Data wydruku: 26.12.2016 08:43 Strona 1 z 3 Nazwa przedmiotu

Nazwa przedmiotu
Metody optymalizacji
Kod przedmiotu
FIZ1C322/1
Jednostka
Katedra Fizyki Teoretycznej i Informatyki Kwant.
Kierunek
Fizyka Techniczna
Obszary
kształcenia
Nauki ścisłe
Profil kształcenia
ogólnoakademicki
Rok studiów
3
Typ przedmiotu
Obowiąkowy
Semestr studiów
6
Poziom studiów
I stopnia - inżynierskie
ECTS
4.0
Liczba punktów
ECTS
Aktywność studenta
gk
Udział w zajęciach dydaktycznych objętych planem studiów
60
Nauki techniczne
Udział w konsultacjach
pw
6
Praca własna studenta
Suma
Wykładowcy
34
66
34
Łączna liczba godzin pracy studenta
100
Liczba punktów ECTS
4.0
dr hab. Leszek Kułak (Osoba opowiedzialna za przedmiot)
Prowadzący:
dr hab. Leszek Kułak
Cel przedmiotu
Celem wykładu jest przedstawienie klasycznych i biologicznie inspirowanych metaheurystycznych metod
optymalizacji w sposób umożliwiający szybkie zaimplementowanie ich pod postacią odpowiednich
algorytmów.
Omówione są na wykładzie współczesne algorytmy optymalizujące z położeniem nacisku na ich inspirację w
fizyce i biologii.
Data wydruku:
07.03.2017 16:35
Strona
1 z 4
Efekty kształcenia
Sposób realizacji
Odniesienie do efektów
kierunkowych
Efekt kształcenia z przedmiotu
Sposób weryfikacji efektu
[K_U01] Potrafi uczyć się
samodzielnie, pozyskiwać
informacje z literatury, baz
danych oraz innych właściwie
dobranych źródeł.
Student korzysta z literatury
branżowej (naukowej; artykuły w
czasopismach naukowych) i
wykorzystuje treści w niej zawarte
do rozwiązania problemów
stawianych w ramach laboratorium
[SK2] Ocena postępów pracy
[SW1] Ocena wiedzy
faktograficznej
[SU2] Ocena umiejętności
analizy informacji
[K_U07] Potrafi w sposób
popularny przedstawić
podstawowe fakty z zakresu fizyki
oraz pokrewnych dziedzin i
dyscyplin nauki.
Student potrafi stworzyć projekt
prezentacji na wybrany temat
dotyczący nowoczesnych
rozwiązań technologicznych
[SU5] Ocena prezentacji
[SU3] Ocena umiejętności
wykorzystania wiedzy uzyskanej
w ramach różnych modułów
[SK4] Ocena umiejętności
komunikacji
[K_K02] Ma świadomość własnych
ograniczeń i wie, kiedy zwrócić się
do ekspertów.
Student ocenia efektywność
dostarczanego przez siebie
rozwiązania. Student korzysta z
literatury branżowej (naukowej;
artykuły w czasopismach
naukowych) i wykorzystuje treści
w niej zawarte do rozwiązania
problemów.
[SU2] Ocena umiejętności
analizy informacji
[SU1] Ocena realizacji zadania
[K_K01] Rozumie potrzebę
uczenia się przez całe życie oraz
potrzebę podnoszenia kompetencji
zawodowych i osobistych. Potrafi
inspirować i organizować proces
uczenia się innych osób.
Student ocenia efektywność
dostarczanego przez siebie
rozwiązania korzystając ze ściśle
zdefiniowanych miar. Dostrzega
ograniczenia wynikające z
przyjętych uproszczeń i założeń.
[SK2] Ocena postępów pracy
[SW2] Ocena prezentacji
[SU2] Ocena umiejętności
analizy informacji
[K_W02] Posiada uporządkowaną
wiedzę w zakresie podstaw fizyki,
obejmującą mechanikę,
termodynamikę, elektryczność i
magnetyzm, optykę, fizykę atomu
i cząsteczki, fizykę ciała stałego,
fizykę jądra atomowego i cząstek
elementarnych.
Student posiada pogłębioną
znajomość metod
matematycznych, numerycznych i
symulacyjnych stosowanych przy
opisie i modelowaniu
podstawowych zagadnień
optymalizacji w technice
[SW1] Ocena wiedzy
faktograficznej
[SU4] Ocena umiejętności
korzystania z metod i narzędzi
[SU3] Ocena umiejętności
wykorzystania wiedzy uzyskanej
w ramach różnych modułów
[K_U08] Posiada umiejętność
przygotowywania prac i
opracowań pisemnych oraz
wystąpień ustnych, w językach
polskim i angielskim, dotyczących
zagadnień szczegółowych z
zakresu fizyki oraz pokrewnych
dziedzin i dyscyplin nauki.
Student potrafi stworzyć projekt
aplikacji realizującej algorytmy
optymalizacyjne oraz potrafi
zaimplementować w wybranym
języku programowania
zaprojektowany system.
[SU4] Ocena umiejętności
korzystania z metod i narzędzi
[SU3] Ocena umiejętności
wykorzystania wiedzy uzyskanej
w ramach różnych modułów
na uczelni
Wymagania
wstępne i
dodatkowe
Zalecane
komponenty
przedmiotu
Data wydruku:
07.03.2017 16:35
Strona
2 z 4
Treść przedmiotu
1.
2.
3.
4.
5.
Zalecana lista
lektur
Podstawy optymalizacji. Krótki rys historyczny optymalizacji.Sformułowanie zagadnienia. Rodzaje
zadań. Właściwości funkcji celu. Ograniczenia funkcji celu.Optymalizacja w zastosowaniach
inżynierskich.Typy optymalizacji i rodzaje algorytmów. Jak oceniać algorytmy optymalizacji. Metody
eliminowania ograniczeń funkcyjnych. Zadania wielokryterialne.
Klasyczne metody optymalizacji. Programowanie liniowe. Matematyczne podstawy programowania
liniowego. Geometryczny algorytm metody sympleks. Algorytm prosty metody sympleks. Zagadnienie
transportowe. Metoda potencjałów. Gry dwuosobowe o sumie zero i ich związek z programowaniem
liniowym.Klasyczne metody optymalizacji bez ograniczeń. Metody gradientowe. Metoda Newtona.
Metody proste kierunków poprawy. Metoda gradientów sprzężonych.Metoda gradientowa Levenberga
Marquardta. Metoda sympleks Meada-Neldera.Klasyczne metody optymalizacji z ograniczeniami.
Metoda funkcji kary. Metoda mnożników Lagrange. Twierdzenie Karusha-Kuhna-Tuckera.
Generatory liczb pseudolosowych.
Algorytmy ewolucyjne. Prosty algorytm genetyczny. Strategie ewolucyjne (1+1), (λ+μ),(λ, μ).
Programowanie ewolucyjne. Zarządzanie populacją. Metody selekcji. Kryteria zatrzymania algorytmu.
Monitorowanie rozwiązań generowanych przez algorytm. Monitorowanie zdolności eksploatacyjnych.
Dobór kodowania i operatorów genetycznych. Warianty operatorów krzyżowania. Przegląd metod
krzyżowania. Operator inwersji. Operatory mutacji. Eksploracja i eksploatacja a operatory genetyczne.
Zarządzanie wieloma operatorami genetycznymi. Przykładowe zastosowania w fundamentalnych
zagadnieniach inżynierskich.
Metaheurystyczne algorytmy optymalizacji.Symulowane wyżarzanie. Algorytm robaczków
świętojańskich. Optymalizacja rojem świetlików. Poszukiwania systemem naładowanych cząstek.
Algorytm grawitacyjnych poszukiwań. Algorytm wirtualnych nietoperzy. Optymalizacja rojem cząstek.
Algorytm mrówkowy. Algorytm pszczół. Procesy dynamicznego formowania rzek. Algorytm inteligencji
kropli wody. Przykładowe zastosowania w fundamentalnych zagadnieniach inżynierskich.
Literatura podstawowa
1.
2.
3.
4.
5.
J. Arabas - Wykłady z algorytmów ewolucyjnych , WNT, 2004
Z. Michalewicz. Algorytmy genetyczne + struktury danych = programy ewolucyjne, WNT, 2011
Findestein. Metody obliczeniowe optymalizacji, PWN, 1977
R.Wieczorkowski, Z, Zieliński, Komputerowe generatory liczb losowych, WNT, 1997
X. Yang. Engineering Optimization - An Introduction With Metaheuristic Applications, Wiley, 2010
Literatura uzupełniająca
1.
2.
3.
4.
5.
Formy zajęć i
metody nauczania
K.Kukuła, Badania Operacyjne w przykładach i zadaniach, PWN 2011
M. Wahde, Biologically Inspired Optimization Methods - An Introduction (WIT, 2008)
S. Luke, Essentials of Metaheuristics, Lulu, second edition, available at http://cs.gmu.edu/∼sean/book/
metaheuristics/
G. Rozenberg, Handbook of Natural Computing, Springer 2012
T.Weise Global Optimization Algorithms – Theory and Application , http://www.it-weise.de/, 2013
Forma zajęć
Liczba godzin zajęć
Wykład
Ćwiczenia
Laboratorium
Projekt
Seminarium
30.0
0.0
30.0
0.0
0.0
Suma godzin dydaktycznych w semestrze,
objętych planem studiów
60
W tym kształcenie na odległość: 0.0
Metody i kryteria
oceniania
Kryteria oceniania: składowe
Próg zaliczeniowy
Procent oceny
końcowej
Egzamin ustny
50.0
50.0
Zaliczenie laboratorium
50.0
50.0
Przykładowe zagadnienia / Przykładowe zadania / Realizowane zadania
Zastosowanie programowania liniowego do zagadnień optymalizacji diety.
Optymalizowanie zagadnienia transportowego i harmonogramów przy pomocy algorytmów genetycznych.
Tworzenie algorytmów hybrydowych przez połączenie algorytmów metaheurystycznych z metodami
gradientowymi.
Zastosowanie strategii ewolucyjnych do rozwiązywania prostych modeli kwantowo-mechanicznych.
Analiza algorytmów biologicznie inspirowanych i ich zastosowanie do trudnych problemów technicznych.
Data wydruku:
07.03.2017 16:35
Strona
3 z 4
Język wykładowy
polski
Praktyki zawodowe Nie dotyczy
Data wydruku:
07.03.2017 16:35
Strona
4 z 4