Algorytmy optymalizacji
Informacje ogólne
Kod przedmiotu: | WCYIBWSM-AO |
Kod Erasmus / ISCED: |
(brak danych)
/
(0540) Matematyka i statystyka
|
Nazwa przedmiotu: | Algorytmy optymalizacji |
Jednostka: | Wydział Cybernetyki |
Grupy: | |
Punkty ECTS i inne: |
(brak)
|
Język prowadzenia: | polski |
Forma studiów: | stacjonarne |
Rodzaj studiów: | II stopnia |
Rodzaj przedmiotu: | obowiązkowy |
Forma zajęć liczba godzin/rygor: | semestr forma zajęć, liczba godzin/rygor (x egzamin, + zaliczenie, # projekt) punkty ECTS 3 razem wykłady ćwiczenia I 30x 16 14+ razem 16 14 |
Przedmioty wprowadzające: | Matematyka I, Matematyka II, Rachunek prawdopodobieństwa, Matematyka dyskretna I, Teoria grafów i sieci, Podstawy optymalizacji. |
Programy: | Informatyka |
Autor: | prof.dr hab. inż. Marian Chudy |
Bilans ECTS: | 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 |
Skrócony opis: |
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. |
Pełny opis: |
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. |
Literatura: |
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. |
Efekty uczenia się: |
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 |
Metody i kryteria oceniania: |
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. |
Praktyki zawodowe: |
Brak |
Właścicielem praw autorskich jest Wojskowa Akademia Techniczna.