Załącznik nr 2a Autoreferat informujący o osiągnięciach w działalności naukowobadawczej, dydaktycznej i popularyzatorskiej dr inŝ. Adam Słowik Wydział Elektroniki i Informatyki Politechniki Koszalińskiej Koszalin, Maj 2012
Spis treści: 1. Dane osobowe... 3 2. Miejsce pracy (adres do korespondencji)... 3 3. Wykształcenie... 3 4. Zajmowane stanowiska... 3 5. Charakterystyka osiągnięć naukowo-badawczych... 4 5a. Praca doktorska... 4 5b. Badania prowadzone po doktoracie jednotematyczny cykl publikacji... 4 6. Praca dydaktyczna... 15 6a. Prowadzone przedmioty... 15 6b. Promowanie i recenzowanie studenckich prac dyplomowych... 16 7. Realizowane projekty badawcze... 16 7a. Granty Ministerialne... 16 7b. Badania statutowe i własne... 17 8. Znajomość języków... 17 9. Umiejętności zawodowe... 17 10. Doświadczenie w przemyśle... 18 11. Przewodniczenie w sesjach i konferencjach, prowadzenie sekcji specjalnych... 18 12. Członkostwo w organizacjach... 18 13. Członkostwo w Komitetach Naukowych Konferencji... 19 14. WyróŜnienia i Nagrody... 20 15. Recenzowanie prac... 21 15a. W czasopismach... 21 15b. W konferencjach... 21 16. Pełnienie funkcji redaktora w czasopismach... 23 17. Wygłoszone wykłady zaproszone... 23 18. Liczba opublikowanych artykułów... 23 19. Statystyki na dzień 10 maja 2012 (liczba cytowań, Impact Factor, h-index)... 24 20. Konferencje w których brałem udział i prezentowałem referaty... 24 20a. Po doktoracie... 24 20b. Przed doktoratem... 26 21. Lista publikacji wchodzących w skład jednotematycznego cyklu przedstawionego do oceny (artykuły z Ministerialnej Listy A tzw. listy filadelfijskiej pogrubiono)... 27 Autoreferat wersja w języku polskim 2
1. Dane osobowe Imię i nazwisko: Adam Słowik Data urodzenia: 24 lipiec 1977 Miejsce urodzenia: Stan cywilny: Warszawa Ŝonaty 2. Miejsce pracy (adres do korespondencji) Politechnika Koszalińska Wydział Elektroniki i Informatyki Katedra InŜynierii Komputerowej ul. Śniadeckich 2 75-453 Koszalin, Polska 3. Wykształcenie 2007: Doktorat w dyscyplinie elektronika (obroniony z wyróŝnieniem); tytuł rozprawy doktorskiej: Projektowanie i optymalizacja cyfrowych układów elektronicznych przy uŝyciu algorytmów ewolucyjnych, Politechnika Koszalińska, Wydział Elektroniki i Informatyki, Promotor: Prof. dr hab. inŝ. dr h. c. Michał Białko (Członek Rzeczywisty Polskiej Akademii Nauk). 2003: Pedagogiczne Studia Podyplomowe, Uprawnienia Pedagogiczne do Uczenia we wszystkich typach szkół na terenie RP, Politechnika Koszalińska 2001: Magister inŝynier, Politechnika Koszalińska, Kierunek: Elektronika i Telekomunikacja, Specjalność: InŜynieria Komputerowa, Tytuł pracy magisterskiej: Zastosowania algorytmów genetycznych w optymalizacji, Promotor: Prof. dr hab. inŝ. dr h. c. Michał Białko (Członek Rzeczywisty Polskiej Akademii Nauk). 4. Zajmowane stanowiska 2007-teraz: Adiunkt, Katedra InŜynierii Komputerowej, Wydział Elektroniki i Informatyki, Politechnika Koszalińska 2005-2007: Asystent, Katedra InŜynierii Komputerowej, Wydział Elektroniki i Informatyki, Politechnika Koszalińska 2001-2005: Doktorant, Katedra InŜynierii Komputerowej, Wydział Elektroniki i Informatyki, Politechnika Koszalińska Autoreferat wersja w języku polskim 3
5. Charakterystyka osiągnięć naukowo-badawczych 5a. Praca doktorska Moja praca doktorska była związana z projektowaniem i optymalizacją cyfrowych układów elektronicznych przy uŝyciu algorytmów ewolucyjnych. W ramach pracy doktorskiej przedstawiono nową koncepcję wprowadzenia chromosomów wielowarstwowych do algorytmów ewolucyjnych oraz zaprezentowano nową metodę selekcji, którą nazwano selekcją wachlarzową. 5b. Badania prowadzone po doktoracie jednotematyczny cykl publikacji Główny aspekt moich badań zmierzający do osiągnięcia stopnia doktora habilitowanego związany jest z tematyką biologicznie inspirowanych algorytmów optymalizacji globalnej, ich modyfikacjami i inŝynierskimi zastosowaniami. Dlatego jako osiągnięcie (wynikające z art. 16 ust. 2 ustawy z dnia 14 marca 2003r. o stopniach naukowych i tytule naukowym oraz o stopniach i tytule w zakresie sztuki) i jako główny temat badań habilitacyjnych wskazuję jednotematyczny cykl publikacji pt. Biologicznie inspirowane algorytmy optymalizacji globalnej ich modyfikacje i zastosowania inŝynierskie. Na cykl ten składa się 20 publikacji, których wykaz zawarłem w 21 punkcie niniejszego autoreferatu (wykaz wszystkich moich publikacji znajduje się w załączniku nr 4a) Wśród tych publikacji znajduje się: 14 artykułów z Ministerialnej Listy A (tzw. lista filadelfijska) (artykuły numer: 1 7, 9, 11 13, 15, 18, 20), 2 artykuły z Ministerialnej Listy B (artykuły numer: 8, 17), 2 artykuły znajdujące się w materiałach konferencji zagranicznych (artykuły numer: 16, 19), oraz 2 artykuły jako rozdziały w monografii w języku angielskim (artykuły numer: 10, 14). NaleŜy zaznaczyć, Ŝe w niektórych przypadkach (np. podczas wyróŝnienia pracy) artykuły konferencyjne były przedrukowywane w wybranych czasopismach. Wówczas dla rzetelności statystyki, te dwie prace traktowane są jako ten sam artykuł, a do jednotematycznego cyklu publikacji włączano tylko jedną pracę autora. Wśród 20 artykułów stanowiących jednotematyczny cykl publikacji 9 prac zostało utworzonych ze współautorami: Prof. Michał Białko (7 prac współautorskich o numerach: 10, 14, 16 20), Prof. Jacek śurada (1 praca współautorska o numerze 13), Mgr inŝ. Justyna Słowik (1 praca współautorska o numerze 15). Oświadczenia o indywidualnym wkładzie współautorów w te publikacje przedstawiono w załączniku numer 3. W związku z powyŝszym tematem cyklu publikacji, w pracy badawczej po doktoracie zajęto się wykorzystaniem algorytmów inteligencji obliczeniowej do projektowania i optymalizacji filtrów cyfrowych o nietypowych charakterystykach amplitudowych, dla Autoreferat wersja w języku polskim 4
których standardowe aproksymacje (np. Butterworth a, Cauer a, Chebyshev a) nie mogą być stosowane. W licznych pracach po doktoracie zbadano i zastosowano do projektowania filtrów cyfrowych o nietypowych charakterystykach amplitudowych takie algorytmy jak: algorytm ewolucji róŝnicowej [20], algorytm roju cząstek [19], ciągły algorytm mrówkowy ACO R (Ant Colony Optimization algorithm for continuous domain) [18], algorytm pszczeli [17]. W badaniach równieŝ rozwaŝano aspekt projektowania minimalno-fazowych filtrów cyfrowych o nietypowych charakterystykach amplitudowych i skończonej długości słowa bitowego [4, 8]. Filtry projektowanie przy uŝyciu metody proponowanej w pracy [4] są odporne na tzw. błędy zaokrągleń oraz mogą być implementowane w dowolnych formatach liczbowych (np. w formacie liczbowym Q.15), które wynikają z docelowego systemu DSP. Otrzymane wyniki porównano z typową metodą projektowania filtrów minimalno-fazowych (metoda Yule-Walker), otrzymując lepsze rezultaty. W przypadku filtrów projektowanych metodą Yule-Walker, w celu otrzymania współczynników filtra w dowolnym formacie liczbowym (np. Q.15) otrzymane współczynniki muszą być przeskalowane oraz skwantyzowane. Zabieg ten moŝe powodować, znaczną zmianę właściwości zaprojektowanego filtra. Szczególnie jest to waŝne w przypadku filtrów IIR (Infinite Impulse Response), które są bardzo wraŝliwe na zmianę wartości współczynników. W związku z tym filtr cyfrowy po implementacji w system DSP moŝe posiadać inne właściwości niŝ filtr otrzymany przy uŝyciu wybranej metody projektowej. Natomiast filtry cyfrowe zaprojektowane przy uŝyciu metody [4] bazującej na algorytmie ewolucyjnym są pozbawione wad, które opisano wcześniej. Warto nadmienić, Ŝe metodą projektową oraz wynikami otrzymanymi w pracy [4] zainteresowała się firma definiteaudio GmbH produkująca audiofilski sprzęt nagłośnieniowy. Firma ta zainteresowana jest moŝliwością wykorzystania metody opisanej w pracy [4] do projektowania low-end owych zestawów audiofilskich opartych o filtry IIR w formie sekcji biquadowych i zaimplementowanych w system DSP. Dodatkowo, w dalszych badaniach nad projektowaniem minimalno-fazowych filtrów IIR wprowadzono hybrydyzację metody Yule-Walker z opracowaną metodą ewolucyjnego projektowania filtrów cyfrowych [4]. Dzięki hybrydyzacji znacznie skrócono czas obliczeń wymagany do otrzymania satysfakcjonującego rozwiązania, a efekty pracy przedstawiono w artykule [6]. Drugi aspekt badawczy związany z określonym na wstępie tematem badań habilitacyjnych dotyczył modyfikacji algorytmów inteligencji obliczeniowej w celu zwiększenia ich efektywności. Pod pojęciem efektywność rozumie się uzyskiwanie lepszych rezultatów przez wybrany algorytm w tym samym czasie obliczeń. W ramach pracy Autoreferat wersja w języku polskim 5
badawczej opracowano metodę adaptacyjnego doboru współczynników sterujących w algorytmie ewolucji róŝnicowej [14] oraz opracowano dwie nowe metody selekcji osobników w algorytmach ewolucyjnych: selekcję mieszaną [9] oraz selekcję rozmyto-mieszaną [1, 7]. Pierwsza modyfikacja związana jest z tym, Ŝe w algorytmie ewolucji róŝnicowej niezbędne jest ustawienie wartości takich parametrów jak: współczynnik krzyŝowania (CR), współczynnik mutacji (F) oraz wielkości populacji (NP). Wybór odpowiedniej wartości NP jest raczej łatwy i zaleŝy on od wymiarowości zadania optymalizacyjnego. Jednak wybór wartości CR oraz F jest skomplikowanym problemem i wymaga dodatkowego doświadczenia od uŝytkownika. Wartości CR i F, które są odpowiednie w wybranym problemie optymalizacji mogą powodować przedwczesną zbieŝność w innym problemie optymalizacji. Dlatego teŝ w ramach pracy badawczej opracowano metodę adaptacyjnej zmiany tych parametrów w zaleŝności od przebiegu procesu optymalizacji. W przypadku stagnacji algorytmu wartości CR i F są losowane z większego przedziału zmienności. Zabieg ten ma umoŝliwić ucieczkę algorytmu z ekstremum lokalnego. Natomiast w przypadku uzyskiwania coraz lepszych rezultatów w kolejnych iteracjach algorytmów, wartości CR i F są losowane z zawęŝonego przedziału zmienności. Zabieg ten ma powodować wymuszenie przeszukiwania lokalnego przestrzeni potencjalnych rozwiązań w pobliŝu otrzymywanych rezultatów. Otrzymane rezultaty porównano z wynikami przedstawionymi w literaturze. Proponowaną modyfikację opublikowano w pracy [14], a wykorzystano z powodzeniem w pracach [5, 10, 16]. W przypadku nowo opracowanych metod selekcji (selekcja mieszana [9] oraz selekcja rozmyto-mieszana [1, 7]) główny nacisk połoŝono na sterowanie właściwościami eksploracyjnymi (tj. przestrzeń rozwiązań jest przeszukiwana globalnie) oraz eksploatacyjnymi (tj. przestrzeń rozwiązań jest przeszukiwana lokalnie) algorytmu ewolucyjnego. W literaturze ukazano, Ŝe proces selekcji w algorytmach ewolucyjnych moŝe słuŝyć do kontroli poziomu eksploracji i eksploatacji poprzez zmianę nacisku selekcyjnego. Większy nacisk selekcyjny zwiększa eksploatację przestrzeni potencjalnych rozwiązań, analogicznie mniejszy nacisk selekcyjny powoduje zwiększenie eksploracji przestrzeni rozwiązań. ChociaŜ operatory selekcji są tematem badań od kilku dekad, to problem odpowiedniego sterowania naciskiem selekcyjnym nadal jest problemem trudnym i otwartym. W problemie tym dąŝy się, aby na początku działania algorytmu przestrzeń potencjalnych rozwiązań była przeszukiwana globalnie, a następnie wraz ze wzrostem liczby generacji, aby wzrastał współczynnik odpowiedzialny za przeszukiwanie lokalne przestrzeni. Koncepcja ta została wykorzystana podczas tworzenia oryginalnej selekcji mieszanej, w Autoreferat wersja w języku polskim 6
której zmiana parametru α (parametr występujący w opracowanej metodzie) powoduje zmianę właściwości algorytmu ewolucyjnego. Proponowaną metodę przetestowano przy uŝyciu wybranych z literatury funkcji testowych, a otrzymane wyniki porównano z wynikami otrzymanymi przy uŝyciu innych metod selekcji. Główną zaletą proponowanej selekcji mieszanej jest to Ŝe nacisk selekcyjny moŝe być łatwo zmieniany. W kaŝdej iteracji algorytmu moŝna uzyskać inną wartość nacisku selekcyjnego, wynikającą z doświadczenia uŝytkownika lub z danych statystycznych dotyczących populacji rozwiązań w kaŝdej iteracji. Wartości nacisku selekcyjnego mogą być zdefiniowane dla kaŝdej iteracji algorytmu przed jego uruchomieniem lub mogą być obliczane dynamicznie w trakcie działania algorytmu ewolucyjnego. Generalnie jednak dobór odpowiedniej funkcji sterującej dla wartości parametru α w celu zmaksymalizowania efektywności algorytmu nie jest łatwy i bardzo często zaleŝny od rozwaŝanego problemu. Inna funkcja powinna być dobrana w przypadku optymalizacji zadań opisanych przez jednomodalną funkcję celu, a inna w przypadku zadań z wielomodalną funkcją celu. W przypadku zadań opisanych przez jednomodalną funkcję celu, nie ma zagroŝenia, Ŝe algorytm utknie w ekstremum lokalnym. W związku z tym funkcja opisująca zmiany wartości parametru α powinna kłaść większy nacisk na zapewnienie eksploatacyjnych właściwości algorytmu. Natomiast w przypadku optymalizacji funkcji wielomodalnych, algorytm moŝe utknąć w ekstremum lokalnym. W związku z tym funkcja opisująca zmiany wartości parametru α powinna w początkowej fazie zapewniać dobrą eksplorację przestrzeni, aby w końcowej fazie skupić się na eksploatacji wybranych obszarów przestrzeni poszukiwań. RównieŜ podczas ustalania wartości parametru α poza liczbą iteracji pod uwagę powinien być brany czynnik determinujący brak zróŝnicowania rozwiązań w populacji. Dzięki temu, gdy algorytm utknie w ekstremum lokalnym (co wiąŝe się z wystąpieniem małego zróŝnicowania rozwiązań w populacji lub nawet wystąpieniem braku zróŝnicowania rozwiązań) wartość parametru α powinna ulec zmniejszeniu, aby zwiększyć własności eksploracyjne algorytmu, które mogą przyczynić się do jego wyjścia z ekstremum lokalnego. W podstawowej wersji selekcji mieszanej wartość parametru α wzrasta liniowo wraz ze wzrostem liczby generacji algorytmu. Jednak taki model zmian wartości parametru α moŝe nie być odpowiedni w przypadku przedwczesnej zbieŝności algorytmu, kiedy wymagane są większe własności eksploracyjne. W takim przypadku nacisk selekcyjny powinien zostać obniŝony (zmniejszenie wartości parametru α). Z tego powodu opracowano metodę automatycznego doboru wartości parametru α w metodzie selekcji mieszanej przy uŝyciu teorii zbiorów rozmytych. Autoreferat wersja w języku polskim 7
W nowopowstałej metodzie selekcji nazwanej selekcją rozmyto-mieszaną [7] sterowanie parametrem α odbywa się z uwzględnieniem zarówno liczby generacji algorytmu ewolucyjnego oraz stopnia zróŝnicowania rozwiązań w populacji (aby zapobiec przedwczesnej zbieŝności algorytmu). Wprowadzenie sterowania rozmytego (z wykorzystaniem zbiorów rozmytych typu pierwszego) do doboru wartości parametru α spowodowało większą automatyzację tej metody selekcji. Wyniki generowane przez obie metody selekcji zostały porównane z wynikami uzyskanymi przy uŝyciu innych metod selekcji oraz dodatkowo statystycznie (przy uŝyciu testu t-student a) sprawdzono waŝność otrzymywanych rezultatów. W pracy [1] do sterowania parametrem α wykorzystano zbiory rozmyte typu drugiego 1. Jednak otrzymane wyniki nie były statystycznie (przy uŝyciu testu t- Studenta dla 95% poziomu pewności) waŝne na tle wyników przedstawionych w pracy [7]. W dalszych działaniach związanych z tematyką badań habilitacyjnych opracowano ewolucyjną metodę optymalizacji liczby bramek w układach PLA (Programmable Logic Array) implementowanych w układy VLSI. Metoda ta powstała przy współpracy z Prof. Jackiem śuradą z University of Louisville, USA. Obecnie układy programowalne są coraz powszechniej stosowane w praktyce. Wśród nich między innymi moŝna wymienić układy PLA. Układy te zawierają matryce AND oraz OR, których wspólną cechą jest to, Ŝe są one obie programowalne. Podczas implementacji wyraŝenia logicznego w PLA dąŝy się (przy uŝyciu metod minimalizacji logicznej), aby osiągnąć minimalną lub sub-minimalną liczbę mnoŝeń. MoŜna to uzyskać stosując metodę Map Karnaugh a, metodę Quine a-mccluskey a lub wykorzystać heurystyki dostępne w programie SIS (program do syntezy logicznej, opracowany na Uniwersytecie Kalifornijskim). Jednak problem ten jest o wiele bardziej skomplikowany, kiedy układ PLA ma być implementowany w technologii VLSI. W takim przypadku wyraŝenie logiczne zawierające bramki AND, OR, NOT, musi być przekształcone na wyraŝenie logiczne złoŝone z bramek NOR i NOT. Jest to spowodowane tym, Ŝe obie matryce (obszary) AND i OR (z układu PLA) są realizowane w technologii VLSI tylko i wyłącznie przy uŝyciu bramek NOT i NOR. Problem ten komplikuje się jeszcze bardziej, gdy w układzie PLA ma być realizowanych kilka funkcji logicznych jednocześnie. Ewolucyjną metodę rozwiązującą ten problem przedstawiono w pracy [13] i przetestowano ją na problemie optymalizacji skrzynek selekcyjnych w sprzętowej realizacji algorytmu kryptograficznego DES. Wyniki otrzymane w pracy [13] porównano z wynikami uzyskanymi przy uŝyciu programu SIS z róŝnymi skryptami projektowymi takimi jak: rugged, algebraic, 1 Nilesh N. Karnik, Jerry M. Mendel, Qilian Liang, "Type-2 Fuzzy Logic Systems", IEEE Transactions of Fuzzy Systems, Volume 7, No. 6, pp. 643-658, December, 1999, doi:10.1109/91.811231 Autoreferat wersja w języku polskim 8
boolean. ZauwaŜono, Ŝe proponowana metoda pozwala zredukować liczbę bramek w optymalizowanym układzie w stosunku do układów optymalizowanych innymi metodami. W pracy [11] przedstawiono ewolucyjną metodę minimalizacji poboru mocy podczas procesu testowania układów cyfrowych. Jak wiadomo układy cyfrowe są szeroko stosowane w obecnie produkowanym sprzęcie elektronicznym. Podczas projektowania układów cyfrowych VLSI waŝne jest, aby zaprojektowany układ pobierał moŝliwie jak najmniej energii. Wymóg ten jest szczególnie waŝny w przypadku układów elektronicznych stosowanych w urządzeniach mobilnych. Układy cyfrowe cechujące się mniejszym poborem energii powodują wydłuŝenie czasu Ŝycia baterii zasilającej mobilne urządzenie. RównieŜ waŝnym elementem jest zmniejszenie poboru mocy przez układ podczas procesu jego testowania. Testowanie układów cyfrowych nie odbywa się tylko po ich wytworzeniu ale takŝe jest dokonywane podczas ich działania. W układach CMOS moc pobierana jest głównie podczas przełączania się elementów układu pomiędzy stanami logicznymi. Z tego względu średni pobór mocy przez układ podczas procesu testowania moŝe być znacząco większy od średniego poboru mocy podczas pracy tego układu. RównieŜ na skutek nieodpowiedniego podania wektorów testowych moŝe się zdarzyć, Ŝe testowany układ ulegnie zniszczeniu. W celu zminimalizowania poboru mocy przez testowany układ opracowano wiele róŝnych metod polegających na odpowiednim doborze kolejności podawania wektorów testowych na wejścia testowanego układu. Kolejność ta jest ustalana w taki sposób, aby po zmianie wektora testowego w układzie nastąpiło moŝliwie jak najmniej zmian stanów logicznych. W literaturze moŝna znaleźć system do minimalizacji poboru mocy oparty na programie DEFGEN 2 oraz system oparty na algorytmie genetycznym 3. Rezultaty otrzymane przez system DEFGEN okazały się lepsze od rezultatów otrzymanych w innych pracach związanych z minimalizacją poboru mocy podczas testowania układów cyfrowych. Jednak zbiory testowe tworzone przez system DEFGEN gwarantowały bardzo zróŝnicowane wartości pokrycia uszkodzeń (współczynnik wykrywania uszkodzeń zawierał się w przedziale [70.22%; 100%]). W badaniach prowadzonych w ramach habilitacji opracowano i przedstawiono system hybrydowy do wyznaczania optymalnej kolejności wektorów testowych. Zbiór wektorów generowano przy uŝyciu programu MINTEST 4, a następnie optymalizowano przy uŝyciu algorytmu ewolucyjnego. Proponowaną metodę nazwano 2 Defect oriented test pattern Generation for IDDQ and/or voltage testing, Institute of Informatics SAS, Bratislava, Department of Design and Diagnostics of Digital Structures, April 2002 3 Paramasivam K., Gunavathi Dr.K., Reordering Algorithm for Minimizing Test Power in VLSI Circuits, Engineering Letters, 14:1, EL_14_1_15, February 2007 4 Hamzaoglu I., Patel J.H., Test set compaction algorithms for combinational circuits, Proc. Int. Conf. CAD, (1998), 283-289 Autoreferat wersja w języku polskim 9
EvoATPG (Evolutionary Automatic Test Pattern Generator) i opublikowano w pracy [11]. Zbiory testowe otrzymane przy uŝyciu metody EvoATPG gwarantują wykrycie od 95% do 100% uszkodzeń w prezentowanych układach testowych. Otrzymane rezultaty porównano równieŝ z wynikami otrzymanymi z literatury. W dalszych badaniach habilitacyjnych starano się zwiększyć efektywność ewolucyjnego projektowania kombinacyjnych układów cyfrowych. W tym celu opracowano hybrydową metodę minimalizacji liczby tranzystorów w kombinacyjnych układach cyfrowych. W proponowanej metodzie połączono system SIS z algorytmem ewolucyjnym. Dzięki temu moŝliwe stało się optymalizowanie układów o większej liczbie wejść niŝ w przypadku tradycyjnej ewolucyjnej optymalizacji przedstawionej w rozprawie doktorskiej. Opracowaną hybrydową metodę zastosowano do optymalizacji liczby tranzystorów w wybranych z literatury układach testowych. Otrzymane wyniki porównano z rezultatami otrzymanymi przy uŝyciu tradycyjnych metod. RównieŜ takie podejście znacznie skróciło czas potrzebny na otrzymanie zadowalającego rezultatu. Metodę wraz z wynikami uzyskanymi przy jej uŝyciu przedstawiono w pracy [12]. NaleŜy zaznaczyć, Ŝe w badaniach habilitacyjnych poruszono równieŝ problem projektowania cyfrowych układów polimorficznych przy uŝyciu technik ewolucyjnych. Elektronika polimorficzna jest stosunkowo nowym kierunkiem badań, w ramach którego opracowano cyfrowe bramki polimorficzne. Zaletą tych bramek jest to, Ŝe pojedyncza bramka polimorficzna moŝe realizować kilka funkcji logicznych. Funkcje te ulegają zmianie w zaleŝności np. od napięcia zasilania układu, dając moŝliwość niemal natychmiastowej rekonfiguracji układu. Jak wiadomo, do projektowania typowych kombinacyjnych układów cyfrowych moŝna zastosować jedną z wielu metod (np. Map Karnaugh a, Quine a-mccluskey a) lub wykorzystać gotowe oprogramowanie słuŝące do optymalizacji układów cyfrowych (np. SIS, MVSIS, ESPRESSO). Jednak projektowanie cyfrowych układów kombinacyjnych w oparciu o bramki polimorficzne jest utrudnione. W celu rozwiązania tego problemu opracowano ewolucyjną metodę do projektowania kombinacyjnych polimorficznych układów cyfrowych. Opracowaną metodę oraz uzyskane przy jej uŝyciu wyniki porównano z wynikami przedstawionymi w literaturze i opublikowano w pracy [3]. Przy jej uŝyciu zaprojektowano kilka polimorficznych układów cyfrowych. NaleŜy takŝe zaznaczyć, Ŝe dwie prace [25a, 26] (patrz wykaz publikacji załącznik 4a) opublikowane po doktoracie odwołują się do zagadnień poruszanych w rozprawie doktorskiej. Praca [26] (patrz wykaz publikacji załącznik 4a) dotyczy ewolucyjnego wielokryterialnego projektowania kombinacyjnych układów cyfrowych, natomiast praca [25a] (patrz wykaz Autoreferat wersja w języku polskim 10
publikacji załącznik 4a) związana jest z badaniem wpływu sposobu kodowania rozwiązań na efektywność ewolucyjnego projektowania kombinacyjnych układów cyfrowych. Obie te prace pomimo, Ŝe zostały opublikowane po doktoracie, wyłączono z jednotematycznego cyklu publikacji przedstawionego do oceny w celu uzyskania stopnia doktora habilitowanego. Kolejny obszar badań po doktoracie, który związany jest z tematem badań habilitacyjnych dotyczył zastosowania technik ewolucyjnych do trenowania sztucznych sieci neuronowych. Jak wiadomo, do trenowania sztucznych sieci neuronowych wykorzystywane są specjalizowane algorytmy gradientowe. Wśród nich najbardziej popularne to metoda wstecznej propagacji błędu (EBP) oraz metoda Levenberg a-marquardt a (LM). Jednak metoda EBP posiada kilka wad. Wśród nich moŝna wymienić: duŝą liczbę iteracji potrzebną do otrzymania satysfakcjonujących rezultatów oraz wraŝliwość na lokalne minima. Działanie metody EBP zaleŝy równieŝ od wartości tzw. współczynnika uczącego. Gdy jego wartość jest za mała wówczas rezultatem jest długi czas trenowania, a gdy jego wartość jest za duŝa wówczas algorytm moŝe oscylować. W przypadku algorytmu LM główne jego wady dotyczą obliczania funkcji błędu oraz inwersji jakobianu. Obliczenia te są wykonywane na macierzy o rozmiarze równym liczbie wag w sztucznej sieci neuronowej, prowadząc do duŝego zapotrzebowania algorytmu na pamięć operacyjną. RównieŜ algorytm LM jest algorytmem optymalizacji lokalnej i nie ma gwarancji znalezienia minimum globalnego funkcji celu. W przypadku utknięcia w minimum lokalnym nie ma moŝliwości ucieczki i otrzymane rozwiązanie jest nie optymalne. Z tych względów zdecydowano się na zastosowanie algorytmu ewolucji róŝnicowej (z autorskimi modyfikacjami polegającymi na wprowadzeniu adaptacyjnego doboru wartości sterujących F i CR zgodnie z wcześniej opracowaną metodą przedstawioną w pracy [14]) do trenowania sztucznych sieci neuronowych. Algorytm ewolucji róŝnicowej (DE) posiada efektywne zarządzanie pamięcią, cechuje się niską złoŝonością obliczeniową (lepiej skaluje się do duŝych problemów). Algorytm DE jest efektywnym algorytmem optymalizacji nieliniowej z ograniczeniami i równieŝ często stosowany jest do optymalizacji problemów wielomodalnych. Opracowaną metodę trenowania sztucznych sieci neuronowych przedstawiono w pracy [16]. Praca [16] otrzymała nagrodę The Best Paper Award podczas konferencji IEEE Conference on Human System Interaction, Kraków, Maj 2008 na której była prezentowana. Dalsze badania nad stosowaniem algorytmów ewolucji róŝnicowej do trenowania sztucznych sieci neuronowych koncentrowały się nad róŝnymi modyfikacjami tych algorytmów. W tym celu opracowano adaptacyjny algorytm ewolucji róŝnicowej z dynamicznie zmieniającą się wielkością populacji. Algorytm ten przetestowano na problemach przedstawionych w pracy [16] Autoreferat wersja w języku polskim 11
otrzymując lepsze rezultaty. Jego publikacja łącznie z otrzymanymi wynikami nastąpiła w pracy [10]. Opracowano równieŝ oryginalny adaptacyjny algorytm ewolucji róŝnicowej z wieloma wektorami tymczasowymi. Opracowany algorytm nazwano DE-ANNT+. Algorytm ten umoŝliwia trenowanie sztucznych sieci neuronowych o dowolnych architekturach i nieróŝniczkowalnych funkcjach aktywacji w neuronach. Dwie modyfikacje jakie wprowadzono w tym algorytmie polegały na adaptacyjnym doborze parametrów sterujących algorytmem oraz na zastosowaniu techniki wielu wektorów tymczasowych. Dzięki zastosowaniu adaptacyjnej selekcji parametrów, liczba wymaganych przez algorytm parametrów została zmniejszona. Natomiast technika wielu wektorów tymczasowych powoduje wzrost prawdopodobieństwa wygenerowania lepszego rozwiązania, poniewaŝ większa liczba tymczasowych rozwiązań jest tworzona dookoła istniejących rozwiązań. Algorytm DE-ANNT+ z tymi dwoma modyfikacjami zastosowano do trenowania sztucznych sieci neuronowych do klasyfikacji problemów parity-p. Wyniki otrzymane przy uŝyciu opracowanego algorytmu porównano z wynikami uzyskanymi przy uŝyciu algorytmu ewolucyjnego, algorytmu ewolucji róŝnicowej bez techniki wielu wektorów tymczasowych oraz przy uŝyciu gradientowych metod trenujących takich jak: algorytm wstecznej propagacji błędu oraz algorytm Levenberg a-marquardt a. Uzyskane przez algorytm DE-ANNT+ wyniki okazały się lepsze od wyników uzyskanych przy uŝyciu: algorytmu ewolucyjnego, algorytmu ewolucji róŝnicowej bez techniki wielu wektorów tymczasowych oraz algorytmu wstecznej propagacji błędu. W stosunku do wyników uzyskanych przez algorytm Levenberg a- Marquardt a, wyniki uzyskane przy uŝyciu metody DE-ANNT+ okazały się porównywalne. Jednak w przypadku opracowanego algorytmu DE-ANNT+ zapotrzebowanie na pamięć operacyjną komputera rośnie o wiele wolniej niŝ w przypadku algorytmu Levenberg a- Marquardt a wraz ze wzrostem wartości p w przypadku problemu parity-p. RównieŜ warto zaznaczyć, Ŝe opracowany algorytm DE-ANNT+ umoŝliwia w łatwy sposób trenowanie sieci neuronowych wielowyjściowych, sieci neuronowych o niestandardowych architekturach (np. sieci neuronowe o architekturze wieŝowej), sieci neuronowych o nieróŝniczkowalnych funkcjach aktywacji neuronów, dla których to wymienionych przypadków zastosowanie algorytmu wstecznej propagacji błędu lub algorytmu Levenberg a-marquardt a nie jest moŝliwe. Opracowaną metodę DE-ANNT+ łącznie z otrzymanymi wynikami opublikowano w pracy [5]. W badaniach habilitacyjnych skoncentrowano się równieŝ na optymalizacji wielokryterialnej. Opracowano autorski algorytm ewolucyjny słuŝący do wielokryterialnej optymalizacji procesu szlifowania. W opracowanym algorytmie wprowadzano optymalizację Autoreferat wersja w języku polskim 12
w sensie Pareto, a wszystkie akceptowalne i niezdominowane rozwiązania zapamiętywano w zbiorze dopuszczalnych rozwiązań. Dzięki temu końcowym rezultatem działania algorytmu nie było pojedyncze rozwiązanie, ale cały ich zbiór. Opracowaną metodę przetestowano na przykładzie zaczerpniętym z literatury, a otrzymane rezultaty porównano z wynikami otrzymanymi przy uŝyciu innych metod. Koncepcję metody, badania odnośnie jej wraŝliwości na zmianę parametrów wejściowych algorytmu ewolucyjnego oraz otrzymane przy jej uŝyciu wyniki szczegółowo przedstawiono w pracy [15]. W ramach badań habilitacyjnych opracowano równieŝ system automatycznego konfigurowania zestawów komputerowych. Jak wiadomo obecnie problem konfiguracji zestawu komputerowego jest coraz bardziej złoŝony szczególnie dla uŝytkowników o małej wiedzy odnośnie poszczególnych komponentów sprzętowych. Na rynku w chwili obecnej mamy bardzo duŝo róŝnego rodzaju kart graficznych, procesorów, itd. Podczas procesu zakupu sprzętu, główny problem decyzyjny polega na takiej konfiguracji zestawu PC, aby uzyskać wymaganą efektywność przy akceptowalnej cenie. Oczywiście, co więcej, zestaw PC, który idealnie pracuje z aplikacjami biurowymi, będzie prawdopodobnie nieefektywny do zastosowań multimedialnych. W proponowanym systemie konfiguracji zestawów komputerowych zastosowano serwer bazodanowy do przechowywania szczegółowych specyfikacji sprzętu łącznie z wydajnością i ceną poszczególnych elementów składowych komputera. Proponowany system oparto o algorytm optymalizacji wielokryterialnej SPEA2 5 (Improving the Strength Pareto Evolutionary Algorithm), który dostosowano do rozwaŝanego problemu. Dodatkowo w proponowanym systemie, kaŝdy komponent PC posiada wagę swojej waŝności. Dzięki temu uŝytkownik moŝe łatwo zdefiniować wiele róŝnych wariantów konfiguracji PC. Opracowany system moŝe być łatwo zaimplementowany i uŝyty w dowolnym sklepie komputerowym w celu pomocy pracownikom przy konfiguracji zestawów PC. RównieŜ opracowany system moŝe być uŝyty przez potencjalnych klientów w celu pomocy w podjęciu decyzji o zakupie odpowiedniego zestawu komputerowego. Ideę sytemu konfiguracji zestawów PC (w oparciu o wielokryterialny algorytm ewolucyjny), łącznie z przeprowadzonymi testami przedstawiono w pracy [2]. Na koniec tego opracowania naleŝy równieŝ dodać, Ŝe poza głównymi kierunkami badań habilitacyjnych (które przedstawiono powyŝej), opracowano takŝe artykuły będące przeglądem wiedzy w dziedzinie optymalizacji ewolucyjnej [32] (patrz wykaz publikacji załącznik 4a) oraz w dziedzinie ewolucyjnego projektowania kombinacyjnych układów 5 Zitzler E., Laumanns M., Thiele L., SPEA2: Improving the Strength Pareto Evolutionary Algorithm, Technical Report 103, Computer Engineering and Networks Laboratory (TIK), ETH Zurich, Switzerland (2001) Autoreferat wersja w języku polskim 13
cyfrowych [27a, 27b] (patrz wykaz publikacji załącznik 4a). Opracowano takŝe dwa rozdziały, na temat obliczeń ewolucyjnych [24] (patrz wykaz publikacji załącznik 4a) oraz na temat algorytmu roju cząstek [23] (patrz wykaz publikacji załącznik 4a). Rozdziały te ukazały się w monografii Intelligent Systems wydanej przez uznane wydawnictwo CRC Press (USA). RównieŜ jedna praca związana z algorytmami ewolucyjnymi o wielowarstwowych chromosomach i ich zastosowaniach w elektronice była prezentowana jako referat zaproszony [31] (patrz wykaz publikacji załącznik 4a) podczas V Krajowej Konferencji Technologie Informacyjne odbywającej się w maju 2007 roku na Politechnice Gdańskiej na Wydziale Elektroniki, Telekomunikacji i Informatyki. Według mojej oceny najistotniejszymi nowymi osiągnięciami po doktoracie są: I. Projektowanie filtrów cyfrowych a) zbadanie technik inteligencji obliczeniowej w aspekcie projektowania filtrów cyfrowych o nietypowych charakterystykach amplitudowych b) opracowanie metody projektowania minimalno-fazowych filtrów cyfrowych o nietypowych charakterystykach amplitudowych i skończonej długości słowa bitowego (projektowane filtry są odporne na tzw. błędy zaokrągleń) c) wprowadzenie hybrydyzacji metody Yule-Walker z opracowaną metodą ewolucyjnego projektowania filtrów cyfrowych II. Modyfikacje biologicznie inspirowanych algorytmów optymalizacji a) opracowanie metody adaptacyjnego doboru współczynników sterujących w algorytmie ewolucji róŝnicowej b) opracowanie dwóch nowych metod selekcji dla algorytmów ewolucyjnych (selekcja mieszana oraz selekcja rozmyto-mieszana) c) opracowanie kilku wariantów algorytmu ewolucji róŝnicowej i jego modyfikacji (dynamiczna zmiana rozmiaru populacji rozwiązań w algorytmie, adaptacyjny dobór parametrów sterujących pracą algorytmu, wprowadzenie do algorytmu techniki wielu wektorów tymczasowych) do trenowania sztucznych sieci neuronowych III. Projektowanie układów cyfrowych a) opracowanie ewolucyjnej metody optymalizacji liczby bramek w układach PLA implementowanych w układy VLSI b) opracowanie ewolucyjnej metody minimalizacji poboru mocy podczas procesu testowania układów cyfrowych Autoreferat wersja w języku polskim 14
Sztuczna inteligencja i systemy ekspertowe (wykład i ćwiczenia, studia inŝynierskie) Oprogramowanie narzędziowe (ćwiczenia, studia inŝynierskie) Hybrydowe systemy ekspertowe (wykład i ćwiczenia, studia magisterskie) Algorytmy i struktury danych (ćwiczenia, studia inŝynierskie) Inteligencja obliczeniowa (wykład i ćwiczenia, studia inŝynierskie) Metody numeryczne (ćwiczenia, studia inŝynierskie) Zastosowania sztucznej inteligencji (projekt, studia inŝynierskie) Zastosowania matematyki w technice I (wykład, studia doktoranckie) Zastosowania matematyki w technice II (wykład, studia doktoranckie) Metody sztucznej inteligencji (wykład, studia doktoranckie) 6b. Promowanie i recenzowanie studenckich prac dyplomowych Od marca 2007 wypromowałem: 6-ściu magistrów 36-ściu inŝynierów Od marca 2007 byłem recenzentem: 5-ciu prac magisterskich 26-ściu prac inŝynierskich 7. Realizowane projekty badawcze 7a. Granty Ministerialne W latach 2005-2012 byłem wykonawcą w 2 grantach ministerialnych, których szczegółowe dane są następujące: 2010-2012: Zastosowanie układów cyfrowych pracujących w trybie prądowym w jednostkach przetwarzających systemów kryptograficznych, praca finansowana przez Polskie Ministerstwo Nauki i Szkolnictwa WyŜszego (MNiSW) jako Projekt Badawczy numer 0867/B/T00/2009/37. Moja rola w projekcie: Wykonawca, 2005-2006: Projektowanie i optymalizacja cyfrowych układów elektronicznych przy uŝyciu algorytmów ewolucyjnych, praca finansowana przez Polskie Autoreferat wersja w języku polskim 16
Ministerstwo Nauki i Szkolnictwa WyŜszego (MNiSW) jako Projekt Badawczy numer 3 T11B 025 29, Moja rola w projekcie: Główny wykonawca. 7b. Badania statutowe i własne W latach 2005-2012 brałem udział jako wykonawca w 4-ech projektach badawczych prowadzonych w ramach badań statutowych i badań własnych. Dane tych projektów są następujące: 2011-2012: Rozwój systemów informatycznych wspierających projektowanie cyfrowych układów elektronicznych, Badania Statutowe. Moja rola w projekcie: Wykonawca. 2009-2010: Metody sztucznej inteligencji w projektowaniu układów elektronicznych, Badania Własne. Moja rola w projekcie: Wykonawca. 2007-2008: Zastosowanie bramek prądowych w układach cyfrowych wymagających ochrony przetwarzanych danych, Badania Statutowe. Moja rola w projekcie: Wykonawca. 2005-2006: Opracowanie procedur komputerowego wspomagania projektowania reprogramowalnych równoległych jednostek przetwarzających dla jednoukładowych systemów czasu rzeczywistego, Badania Statutowe. Moja rola w projekcie: Wykonawca. 8. Znajomość języków Angielski: Bardzo dobry; Uczestnictwo w wielu Międzynarodowych Konferencjach Naukowych Niemiecki: Podstawowy Rosyjski: Podstawowy 9. Umiejętności zawodowe OS: Linux, Windows programowanie: C/C++, Pascal, JAVA, Borland C++ Builder, Borland Delphi, NetBeans, SQL, CLIPS nauka: Matlab, SciLab, LaTeX bazy danych: MySQL Autoreferat wersja w języku polskim 17
10. Doświadczenie w przemyśle od 2011: Współpraca z firma programistyczna Creative GIS Solutions nad inteligentnym systemem rutowania połączeń w firmach transportowych 2009-2011: Współpraca z firma programistyczna MediaSelf nad rozwojem inteligentnego oprogramowania opartego o modele Collective Intelligence and Semantic Web 2000-2004: Praca na umowę zlecenie jako programista w firmie PST-AVISTRANS 2000: Odbycie praktyki zawodowej w dziale serwisu firmy ZETO Koszalin 11. Przewodniczenie w sesjach i konferencjach, prowadzenie sekcji specjalnych Po obronie doktoratu byłem przewodniczącym (Co-Chair) track u w uznanej konferencji międzynarodowej (ETFA 2012) oraz prowadziłem 1 sekcję specjalną w czasopiśmie IEEE Transactions on Industrial Electronics (lista filadelfijska). Szczegółowe dane są następujące: 2012: Track Co-Chair w Track 6: Computational Intelligence and Modern Heuristics in Automation podczas konferencji 17th IEEE International Conference on Emerging Technologies and Factory Automation, September 17-21, 2012, Kraków, Poland (więcej informacji w załączniku numer 12) 2009-2012: Przygotowanie i przeprowadzenie Special Section on Intelligent Systems w IEEE Transactions on Industrial Electronics (JCR) (Guest Editor), Special Section prowadzona była wspolnie z osobami: Dr Milos Manic University of Idaho, USA Dr Honghai Liu University of Portsmouth, UK Prof. Bogdan Wilamowski Auburn University, USA (więcej informacji w załączniku numer 5 i załączniku numer 11) 12. Członkostwo w organizacjach Członek IEEE (IEEE Senior Member od 2012 roku) Członek IEEE (IEEE Member od 2007 roku) Członek IEEE Computational Intelligence Society Członek IEEE Industrial Electronics Society Autoreferat wersja w języku polskim 18
Członek Komitetu Informatyki Polskiej Akademii Nauki - Oddział Gdańsk Członek Polskiego Towarzystwa Elektrotechniki Teoretycznej i Stosowanej 13. Członkostwo w Komitetach Naukowych Konferencji Od marca 2007 (po obronie doktoratu) byłem członkiem w Komitecie Naukowym 16 konferencji (w tym 15 konferencji międzynarodowych i 1 konferencji krajowej). Szczegółowe dane odnośnie tych konferencji prezentuje poniŝej: 5th International Conference on Agents and Artificial Intelligence, ICAART 2013, 15-18 February, 2013, Barcelona, Spain International Conference on Evolutionary Computation Theory and Applications, ECTA 2012, 5 7 October, 2012, Barcelona, Spain 17th IEEE International Conference on Emerging Technologies and Factory Automation, ETFA 2012, September 17-21, 2012, Kraków, Poland 9th International Conference on Informatics in Control, Automation and Robotics, ICINCO 2012, 28-31 July, 2012, Rome, Italy 4th International Conference on Agents and Artificial Intelligence, ICAART 2012, 6-8 February, 2012, Vilamoura, Algarve, Portugal 11th International Conference on Artificial Intelligence and Soft Computing, ICAISC 2012, April 29 - May 3, 2012, Zakopane, Poland 8th International Conference on Informatics in Control, Automation and Robotics, ICINCO 2011, 28-31 July, 2011, Noordwijkerhout, The Netherlands Third International Conference on Agents and Artificial Intelligence, ICAART 2011, 28-30 January, 2011, Rome, Italy International Conference on Evolutionary Computation, ICEC 2010, 24-26 October, 2010, Valencia, Spain 7th International Conference on Informatics in Control, Automation and Robotics, ICINCO 2010, 15-18 June, 2010, Funchal, Madeira Portugal The 10th International Conference on Artificial Intelligence and Soft Computing, ICAISC 2010, June 13-17, 2010, Zakopane, Poland Second International Conference on Agents and Artificial Intelligence, ICAART 2010, 22-24 January, 2010, Valencia, Spain International Conference on Adaptive and Natural Computing Algorithms, ICANNGA 2009, 23-25 April, 2009, Kuopio, Finland 6th International Conference on Informatics in Control, Automation and Robotics, Autoreferat wersja w języku polskim 19
ICINCO 2009, 2-5 July, 2009, Milan, Italy International Conference on Agents and Artificial Intelligence, ICAART 2009, 19-21 January, 2009, Porto, Portugal V Krajowa Konferencja Technologie Informacyjne, Politechnika Gdańska, Wydział Elektroniki, Telekomunikacji i Informatyki, 20-23 maja 2007, Gdańsk 14. WyróŜnienia i Nagrody 2012: IEEE Senior Member Moja kandydatura do stopnia IEEE Senior Member została zgłoszona przez Prof. Bogdana M. Wilamowskiego z Auburn University, USA, (IEEE Fellow). Referencje otrzymałem od: Prof. Bogdana M. Wilamowskiego, Auburn University, USA, (IEEE Fellow) Prof. Jacka M. śurady, University of Lousiville, USA, (IEEE Fellow) Prof. Carlosa A. Coello Coello, CINVESTAV-IPN, Meksyk, (IEEE Fellow) 2011: Nagroda Indywidualna II-go stopnia Rektora Politechniki Koszalińskiej za publikacje naukowe za lata 2009-2010 2011: Włączenie biografii do 2011 Edition of Marquis Who's Who in the World 2009: Nagroda Indywidualna II-go stopnia Rektora Politechniki Koszalińskiej za publikacje naukowe za lata 2006-2008 2009: Włączenie biografii do 2009 Edition of Marquis Who's Who in the World 2008: Nagroda Indywidualna II-go stopnia Rektora Politechniki Koszalińskiej za rozprawę doktorską 2008: The Best Paper Award in Human System Interaction Conference, Kraków 2008 (więcej informacji w załączniku numer 8) 2007: Rozprawa doktorska obroniona z wyróŝnieniem Autoreferat wersja w języku polskim 20