A2. Resolución de problemas con metaheurísticos
102119
2016-17
MÁSTER UNIVERSITARIO EN INVESTIGACIÓN EN INTELIGENCIA ARTIFICIAL
4,5
OPTATIVA
Anual
Castellano
Los algoritmos metaheurísticos son algoritmos aproximados de optimización que
guían una heurística subordinada combinando de forma inteligente distintos
conceptos para explorar y explotar adecuadamente el espacio de búsqueda.
En esta materia se estudiarán distintos algoritmos metaheurísticos así como la
utilización de restricciones para modelar y solucionar problemas de
optimización combinatoria:
Los problemas de Optimización. Métodos heurísticos y metaheurísticos.
Taxonomías de algoritmos metaheurísticos.
Metaheurísticos basados en trayectorias: ascensión de colinas, búsqueda tabú,
recocido simulado, búsqueda en vecindades variables.
Metaheurísticos poblacionales: algoritmos evolutivos, algoritmos basados en
enjambres y algoritmos meméticos.
Problemas de satisfacción de restricciones. Representación. Técnicas de
búsqueda.
1. Módulo 1: Introducción a los metaheurísticos
1.1. Introducción a la optimización
1.2. Problemas de optimización combinatoria
1.3. Taxonomía de algoritmos metaheurísticos
1.4. Evaluación de algoritmos metaheurísticos
2. Módulo 2: Algoritmos metaheurísticos de seguimiento de trayectoria
2.1. Introducción
2.2. Metaheurísticas de búsqueda local
2.3. Metaheurísticas de búsqueda global
3. Módulo 3: Algoritmos metaheurísticos poblacionales
3.1. Algoritmos evolutivos
3.2. Inteligencia colectiva
3.3. Otros algoritmos poblacionales
3.4. Resolución de problemas complejos
3.5. Un nuevo mundo de aplicaciones
4. Prueba final
Unidades
CG1 - Entender los conceptos, los métodos y las aplicaciones de la
inteligencia artificial.
CE1 - Utilizar los diferentes algoritmos de búsqueda basados en la gestión del
conocimiento que sean de aplicación en los problemas que surgen en el ámbito
de la Inteligencia Artificial.
CE3 - Seleccionar el mecanismo de representación del conocimiento y el método
de razonamiento más adecuados al contexto donde serán utilizados y diseñar su
aplicación para problemas en el ámbito de la Inteligencia Artificial.
CE5 - Analizar las fuentes documentales propias del ámbito de la investigación
en Inteligencia Artificial para poder determinar cuáles de ellas son
relevantes en la resolución de problemas concretos.
A1 - Sesiones presenciales virtuales: visionado inicial del material
audiovisual (vídeos introductorios, presentaciones, animaciones) que se
elabore en cada una de las materias y que servirán presentación de cada uno de
los temas a los estudiantes (12 horas - 100% presencialidad).
A2 - Trabajos individuales: realización de ejercicios, resolución de
problemas, realización de prácticas y/o trabajos/proyectos individuales (17
horas - 0% presencialidad).
A3 - Trabajo autónomo: estudio del material básico, lecturas
complementarias y otros contenidos y estudio (72 horas - 0% presencialidad).
A4 - Foros y chats: lanzamiento de cuestiones y temas para la discusión
general (5,5 horas - 0% presencialidad).
A5 - Tutorías: consultas y resolución de dudas, aclaraciones, etc
(6 horas - 100% presencialidad).
E1 - Valoración de los cuestionarios de evaluación: los
estudiantes realizarán por cada unidad didáctica un cuestionario de evaluación
que será objeto de puntuación en la nota final (ponderación mínima 20% y
máxima 40%).
E2 - Valoración de la participación en foros y chats: se
valorará el nivel de participación/debate de los estudiantes que contará para
la nota final (ponderación mínima 10% y máxima 20%).
E3 - Valoración de los trabajos individuales: se valorarán los
problemas, proyectos, trabajos realizados y entregados a través de la
plataforma, y apoyado en los casos que sea necesario (sobre todo cuando se
trate de desarrollo de código) por plataformas de gestión de código como
GitHub. También se incluirá el video que el alumno deberá enviar al profesor
para cada asignatura (ponderación mínima 40% y máxima 70%).
Las sesiones se desarrollarán en octubre de 2016.
Experimental Research in Evolutionary Computation. Thomas Bartz-Beielstein.
Springer 2006
A Practical Tutorial on the Use of Nonparametric Statistical Tests as a
Methodology for Comparing Evolutionary and Swarm Intelligence Algorithms, J
Derrac, S García, D Molina, F Herrera, Swarm and Evolutionary Computation
1(1):3-18, 2011
Metaheuristics in Combinatorial Optimization: Overview and Conceptual
Comparison. C. Blum, A. Roli. ACM Comput. Surv. 35(3):268-308, 2003
How to Solve It: Modern Heuristics. Michalewicz & Fogel, 2004
Inteligencia Artificial, Num. 19, Volumen 2, 2003. J.A. Moreno Pérez, J.M.
Moreno Vega
Handbook of Metaheuristics, Gendreau & Potvin. Springer 2010
Metaheurísticas. Duarte, Pantrigo, Gallego. Dykinson. 2007
Metaheuristics. From design to implementation. Talbi, Wiley, 2009
Metaheuristic Search Concepts. Zäpfel, Braune, Bögl. Springer, 2010
Essentials of Metaheuristics. Sean Luke. Lulu 2013
Cellular Genetic Algorithms. Springer-Verlag; Alba E., Dorronsoro B. 2008
Optimization Techniques for Solving Complex Problems, Wiley, Alba E., Blum C.,
Isasi P., León C. Gómez J.A. 2009
Evolutionary Algorithms for Solving Multi-Objective Problems. Kluwer Academic
Publishers; Coello C., Van Veldhuizen D., Lamont G. 2002
Parallel Metaheuristics: A New Class of Algorithms, Wiley; Alba E. 2005
Evolutionary Algorithms in Theory and Practice. Oxford University Press; Bäck
T. 1996
How to Solve It: Modern Heuristics. Springer-Verlag; Michalewicz Z., Fogel D.
2004
Multi-Objective Optimization Using Evolutionary Algorithms. John Wiley & Sons;
Deb K. 2001
Módulo 1
Módulo 2
Módulo 3
Enlace recomendado
Este documento puede utilizarse como documentación de referencia de esta asignatura para la solicitud de reconocimiento de créditos en otros estudios. Para su plena validez debe estar sellado por la Secretaría de Estudiantes UIMP.
Descripción no definida
Anual
Créditos ECTS: 4,5
Alba Torres, Enrique
Catedrático de Lenguajes y Sistemas Informáticos
Universidad de Málaga
Chicano García, José Francisco
Teaching Assistant
Profesor Contratado Doctor de Lenguajes y Sistemas Informáticos
Universidad de Málaga
Lozano Alonso, José Antonio
Catedrático de Ciencia de la Computación e Inteligencia Artificial
Universidad del País Vasco
Moreno Pérez, José Andrés
Catedrático de Ciencias de la Computación e Inteligencia Artificial
Universidad de La Laguna