Optimization and Decision Making S1/31 Plik

(pieczęć wydziału)
KARTA PRZEDMIOTU
1. Nazwa przedmiotu: OPTIMIZATION AND DECISION MAKING
2. Kod przedmiotu:
3. Karta przedmiotu ważna od roku akademickiego: 2012
4. Forma kształcenia: studia pierwszego stopnia
5. Forma studiów: studia stacjonarne
6. Kierunek studiów: MAKROKIERUNEK; WYDZIAŁ AEII
7. Profil studiów: ogólnoakademicki
8. Specjalność:
9. Semestr: 3
10. Jednostka prowadząca przedmiot: Instytut Automatyki, RAu1
11. Prowadzący przedmiot: dr inż. Jarosław Śmieja
12. Przynależność do grupy przedmiotów:
przedmioty wspólne
13. Status przedmiotu: obowiązkowy
14. Język prowadzenia zajęć: angielski
15. Przedmioty wprowadzające oraz wymagania wstępne: Calculus and differentia equations, Algebra and
analytic geometry, Fundamentals of computer programming. Prior to this course, students should learn how to
calculate derivatives, solve linear differential equations, perform calculations using matrix notation and develop
simple software given the algorithm.
16. Cel przedmiotu: Introduction of various types of practical optimization problems and analytical
methods for solving them. Development of skills necessary for application of basic numerical algorithms.
Introduction of mathematically based decision making in multistage decision processes.
Laboratory exercises aim at teaching how to implement theoretical results and standard algorithms to find solutions
of real life optimization problems.
17. Efekty kształcenia:1
Nr
W1
W2
W3
U1
U2
U3
1
Opis efektu kształcenia
Metoda
sprawdzenia
efektu
kształcenia
Zna podstawowe pojęcia z dziedziny optymalizacji, takie
jak m.in. funkcjonał, ekstremum lokalne, optymalizacja
statyczna, dynamiczna, wypukłość funkcjonału, różniczki
Gateaux i Frecheta, warunekkonieczny, warunek
wystarczający
Zna postać warunków koniecznych, które powinny spełniać
rozwiązania zadań optymalizacji
Zna podstawowe algorytmy, służące do numerycznego
poszukiwania rozwiązań zadań optymalizacji
Potrafi sformułować matematyczny opis typowych
inżynierskich zadań optymalizacji i określić, do jakiej
rodziny one należą
Potrafi, dla zadanego problemu, wyznaczyć analityczną
postać warunków koniecznych rozwiązania typowych
zadań optymalizacji, a następnie wykorzystać je do jego
znalezienia
Potrafi ocenić przydatność standardowych metod dla
rozwiązania konkretnego problemu i zaimplementować
SP
WT, WM
SP
WT, WM
CL, PS, OS
WT, WM
CL, PS, OS
L
SP
L
CL, PS, OS
L
należy wskazać ok. 5 – 8 efektów kształcenia
Forma
Odniesienie
prowadzenia do efektów
zajęć
dla kierunku
studiów
wybrany algorytm
Potrafi wyznaczać strategie bezpieczne oraz strategie
równowagi w problemach decyzyjnych opisanych za
pomocą gier macierzowych
K1
Potrafi zinterpretować wyniki otrzymane w trakcie
rozwiązywania zadań optymalizacji
K2
Potrafi zaprezentować i uzasadnić zaproponowane metody
rozwiązywania problemu
18. Formy zajęć dydaktycznych i ich wymiar (liczba godzin)
U4
W. : 30
SP, CL, PS, OS
L
CL, PS, OS
L
OS
L
L.: 30
19. Treści kształcenia:
Wykład
 Examples of optimization problems; defining optimality criteria

Modeling of decision processes

Unconstrained extrema

Examples of using necessary conditions

Constrained optimization

Necessary conditions for constrained minimum

Inequality constraints

Convex programming

Linear programming and simplex algorithm

Dynamic programming

Zero- and nonzero sum games

Decision trees
Zajęcia laboratoryjne

Analytical methods of solving constrained and unconstrained static optimization problems

Optimization of functions of one variable

Multivariable optimization

Linear programming, simplex method

Quadratic programming

Direct methods of dynamic optimization, gradient methods

Dynamic programming
 Decision trees/game theory
20. Egzamin: nie
21. Literatura podstawowa:
A. Świerniak, A. Gałuszka, Optimization Methods and Decision Making. Lecture Notes. Wyd. Politechniki
Śląskiej, Gliwice 2003.
Z. Ogonowski, J. Smieja, Optimization Methods and Decision Making. (Handbook for students) Art&Kolor,
Gliwice, 2001. (available for download at http://www.platforma.polsl.pl/rau1/)
J. Figwer, J. Mościński, Z. Ogonowski. (red. Z.Ogonowski) Laboratorium metod optymalizacji statycznej.
Skrypty Uczelniane Politechniki Śląskiej, Nr. 1852, Gliwice.
Z. Duda, A. Ordys, A. Świerniak. Laboratorium metod optymalizacji dynamicznej. Skrypty Uczelniane
Politechniki Śląskiej, Nr. 1171, Gliwice.
22. Literatura uzupełniająca:
D. Luenberger: Optimization by vector space methods, John Wiley, 1969 (Polish translation-Teoria
optymalizacji, PWN, 1974)
D. Luenberger: Introduction to linear and nonlinear programming, Adison-Wesley, 1973
U. Helmke, J. Moore: Optimization and dynamical systems, Springer, 1994
A. Bryson, Y.C. Ho: Applied optimal control, Blaisdell, 1969
W. Findeisen, J. Szymanowski, A. Wierzbicki: Metody optymalizacji, PWN, 1977
M.M. Sysło, N. Deo, J.S. Kowalik, Algorytmy optymalizacji dyskretnej, PWN, Warszawa, 1995
23. Nakład pracy studenta potrzebny do osiągnięcia efektów kształcenia
Lp.
Forma zajęć
1
Wykład
2
Ćwiczenia
3
Laboratorium
4
Projekt
0/0
5
Seminarium
0/0
6
Inne
6/5
Suma godzin
Liczba godzin
kontaktowych / pracy studenta
30/15
0/0
30/40
66/60
24. Suma wszystkich godzin: 126
25. Liczba punktów ECTS:2 5
26. Liczba punktów ECTS uzyskanych na zajęciach z bezpośrednim udziałem nauczyciela akademickiego: 2
27. Liczba punktów ECTS uzyskanych na zajęciach o charakterze praktycznym (laboratoria, projekty): 3
26. Uwagi:
Zatwierdzono:
…………………………….
…………………………………………………
(data i podpis prowadzącego)
(data i podpis dyrektora instytutu/kierownika katedry/
Dyrektora Kolegium Języków Obcych/kierownika lub
dyrektora jednostki międzywydziałowej)
2
1 punkt ECTS – 25-30 godzin.