Kursplanen innehåller ändringar
Se ändringarKursplan fastställd 2019-02-14 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 - Fem, Fyra, Tre, 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
- MPCAS - KOMPLEXA ADAPTIVA SYSTEM, MASTERPROGRAM, Årskurs 1 (obligatorisk)
- 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
Information saknasSärskild behörighet
För kurser på avancerad nivå gäller samma grundläggande och särskilda behörighetskrav som till det kursägande programmet. (När kursen är på avancerad nivå men ägs av ett grundnivåprogram gäller dock tillträdeskrav för avancerad nivå.)Undantag från tillträdeskraven: Sökande med en programregistrering på ett program där kursen ingår i programplanen undantas från ovan krav.
Kursspecifika förkunskaper
Programmering, matematik på ingenjörsnivå.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. gradientföljningoch penaltymetoder.
- Beskriva och förklara de basala egenskaperna hos biologisk evolution, med fokus påde 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 lämpligaalgoritmer 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.
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 hemproblem och en skriftlig tenta vid kursens slut.
Kursplanen innehåller ändringar
- Ändring gjord på tentamen:
- 2020-01-06: Plats Plats ändrat från Johanneberg till M av annbe
[2020-01-07 7,5 hp, 0199] - 2019-09-09: Plats Plats ändrat från Johanneberg till Hörsalar på hörsalsvägen av grunnet
[2019-10-30 7,5 hp, 0199]
- 2020-01-06: Plats Plats ändrat från Johanneberg till M av annbe