Universidad Pública de Navarra



Año Académico: 2023/2024 | Otros años:  2022/2023  |  2021/2022 
Graduado o Graduada en Ciencia de Datos por la Universidad Pública de Navarra
Código: 505403 Asignatura: OPTIMIZACIÓN III
Créditos: 6 Tipo: Obligatoria Curso: 4 Periodo: 1º S
Departamento: Estadística, Informática y Matemáticas
Profesorado:
FERNANDEZ FERNANDEZ, FCO. JAVIER (Resp)   [Tutorías ] GONZALEZ GARCIA, XABIER   [Tutorías ]

Partes de este texto:

 

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