Materia
Algoritmos Bioinspirados y Técnicas de Computación Evolutiva
Datos generales de la materia
- Modalidad
- Presencial
- Idioma
- Castellano
Profesorado
Nombre | Institución | Categoría | Doctor/a | Perfil docente | Área | |
---|---|---|---|---|---|---|
FERNANDEZ MARTINEZ, JUAN LUIS | Universidad de Oviedo | Profesorado Catedratico De Universidad | Doctor | Matemática Aplicada | jlfm@uniovi.es | |
MATEO COLLAZOS, PEDRO MARIA | Universidad de Zaragoza | Profesorado Titular De Universidad | Doctor |
Competencias
Denominación | Peso |
---|---|
Entender el funcionamiento y la utilización de los algoritmos estudiados. | 16.0 % |
Ser capaz de diseñar un método evolutivo simple para la resolución de un problema. | 16.0 % |
Ajustar adecuadamente los diferentes parámetros de los algoritmos bioinspirados mediante la correspondiente experimentación. | 16.0 % |
Manejar con cierta destreza el software utilizado en las sesiones. | 16.0 % |
Diseñar adecuadamente baterías de experimentación. | 16.0 % |
Presentar rigurosamente los resultados tras la fase de experimentación. | 16.0 % |
Tipos de docencia
Tipo | Horas presenciales | Horas no presenciales | Horas totales |
---|---|---|---|
Magistral | 24 | 36 | 60 |
Seminario | 4 | 12 | 16 |
P. de Aula | 8 | 18 | 26 |
P. Ordenador | 24 | 24 | 48 |
Actividades formativas
Denominación | Horas | Porcentaje de presencialidad |
---|---|---|
Análisis de casos | 10.0 | 0 % |
Clases magistrales | 24.0 | 100 % |
Debates | 6.0 | 25 % |
Ejercicios | 10.0 | 0 % |
Lecturas | 10.0 | 0 % |
Prácticas de aula | 14.0 | 25 % |
Prácticas de ordenador | 48.0 | 50 % |
Seminarios | 4.0 | 100 % |
Trabajo en grupo | 18.0 | 0 % |
Tutorías | 6.0 | 50 % |
Sistemas de evaluación
Denominación | Ponderación mínima | Ponderación máxima |
---|---|---|
Se valorará la asistencia y la respuesta a las actividades y ejercicios propuestos | 20.0 % | 40.0 % |
Trabajos Prácticos | 60.0 % | 80.0 % |
Temario
Se presentarán los elementos comunes a los algoritmos bioinspirados o evolutivos para posteriormente desarrollar algunos de los tipos más utilizadosComponentes principales de los Algoritmos Genéticos; El Algoritmo Genético Simple; Representaciones alternativas. Operadores de Variación y Selección. Prácticas con Octave/Matlab
Componentes principales de las Estrategias de evolución. Autoadaptación. Operadores de variación. Prácticas con Octave/Matlab
Estructuras para representar programas: Árboles, Straight Line Programs. Operadores de selección y recombinación. Aplicación a problemas de Regresión
Optimalidad Pareto. Pareto rankings usados en algoritmos evolutivos multiobjetivo. Ejemplos de algoritmos
Evolución diferencial, Algoritmos de estimación de distribuciones, Particle Swarm Optimization (PSO)
Breve presentación y estudio de algunos problemas susceptibles de ser abordados mediante las estrategias presentadas
Bibliografía
Materiales de uso obligatorio
Apuntes y prácticas de la asignatura "Algoritmos Bioinspirados y Técnicas de Computación Evolutiva" publicados en la plataforma virtual de apoyo a la docencia Moodle (UPV/EHU)Bibliografía básica
Michalewicz Z., Genetic Algorithms and Data Structures: Evolution Programs. Springer, 1999Eiben,A.E. y Smith, J.E. Introduction to evolutionarly computing. Springer, 2007
J. Koza. Genetic Programming: On the Programming of Computers by Means of Natural Selection. The MIT Press, 1992.
Bibliografía de profundización
Holland, J.H. Adaptation in Natural and Artifiical Systems. Univ. Michigan Press, 1975Goldberg, D.E., Genetic Algorithms in Search, Optimization and Machine Learning. Addison-Wesley, 1989