Przeszukiwanie a optymalizacja 1.1Zadanie spełnialności ograniczeń 1.2Zadania optymalizacji 1.2.1Klasyfikacja zadań optymalizacji 1.2.2Klasyfikacja ekstremów funkcji celu 1.2.3Warunki istnienia ekstremum 1.3Metody rozwiązywania zadań optymalizacyjnych 1.3.1Metody analityczne 1.3.1.1Metody gradientowe 1.3.1.2Metody quasi-newtonowskie 1.3.2Metody bezpośrednie 1.3.2.1Metody poszukiwania według wzorca 1.3.2.2Metoda simpleks 1.3.2.3Metody z adaptacyjnym zbiorem kierunków przeszukiwania 1.3.3Algorytmy randomizowane 1.3.3.1Proste algorytmy randomizowane z pamięcią 1.3.3.2Proste algorytmy randomizowane bez pamięci 1.4Pejzaż dostosowań 1.5Własności pejzażu dostosowań 1.5.1Korelacja dostosowanie-odległość 1.5.2Funkcja autokorelacji 1.6Algorytmy przeszukiwania lokalnego 1.6.1Intensyfikacja i dywersyfikacja 1.7Heurystyki, metaheurystyki, hiperheurystyki 1.7.1Metaheurystyki - dlaczego działają 1.7.2Klasyfikacja metaheurystyk 1.7.2.1Algorytmy przyrostowe 1.7.2.2Stochastyczne algorytmyiteracyjne 1.7.3Przykłady algorytmów przeszukiwania lokalnego 1.7.3.1Podstawowy algorytm: iteracyjne poprawianie 2.8.3.2AlgorytmGSAT 2.8.3.3Przeszukiwanie ze zmiennym sąsiedztwem 2.8.3.4Kierowane przeszukiwanie lokalne 2.8.4Ocena metałieurystyk 2.8.4.1Metody analityczne 2.8.4.2Wnioskowanie statystyczne 3Symulowane wyżarzanie 3.1Metody Monte Carlo 3.1.1Łańcuchy Markowa i dynamiczne metody Monte Carlo 3.1.2Algorytm Metropolisa 3.1.3Optymalizacja a fizyka statystyczna 3.2Konkretyzacja algorytmu 3.3Konkretyzacja algorytmu 3.3.1Prawdopodobieństwo akceptacji 3.3.2Wybór sąsiada i scenariusz schładzania 3.3.2.1Proste strategie 3.3.2.2Adaptacyjny wybór długości kroku 3.3.2.3Maszyna Boltzmanna 3.3.2.4Maszyna Cauchy’ego 3.3.2.5Adaptacyjne symulowane wyżarzanie (ASA) 3.3.2.6Maszyna Tsallisa 3.3.3Warunek zatrzymania 3.4Przykłady zastosowań 3.4.1Analiza skupień 3.4.2Problem fc-spełnialności 4Optymalizacja ekstremalna 4.1Samoorganizujący się stan krytyczny (SOSK) 4.2Model ewolucji B-S 4.2.1Interpretacje 4.2.2Własności 4.2.3Odniesienia do teorii ewolucyjnych 4.2.4Implikacje 4.3Algorytm optymalizacji ekstremalnej EO 4.4Uogólnienia algorytmu ekstremalnejoptymalizacji 5Algorytmy entropii krzyżowej 5.1Zarys metody 5.1.1Symulacja rzadkich zdarzeń 5.1.2Proste zadanie optymalizacji kombinatorycznej 5.2Formalne uzasadnienie metody 5.2.1Bazowy algorytm symulacji rzadkich zdarzeń 5.2.2Bazowy algorytm optymalizacji kombinatorycznej 5.3Modyfikacje bazowego algorytmu 5.4Wybrane zastosowania 5.4.1Optymalizacja kombinatoryczna 5.4.1.1Zadanie komiwojażera 5.4.1.2Zliczanie 5.4.2Optymalizacja parametryczna 6Algorytmy ewolucyjne 6.1Podstawy teorii ewolucji Darwina 6.2Rys historyczny 6.2.1Programowanie ewolucyjne 6.2.2Algorytmy genetyczne 6.2.3Strategie ewolucyjne 6.3Programowanie ewolucyjne 6.3.1Algorytm CEP - klasyczne programowanie ewolucyjne 6.3.2Szybkie programowanie ewolucyjne 6.4Strategie ewolucyjne 6.4.1Proste strategie ewolucyjne 6.4.1.1Strategia (1 + 1) 6.4.1.2Strategia (/z + A) 6.4.2Operatory genetyczne stosowane wstrategiach ewolucyjnych 6.4.2.1Operator mutacji 6.4.2.2Hesjan a macierz kowariancji 6.4.2.3Operator samoadaptacji 6.4.2.4Operator rekombinacji 6.4.3Przykłady strategii ewolucyjnych 6.4.3.1Prosta strategia ewolucyjna dla problemu komiwojażera 6.4.3.2Samo-adaptująca się strategia (p/p t A) 6.4.3.3Strategia z korelowaną mutacją 6.4.3.4Strategia ewolucyjna ze skumulowaną adaptacją długości kroku 6.4.3.5Strategia z adaptacją macierzy kowariancji 6.4.4Zastosowania - dynamiczny podział obiektów na grupy 6.5Wprowadzenie do analizy matematycznej 6.5.1Prosta strategia ewolucyjna 6.5.1.1Strategia (1+1) 6.5.1.2Strategia (1 + A) 6.5.2Binarna przestrzeń poszukiwań 6.6Algorytmy genetyczne 6.6.1Strategie selekcji 6.6.2Formalne charakterystyki operatora selekcji 6.6.2.1Selekcja proporcjonalna 6.6.2.2Strategia rankingowa 6.6.2.3Selekcja turniejowa 6.6.2.4CHC selekcja 6.6.3Mutacja punktowa 6.6.4Operatory rekombinacji 6.6.5Miary postępu obliczeń 6.6.6Kryteria zatrzymania 6.6.7Wybrane algorytmy 6.6.7.1Simpleksowy algorytmgenetyczny 6.6.7.2Ewolucja różnicowa 6.6.7.3Genetyczna chromodynamika 6.7Ewolucja Mony Lisy 6.8Ewolucja lamarckowska i efekt Baldwina 6.9Algorytmy EDA 6.9.1Algorytm PBIL 6.9.1.1Operatory krzyżowania 6.9.1.2Asymptotyczne własności krzyżowania 6.9.1.3Uczenie konkurencyjne 6.9.1.4Algorytm 6.9.2Algorytm COMIT 6.9.3Kompaktowy algorytm genetyczny 7Algorytmy i ich dalsze losy 7.1Metody obliczenowe 7.1.1Algorytm roju cząstek PSO 7.1.2Algorytm roju mrówek ACO 7.1.3Porównanie ACO z PSO 7.2Twierdzenie NFL 7.2.1Optymalizacja iteracyjna 7.2.2Wnioski i uwagi dotyczące NFLw kontekście benchmarków 7.3Uwagi na temat rosnącej liczby meataheurystyk 8Zastosowania metaheurystyk 8.1Optymalizacja funkcji multimodalnych 8.1.1Optymalizacja wielomodalna 8.1.2Optymalizacja wielokryterialna 8.1.3Rozważania związane z wykorzystaniem kombinacji metod optyma¬lizacyjnych 8.1.4Hybrydyzacja 8.1.5Operacje wspomagane wiedzą 8.1.6Metody aproksymacyjne 8.2Optymalizacja a uczenie maszynowe 8.2.1Uczenie jako problem przeszukiwania 8.2.2Model zastępczy 8.2.3Uczenie jako adaptacja stanu 8.2.3.1Adaptacja stanu w CMA-ES 8.2.3.2Analiza danych jako optymalizacja 8.3Optymalizacja odporna na niepewność 8.4Optymalizacja odporna versus 8.4.1Optymalizacja odporna i analiza wrażliwości 8.4.2Historia optymalizacji odpornej 8.4.3Zakres zastosowań optymalizacji odpornej 8.5Metodyka testowania 8.5.1Obiektywne porównywanie algorytmów 8.5.2Dwuetapowa procedura oceny algorytmu 8.6Metodologia benchmarkingu BBOB 8.6.1Funkcje, przypadki i problemy 8.6.2Czas wykonania i wartości docelowe 8.6.3Ponowne uruchomienia właściwe i symulowane 8.6.4Agregacja 8.6.5Benchmarking uzależniony od kosztu 8.7Metodologia benchmarkingu CEC 8.7.1Cele i kryteria oceny algorytmów 8.7.2Problemy testowe i wyzwania 8.7.3Parametryzacja i tuning algorytmów 8.8Porównanie metodologii testowania BBOBi CEC 8.8.1Analiza statystyczna i raportowanie wyników w BBOB i CEC 8.8.2Statystyczne metody porównywania algorytmów ewolucyjnych i ro¬jowych: podejście praktyczne