Optymalizacja globalna
Informacje ogólne
Kod przedmiotu: | 420-IS2-1OG-22 |
Kod Erasmus / ISCED: |
11.304
|
Nazwa przedmiotu: | Optymalizacja globalna |
Jednostka: | Instytut Informatyki |
Grupy: |
1 rok 2 st. sem. zimowy Informatyka 2L stac. II st. studia informatyki - przedmioty obowiązkowe |
Punkty ECTS i inne: |
(brak)
|
Język prowadzenia: | polski |
Rodzaj przedmiotu: | obowiązkowe |
Założenia (opisowo): | Studenci powinni posiadać umiejętność programowania w dowolnym języku obiektowym. |
Skrócony opis: |
Treści przedmiotu: Algorytm genetyczny. Zadanie komiwojażera. Strategie ewolucyjne. Probabilistyczne algorytmy „samotnego poszukiwacza”; symulowane wyżarzanie; tabu-search; algorytmy mrówkowe; optymalizacja rojem cząsteczek; sztuczne systemy immunologiczne; selekcja klonalna; zastosowania algorytmów ewolucyjnych. Celem wykładu jest przekazanie wiadomości z zakresu teorii optymalizacji globalnej oraz przedstawienie niedeterministycznych metod przeszukiwania wraz z przykładami ich praktycznych zastosowań w zagadnieniach optymalizacji (m.in zadanie komiwojażera). |
Pełny opis: |
Profil studiów: ogólnoakademicki Forma studiów: stacjonarne Rodzaj przedmiotu: obowiązkowy Dziedzina i dyscyplina nauki: nauki ścisłe i przyrodnicze, informatyka Rok studiów / semestr: 1 / 1 Wymagania wstępne (tzw. sekwencyjny system zajęć i egzaminów): brak Wykład: 15 Laboratorium: 30 Metody dydaktyczne: wykłady, zadania laboratoryjne Punkty ECTS: 4 Bilans nakładu pracy studenta: Udział w zajęciach: - wykład 15h - laboratorium 30h Przygotowanie do zajęć: - laboratorium 13h Zapoznanie z literaturą: 8h Sprawozdania, raporty z zajęć, zadania projektowe: 14h Przygotowanie do zaliczenia: 5h Czas trwania zaliczenia: 2h Udział w konsultacjach: 15h Wskaźniki ilościowe: - nakład pracy studenta związany z zajęciami wymagającymi bezpośredniego udziału nauczyciela: 62h, 2.4 ECTS - nakład pracy studenta, który nie wymaga bezpośredniego udziału nauczyciela: 40h, 1.6 ECTS |
Literatura: |
Karcz-Dulęba I., Nowoczesne metody optymalizacji globalnej. Metaheurystyki populacyjne. EXIT, Warszawa 2022. Z. Michalewicz: Algorytmy genetyczne + struktury danych = programy ewolucyjne, WNT, Warszawa, 2003. D. E. Goldberg: Algorytmy genetyczne i ich zastosowania, WNT, Warszawa, 2003. J. Arabas: Wykłady z algorytmów ewolucyjnych, WNT, Warszawa, 2001. |
Efekty uczenia się: |
1. zna główne rodzaje stosowanych metod optymalizacji globalnej. KP7_WG9, KP7_WK1 2. zna zasady działania wybranych algorytmów optymalizacji globalnej. KP7_WG9 3. zna zastosowania algorytmów optymalizacji globalnej. KP7_WG9, KP7_WK1 4. potrafi zaimplementować algorytm genetyczny do optymalizacji funkcji. KP7_UW1, KP7_UW9, KP7_UW11, KP7_UW12 5. potrafi rozwiązać problem za pomocą wybranej metody optymalizacji globalnej. KP7_UW1, KP7_UW9, KP7_UW11, KP7_UW12 6. potrafi myśleć i działać w sposób twórczy. KP7_UO4 7. potrafi działać w zespole. KP7_UO2 |
Metody i kryteria oceniania: |
Ogólna forma zaliczenia: zaliczenie na ocenę W przypadku nauczania zdalnego zaliczenie odbędzie się przy wykorzystaniu narzędzi dostępnych na platformie eduportal/USOSmail. |
Właścicielem praw autorskich jest Uniwersytet w Białymstoku.