Algorytmy optymalizacji

stacjonarne

II stopnia

obowiązkowy

semestr forma zajęć, liczba godzin/rygor

(x egzamin, + zaliczenie, # projekt) punkty ECTS 3

razem wykłady ćwiczenia

I 30x 16 14+

razem 16 14

Matematyka I, Matematyka II, Rachunek prawdopodobieństwa, Matematyka dyskretna I, Teoria grafów i sieci, Podstawy optymalizacji.

Informatyka

prof. dr hab. inż. Marian Chudy

Kategoria aktywności Obciążenie studenta

Liczba godz. Liczba ECTS

LICZBA GODZIN REALIZOWANYCH PRZY BEZPOŚREDNIM

UDZIALE NAUCZYCIELA / GODZINY KONTAKTOWE/ 30 1

Udział w wykładach 16 0.4

Udział w ćwiczeniach, laboratoriach, projektach, seminariach

Udział w konsultacjach

Udział w egzaminie/ kolokwium zaliczeniowym itp.

SAMODZIELNA PRACA STUDENTA / GODZINY NIEKONTAKTOWE 75 2

Przygotowanie do wykładu 14 0.3

Przygotowanie do ćwiczeń, laboratoriów, projektów,

seminariów itp. 30 0.9

Przygotowanie do egzaminu / kolokwium 26 0.7

Zebranie materiałów do projektu, kwerenda internetowa 5 0.1

Opracowanie projektu

Opracowanie prezentacji multimedialnej

Przygotowanie referatu na jeden lub kilka z zadanych tematów

CAŁKOWITE OBCIĄŻENIE STUDENTA 105 3

Zadania sprowadzalne do zadań liniowych.

Zadania dyskretne, mieszane. Metody odcięć.

Przekształcenia zadań dyskretnych. Zadania typu przydziału (ATP).

Metody przybliżone, heurystyki, obliczenia ewolucyjne.

Zadania nieliniowe ogólne. Metoda subgradientu. Konstrukcja zadań

dualnych.

Równoległe algorytmy optymalizacji.

Zadania stochastyczne i metody poszukiwań losowych.

Wielomianowe algorytmy rozwiązywania zadań liniowych. Metoda punktu

wewnętrznego.

1. Zadania sprowadzalne do zadań liniowych.

2. Zadania dyskretne, mieszane. Metody odcięć.

3. Przekształcenia zadań dyskretnych. Zadania typu przydziału (ATP).

4. Metody przybliżone, heurystyki, obliczenia ewolucyjne.

5. Zadania nieliniowe ogólne. Metoda subgradientu. Konstrukcja zadań

dualnych.

6. Równoległe algorytmy optymalizacji.

7. Zadania stochastyczne i metody poszukiwań losowych.

8. Wielomianowe algorytmy rozwiązywania zadań liniowych. Metoda punktu

wewnętrznego.

1. Chudy M.: Wybrane algorytmy optymalizacji. EXIT, Warszawa, 2014.

2. Sierksma G.: Linear and integer programming. Theory and Practice. Marcel

Dekker, 1996

3. Arabas J.: Wykłady z algorytmów ewolucyjnych. WNT. 2004.

4. Prekopa A.: Stochastic Programming. Kluwer Academic Publisher, 1995.

Symbol Kierunkowy efekt uczenia się

K_U02 umie posługiwać się językiem matematyki wykorzystując właściwe

symbole, określenia i twierdzenia oraz umie formułować i rozwiązywać

problemy metodami matematycznymi

K_U05 potrafi wykorzystać znane, modyfikować istniejące lub budować

nowe metody i narzędzia do modelowania, konstruowania

symulatorów obiektów prostych i systemów, formułowania i

rozwiązywania problemów decyzyjnych oraz problemów z zakresu

inteligencji obliczeniowej; potrafi zaplanować i przeprowadzić

eksperymenty obliczeniowe i symulacyjne oraz dokonać

przetworzenia i interpretacji ich wyników

K_U14 potrafi samodzielnie planować i realizować własne permanentne

uczenie się i ukierunkowywać innych w tym zakresie

K_W02 zna i rozumie w rozszerzonym zakresie problematykę wybranych

działów matematyki, niezbędną do: analizowania, modelowania,

konstruowania i eksploatacji systemów informatycznych

K_W04 zna i rozumie w pogłębionym stopniu teorię algorytmów i struktur

danych, zarządzania danymi oraz narzędzia, modele, metody i

metodyki projektowania systemów informatycznych (różnych klas i

rodzajów), jak również wytwarzania oprogramowania pracującego

pod ich kontrolą

K_W05 zna i rozumie w pogłębionym zakresie metody i narzędzia

wykorzystywane do modelowania oraz symulacji obiektów i

systemów, formułowania i rozwiązywania problemów decyzyjnych

oraz problemów z zakresu inteligencji obliczeniowej

Symbol Efekt uczenia się odniesienie do efektów uczenia się dla kierunku

W1 Ma zaawansowaną wiedzę z zakresu matematyki oraz K_W02

dotyczącą klasyfikacji zadań optymalizacyjnych i ich przekształceń

W2 Ma zaawansowaną wiedzę dotyczącą wybranych K_W04, K_W05

algorytmów optymalizacji liniowej, dyskretnej i nieliniowej i ich

zastosowań w systemach informatycznych.

W3 Ma rozszerzoną wiedzę dotyczącą przybliżonych K_W04, K_W05

metod optymalizacji i ich zastosowań w systemach informatycznych.

U1 Umie wybrać i zastosować odpowiedni algorytm do K_U02, K_U05

sformułowanego zadania. Potrafi posługiwać się zaawansowanymi

modelami i narzędziami matematycznymi właściwymi dla zastosowań

informatycznych

U2 Potrafi realizować samokształcenie w oparciu o pozyskaną K_U14

wiedzę z zakresu matematyki i optymalizacji

Zajęcia audytoryjne: wykład, ćwiczenia prowadzone przez nauczyciela: rozwiązywanie zadań, sprawdziany, kolokwia.

Samodzielne studiowanie literatury i rozwiązywanie zadań, korzystanie ze znanych solverów.

Konsultacje

Poprawność merytoryczna, poprawność formalna, aktywność merytoryczna, kreatywność.

Brak