Wierk - Wydział Informatyki, Elektroniczne Ramy Kwalifikacji

Wydział Informatyki
Kierunek studiów	Informatyka							Poziom i forma studiów	drugiego stopnia stacjonarne
Specjalność / Ścieżka dyplomowania	Inżynieria Oprogramowania							Profil kształcenia	ogólnoakademicki
Nazwa przedmiotu	Algorytmy ewolucyjne							Kod przedmiotu	INF2AEW
								Rodzaj przedmiotu	obieralny
Forma zajęć i liczba godzin	W	Ć	L	P	Ps	T	S	Semestr	2
	15				30			Punkty ECTS	3
Przedmioty wprowadzające
Cele przedmiotu	Student jest w stanie zaprojektować i zaimplementować algorytm ewolucyjny do danego problemu.
Treści programowe	Wykład: Wprowadzenie do metod optymalizacji. Optymalizacja globalna i lokalna. Standardowy algorytm genetyczny. Selekcja. Operatory ewolucyjne. Rozszerzenia algorytmu standardowego. Strategie ewolucyjne i programowanie ewolucyjne. Programowanie genetyczne. Zadania z ograniczeniami. Algorytmy ewolucyjne – porady praktyczne. Algorytmy ewolucyjne dla problemu komiwojazera. Algorytmy ewolucyjne dla problemów kolorowania grafu i szeregowania. Algorytmy ewolucyjne w uczeniu maszynowym. Teoria algorytmów ewolucyjnych. Algorytmy memetyczne. Algorytmy ewolucyjne na maszynach równoległych. Dobór parametrów algorytmu. Pracownia specjalistyczna: Implementacja na podstawie literatury wybranego algorytmu ewolucyjnego. Badania symulacyjne algorytmu - dla wybranych problemów testowych.
Metody dydaktyczne	wykład problemowy, programowanie z użyciem komputera,
Forma zaliczenia	Wykład - test zaliczający. Pracownia specjalistyczna - przygotowanie i obrona projektu.
Symbol efektu uczenia się	Zakładane efekty uczenia się								Odniesienie do kierunkowych efektów uczenia się
EU1	zna problematykę algorytmów ewolucyjnych								INF2_W07
EU2	posiada umiejętność doboru algorytmu ewolucyjnego do konkretnego problemu optymalizacji								INF2_W07 INF2_U03
EU3	posiada umiejętność implementacji złożonego systemu jakim jest algorytm ewolucyjny								INF2_U09
EU4	posiada umiejętność pracy w grupie 2-3 osobowej nad projektem programistycznym								INF2_U13
Symbol efektu uczenia się	Sposób weryfikacji efektu uczenia się								Forma zajęć na której zachodzi weryfikacja
EU1	test zaliczający wykład								W
EU2	test zaliczający wykład, prezentacja i obrona projektu programistycznego								W, Ps
EU3	prezentacja i obrona projektu programistycznego								Ps
EU4	prezentacja i obrona projektu programistycznego								Ps
Bilans nakładu pracy studenta (w godzinach)									Liczba godz.
Wyliczenie
	1 - Udział w wykładach - 15x1h								15
	2 - Udział w pracowni specjalistycznej - 15x2h								30
	3 - Praca nad projektami w domu/laboratorium (w tym przygotowanie sprawozdania z projektu)								20
	4 - Przygotowanie do testu zaliczającego wykład								5
	5 - Udział w konsultacjach związany z przygotowaniem projektów								5
RAZEM:									75
Wskaźniki ilościowe									GODZINY	ECTS
Nakład pracy studenta związany z zajęciami wymagającymi bezpośredniego udziału nauczyciela									50 (1)+(2)+(5)	2.0
Nakład pracy studenta związany z zajęciami o charakterze praktycznym									50 (3)+(2)	2.0
Literatura podstawowa	1. Z. Michalewicz, Algorytmy genetyczne + struktury danych=programy ewolucyjne, WNT, Warszawa, 1996. 2. J. Arabas, Wykłady z algorytmów ewolucyjnych, WNT, Warszawa, 2001. 3. D. E. Goldberg, Algorytmy genetyczne i ich zastosowania, WNT, Warszawa, 1995. 4. K. A. De Jong, Evolutionary Computation: A Unified Approach, MIT Press, 2016. 5. D. Simon, Evolutionary Optimization Algorithms, Wiley, 2013.
Literatura uzupełniająca	1. Z. Michalewicz, D. B. Fogel, Jak to rozwiązać, czyli nowoczesna heurystyka, WNT, Warszawa, 2006.
Jednostka realizująca	Katedra Oprogramowania								Data opracowania programu
Program opracował(a)									2020.05.22