Nature-Inspired Algorithms
General data
Course ID: | WM-I-AIN |
Erasmus code / ISCED: |
11.3
|
Course title: | Nature-Inspired Algorithms |
Name in Polish: | Nature-Inspired Algorithms |
Organizational unit: | Faculty of Mathematics and Natural Sciences. School of Exact Sciences. |
Course groups: |
Courses at UKSW |
ECTS credit allocation (and other scores): |
0 OR
5.00
(depends on study program)
|
Language: | English |
Subject level: | intermediate |
Learning outcome code/codes: | enter learning outcome code/codes |
Short description: |
(in Polish) Celem wykładu jest zapoznanie studentów z problematyką optymalizacji kombinatorycznej oraz przedstawienie algorytmów inspirowanych mechanizmami Natury umożliwiających rozwiązywanie tych problemów. Szczególna uwaga będzie poświęcona algorytmom ewolucyjnym, w tym algorytmom genetycznym. Studenci poznają również metodologię automatów komórkowych jak też inne współczesne metaheurystyki, w szczególności takie jak symulowane wyżarzanie, algorytmy mrówkowe, roje cząsteczek, uogólniona ekstremalna optymalizacja oraz sztuczne sieci immunologiczne. |
Full description: |
(in Polish) 1. Wprowadzenie: motywacje, problemy optymalizacji funkcji i optymalizacji kombinatorycznej. Algorytmy dokładne, aproksymacyjne,metaheurystyki. 2. Klasyczny algorytm genetyczny (AG): kodowanie i operatory genetyczne. Zastosowanie AG do optymalizacji funkcji. 3. Współpraca i wspołzawodnictwo w Dylemacie Więźnia: gra 2-osobowa i n- osobowa. Zastosowanie AG do ewolucji strategii gry. 4. Automaty komórkowe (AK) i automaty uczące się (AU). 5. Strategie ewolucyjne, algorytmy mrówkowe. 6. Teorie ewolucji: Lamarcka, Darwina, Baldwina, teoria punktowych równowag. Gatunki, nisze, koewolucja. 7. Kolokwium 1 (max. ocena: 30p./100p.). Zastosowania AK i AU: w kryptografii, klasyfikacji danych, rekonstrukcji obrazów. 8. AG – dlaczego one działają. Twierdzenie o schematach, twierdzenie „no free lunch”. Inne modele teoretyczne. 9. Algorytmy zachłanne, symulowane wyżarzanie, metoda tabu search. Wybrane zastosowania. 10. Warianty sekwencyjnych AG, równoległe AG. Zastosowania AG do optymalizacji kombinatorycznej. 11. Programowanie ewolucyjne, programowanie genetyczne, uczące się systemy klasyfikujące. 12. Algorytmy koewolucyjne: koewolucyjny algorytm Paredisa, algorytmy CCGA oraz LCGA. 13. Sztuczne systemy immunologiczne. Zastosowanie do detekcji anomalii i intruzów w sieciach komputerowych. 14. Algorytm roju cząsteczek i GEO, hyperheurystyki, optymalizacja wielokryterialna. 15. Prezentacje przez grupy studenckie artykułów poświęconych algorytmom inspirowanym naturą (max. ocena: 10p./100p.). |
Bibliography: |
(in Polish) Literatura podstawowa 1 Z. Michalewicz, Algorytmy genetyczne + struktury danych = programy ewolucyjne, WNT1996. 2 El-Ghazali Talbi, Metaheuristics: From Design to Implementation, Wiley 2009. Literatura uzupełniająca 1 Materiały z konferencji GECCO, CEC, PPSN, ACRI 2 D.Corne, M.Dorigo, F.Glover, New Ideas in Optimization, McGraw Hill, 1999. 3 L.Nunes de Castro, F.J. von Zuben, Recent Developments in Biologically Inspired Computing, Idea Group, 2005. |
Efekty kształcenia i opis ECTS: |
(in Polish) - zna i rozumie teoretyczne podstawy informatyki oraz biologiczne paradygmaty będące inspiracją algorytmów inspirowanych naturą, - zna i rozumie modele matematyczne opisu zjawisk, w tym zjawisk o charakterze probabilistycznym będących podstawą algorytmów inspirowanych naturą, - zna i rozumie podstawowe algorytmy inspirowane naturą, - zna i rozumie metody obliczeniowe wykorzystujące algorytmy inspirowane naturą służące do rozwiązywania współczesnych problemów nauki i technologii. Szacunkowy nakład pracy - uczestnictwo w zajęciach: 30 - przygotowanie do zajęć: 12 - przygotowanie do weryfikacji: 12 - konsultacje z prowadzącym: 1 |
Assessment methods and assessment criteria: |
(in Polish) Dla wszystkich efektów przyjmuje się następujące kryteria oceny we wszystkich formach weryfikacji: - osiągnięty w pełni (bez uchwytnych niedociągnięć): 5 - osiągnięty niemal w pełni i nie są spełnione kryteria przyznania wyższej oceny: 4,5 - osiągnięty w znacznym stopniu i nie są spełnione kryteria przyznania wyższej oceny: 4 - osiągnięty w znacznym stopniu – z wyraźną przewagą pozytywów – i nie są spełnione kryteria przyznania wyższej oceny: 3,5 - osiągnięty dla większości przypadków objętych weryfikacją i nie są spełnione kryteria przyznania wyższej oceny: 3 - nie został osiągnięty dla większości przypadków objętych weryfikacją: 2 Ocena końcowa x jest wyznaczana na podstawie wartości st(w)= 5, jeśli 4,5 < w; st(w)= 4,5, jeśli 4,25 < w <= 4,5; st(w)= 4, jeśli 3,75 < w <= 4,25; st(w)= 3,5, jeśli 3,25 < w <= 3,75; st(w)= 3, jeśli 2,75 < w <= 3,25; st(w)= 2, jeśli w <= 2,75 oraz na bazie podanej niżej reguły: - jeśli każda z ocen końcowych za zajęcia powiązane jest pozytywna i ich średnia wynosi y, to x wyznacza się ze wzoru x=st(z), gdzie z jest średnią ważoną ocen z przeprowadzonych weryfikacji, w których wagi ocen z egzaminów wynoszą 2, a wagi ocen z innych form weryfikacji są równe 1 |
Classes in period "Winter semester 2021/22" (past)
Time span: | 2021-10-01 - 2022-01-31 |
Navigate to timetable
MO TU W WYK
LAB
TH FR |
Type of class: |
Laboratory, 30 hours
Lectures, 30 hours
|
|
Coordinators: | Franciszek Seredyński | |
Group instructors: | Franciszek Seredyński | |
Students list: | (inaccessible to you) | |
Examination: | examination | |
(in Polish) E-Learning: | (in Polish) E-Learning (pełny kurs) z podziałem na grupy |
|
Type of subject: | obligatory |
|
(in Polish) Grupa przedmiotów ogólnouczenianych: | (in Polish) nie dotyczy |
Copyright by Cardinal Stefan Wyszynski University in Warsaw.