. Bayındır, L. (2016). A review of swarm robotics tasks. Neurocomputing, 172, 292-321.

 

EVOLUTIONARY MACHINE LEARNING

Supervisor: Assoc. Prof. Ing. Roman Šenkeřík, Ph.D.
Advisor: Assoc. Prof. Ing. Zuzana Komínková Oplatková, Ph.D.

In recent years, the popularity of machine learning and deep neural networks has grown rapidly, mainly due to the possibility of processing huge amounts of data from various sources. However, these intelligent computing techniques often require proper setup, selection of specific features, etc. This dissertation focuses on the development of robust evolutionary techniques for evolutionary machine learning, ie algorithms for highly constrained and higher-dimensional optimization problems. The main part of the topic will be the research and development of fast, efficient and self-adaptive strategies of evolutionary algorithms or swarm algorithms for machine learning / deep learning. Emphasis will also be placed on new strategies for manipulating patterns in population of solutions, run-time analysis, multi/many-criteria optimization algorithms, surrogate systems, symbolic regression, or on the current trend of algorithms without control parameters.
Literature
  1. Mirjalili, S. (2020). Evolutionary Machine Learning Techniques: Algorithms and Applications. Springer Nature.
  2. Shafiee, M. J., Mishra, A., & Wong, A. (2018). Deep learning with Darwin: Evolutionary synthesis of deep neural networks. Neural Processing Letters, 48(1), 603-613.
  3. De Jong, K. (2016, July). Evolutionary computation: a unified approach. In Proceedings of the 2016 on Genetic and Evolutionary Computation Conference Companion (pp. 185-199).
  4. Zhang, J., Zhan, Z. H., Lin, Y., Chen, N., Gong, Y. J., Zhong, J. H., … & Shi, Y. H. (2011). Evolutionary computation meets machine learning: A survey. IEEE Computational Intelligence Magazine, 6(4), 68-75.
  5. Xue, B., Zhang, M., Browne, W. N., & Yao, X. (2015). A survey on evolutionary computation approaches to feature selection. IEEE Transactions on Evolutionary Computation, 20(4), 606-626.

 

ANALYTIC APPROACH TO EVOLUTIONARY ALGORITHMS

Supervisor: Assoc. Prof. Ing. Roman Šenkeřík, Ph.D.

Intelligent computing based on probabilistic or bio-inspired principles is very popular nowadays. It allows to obtain in a short time a high-quality (low-cost) solution in problems where classical deterministic methods would fail in terms of time or space. However, the aim of this work is not to create new or hybrid algorithms / techniques, but to focus research into understanding the internal dynamics of efficient and robust evolutionary algorithm strategies. The main part of the topic is the design of new analytical methods for the analysis of population dynamics during the optimization process using evolutionary algorithms. Furthermore, research in the field of run-time analysis, detection of potential shortcomings of modern evolutionary algorithms. Moreover, the acquired knowledge from the analytical part should be used for the definition of recommendations and modifications of modern evolutionary algorithms and subsequently implemented.
Literature
  1. Lobo, F. G., & Lima, C. F. (2005, June). A review of adaptive population sizing schemes in genetic algorithms. In Proceedings of the 7th annual workshop on Genetic and evolutionary computation (pp. 228-234).
  2. Beyer, H. G., & Deb, K. (2001). On self-adaptive features in real-parameter evolutionary algorithms. IEEE Transactions on evolutionary computation, 5(3), 250-270.
  3. Viktorin, A., Senkerik, R., Pluhacek, M., & Kadavy, T. (2018, July). Cluster Occurrence in the DbL_SHADE Population. In 2018 IEEE Congress on Evolutionary Computation (CEC) (pp. 1-8). IEEE.
  4. Viktorin, A., Senkerik, R., Pluhacek, M., Kadavy, T., & Zamuda, A. (2019). Distance based parameter adaptation for success-history based differential evolution. Swarm and Evolutionary Computation, 50, 100462.
  5. Viktorin, A., Pluhacek, M., Senkerik, R., & Kadavy, T. (2017, June). Detecting Potential Design Weaknesses in SHADE Through Network Feature Analysis. In International Conference on Hybrid Artificial Intelligence Systems (pp. 662-673). Springer, Cham.
  6. BoussaēD, I., Lepagnot, J., & Siarry, P. (2013). A survey on optimization metaheuristics. Information sciences, 237, 82-117.

 

FORECASTING CRYPTOCURRENCY VALUE

Supervisor: Assoc. Prof. Ing. Roman Šenkeřík, Ph.D.

This thesis will be focused on techniques for forecasting cryptocurrency value and potential, based on modern approaches from the field of computational intelligence, machine learning and other dedicated data science tools (e.g. Sentiment analysis from social networks and more). The aim of this work is to design an algorithm for automatic decision systems. Thesis should investigate and address current challenges in blockchain technology, related data collection and preprocessing techniques, analysis metrics and optionally utilization of high performance computing platforms. Thesis should also be focused on some of following research tasks: ranking Initial Coin Offering (ICO) values for incoming cryptocurrencies, trading strategies, optimization of multi-objective portfolio selection and many more.
Literature
  1. Peterson, Jack, and Joseph Krug. „Augur: a decentralized, open-source platform for prediction markets.“ arXiv preprint arXiv:1501.01042 (2015).
  2. Darlington III, James K. „The future of Bitcoin: mapping the global adoption of world’s largest cryptocurrency through benefit analysis.“ (2014).
  3. Lamon, Connor, Eric Nielsen, and Eric Redondo. „Cryptocurrency Price Prediction Using News and Social Media Sentiment.“ Not Published (2016).
  4. Atashian, Gasia, and Hrachya Khachatryan. „Sentiment Analysis To Predict Global Cryptocurrency Trends.“ (2018).
  5. Zheng, Zibin, et al. „Blockchain challenges and opportunities: A survey.“ Work Pap.–2016 (2016).

 

EVOLUTIONARY ALGORITHMS FOR DISCRETE OPTIMALIZATION TASKS

Supervisor: Assoc. Prof. Ing. Roman Šenkeřík, Ph.D.

The aim of the dissertation thesis will be research of benchmarking and applicability of evolutionary algorithms (including other heuristic / metaheuristic approaches) for solving NP problems, mainly from the category of NP-complete (NPC) problems. The aim will also be to carry out a detailed analysis of the current state of algorithms for solving optimization problems with discrete parameters; use the gained knowledge for design and implementation of effective discrete versions, for constrained and possibly for multi-criteria problems. The focus will be mainly (but not limited) on the differential evolution algorithm, especially on modern implementations of the L-SHADE / DISH algorithm. Benchmarking will be performed on the new DBBOB platform and also on real problems in the areas of cryptography, planning, game theory and many others. The thesis will also examine the applicability of various self-adaptation mechanisms and restructuring the population dynamics of algorithms developed in A.I.Lab at FAI.
Literature
  1. Das, Swagatam, Sankha Subhra Mullick a P.N. Suganthan. Recent advances in differential evolution – An updated survey. Swarm and Evolutionary Computation, 2016, 27, 1-30, DOI: 10.1016/j.swevo.2016.01.004. ISSN 22106502.
  2. Kruse, Rudolf, Christian Borgelt, Christian Braune, Sanaz Mostaghim a Matthias Steinbrecher. Computational Intelligence: A Methodological Introduction. Second Edition. London: Springer, 2016. ISBN 978-1-4471-7294-9.
  3. Blum, Christian a Günther R. Raidl. Hybrid Metaheuristics: Powerful Tools for Optimization. Switzerland: Springer, 2016. ISBN 978-3-319-30882-1.
  4. Viktorin, Adam, Šenkeřík, Roman, Pluháček, Michal, Kadavý, Tomáš, Zamuda, Aleš. Distance based parameter adaptation for Success-History based Differential Evolution. Swarm and Evolutionary Computation, 2019, 2019, 50, 1-17. ISSN 2210-6502.
  5. Kacprzyk, Janusz a Witold Pedrycz. Springer handbook of computational intelligence. Dordrecht: Springer, 2015, lvi, 1633 s. ISBN 978-3-662-43504-5.

 

DETEKCE VZORŮ V DYNAMICKÝCH DATECH

Školitel: doc. Ing. Roman Šenkeřík, Ph.D.

Práce by se měla zabývat přístupy založené na metodách umělé inteligence a bude zaměřena na oblasti popisu a analýzy dynamických dat a dále na detekci a vyhledávání vzorů v dynamických datech (např. časových řadách). Cílem práce je návrh systému, který bude v dynamických datech vyhledávat vzory, na jejichž základě budou rozpoznávány požadované události (tj. nalezené vzory disponují určitou predikční schopností i mimo oblast učících dat). Práce by měla zahrnovat experimentální ověření funkčnosti a použitelnosti navrhovaných přístupů.
Literatura
  1. Boashash, B. (ed.), (2003) Time-Frequency Signal Analysis and Processing: A Comprehensive Reference, Elsevier Science, Oxford, ISBN 0-08-044335-4
  2. Palit, A. K., & Popovic, D. (2006). Computational Intelligence in Time Series Forecasting.ISBN 978-1-84628-184-6
  3. Wang, J. (2009). Encyclopedia of Data Warehousing and Mining, Second Edition (4 Volumes) (pp. 1-2542). Hershey, PA: IGI Global. doi:10.4018/978-1-60566-010-3
  4. WITTEN, I. H., Eibe FRANK, Mark A. HALL a Christopher J. PAL. Data mining: practical machine learning tools and techniques. Fourth edition. Amsterdam: Elsevier, [2017], xxxii, 621 s. ISBN 978-0-12-804291-5.
  5. KELLEHER, John D., Brian MAC NAMEE a Aoife D’ARCY. Fundamentals of machine learning for predictive data analytics: algorithms, worked examples, and case studies. Cambridge: The MIT Press, [2015], xxii, 595 s. ISBN 978-0-262-02944-5.
  6. NISBET, Robert, Gary MINER, Kenneth P. YALE, John F. ELDER a Andy PETERSON. Handbook of statistical analysis and data mining applications. Second edition. London: Academic Press, an imprint of Elsevier, [2018], 1 online zdroj (792 stran). DOI: 978-0-12-416645-5. Dostupné také z: https://www.sciencedirect.com/science/book/9780124166325

 

INTELIGENTNÍ ENSEMBLE MODELOVÁNÍ

Školitel: doc. Ing. Roman Šenkeřík, Ph.D.

Modelování, simulace a predikce jsou klíčové prvky v informatice a datové analýze. V současné době, spolu s nárůstem množství analyzovaných dat (zejména v oblasti data miningu a big dat), jsou stále více uplatňovány návrhy tzv. ensemble modelů. Jedná se o komplexní modely systému, jež se skládají z několika dílčích odlišných analytických modelů, a během jejich simulace dochází k jejich střídavému využívání, nebo finální syntéze aproximace (predikce) na základě řady odlišných modelových výstupů. Cílem disertační práce bude sestavit a ověřit možnosti metodiky ensemble modelování při současném využití stochastických heuristických (evolučních a hejnových) algoritmů a obecně metod výpočetní inteligence pro syntézu komplexních struktur. V rámci disertační práce budou zkoumány vlivy možných scénářů ensemble modelování pro interdisciplinární aplikace, zejména pak metody učení a inteligentní adaptace za běhu.
Literatura
  1. MITKOWSKI, Wojciech (ed.). Modelling dynamics in processes and systems. Springer, 2009.
  2. SENI, Giovanni; ELDER, John F. Ensemble methods in data mining: improving accuracy through combining predictions. Synthesis Lectures on Data Mining and Knowledge Discovery, 2010, 2.1: 1-126.
  3. BARTZ-BEIELSTEIN, Thomas, et al. Ensemble-based modeling. CIOP Technical Report 06/11, Research Center CIOP (Computational Intelligence, Optimization and Data Mining), Cologne University of Applied Science, Faculty of Computer Science and Engineering Science, 2011.
  4. FRIESE, Martina, et al. Ensemble based optimization and tuning algorithms. In: Proceedings of the 21. Workshop Computational Intelligence. 2011. p. 119-134.
  5. KACPRZYK, Janusz; PEDRYCZ, Witold (ed.). Springer handbook of computational intelligence. Springer, 2015.

 

MODELOVÁNÍ A PREDIKCE DYNAMIKY SOCIÁLNÍCH SÍTÍ

Školitel: doc. Ing. Roman Šenkeřík, Ph.D.

Cílem disertační práce bude sestavit a ověřit možnosti metodiky modelování dynamiky sociálních (tedy komplexních) sítí pomocí heuristických (evolučních a hejnových) algoritmů a obecně metod symbolické regrese pro syntézu komplexních struktur. Prvním cílem bude nutno vytvořit model, jakým způsobem lze převádět komplexní dynamiku stochastických heuristických algoritmů na takový předpis, jež bude možné analyzovat metodami pro komplexní sítě. Portfolio vybraných stochastických heuristických algoritmů pak bude sloužit jako modelový předpis do dalšího cíle práce. Všechny tyto algoritmy využívají obecný dynamický model pohybu částic (jedinců) v hyperprostoru a takovéto modely budou předlohou pro metody z oblasti symbolické regrese za účelem syntézy takových modelů algoritmů a odpovídající testovacích problémů, aby dynamika algoritmu transformována do formy sítě odpovídala modelu skutečné sítě (včetně možnosti predikce). Součástí práce bude i studie, jaký vliv na výslednou analýzu má stochastičnost a možné rozdílné inicializaci jednotlivých běhů a analýz.
Literatura
  1. ESTRADA, Ernesto. The structure of complex networks: theory and applications. New York: Oxford University Press, 2012, xii, 465 stran. ISBN 978-0-19-959175-6.
  2. BARRAT, Alain, Marc BARTHÉLEMY a Alessandro VESPIGNANI. Dynamical processes on complex networks. First published. Cambridge: Cambridge University Press, 2008, xvii, 347 stran. ISBN 978-1-107-62625-6.
  3. LU, Linyuan a Fan R CHUNG. Complex graphs and networks. Providence, RI: American Mathematical Society, 2006, vii, 264 s. ISBN 9780821836576.
  4. KENNEDY, James, Russell C EBERHART a Yuhui SHI. Swarm intelligence. San Francisco: Morgan Kaufmann, c2001, xxvii, 512 s. ISBN 1-55860-595-9.

 

MODERNÍ STRATEGIE EVOLUČNÍCH ALGORITMŮ PRO ŘEŠENÍ ÚLOH DISKRÉTNÍ OPTIMALIZACE

Školitel: doc. Ing. Roman Šenkeřík, Ph.D.

Cílem disertační práce bude výzkum aplikovatelnosti/porovnání efektivity evolučních algoritmů (včetně dalších heuristických/metaheuristických přístupů) u řešení NP problémů, převážně z kategorie NP-úplných (NPC) problémů. Zaměření bude převážně na algoritmus diferenciální evoluce, tedy cílem bude také provést podrobnou analýzu aktuálního stavu algoritmu pro řešení optimalizačních úloh s diskrétními parametry; zjištěné informace dále využít pro návrh a implementaci efektivních diskrétních verzí založených na základech moderních implementací algoritmu L-SHADE/DISH a otestovat nové vyvinuté strategie na existujících benchmark úlohách ze třídy DBBOB a dále na reálných problémech z oblasti kryptografie, plánování, teorie her a jiných. Součástí práce bude i prověření možností úpravy samo-adaptačních mechanismů a restrukturalizace populační dynamiky u algoritmů vyvíjených v A.I.Labu na FAI.
Literatura
  1. Das, Swagatam, Sankha Subhra Mullick a P.N. Suganthan. Recent advances in differential evolution ? An updated survey. Swarm and Evolutionary Computation [online]. 2016, 27, 1-30 [cit. 2019-11-11]. DOI: 10.1016/j.swevo.2016.01.004. ISSN 22106502.
  2. Kruse, Rudolf, Christian Borgelt, Christian Braune, Sanaz Mostaghim a Matthias Steinbrecher. Comptuational Intelligence: A Methodological Introduction. Second Edition. London: Springer, 2016. ISBN 978-1-4471-7294-9.
  3. Blum, Christian a Günther R. Raidl. Hybrid Metaheuristics: Powerful Tools for Optimization. Switzerland: Springer, 2016. ISBN 978-3-319-30882-1.
  4. Mockus, Jonas, William EDDY, Audris Mockus, Linas Mockus a Gintaras Reklaitis. Bayesian Heuristic approach to discrete and global optimization: Algorithms, visualization, software, and applications. Dordrecht: Springer, 1997. ISBN 978-1-4419-4767-3.
  5. Viktorin, Adam, Šenkeřík, Roman, Pluháček, Michal, Kadavý, Tomáš, Zamuda, Aleš. Distance based parameter adaptation for Success-History based Differential Evolution. Swarm and Evolutionary Computation, 2019, 2019, 50, 1-17. ISSN 2210-6502.
  6. Kacprzyk, Janusz a Witold Pedrycz. Springer handbook of computational intelligence. Dordrecht: Springer, 2015, lvi, 1633 s. ISBN 978-3-662-43504-5.

 

PŘEDPOVÍDÁNÍ HODNOTY A POTENCIÁLU KRYPTOMĚN

Školitel: doc. Ing. Roman Šenkeřík, Ph.D.

Tato práce bude zaměřena na techniky pro predikci hodnoty a potenciálu kryptoměn na základě moderních přístupů a nástrojů pro datovou analýzu (např. Sentiment Analysis a další). Práce by měla prozkoumat a adresovat současné výzvy v technologii blockchainu, souvisejících technikách sběru a předzpracování dat, analytických metrik pro predikce a případně využití vysoce výkonných výpočetních platforem. Práce by měla být také zaměřena na některou z oblastí jako: ohodnocení (predikce) problematiky Initial Coin Offering (ICO) pro vznikající kryptoměny, obchodní strategie, optimalizaci výběru víceúčelového portfolia a další. Cílem práce může být také dále výzkum korelace trhu kryptoměn k trhu národních měn a hlavních nerostných komodit. Získané data budou sloužit k vytvoření metod využitelných v reálnem světe a poslouží jako podklad k vytvoření algoritmu pro automatické rozhodovací systémy.
Literatura
  1. Peterson, Jack, and Joseph Krug. „Augur: a decentralized, open-source platform for prediction markets.“ arXiv preprint arXiv:1501.01042 (2015).
  2. Darlington III, James K. „The future of Bitcoin: mapping the global adoption of world’s largest cryptocurrency through benefit analysis.“ (2014).
  3. Lamon, Connor, Eric Nielsen, and Eric Redondo. „Cryptocurrency Price Prediction Using News and Social Media Sentiment.“ Not Published (2016).
  4. Atashian, Gasia, and Hrachya Khachatryan. „Sentiment Analysis To Predict Global Cryptocurrency Trends.“ (2018).
  5. Zheng, Zibin, et al. „Blockchain challenges and opportunities: A survey.“ Work Pap.–2016 (2016).

 

EVOLUČNÍ ALGORITMY A STROJOVÉ UČENÍ

Školitel: doc. Ing. Roman Šenkeřík, Ph.D.
Konzultant: doc. Ing. Zuzana Komínková Oplatková, Ph.D.

V každém okamžiku je vytvořeno a uloženo obrovské množství dat pocházejících z různých zdrojů. Pro porozumění informacím zakódovaným v datech se využívá řada inteligentních výpočetních technik, které ale vyžadují správné nastavení. S ohledem na rostoucí popularitu a aplikace strojového učení a hlubokých neuronových sítí bude tato práce zaměřena na vývoj robustních evolučních technik pro evoluční strojové učení, tj. algoritmů pro vysoce omezené a vícerozměrné optimalizační problémy. Nosnou částí tématu bude studium a vývoj rychlých, efektivních a self-adaptivních strategií evolučních algoritmů nebo hejnových algoritmů pro fúzi se strojovým učením/deep learningem. Důraz bude kladen také na nové strategie manipulace s patterny v populaci řešení, run-time analýzu, vícekriteriální optimalizační algoritmy nebo na aktuální trend algoritmů bez řídících parametrů. Studovanými algoritmy bude prioritně diferenciální evoluce (DE), volitelně SOMA, PSO, evoluční strategie (CMAES) a další.
Literatura
  1. Mirjalili, S. (2020). Evolutionary Machine Learning Techniques: Algorithms and Applications. Springer Nature.
  2. Shafiee, M. J., Mishra, A., & Wong, A. (2018). Deep learning with Darwin: Evolutionary synthesis of deep neural networks. Neural Processing Letters, 48(1), 603-613.
  3. De Jong, K. (2016, July). Evolutionary computation: a unified approach. In Proceedings of the 2016 on Genetic and Evolutionary Computation Conference Companion (pp. 185-199)..
  4. Zhang, J., Zhan, Z. H., Lin, Y., Chen, N., Gong, Y. J., Zhong, J. H., … & Shi, Y. H. (2011). Evolutionary computation meets machine learning: A survey. IEEE Computational Intelligence Magazine, 6(4), 68-75.
  5. Xue, B., Zhang, M., Browne, W. N., & Yao, X. (2015). A survey on evolutionary computation approaches to feature selection. IEEE Transactions on Evolutionary Computation, 20(4), 606-626.

 

VYUŽITÍ METOD HEJNOVÉ INTELIGENCE V DECENTRALIZOVANÝCH ROBOTICKÝCH SYSTÉMECH

Školitel: doc. Ing. Roman Šenkeřík, Ph.D.
Konzultant: Ing. Michal Pluháček, Ph.D.

V souvislosti s rozvojem a zvyšující se četností výskytu autonomních robotických systémů narůstá podíl multi-robotických systémů s velkým množstvím robotických jednotek. Centrální řízení vysokého počtu robotických jednotek je v mnoha případech komplikované či nemožné (například v případě poničené infrastruktury při živelném neštěstí, nebo aplikacích pod vodní hladinou). Vzrůstá tak potřeba decentralizace a samo-organizace za účelem dosažení žádaného kooperativního chování při plnění zadaných úkolů. Vhodnou inspirací pro návrh pravidel chování pro velké robotické skupiny je možné nalézt v principech hejnové intelligence. Cílem práce je návrh metodiky pro efektivní decentralizované řízení velkých robotických skupin s důrazem na samo-organizaci a optimalizaci chování.
Literatura
  1. Hamann, H. (2018). Swarm robotics: A formal approach. Springer International Publishing.
  2. Brambilla, M., Ferrante, E., Birattari, M., & Dorigo, M. (2013). Swarm robotics: a review from the swarm engineering perspective. Swarm Intelligence, 7(1), 1-41.
  3. Rubenstein, M., Cornejo, A., & Nagpal, R. (2014). Programmable self-assembly in a thousand-robot swarm. Science, 345(6198), 795-799.
  4. Garattoni, L., & Birattari, M. (2018). Autonomous task sequencing in a robot swarm. Science Robotics, 3(20), eaat0430.
  5. Heinrich, M. K., Soorati, M. D., Kaiser, T. K., Wahby, M., & Hamann, H. (2019). Swarm robotics: Robustness, scalability, and self-X features in industrial applications. it-Information Technology, 61(4), 159-167.
  6. Chung, S. J., Paranjape, A. A., Dames, P., Shen, S., & Kumar, V. (2018). A survey on aerial swarm robotics. IEEE Transactions on Robotics, 34(4), 837-855.
  7. Bayındır, L. (2016). A review of swarm robotics tasks. Neurocomputing, 172, 292-321.

ANALÝZA POPULAČNÍ DYNAMIKY EVOLUČNÍCH ALGORITMŮ

Školitel: doc. Ing. Roman Šenkeřík, Ph.D.

Aktuálně nejpoužívanější inteligentní výpočetní techniky jsou většinou založeny na pravděpodobnostních nebo bio-inspirovaných principech. Tyto techniky nám umožňují v krátkém čase získat velmi kvalitní (tzv. low-cost) řešení v problémech, kde by klasické deterministické metody selhaly z pohledu časového nebo prostorového. V posledních letech narůstá potřeba nevytvářet řadu nových a hybridních algoritmů/postupů, ale zaměřit výzkum do pochopení vnitřních kauzalit efektivních a robustních strategií evolučních algoritmů. Nosnou částí tématu je tedy využití moderních analytických metod pro detekci potenciálních nedostatků novodobých evolučních algoritmů. Dále bude zpracován návrh nových analytických metod pro analýzu populační dynamiky během procesu optimalizace pomocí evolučních algoritmů. Zároveň by nabyté znalostí z analytické části měly být využity pro definici doporučení a úprav moderních evolučních algoritmů a tyto úpravy následně implementovány.
Literatura
  1. Lobo, F. G., & Lima, C. F. (2005, June). A review of adaptive population sizing schemes in genetic algorithms. In Proceedings of the 7th annual workshop on Genetic and evolutionary computation (pp. 228-234).
  2. Beyer, H. G., & Deb, K. (2001). On self-adaptive features in real-parameter evolutionary algorithms. IEEE Transactions on evolutionary computation, 5(3), 250-270.
  3. Viktorin, A., Senkerik, R., Pluhacek, M., & Kadavy, T. (2018, July). Cluster Occurrence in the DbL_SHADE Population. In 2018 IEEE Congress on Evolutionary Computation (CEC) (pp. 1-8). IEEE.
  4. Viktorin, A., Senkerik, R., Pluhacek, M., Kadavy, T., & Zamuda, A. (2019). Distance based parameter adaptation for success-history based differential evolution. Swarm and Evolutionary Computation, 50, 100462.
  5. Viktorin, A., Pluhacek, M., Senkerik, R., & Kadavy, T. (2017, June). Detecting Potential Design Weaknesses in SHADE Through Network Feature Analysis. In International Conference on Hybrid Artificial Intelligence Systems (pp. 662-673). Springer, Cham.
  6. BoussaēD, I., Lepagnot, J., & Siarry, P. (2013). A survey on optimization metaheuristics. Information sciences, 237, 82-117.

VZDÁLENÁ A ROZŠÍŘENÁ REALITA V PRŮMYSLOVÉM PROSTŘEDÍ

Školitel: doc. Ing. Zuzana Komínková Oplatková, Ph.D.
Konzutant: Ing. Peter Janků, Ph.D.

Rozšířená realita je v dnešní době velmi populární oblastí z prostředí počítačových a mobilních her, která postupně přesahuje i do reálného aplikačního prostředí v průmyslu. Také vzdálené systémy pro přenos obrazu i zvuku lze nalézt v mnoha praktických aplikacích. Spojení obou však doposud přináší celou řadu komplexních problémů. Při duplexním propojení rozšířené reality a vzdálené reality je nutné obousměrně přenášet velké množství dat, řídících příkazů a to s ohledem na propustnost běžně dostupných internetových připojení, odezvu nutnou pro reakce v reálném čase a jiné. Další rozměr dané problematice přináší spojení s moderními přístupy jako detekce objektů s využitím hlubokých neuronových sítí, evolučních alogritmů a kombinací se stávajícícími analytickými a řídícímy systémy.
Disertační práce se bude zabývat návrhem platformy s využitím vzdálené a rozšířené reality. V současném průmyslovém prostředí je třeba implementovat komplexní systémy, které umožní vzdálenou správu systému s využitím systémů rozšířené reality, jako jsou např. 3D brýle. Systémy lze např. aplikovat v prostředí skleníku při kontrole reálných objektů vzdáleně umístěných od kontrolora.
Navržená platforma bude kombinovat možnosti vzdáleného přenosu obrazu a zvuku s aplikacemi rozšířené reality ve spojení s dalšími zdroji vstupních a výstupních informací. Mezi tyto zdroje budou patřit zejména informace z analytických systémů, z algoritmů založených na hlubokých neuronových sítích apod. Součástí platformy bude univerzální modul pro zpětný přenos řídících signálů z rozšířené reality do vzdálených robotických systémů.
Literatura
  1. CORKE, Peter. Robotics, Vision and Control: Fundamental Algorithms In MATLAB, Second Edition. 2nd ed. 2017 edition. vyd. New York, NY: Springer, 2017. ISBN 978-3-319-54412-0.
  2. KAEHLER, Adrian a Gary BRADSKI. Learning OpenCV 3: Computer Vision in C++ with the OpenCV Library. 1 edition. vyd. Sebastopol, CA: O’Reilly Media, 2017. ISBN 978-1-4919-3799-0.
  3. NIXON, Mark a Alberto AGUADO. Feature Extraction and Image Processing for Computer Vision. 4 edition. vyd. [s.l.]: Academic Press, 2019. ISBN 978-0-12-814976-8.
  4. PANGILINAN, Erin, Steve LUKAS a Vasanth MOHAN. Creating Augmented and Virtual Realities: Theory and Practice for Next-Generation Spatial Computing. 1 edition. vyd. Sebastopol, CA: O’Reilly Media, 2019. ISBN 978-1-4920-4419-2.
  5. SOMMERVILLE, Ian. Softwarové inženýrství. Brno: Computer Press, 2013, 680 s. ISBN 9788025138267.