This thesis deals with evolutionary and genetic algorithms and the possible ways of combining them. The theoretical part of the thesis describes genetic algorithms and neural networks. In addition, the possible combinations and existing algorithms are presented. The practical part of this thesis describes the implementation of the algorithm NEAT and the experiments performed. A combination with differential evolution is proposed and tested. Lastly, NEAT is compared to the algorithms backpropagation (for feed-forward neural networks) and backpropagation through time (for recurrent neural networks), which are used for learning neural networks. Comparison is aimed at learning speed, network response quality and their dependence on network size.

Diplomová práce se zabývá aplikací vybraných metod umělé inteligence v prostředí kapitálových, potažmo akciových, trhů. Konkrétně se zaměřuje na využití umělých neuronových sítí pro predikci trendu a na možnost aplikace genetických algoritmů k řešení problému optimalizace investičního portfolia. Obsahuje návrh řešení uvedených problémů v praxi. Návrhy jsou koncipovány ve formě modelů zpracovaných ve vývojovém prostředí Matlab.

This thesis focuses on the problem and application of artificial intelligence in company decision making. Especially, the use of fuzzy logic in order to select most suitable product which meets a number of parameters. Custom solution are created in the Matlab development environment, and also in MS Excel.