Drukuj sylabus

Metody optymalizacji systemów

Informacje ogólne

Kod przedmiotu:

EF0-DD>MOS

Kod Erasmus / ISCED:

(brak danych) / (brak danych)

Nazwa przedmiotu:

Metody optymalizacji systemów

Jednostka:

Katedra Informatyki i Automatyki

Grupy:

Przedmioty 2 sem. - informatyka st. III-go stopnia

Punkty ECTS i inne:

(brak)

Podstawowe informacje o zasadach przyporządkowania punktów ECTS:

roczny wymiar godzinowy nakładu pracy studenta konieczny do osiągnięcia zakładanych efektów uczenia się dla danego etapu studiów wynosi 1500-1800 h, co odpowiada 60 ECTS;
tygodniowy wymiar godzinowy nakładu pracy studenta wynosi 45 h;
1 punkt ECTS odpowiada 25-30 godzinom pracy studenta potrzebnej do osiągnięcia zakładanych efektów uczenia się;
tygodniowy nakład pracy studenta konieczny do osiągnięcia zakładanych efektów uczenia się pozwala uzyskać 1,5 ECTS;
nakład pracy potrzebny do zaliczenia przedmiotu, któremu przypisano 3 ECTS, stanowi 10% semestralnego obciążenia studenta.

zobacz reguły punktacji

Język prowadzenia:

polski

Pełny opis:

moduł jest prowadzony na drugim semestrze studiów trzeciego stopnia na kierunku informatyka

Treści kształcenia

- Formułowanie zadań optymalizacji.

- Programowanie liniowe i jego zastosowania

- Optymalizacja kombinatoryczna, przegląd najważniejszych problemów

- Optymalizacja globalna, złożoność obliczeniowa, ważne metody inteligencji obliczeniowej

- Wieloetapowe problemy decyzyjne, metoda programowania dynamicznego

- Optymalizacja wielokryterialnaj: sformułowanie, sposoby skalaryzacji. Proces analizy hirarchicznej (AHP). Wprowadzenie do teorii gier

Literatura:

Literatura wykorzystywana podczas zajęć wykładowych

M. Wysocki - Metody obliczeniowe optymalizacji - www.kia.prz.edu.pl. . - 2012

J. Błażewicz, W. Cellary, R. słowiński, J. Węglarz - Badania operacyjne dla informatyków - WNT Warszawa. - 1983

H. Górecki - Optymalizacja systemów dynamicznych - PWN, Warszawa. - 1993

J. Goodfellow, Y. Bengio, A. Courville - Deep Learning - Systemy uczące się - PWN, Warszawa. - 2018

Literatura wykorzystywana podczas zajęć ćwiczeniowych/laboratoryjnych/innych

M. Wysocki - Metody obliczeniowe optymalizacji - www.kia.prz.edu.pl., 2012. - 2012

Praca zbiorowa - Optimization Toolbox for use with Matlab - The MAthWorks Inc. - Help oprogramowania. - 2018

Praca zbiorowa - Global optimization toolbox for use with Matlab - The MathWorks Inc. - Help oprogramowania. - 2018

Literatura do samodzielnego studiowania

M. Michalewicz - Algorytmy genetyczne+struktury danych=programy ewolucyjne - WNT, Warszawa. - 1996

A. Niederliński - Programowanie w logice z ograniczeniami - Wydawnictwo PKJS, Gliwice. - 2010

M. Krzyśko, W. Wołyński, T. Górecki, M. Skorzybut - Systemy uczące się - WNT Warszawa . - 2008

Literatura uzupełniająca

M. Sysło, N. Deo, J.Kowalik: - Algorytmy optymalizacji dyskretnej z programami w języku Pascal - PWN, Warszawa. - 2000

A. Stachurski A., A. Wierzbicki - : Podstawy optymalizacji - Ofic. Wyd. PW, Warszawa. - 1999

Publikacje naukowe

K. Sidor; M. Wysocki - Recognition of Human Activities Using Depth Maps and the Viewpoint Feature Histogram Descriptor - . - 2020

M. Wysocki - Zaawansowane systemy informatyczne: studia wybranych przypadków - OFICYNA WYDAWNICZA POLITECHNIKI RZESZOWSKIEJ. - 2020

T. Kapuściński; M. Wysocki - Recognition of Signed Expressions in an Experimental System Supporting Deaf Clients in the City Office - . - 2020

T. Kapuściński; D. Warchoł; M. Wysocki - Recognition of Fingerspelling Sequences in Polish Sign Language Using Point Clouds Obtained from Depth Images - . - 2019

T. Kapuściński; J. Marnik; M. Oszust; D. Warchoł; M. Wysocki - Układ wspomagający komunikowanie się osób głuchoniemych z osobami słyszącymi i sposób wspierania takiego komunikowania się - . - 2019

P. Cieciński; T. Kapuściński; G. Kopecki; M. Oszust; J. Pieniążek; T. Rogalski; P. Rzucidło; D. Warchoł; M. Wysocki - A vision-based method for supporting autonomous aircraft landing - . - 2018

T. Kapuściński; J. Marnik; M. Oszust; D. Warchoł; M. Wysocki - Komercjalizacja wyników badań naukowych na przykładach wizyjnych systemów SyKoMi i BlinkMouse wspomagających osoby niepełnosprawne - WYDAWNICTWO UNIWERSYTETU EKONOMICZNEGO W KRAKOWIE. - 2018

T. Kapuściński; J. Marnik; M. Oszust; D. Warchoł; M. Wysocki - System informatyczny wspierający komunikację w języku migowym w instytucjach użyteczności publicznej - . - 2017

A. Bożek; M. Wysocki - Off-line and dynamic production scheduling – a comparative case study - KOMITET INŻYNIERII PRODUKCJI PAN ORAZ POLSKIE TOWARZYSTWO ZARZĄDZANIA PRODUKCJĄ. - 2016

D. Warchoł; M. Wysocki - Recognition of Hand Postures Based on a Point Cloud Descriptor and a Feature of Extended Fingers - PRZEMYSŁOWY INSTYTUT AUTOMATYKI I POMIARÓW, WARSZAWA. - 2016

Efekty uczenia się:

Student, który zaliczył moduł	Formy zajęć/metody dydaktyczne prowadzące do osiągnięcia danego efektu kształcenia	Sposoby weryfikacji każdego z wymienionych efektów kształcenia
Rozumie, na czym polega sformulowanie zadania optymalizacji jednokryterialnej	wykład, seminarium	egzamin
Potrafi zdefiniować zmienne decyzyjne i zapisać matematycznie ograniczenia oraz funkcję celu w podanych zadaniach optymalizacji statycznej sformułowanych werbalnie	wykład, seminarium	egzamin
Potrafi rozwiązać sformułowane matematycznie typowe zadanie optymalizacji jednokryterialnej z wykorzystaniem komputera	wykład, seminarium	egzamin
Zna tradycyjne metody numeryczne rozwiązywania zadań optymalizacji statycznej	wykład, seminarium	egzamin
Zna najważniejsze metody inteligencji obliczeniowej związane z optymalizacją: algorytmy genetyczne, optymalizacja roju, symulowane wżarzanie itp..	wykład, seminarium	egzamin
Rozumie, na czym polega wieloetapowy problem decyzyjny i zasada optymalności Bellmana, potrafi wskazać praktyczne zastosowania.	wykład, seminarium	egzamin
Rozumie, na czym polega zadanie optymalizacji wielokryterialnej, potrafi je sformułować i rozwiązać. Rozumie podstawowe problemy teorii gier	wykład	egzamin

Metody i kryteria oceniania:

na ocenę 3	na ocenę 4	na ocenę 5
Efekt test	nie tylko osiągnął poziom wiedzy i umiejętności wymagany na ocenę 3, ale również	nie tylko osiągnął poziom wiedzy i umiejętności wymagany na ocenę 4, ale również
Rozumie, na czym polega sformulowanie zadania optymalizacji jednokryterialnej	nie tylko osiągnął poziom wiedzy i umiejętności wymagany na ocenę 3, ale również potrafi podać przykład werbalnego sformułowania zadania optymalizacji	nie tylko osiągnął poziom wiedzy i umiejętności wymagany na ocenę 4, ale również potrafi sformulować problem optymalizacji w typowych stuacjach praktycznych
Potrafi zdefiniować zmienne decyzyjne i zapisać matematycznie ograniczenia oraz funkcję celu w podanych zadaniach optymalizacji statycznej sformułowanych werbalnie	nie tylko osiągnął poziom wiedzy i umiejętności wymagany na ocenę 3, ale również potrafi przedstawić graficzną interpretację rozwiązania w prostych zadaniach optymalizacji z dwiema zmiennymi	nie tylko osiągnął poziom wiedzy i umiejętności wymagany na ocenę 4, ale również potrafi rozwiązać analitycznie proste zadanie optymalizacji z dwiema zmiennymi bez ograniczeń i z ograniczeniami
Potrafi rozwiązać sformułowane matematycznie typowe zadanie optymalizacji jednokryterialnej z wykorzystaniem komputera	nie tylko osiągnął poziom wiedzy i umiejętności wymagany na ocenę 3, ale również potrafi uzasadnić wyniki obliczeń	nie tylko osiągnął poziom wiedzy i umiejętności wymagany na ocenę 4, ale również rozumie problem optymalności lokalnej i globalnej oraz złożoności obliczeniowej
Zna tradycyjne metody numeryczne rozwiązywania zadań optymalizacji statycznej	nie tylko osiągnął poziom wiedzy i umiejętności wymagany na ocenę 3, ale również potrafi wyjasnić działanie wybranego algorytmu optymalizacji bez ograniczeń na prostym przykładzie	nie tylko osiągnął poziom wiedzy i umiejętności wymagany na ocenę 4, ale również potrafi pokazac działanie funkcji kary na prostym przykładzie
Zna najważniejsze metody inteligencji obliczeniowej związane z optymalizacją: algorytmy genetyczne, optymalizacja roju, symulowane wżarzanie itp..	nie tylko osiągnął poziom wiedzy i umiejętności wymagany na ocenę 3, ale również potrafi pokazać działanie wybranego algorytmu na przykładzie	nie tylko osiągnął poziom wiedzy i umiejętności wymagany na ocenę 4, ale również potrafi pokazać działanie dwóch wybranych algorytmów na przykładzie
Rozumie, na czym polega wieloetapowy problem decyzyjny i zasada optymalności Bellmana, potrafi wskazać praktyczne zastosowania.	nie tylko osiągnął poziom wiedzy i umiejętności wymagany na ocenę 3, ale również potrafi zastosować metodę programowania dynamicznego w prostym zadaniu najkrótszej drogi	nie tylko osiągnął poziom wiedzy i umiejętności wymagany na ocenę 4, ale również potrafi zastosować metodę programowania dynamicznego w prostym zadaniu otymalizacji dynamicznej z czasem dyskretnym
Rozumie, na czym polega zadanie optymalizacji wielokryterialnej, potrafi je sformułować i rozwiązać. Rozumie podstawowe problemy teorii gier	nie tylko osiągnął poziom wiedzy i umiejętności wymagany na ocenę 3, ale również potrafi zinterpretować graficznie zbiór rozwiązań optymalnych w sensie Pareto i wyjasnić działanie wybranej przez siebie metody skalaryzacji	nie tylko osiągnął poziom wiedzy i umiejętności wymagany na ocenę 4, ale również potrafi rozwiązać przykładowe zadanie liniowej optymalizacji dwukryterialnej ;Potrafi wyjasnic metodę AHP na przykładzie

Przedmiot nie jest oferowany w żadnym z aktualnych cykli dydaktycznych.

Opisy przedmiotów w USOS i USOSweb są chronione prawem autorskim.
Właścicielem praw autorskich jest Politechnika Rzeszowska im. Ignacego Łukasiewicza.