| Competencias / Resultados do título |
| Código | Competencias / Resultados do título |
| Resultados de aprendizaxe | |||
| Resultados de aprendizaxe | Competencias / Resultados do título | ||
| Coñecer os conceptos básicos da computación evolutiva, os algoritmos evolutivos clásicos e os algoritmos bio-inspirados. | AM10 AM11 AM12 AM15 |
BM2 BM3 BM4 BM5 BM6 BM7 BM8 BM9 |
CM3 CM4 CM7 CM8 CM9 |
| Ter a capacidade de deseñar modelos bioinspirados e sistemas complexos de sistemas reais. | AM10 AM11 AM12 AM15 |
BM2 BM3 BM4 BM5 BM6 BM7 BM8 BM9 |
CM3 CM4 CM7 CM8 CM9 |
| Coñecer e aplicar técnicas baseadas en sistemas evolutivos, redes de neuronas artificiais avanzadas e outros modelos bioinspirados. | AM10 AM11 AM12 AM15 |
BM2 BM3 BM4 BM5 BM6 BM7 BM8 BM9 |
CM3 CM4 CM7 CM8 CM9 |
| Identificar as técnicas adecuadas para buscar solucións a partir de datos segundo o tipo de problema. Comprender as diferentes posibilidades de combinación ou hibridación entre métodos evolutivos de busca global e outras metaheurísticas de busca local. | AM10 AM11 AM12 AM15 |
BM2 BM3 BM4 BM5 BM6 BM7 BM8 BM9 |
CM3 CM4 CM7 CM8 CM9 |
| Coñecer diferentes modelos adaptativos de inspiración biolóxica e xestionar as ferramentas e contornas de traballo máis actuais no campo dos algoritmos de inspiración biolóxica. | AM10 AM11 AM12 AM15 |
BM2 BM3 BM4 BM5 BM6 BM7 BM8 BM9 |
CM3 CM4 CM7 CM8 CM9 |
| Contidos |
| Temas | Subtemas |
| Introdución aos algoritmos de optimización |
Esquema xeral dos algoritmos evolutivos. Conceptos básicos: dominio de busca, restricións, penalizacións. No Free Lunch theorem Conceptos básicos de optimización multi-obxectivo |
| Paradigmas e meta-heurísticas de algoritmos inspirados na natureza | Metaheurísticas bio-inspiradas. Intelixencia de enxame. |
| Algoritmos específicos de computación evolutiva | Algoritmos xenéticos. Estratexias evolutivas. Programación xenética. Exemplos de intelixencia de enxame:Particle Swarm Optimization, Arficial Bee Algorithm, Bacterial Colony Optimization, Ant algorithms. Exemplos doutros algoritmos evolutivos bio-inspirados. |
| Avances na adaptación automática de algoritmos evolutivos | Adaptación automática dos parámetros definitorios dun AE. Uso de hiper-heurísticas. |
| Planificación | ||||
| Metodoloxías / probas | Competencias / Resultados | Horas lectivas (presenciais e virtuais) | Horas traballo autónomo | Horas totais |
| Sesión maxistral | A11 A12 A13 A16 B2 B3 B4 B5 B6 B7 B8 B9 C3 C4 C7 C8 C9 | 10.5 | 10.5 | 21 |
| Proba obxectiva | A11 A12 A13 A16 B2 B3 B4 B5 B6 B7 B8 B9 C3 C4 C7 C8 C9 | 3 | 0 | 3 |
| Prácticas de laboratorio | A11 A12 A13 A16 B2 B3 B4 B5 B6 B7 B8 B9 C3 C4 C7 C8 C9 | 10.5 | 31.5 | 42 |
| Proba mixta | A11 A12 A13 A16 B2 B3 B4 B5 B6 B7 B8 B9 C3 C4 C7 C8 C9 | 2 | 2 | 4 |
| Atención personalizada | 5 | 0 | 5 | |
| *Os datos que aparecen na táboa de planificación son de carácter orientativo, considerando a heteroxeneidade do alumnado | ||||
| Metodoloxías |
| Metodoloxías | Descrición |
| Sesión maxistral | Exposición oral dos temas teóricos por parte do profesorado da materia. |
| Proba obxectiva | Proba/exame dos conceptos explicados nas clases teóricas. |
| Prácticas de laboratorio | Sesións de laboratorio nas que se explicarán os conceptos necesarios para realizar prácticas de programación relacionadas con problemas de optimización con algoritmos evolutivos. Os profesores indicarán que problemas de optimización se terán en conta, así como a plataforma/linguaxe de programación que se utilizará no uso ou implantación de diferentes algoritmos evolutivos/bio-inspirados. O profesorado indicará se estes traballos son realizados polo alumnado de forma autónoma ou en grupo, e o seu progreso será supervisado polo profesorado. |
| Proba mixta | Seguimento continuo das prácticas realizadas, mediante asistencia a clase e corrección continua das mesmas. Inclúese a posibilidade dunha breve exposición oral do traballo realizado nesta parte. |
| Atención personalizada |
|
|
| Avaliación | |||
| Metodoloxías | Competencias / Resultados | Descrición | Cualificación |
| Sesión maxistral | A11 A12 A13 A16 B2 B3 B4 B5 B6 B7 B8 B9 C3 C4 C7 C8 C9 | Realizarase un seguimento continuo na parte teórica, mediante a asistencia a clase e posibles cuestionarios tipo test ao remate das clases maxistrais. | 5 |
| Prácticas de laboratorio | A11 A12 A13 A16 B2 B3 B4 B5 B6 B7 B8 B9 C3 C4 C7 C8 C9 | Avaliación das diferentes prácticas realizadas polo alumnado. | 50 |
| Proba obxectiva | A11 A12 A13 A16 B2 B3 B4 B5 B6 B7 B8 B9 C3 C4 C7 C8 C9 | Examen final da parte teórica. | 40 |
| Proba mixta | A11 A12 A13 A16 B2 B3 B4 B5 B6 B7 B8 B9 C3 C4 C7 C8 C9 | Realizarase un seguimento continuo das prácticas realizadas, mediante asistencia a clase e corrección continua e final das mesmas. Inclúese a posibilidade dunha breve exposición oral do traballo realizado nesta parte. Inclúese a posibilidade dunha breve exposición oral do traballo realizado nesta parte. |
5 |
| Observacións avaliación | |||
|
No caso de plaxio en prácticas ou traballos docentes entregados, se terá en conta o artigo 11, apartado 4 b), do Regulamento disciplinar do estudantado da UDC: b) Cualificación de suspenso na convocatoria en que se cometa a falta e respecto da materia en que se cometese: o/a estudante será cualificado con “suspenso” (nota numérica 0) na convocatoria correspondente do curso académico, tanto se a comisión da falta se produce na primeira oportunidade como na segunda. Para isto, procederase a modificar a súa cualificación na acta de primeira oportunidade, se fose necesario. |
|||
| Fontes de información |
| Bibliografía básica |
Dan Simon (2013). Evolutionary Optimization Algorithms. Wiley
A. E. Eiben (2010). Introduction to Evolutionary Computing (Natural Computing Series). Springer |
|
|
|
| Bibliografía complementaria | |
|
|
| Recomendacións | |
| Materias que se recomenda ter cursado previamente |
| Materias que se recomenda cursar simultaneamente |
| Materias que continúan o temario |
| Observacións | |