Última actualización: 24/05/2023


Curso Académico: 2023/2024

Computación Evolutiva
(19202)
Máster Universitario en Inteligencia Artificial Aplicada (Plan: 475 - Estudio: 378)
Escuela de Ingeniería y Ciencias Básicas


Coordinador/a: SAEZ ACHAERANDIO, YAGO

Departamento asignado a la asignatura: Departamento de Informática

Tipo: Optativa
Créditos: 3.0 ECTS

Curso:
Cuatrimestre:




Requisitos (Asignaturas o materias cuyo conocimiento se presupone)
Conocimientos de programación medios
Objetivos
Comprender el fundamentos de la computación evolutiva, poder identificar en qué casos puede ser efectiva y adquirir los conocimientos para escoger y diseñar la técnica adecuada para resolver problemas de búsqueda y optimización (entre otros).
Competencias y resultados del aprendizaje
Descripción de contenidos: Programa
1. Introducción a la computación evolutiva 2. Conceptos generales de algoritmos evolutivos: inicialización, parada, operadores genéticos, estrategias de inserción y reemplazo. 3. Técnicas de computación evolutiva: algoritmos genéticos, estrategias evolutivas, programación genética, otras. 4. Resolución de problemas mediante técnicas evolutivas. Problemas con múltiples soluciones, con varios objetivos, con restricciones, coevolución. 5. Fundamentos matemáticos
Actividades formativas, metodología a utilizar y régimen de tutorías
Actividades formativas AF1 - Clase teórica AF2 - Clases prácticas AF3 - Clases teórico prácticas AF5 - Tutorías AF6 - Trabajo en grupo AF7 - Trabajo individual del estudiante AF8 - Exámenes parciales y finales -> Presentaciones y/o defensas parciales y finales Metodología docente MD1 - Exposiciones en clase del profesor con soporte de medios informáticos y audiovisuales, en las que se desarrollan los conceptos principales de la materia y se proporciona la bibliografía para complementar el aprendizaje de los alumnos. MD2 Lectura crítica de textos recomendados por el profesor de la asignatura: artículos, informes, videos, tutoriales, etc., bien para su posterior discusión en clase, bien para ampliar y consolidar los conocimientos de la asignatura. MD3 Resolución de casos prácticos, problemas, etc. planteados por el profesor de manera individual o en grupo MD5 Elaboración de trabajos e informes de manera individual o en grupo
Sistema de evaluación
  • Peso porcentual del Examen Final 0
  • Peso porcentual del resto de la evaluación 100
Calendario de Evaluación Continua
Bibliografía básica
  • D. Borrajo, J. Gonzalez, P. Isasi. Aprendizaje Automático. Sanz y Torres. 2013
  • D. Floreano, C. Mattiussi. Bio-Inspired Artificial Intelligence: Theories, Methods, and Technologies. MIT Press. 2008
  • E. Talbi. Metaheuristics: From Design to Implementation. Wiley. 2009

El programa de la asignatura podría sufrir alguna variación por causa de fuerza mayor debidamente justificada o por eventos académicos comunicados con antelación.