| Competencias del título |
| Código | Competencias del título |
| A11 | CE10 - Capacidad para la construcción, validación y aplicación de un modelo estocástico de un sistema real a partir de los datos observados y el análisis crítico de los resultados obtenidos |
| A12 | CE11 - Comprensión y dominio de las principales técnicas y herramientas de análisis de datos, tanto desde el punto de vista estadístico como del aprendizaje automático, incluyendo las dedicadas al tratamiento de grandes volúmenes de datos, y capacidad para seleccionar las más adecuadas para la resolución de problemas. |
| A13 | CE12 - Capacidad para plantear, formular y resolver todas las etapas de un proyecto de datos, incluyendo la compresión y dominio de fundamentos y técnicas básicas para la búsqueda y el filtrado de información en grandes colecciones de datos |
| A16 | CE15 - Conocimiento de las herramientas informáticas en el campo del aprendizaje automático, y capacidad para seleccionar la más adecuada para la resolución de un problema |
| B2 | CG02 - Abordar con éxito todas las etapas de un proyecto de Inteligencia Artificial |
| B3 | CG03 - Buscar y seleccionar la información útil necesaria para resolver problemas complejos, manejando con soltura las fuentes bibliográficas del campo |
| B4 | CG04 - Elaborar adecuadamente y con cierta originalidad composiciones escritas o argumentos motivados, redactar planes, proyectos de trabajo, artículos científicos y formular hipótesis razonables en el campo |
| B5 | CG05 - Trabajar en equipo, especialmente de carácter multidisciplinar, y ser hábiles en la gestión del tiempo, personas y toma de decisiones |
| B6 | CB01 - Poseer y comprender conocimientos que aporten una base u oportunidad de ser originales en el desarrollo y/o aplicación de ideas, a menudo en un contexto de investigación |
| B7 | CB02 - Que los estudiantes sepan aplicar los conocimientos adquiridos y su capacidad de resolución de problemas en entornos nuevos o poco conocidos dentro de contextos más amplios (o multidisciplinares) relacionados con su área de estudio |
| B8 | CB03 - Que los estudiantes sean capaces de integrar conocimientos y enfrentarse a la complejidad de formular juicios a partir de una información que, siendo incompleta o limitada, incluya reflexiones sobre las responsabilidades sociales y éticas vinculadas a la aplicación de sus conocimientos y juicios |
| B9 | CB04 - Que los estudiantes sepan comunicar sus conclusiones y los conocimientos y razones últimas que las sustentan a públicos especializados y no especializados de un modo claro y sin ambigu?edades |
| C3 | CT03 - Utilizar las herramientas básicas de las tecnologías de la información y las comunicaciones (TIC) necesarias para el ejercicio de su profesión y para el aprendizaje a lo largo de su vida |
| C4 | CT04 - Desarrollarse para el ejercicio de una ciudadanía respetuosa con la cultura democrática, los derechos humanos y la perspectiva de género |
| C7 | CT07 - Desarrollar la capacidad de trabajar en equipos interdisciplinares o transdisciplinares, para ofrecer propuestas que contribuyan a un desarrollo sostenible ambiental, económico, político y social |
| C8 | CT08 - Valorar la importancia que tiene la investigación, la innovación y el desarrollo tecnológico en el avance socioeconómico y cultural de la sociedad |
| C9 | CT09 - Tener la capacidad de gestionar tiempos y recursos: desarrollar planes, priorizar actividades, identificar las críticas, establecer plazos y cumplirlos |
| Resultados de aprendizaje | |||
| Resultados de aprendizaje | Competencias del título | ||
| Conocer los conceptos básicos de computación evolutiva, de algoritmos evolutivos clásicos y de algoritmos bio-inspirados. | AM10 AM11 AM12 AM15 |
BM2 BM3 BM4 BM5 BM6 BM7 BM8 BM9 |
CM3 CM4 CM7 CM8 CM9 |
| Tener capacidad para diseñar modelos bioinspirados y de sistemas complejos de sistemas reales. | AM10 AM11 AM12 AM15 |
BM2 BM3 BM4 BM5 BM6 BM7 BM8 BM9 |
CM3 CM4 CM7 CM8 CM9 |
| Conocer y aplicar técnicas basadas en sistemas evolutivos, redes de neuronas artificiales avanzadas y otros modelos bioinspirados. | AM10 AM11 AM12 AM15 |
BM2 BM3 BM4 BM5 BM6 BM7 BM8 BM9 |
CM3 CM4 CM7 CM8 CM9 |
| Identificar las técnicas apropiadas de búsqueda de soluciones basadas en datos según el tipo de problema. Entender las diferentes posibilidades de combinación o hibridación entre métodos de búsqueda global evolutiva y otras metaheurísticas de búsqueda local. | AM10 AM11 AM12 AM15 |
BM2 BM3 BM4 BM5 BM6 BM7 BM8 BM9 |
CM3 CM4 CM7 CM8 CM9 |
| Conocer diferentes modelos adaptativos bio-inspirados y manejar las herramientas y entornos de trabajo más actuales en el ámbito de los algoritmos bioinspirados. | AM10 AM11 AM12 AM15 |
BM2 BM3 BM4 BM5 BM6 BM7 BM8 BM9 |
CM3 CM4 CM7 CM8 CM9 |
| Contenidos |
| Tema | Subtema |
| Introducción a algoritmos de optimización |
Esquema general de algoritmos evolutivos. Conceptos básicos: dominio de búsqueda, restricciones, penalizaciones. No Free Lunch theorem. Conceptos básicos de optimización multiobjetivo. |
| Paradigmas y meta-heurísticas de algoritmos inspirados en la naturaleza | Metaheurísticas bio-inspiradas. Inteligencia de enjambre. |
| Algoritmos específicos de computación evolutiva |
Algoritmos genéticos. Estrategias evolutivas. Programación genética. Ejemplos de inteligencia de enjambre: Particle Swarm Optimization, Arficial Bee Algorithm, Bacterial Colony Optimization, Ant algorithms. Ejemplos de otros algoritmos evolutivos bio-inspìrados. |
| Avances en la adaptación automática de algoritmos evolutivos | Adaptación automática de los parámetros definitorios de un AE. Uso de hiper-heurísticas. |
| Planificación | ||||
| Metodologías / pruebas | Competéncias | Horas presenciales | Horas no presenciales / trabajo autónomo | Horas totales |
| Sesión magistral | A11 A12 A13 A16 B2 B3 B4 B5 B6 B7 B8 B9 C3 C4 C7 C8 C9 | 10.5 | 10.5 | 21 |
| Prueba objetiva | 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 |
| Prueba 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 | |
| (*)Los datos que aparecen en la tabla de planificación són de carácter orientativo, considerando la heterogeneidad de los alumnos | ||||
| Metodologías |
| Metodologías | Descripción |
| Sesión magistral | Exposición oral de los temas de teoría por parte de los profesores de la asignatura. |
| Prueba objetiva | Prueba/examen de los conceptos explicados en las clases de teoría. |
| Prácticas de laboratorio | Sesiones de laboratorio en las que se explicarán los conceptos necesarios para realizar prácticas de programación referentes a problemas de optimización con algoritmos evolutivos. Los profesores indicarán qué problemas de optimización se considerarán, así como la plataforma/lenguaje de programación que se utilizará en el uso o implementación de diferentes algoritmos evolutivos/bioinspirados. Los profesores indicarán si estos trabajos se realizan por los alumnos de forma autónoma o en grupos, y su progreso será supervisado por los profesores. |
| Prueba mixta | Seguimiento continuado de las prácticas realizadas, mediante la asistencia a clase y corrección continuada y final de las mismas. Se incluye la posibilidad de una exposición oral breve del trabajo realizado en esta parte. |
| Atención personalizada |
|
|
| Evaluación | |||
| Metodologías | Competéncias | Descripción | Calificación |
| Sesión magistral | A11 A12 A13 A16 B2 B3 B4 B5 B6 B7 B8 B9 C3 C4 C7 C8 C9 | Se realizará un seguimiento continuado en la parte teórica, mediante la asistencia a clase y posibles cuestionarios tipo test al finalizar las sesiones magistrales. | 5 |
| Prácticas de laboratorio | A11 A12 A13 A16 B2 B3 B4 B5 B6 B7 B8 B9 C3 C4 C7 C8 C9 | Evaluación de las diferentes prácticas realizadas por los alumnos. | 50 |
| Prueba objetiva | A11 A12 A13 A16 B2 B3 B4 B5 B6 B7 B8 B9 C3 C4 C7 C8 C9 | Examen final de la parte teórica. | 40 |
| Prueba mixta | A11 A12 A13 A16 B2 B3 B4 B5 B6 B7 B8 B9 C3 C4 C7 C8 C9 | Se realizará un seguimiento continuado de las prácticas realizadas, mediante la asistencia a clase y corrección continuada y final de las mismas. Se incluye la posibilidad de una exposición oral breve del trabajo realizado en esta parte. | 5 |
| Observaciones evaluación | |||
| Fuentes de información |
| Básica |
Dan Simon (2013). Evolutionary Optimization Algorithms. Wiley
A. E. Eiben (2010). Introduction to Evolutionary Computing (Natural Computing Series). Springer |
|
|
|
| Complementária | |
|
|
| Recomendaciones | |
| Asignaturas que se recomienda haber cursado previamente |
| Asignaturas que se recomienda cursar simultáneamente |
| Asignaturas que continúan el temario |
| Otros comentarios | |