Předložená diplomová práce se věnuje využití kvantově inspirovaných evolučních algoritmů v oblasti strojového učení. Práce má logickou strukturu s členěním do šesti kapitol na 68 stranách. V rámci teoretické části práce je provedena rešerše a uveden základní přehled jak klasických evolučních algoritmů, tak i algoritmů, které jsou inspirovány kvantovými výpočty. Rešerše je přehledně zpracovaná a má dobrou vypovídající hodnotu. Celkem práce odkazuje na 62 položek literatury, ve většině případů se jedná o kvalitní vědecké publikace.
V praktické části byly implementovány dílčí algoritmy, které byly otestovány na klasických optimalizačních úlohách (minimalizace zadané funkce). Dále byl proveden výběr vhodných úloh v oblasti strojového učení – feature selection a shluková analýza. Pro obě tyto úlohy byl navržen a realizován postup, který využíval algoritmy QPSO, multiQPSO, QGA a QWOA. Výsledky jednotlivých úloh jsou dobře diskutovány a v obou případech srovnány s klasickými postupy strojového učení. Předložené výsledky ukazují možné využití a limitace těchto algoritmů.
Studentka pracovala aktivně během celého roku, pravidelně navštěvovala konzultace a prezentovala postup práce. Část práce (úloha selekce příznaků) byla prezentována na studentské konferenci Student EEICT 2026. Předloženou práci hodnotím jako vysoce kvalitní, doporučuji ji k obhajobě a navrhuji hodnocení výborně (A – 98 bodů). Points proposed by supervisor: 98

Předložená diplomová práce se zabývá tématem optimalizace s využitím známých a standardně používaných evolučních metod modifikovaných do podoby s kvantovou reprezentací dat a inspirovaných principy kvantového počítání. V úvodní části práce se studentka věnuje teoretickému popisu základních optimalizačních metod, od matematické optimalizace až po populační evoluční algoritmy, genetické algoritmy a algoritmy inspirované chováním rojových druhů v přírodě. Výčet těchto metod je poměrně široký. Dále se práce věnuje základům kvantového počítání a implementaci tohoto principu do evolučních algoritmů a algoritmů strojového učení. Teoretická část působí přehledně a prezentované informace se opírají o relevantní citace. Praktická část práce obsahuje tři vybrané metody evolučních algoritmů upravené do podoby využívající kvantovou reprezentaci jedinců. Zde bych ocenil, kdyby byl teoretický popis metod detailnější, zejména u kvantově inspirovaného genetického algoritmu. V textu jsem nenašel zmínku, jaká byla použita metoda pro selekci jedinců nebo například typ křížení. Detailnější popis nastavení parametrů metod by mohl být součástí kapitoly 4.4. Vhodné by bylo doplnit i bloková schémata u všech třech algoritmů. V rámci testování na 2D funkcích bych ocenil, kdyby byly jednotlivé funkce v textu práce prezentované i graficky. Při testování metod na veřejně přístupných databázích za účelem selekce příznaků a shlukování bych uvítal i srovnání s výstupy jiných publikovaných metod v literatuře, pokud je lze dohledat. Oceňuji však srovnání s konvenčními statistickými metodami i následnou diskusi, která je poměrně obsáhlá. Po formální stránce je práce na dobré úrovni. Text práce je logicky strukturovaný. U prezentovaných grafů mohly být popisky větším fontem, aby byly grafy čitelnější. Celkově práci hodnotím jako velmi zdařilou. Zadání práce bylo dle mého názoru splněno v plném rozsahu a práci doporučuji k obhajobě. Hodnocení: A/92b. Topics for thesis defence:

1. 1. Zabývala jste se nějak výpočetní náročností kvantově inspirovaných algoritmů v porovnání s jejich konvenčními variantami?

Points proposed by reviewer: 92