UMĚLÁ INTELIGENCE V AUTOMOTIVE / David et al.

problémů, které mohou být nelineární, multi-modální a/nebo mít velký počet proměn ných. Pracuje s populací potenciálních řešení, která je postupně zdokonalována především pomocí procesů křížení a mutace. Tento přístup umožňuje efektivní řešení rozmanitých optimalizačních problémů a nachází uplatnění v oblastech jako jsou strojní učení, pláno vání, inženýrství, ekonomie, bioinformatika a dalších. V rámci kapitoly 4.2.2 byl představen genetický algoritmus, který je považován za předchůdce evolučních algoritmů. Genetické algoritmy a evoluční algoritmy představu jí významné metody v oboru umělé inteligence a optimalizace. Tyto algoritmy se inspirují biologickými procesy evoluce a genetiky a jejich schopnost adaptace a nalezení optimál ních řešení v prostoru možných variant je možné aplikovat na řešení různých optimalizač ních problémů v různých odvětvích. Genetický algoritmus využívá principy biologické evoluce k nalezení optimálních řešení pro různé problémy. Princip genetických algoritmů spočívá v simulaci procesů evo luce a genetického dědictví v prostředí počítačového programu. Tato inovativní metoda využívá principů přírodního výběru a genetiky k řešení různých optimalizačních problé mů a hledání nejlepších řešení v rámci daného prostoru. Algoritmus pracuje s populací jedinců, kteří jsou reprezentováni genetickými strukturami, a simuluje proces evoluce po mocí operátorů jako jsou selekce, křížení a mutace. Tímto způsobem je možné postupně vybírat a kombinovat nejlepší vlastnosti jedinců, a tím dosáhnout výsledků, které by byly obtížné získat konvenčními metodami. V následujícím zjednodušeném příkladu je prezentováno řešení úlohy optimali zace zajištění dodávek vstupních komponent na jednotlivé montážní pracoviště (body a, b, c, d, e, f, g, h, aa) ve výrobní hale z jednoho distribučního skladu (bod 1). Úloha tedy spočívá v optimalizaci trasy rozvozu komponent na jednotlivá montážní místa dle jejich požadavků v reálném čase. Tento praktický problém tedy představuje úlohu, která je řešena jako úloha obchodního cestujícího s proměnlivým počtem bodů a s využitím evolučního algoritmu. Od řešení je tedy vyžadována rychlá reakce dle aktuální situace, neboť v reálném prostředí výsledky řešení budou ovlivňovat produktivitu, jak jednotli vých pracovišť, tak i celé výrobní haly. Rozvržení výrobní haly je zobraženo na obrázku 5.6, na kterém je znázorněno umístění jednotlivých montážních pracovišť, skladu a jednotlivých distribučních tras.

72