Kursplan för Stokastiska optimeringsmetoder

Kursplanen innehåller ändringar
Se ändringar

Kursplan fastställd 2020-02-20 av programansvarig (eller motsvarande).

Kursöversikt

  • Engelskt namnStochastic optimization algorithms
  • KurskodFFR105
  • Omfattning7,5 Högskolepoäng
  • ÄgareMPCAS
  • UtbildningsnivåAvancerad nivå
  • HuvudområdeBioteknik, Kemiteknik, Teknisk fysik
  • InstitutionMEKANIK OCH MARITIMA VETENSKAPER
  • BetygsskalaTH - Mycket väl godkänd (5), Väl godkänd (4), Godkänd (3), Underkänd

Kurstillfälle 1

  • Undervisningsspråk Engelska
  • Anmälningskod 11115
  • Max antal deltagare200
  • Blockschema
  • Sökbar för utbytesstudenterJa

Poängfördelning

0199 Tentamen 7,5 hp
Betygsskala: TH		7,5 hp
  • 28 Okt 2020 em J
  • 04 Jan 2021 fm J
  • 26 Aug 2021 fm J

I program

Examinator

Gå till kurshemsidan (Öppnas i ny flik)

Behörighet

Grundläggande behörighet för avancerad nivå
Sökande med en programregistrering på ett program där kursen ingår i programplanen undantas från ovan krav.

Särskild behörighet

Engelska 6
Sökande med en programregistrering på ett program där kursen ingår i programplanen undantas från ovan krav.

Kursspecifika förkunskaper

Grundläggande programmeringskunskaper samt kurser i linjär algebra och matematisk analys eller motsvarande

Syfte

Kursens syfte är att förse teknologerna med kunskaper om nya optimeringsmetoder inspirerade av biologiska fenomen, t.ex. evolution. Algoritmerna har många tekniska tillämpningar, t.ex. inom robotik, fordonsindustri, finans etc. Kursen innefattar även en repetition av klassisk optimering.

Lärandemål (efter fullgjord kurs ska studenten kunna)

  • Implementera och använda flera olika klassiska optimeringsmetoder, t.ex. gradientföljning och penaltymetoder.
  • Beskriva och förklara de basala egenskaperna hos biologisk evolution, med fokus på de delar som är relevanta för evolutionära algoritmer.
  • Definiera och implementera (i Matlab) flera versioner av evolutionära algoritmer,partikelsvärmalgoritmer och myralgoritmer, och tillämpa dessa algoritmer vid lösning av optimeringsproblem.
  • Jämföra olika typer av biologiskt inspirerade beräkningsmetoder, och identifiera lämpliga algoritmer for olika tillämpningar.

Innehåll

  • Klassiska optimeringsmetoder: Gradientföljning, Newton's metod m.fl.
  • Konvexa funktioner, konvex optimering. Lagranges multiplikatormetod. Penaltymetoder.
  • Evolutionära algoritmer: Biologisk bakgrund, genetiska operatorer, urvalsmekanismer. Bakomliggande teori och analytiska egenskaper. Linjär genetisk programmering.
  • Partikelsvärmoptimering: Biologisk bakgrund, teori och tillämpningar.
  • Myralgoritmer: Biologisk bakgrund, teori och tillämpningar.
  • Jämförelse mellan olika algoritmer. Algoritmval.
  • Etiska aspekter av maskininlärning

Organisation

Kursen är organiserad i form av en föreläsningsserie. Några lektioner ägnas åt räkneövningar.

Litteratur

Wahde, M. Biologically inspired optimization methods: An introduction

Examination inklusive obligatoriska moment

Examinationen baseras på obligatoriska hemproblem (50 %) och en skriftlig tenta vid kursens slut (50 %).

Kursplanen innehåller ändringar

  • Ändring gjord på tentamen:
    • 2020-09-30: Plussning Inte längre plussning av GRULG
      Beslut GRULG, plussning ej tillåten