Kursplan fastställd 2021-02-26 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 11111
- Max antal deltagare200
- Blockschema
- Sökbar för utbytesstudenterJa
Poängfördelning
Modul | LP1 | LP2 | LP3 | LP4 | Sommar | Ej LP | Tentamensdatum |
|---|---|---|---|---|---|---|---|
| 0199 Tentamen 7,5 hp Betygsskala: TH | 7,5 hp |
|
I program
- MPAME - TILLÄMPAD MEKANIK, MASTERPROGRAM, Årskurs 2 (valbar)
- MPCAS - KOMPLEXA ADAPTIVA SYSTEM, MASTERPROGRAM, Årskurs 1 (obligatorisk)
- MPDSC - DATA SCIENCE OCH AI, MASTERPROGRAM, Årskurs 1 (valbar)
- MPDSC - DATA SCIENCE OCH AI, MASTERPROGRAM, Årskurs 2 (valbar)
- MPENM - MATEMATIK OCH BERÄKNINGSVETENSKAP, MASTERPROGRAM, Årskurs 1 (obligatoriskt valbar)
- MPENM - MATEMATIK OCH BERÄKNINGSVETENSKAP, MASTERPROGRAM, Årskurs 2 (valbar)
- MPSYS - SYSTEMTEKNIK, REGLERTEKNIK OCH MEKATRONIK, MASTERPROGRAM, Årskurs 2 (valbar)
Examinator
Mattias Wahde- Professor, Fordonsteknik och autonoma system, Mekanik och maritima vetenskaper
Behörighet
Grundläggande behörighet för avancerad nivåSökande med en programregistrering på ett program där kursen ingår i programplanen undantas från ovan krav.
Särskild behörighet
Engelska 6Sökande 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 motsvarandeSyfte
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 %).
Kursens examinator får examinera enstaka studenter på annat sätt än vad som anges ovan om särskilda skäl föreligger, till exempel om en student har ett beslut från Chalmers om pedagogiskt stöd på grund av funktionsnedsättning.