Datos Identificativos 2024/25
Asignatura (*) Computación Evolutiva Código 614544015
Titulación
Descriptores Ciclo Período Curso Tipo Créditos
Mestrado Oficial 2º cuadrimestre
Primeiro Optativa 3
Idioma
Inglés
Modalidade docente Presencial
Prerrequisitos
Departamento Ciencias da Computación e Tecnoloxías da Información
Coordinación
Santos Reyes, Jose
Correo electrónico
jose.santos@udc.es
Profesorado
Rabuñal Dopico, Juan Ramon
Santos Reyes, Jose
Correo electrónico
juan.rabunal@udc.es
jose.santos@udc.es
Web
Descrición xeral A materia introduce o alumno na modelización de sistemas capaces de adaptarse ao seu entorno e aprender da súa experiencia, imitando os procesos evolutivos da natureza. Neste contexto, aprenderase non só no uso de diferentes técnicas para buscar solucións inspiradas nas estratexias de prevalencia ou subsistencia dunha poboación, senón tamén na aplicación de metaheurísticas para a súa optimización

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
Metodoloxías
Prácticas de laboratorio
Proba mixta
Descrición
Durante as prácticas de laboratorio, o alumno poderá consultar ao profesor todas as dúbidas que lle xurdan sobre a realización dos problemas prácticos formulados, así como sobre os aspectos que se avaliarán na resolución dos problemas.

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


(*)A Guía docente é o documento onde se visualiza a proposta académica da UDC. Este documento é público e non se pode modificar, salvo casos excepcionais baixo a revisión do órgano competente dacordo coa normativa vixente que establece o proceso de elaboración de guías