Diplomová práce se zabývá optimalizací s využitím náhradních modelů v aplikacích souvisejících s klimatickou změnou. Práce propojuje teoretické principy surrogate-based optimization s praktickým experimentálním ověřením na dvou rozdílných úlohách (rozmísťování environmentálních senzorů a optimalizace rozmístění větrných turbín).

Teoretická část práce je zpracována přehledně a systematicky. Autor postupně představuje problematiku nákladných black-box optimalizačních úloh, principy náhradního modelování, typy surrogate modelů i vybrané optimalizační algoritmy.

Za hlavní přínos práce považuji rozsáhlou experimentální část. Autor vytvořil vlastní experimentální framework umožňující jednotné spouštění, vyhodnocování a porovnávání více optimalizačních metod napříč dvěma odlišnými typy úloh.

Během řešení práce student pracoval samostatně, pravidelně konzultoval dosažené výsledky a aktivně reagoval na připomínky.

Práce samozřejmě obsahuje i určité limity. Experimentální část je založena na omezeném počtu aplikačních úloh a konfigurací algoritmů, což autor v závěru korektně reflektuje. Tyto limity však nesnižují celkovou odbornou úroveň práce. Objevují se také občasné formální pochybení, jako slabá kvalita obrázků či jednopísmenná slova na konci řádků.

Diplomová práce splnila všechny vytyčené cíle. Práci doporučuji k obhajobě a hodnotím ji stupněm A/výborně.

Práce splňuje základní požadavky zadání a vykazuje přínos v oblasti aplikace optimalizačních metod s využitím náhradních modelů. Postup řešení je celkově adekvátní a odpovídá charakteru řešených úloh, použité metody jsou zvoleny vhodně. U algoritmu Random Search však dochází k redukci problému na náhodný výběr z konečné množiny kandidátů; vhodnější by bylo zachovat mapování kandidátů do spojitého prostoru řešení, obdobně jako u ostatních algoritmů, aby byla zachována metodická konzistence. Práce přináší vlastní implementaci a aplikaci optimalizačních metod na praktické úlohy, což lze hodnotit pozitivně, nicméně interpretace výsledků by si zasloužila větší důslednost a přesnost. Například u pojmu „průměrný čas jedné evaluace“, který ve skutečnosti označuje čas jedné iterace algoritmu. Dále u některých kritérií, jako je „podíl rozpočtu do nalezení nejlepšího řešení“, není jasně uvedeno, zda jde o průměrnou nebo mediánovou hodnotu. V práci je také uvedeno, že Random Search dosahuje nejlepších výsledků u úlohy se senzory, protože při daném počtu evaluací pokryje celý prostor kandidátních lokalit, avšak chybí informace o velikosti množiny kandidátních lokalit, bez které nelze toto tvrzení objektivně posoudit. Současně by bylo vhodné u souhrnných konvergenčních grafů výslovně uvést, že zobrazují průměrné hodnoty nejlepších nalezených řešení. Z hlediska využitelnosti výsledků v praxi je práce přínosná, protože řeší dvě praktické úlohy s jasnou vazbou na reálné použití. Pro větší srozumitelnost by bylo vhodné doplnit krátký popis algoritmu Random Search, který je sice používán a porovnáván s dalšími metodami, ale není vysvětlen. Zároveň je třeba opatrněji formulovat tvrzení na začátku druhé kapitoly, že výpočetně náročné úlohy jsou zároveň black-box problémy, protože to neplatí obecně. Práce je logicky strukturovaná, avšak v některých částech dochází k opakování již uvedených informací, zejména v teoretické části o náhradních modelech. Po grafické a stylistické stránce práce vykazuje nedostatky, zejména v kvalitě vložených obrázků a grafů, které jsou místy obtížně čitelné, a také v některých jazykových formulacích, například v části „Ak funkcia obsahuje viacero lokálnych extrémov…“, kde je věta stylisticky nevhodně rozdělena. Celkově však práce působí solidně a dosahuje cílů, kterých si stanovila a kvalitně srovnává zmíněné algoritmy. Kladně hodnotím zejména využití KD-stromu pro efektivní vyhledávání nejbližších kandidátů, které představuje vhodné zlepšení výpočetní efektivity navrženého řešení. Práci doporučuji k obhajobě. Topics for thesis defence:

1. Student v práci uvádí velké množství metrik. Jakým způsobem probíhal jejich výběr? Jak se na kritériu „podíl rozpočtu do nalezení nejlepšího řešení“ projeví, pokud algoritmus po několika iteracích ustane na nepříliš dobrém řešení a už se více nezlepší?
2. Zvažoval student i další terminační kritéria? Pokud ano, která konkrétně?
3. Jak velká byla množina kandidátních lokalit u úlohy se senzory? V práci to není uvedeno, přesto se na tuto skutečnost odkazuje při vysvětlení, proč Random Search dosahoval tak dobrých výsledků.