Módulo/Materia
- Materia de Nivel 1: Optimización
- Materia de Nivel 2: Optimización
Subir
Descripción/Contenidos
Algoritmos gravitacionales. Algoritmos genéticos y evolutivos. Algoritmos enjambre y colonias de hormigas.
Subir
Competencias genéricas
- CG5 - Identificar las soluciones más adecuadas y efectivas para los problemas que se planteen el marco de la Ciencia de Datos, teniendo en cuenta tanto las características propias del problema como el entorno del mismo.
- CG6 - Crear modelos y tomar decisiones basadas en los datos disponibles combinando los conocimientos adquiridos y siendo capaz de aplicar otros nuevos para la resolución de problemas.
- CB5 - Que los estudiantes hayan desarrollado aquellas habilidades de aprendizaje necesarias para emprender estudios posteriores con un alto grado de autonomía.
- CT5 - Capacidad para trabajar por proyectos.
Subir
Competencias específicas
- CE12 - Dominar las técnicas de optimización metaheurísticas, incluyendo las basadas en poblaciones y en sociedades, así como el uso de combinaciones de las mismas en metaheurísticas híbridas.
- CE20 - Resolver problemas de optimización complejos y dinámicos aplicando las técnicas más adecuadas a cada situación.
Subir
Resultados aprendizaje
- RA2. Representar problemas reales mediante un modelo de optimización.
- RA7. Identificar los algoritmos metaheurísticos más apropiados para la resolución de un problema.
- RA8. Diseñar e implementar algoritmos metaheurísticos adaptados a cada problema específico.
- RA10. Evaluar las ventajas y desventajas de los diferentes algoritmos de optimización.
- RA11. Explotar los mecanismos de la física para el diseño de algoritmos de optimización.
- RA12. Explicar las bases de los algoritmos basados en poblaciones y sociedades.
Subir
Metodología
Metodología-Actividad |
Horas presenciales |
Horas no presenciales |
Clases expositivas/participativas |
32 |
|
Prácticas |
24 |
|
Realización de trabajos/proyectos en grupo |
|
13 |
Estudio y trabajo autónomo del estudiante |
|
75 |
Tutorías |
|
2 |
Pruebas de evaluación |
|
4 |
Total |
60 |
90 |
Subir
Idiomas
Castellano.
Subir
Evaluación
Resultados de aprendizaje |
Actividad de evaluación |
Peso (%) |
Carácter recuperable |
Nota mínima requerida |
RA2, RA7, RA10, RA11, RA12 |
Examen escrito |
50 |
Sí |
5 |
RA2, RA7, RA8, RA10, RA11, RA12 |
Trabajos e informes |
50 |
Sí |
|
Para superar la asignatura es necesario superar el examen escrito con nota igual o superior a 5/10. En caso de no aprobar dicho examen, la nota final de la asignatura será la obtenida en el mismo.
El examen en periodo extraordinario recupera el 100% de la asignatura.
Subir
Temario
- Tema 1. Introducción
- Tema 2. Algoritmos basados en leyes físicas. El algoritmo de optimización gravitacional
- Tema 3. Algoritmos genéticos
- Tema 4. Algoritmos evolutivos y extensiones.
- Tema 5. Algoritmos enjambre y hormiga.
Subir
Bibliografía
Acceda a la bibliografía que el profesorado de la asignatura ha solicitado a la Biblioteca.
La bibliografía básica de la asignatura es la siguiente:
- J. Koza. Programación genética. MIT Press, 1992
- D. E. Goldberg, Algoritmos genéticos en búsquedas, optimización y aprendizaje. Addison-Wesley, 1989
La bibliografía complementaria de la asignatura es la siguiente:
- M. Dorigo and T. Stützle, Ant Colony Optimization, MIT press, 2004
- M. Dorigo, E. Bonabeau and G. Theraulaz,, Swarm Intelligence : From Natural to Artificial Systems, Oxford University Press, 1999
Subir
Lugar de impartición
Universidad Pública de Navarra, Campus Arrosadía.
Subir