Titulació | Tipus | Curs | Semestre |
---|---|---|---|
4313136 Modelització per a la Ciència i l'Enginyeria / Modelling for Science and Engineering | OB | 0 | 1 |
Coneixement de matemàtiques a nivell d'un grau de ciències
Saber programar
El curs està dedicat a estudiar i practicar diversos algorismes d’optimització heurística i combinatòria, fent especial èmfasi en l’encaminament, el gràfic, l’optimització de la xarxa i la planificació.
Les conferències es basen en presentacions de diapositives i en material d'Internet.
El material teòric es complementarà amb algunes tasques (a la primera) per a que cada alumne pugui desenvolupar cada tema. Aquesta és una part crítica del procés d’aprenentatge.
[Traduït de la versió anglesa per Google translator]
Algorismes combinatoris per a gràfics i enrutaments: algorismes Dijstra i A *. Optimització de gràfics.
Optimització determinista per a problemes no lineals (restringida i no limitada)
Algorismes genètics
Simulació d'anàlisi
Algorismes d’optimització de colònies de formigues
Optimització de eixam de partícules
Xarxes neuronals en optimització
Programació
Aprenentatge automàtic a través de xarxes neuronals
[Traduït de la versió anglesa per Google translator]
La metodologia es basa en classes magistrals que consisteixen en la presentació de la teoria, exemples i alguns casos pràctics per a cada algorisme del programa.
Els estudiants hauran d'aplicar de forma independent els algorismes estudiats en situacions realistes com a part crucial del procés d'aprenentatge.
[Traduït de la versió anglesa per Google translator]
Títol | Hores | ECTS | Resultats d'aprenentatge |
---|---|---|---|
Tipus: Dirigides | |||
Assistir a classe i activitats relacionades | 38 | 1,52 | 1, 2, 3, 4, 5, 6, 7, 8, 9, 10 |
Tipus: Autònomes | |||
Treas (implementación de los algoritmos – actividad individual) | 42 | 1,68 | 1, 2, 3, 4, 6, 7 |
Hi ha set tasques realistes pràctiques que consisteixen en un informe i un programa en funcionament. Tres d'elles seran obligatoris i quatre seran opcionals.
Les tasques opcionals s'han de fer de manera individual i poden incrementar la nota final fins al 20%.
Títol | Pes | Hores | ECTS | Resultats d'aprenentatge |
---|---|---|---|---|
Implementació d'algorismes en casos realistes en projectes d'equip | 50% | 35 | 1,4 | 1, 2, 3, 4, 5, 6, 7, 8, 9, 10 |
Implementació d'algorismes en casos realistes en projectes individuals | 50% | 35 | 1,4 | 1, 2, 3, 4, 5, 6, 7, 8, 9, 10 |
Combinatorial Algorithms
Judea Pearl, A* Algorithms and such: Heuristics: Intelligent Search Strategies for Computer Problem Solving, Addison-Wesley, 1984.
Deterministic optimization for nonlinear problems
Numerical Mathematics, Alfio Quarteroni, Riccardo Sacco, Fausto Saleri, Texts in Applied Mathematicsm 37, Springer, 1991.
Convex Optimization (Notes of Lieven Vandenberghe)
Karush-Kuhn-Tucker conditions (Notes of Geoff Gordon & Ryan Tibshirani)
Penalty and Barrier Methods for constrained optimization
Genetic Algorithms
Sean Luke,Essentials of Metaheuristics, 2009.
http://cs.gmu.edu/∼sean/book/metaheuristics/
Melanie Mitchell, An Introduction to Genetic Algorithms, A Bradford Book, The MIT Press, Cambridge Massachusetts, 1999.
David Beasley, David R. Bully and Ralph R. Martinz, An Overview of Genetic Algorithms (Part 1: Fundamentals and Part 2: Research Topics)
Simulated Annealing algorithm
S. Kirkpatrick, C. D. Gelatt Jr. and M. P. Vecchi, Optimization by Simulated Annealing, Science, May 1983, Vol. 220, no. 4598, pp. 671-680.
François Bergeret and Philippe Besse, Simulated Annealing, weighted simulated annealing and genetic algorithm at work.
William H. Press, Saul A. Teukolsky, William T. Vetterling, Brian P. Flannery, Numerical Recipes in C. The Art of Scientific Computing (second edition)}, Cambridge University Press.
Ant colony algorithms
Marco Dorigoa and Christian Blum, Ant colony optimizationtheory: A survey, Theoretical Computer Science 344 (2005) 243 – 278.
Scheduling
Ronald L. Graham, Combinatorial Scheduling Theory
R. Gary Parker, Deterministic Scheduling Theory, Chapman Hall.
Peter Brucker, Scheduling Algorithms, Fourth Edition, Springer
R.L. Graham, E.L. Lawler, J.K. Lenstra, A.H.G. Rinnooy Khan, Optimization and approximation in deterministic sequencing and scheduling: a survey
Peter Brucker, Scheduling Algorithms, Springer-Verlag, 2007, Berlin Heidelberg New York (ISBN 978-3-540-69515-8).
Neural Networks for Combinatorial Optimization
Jean-Yves Potvin, Kate A. Smith, Artificial Neural Networks for Combinatorial Optimization
Kate Smith, Neural Networks for Combinatorial Optimization: A Review of More Than a Decade of Research 1999.
Kate Smith, Marimuthu Palaniswami and Mohan Krishnamoorthy. Neural Techniques for Combinatorial Optimization with Applications
The originals of some of these references as presentation slides and other bibliography can be found in the web page of the subject:
http://mat.uab.cat/~alseda/MasterOpt/