1DE2027 - Algorytmy genetyczne w układach sterowania

Nazwa w drugim języku: 

Genetic algorithm in control system

Przedmiot realizowany w planach wzorcowych:

Obieralny dla katalogów:

Znalazłem 1 pozycji. (Pokaż szczegóły)

• Elektrotechnika M,D,PL - AIK obieralne podstawowy Etap: Model 2, magisterskie II-go stopnia, stacjonarne, polski , sem.: 2 - 3 (12)

Cel przedmiotu: 

Student zapoznaje się z ideą algorytmów genetycznych Hollanda. poznaje podstawowe pojęcia algorytmów genetycznych. Poznaje pojęcie: funkcja przystosowania. Algorytmy genetyczne a tradycyjne metody optymalizacji. Schemat optymalizowanego układu o dwóch parametrach. Klasyczny algorytm genetyczny. Schemat blokowy algorytmu genetycznego. Modyfikacje klasycznego algorytmu genetycznego; metody selekcji, operatory genetyczne, metody kodowania, mikro algorytmy genetyczne. Omówienie programu FlexTool. Algorytmy genetyczne do wspomagania sieci neuronowych. Algorytmy genetyczne a strategie ewolucyjne; podobieństwo i różnice. Algorytmy genetyczne a systemy rozmyte.

Treści kształcenia: 

Wykład: Idea algorytmów genetycznych Hollanda. Podstawowe pojęcia algorytmów genetycznych. Funkcja przystosowania. Algorytmy genetyczne a tradycyjne metody optymalizacji. Schemat optymalizowanego układu o dwóch parametrach. Klasyczny algorytm genetyczny. Schemat blokowy algorytmu genetycznego – problem do rozwiązania -> modyfikacja zadania do postaci odpowiedniej dla klasycznego algorytmu genetycznego -> najlepsze rozwiązanie zadania. Wybór początkowej populacji chromosomów. Ocena przystosowania chromosomów w populacji. Sprawdzenie warunku zatrzymania. Kodowanie parametrów zadania w algorytmie genetycznym. Twierdzenie o schematach – podstawowe twierdzenie algorytmów genetycznych – hipoteza bloków budujących. Modyfikacje klasycznego algorytmu genetycznego; metody selekcji, operatory genetyczne, metody kodowania, mikro algorytmy genetyczne. Przykłady optymalizacji funkcji, znajdowanie minimum lub maksimum danej funkcji. Omówienie programu FlexTool. Algorytmy genetyczne do wspomagania sieci neuronowych: zadanie -> algorytm genetyczny -> dane -> sieć neuronowa -> rozwiązanie. Algorytmy genetyczne a strategie ewolucyjne; podobieństwo i różnice. Algorytmy genetyczne a systemy rozmyte. Algorytmy genetyczne w układach regulacji.
Laboratorium: 1. Realizacja optymalizacji funkcji; znajdowanie minimum lub maksimum danej funkcji; 2. Realizacja optymalizowanego układu o dwóch parametrach; 3. Algorytmy genetyczne w układach regulacji.

Bibliografia: 

1. Cytowski J., Algorytmy genetyczne. Podstawy i zastosowania., akademicka Oficyna Wydawnicza PLJ, Warszawa 1996
2. Goldberg D.E. Algorytmy genetyczne i ich zastosowania, WNT, Warszawa 2005 3. Wilczewski G. Algorytmy ewolucyjne wprowadzenie. Gracjan Wilczewski, Toruń, 2005 4· J.Arabas German Wykłady z algorytmów ewolucyjnych, Wydaw. Naukowo - Techniczne.

Metody oceny: 

Wymagane uzyskanie z wykładu co najmniej 20 punktów (maksimum 50) i z laboratorium co najmniej 25 punktów (maksimum 50 punktów). Ocena końcowa jest oceną łączną - zależnie od liczby punktów. Pod warunkiem osiągnięcia wszystkich efektów kształcenia.
3 > 45; 3,5 > 60 4 > 70 ; 4,5 > 81 ; 5 > 92

Uwagi: 

.

Przedmioty na których bazuje dany przedmiot (prerekwizyty):

• [1DE2026] Algorytmy ewolucyjne
• [1DE2373] Podstawy sztucznej inteligencji

• Efekty Kształcenia dla kierunku Elektrotechnika:
• Wiedza

  Kod	Efekt Kształcenia dla kierunku	Procent	Efekt kształcenia dla przedmiotu	Sposób sprawdzania
  E2_W07b	ma wiedzę o trendach rozwojowych i najistotniejszych nowych osiągnięciach z zakresu dziedzin pokrewnych Elektrotechnice	++ (66%)	Potrafi wybrać i przygotować algorytm genetyczny jako narzędzie modyfikacji i adaptacji pracy dowolnego układu sterowania	Sprawdzian pisemny z pytaniami problemowymi
  E2_W10	Zna typowe technologie inżynierskie w zakresie elektrotechniki.	+ (33%)	ma podstawową wiedzę obejmującą wybrane technologie powiązane z zastosowaniem algorytmów genetycznych w elektrotechnice	Sprawdzian pisemny z pytaniami problemowymi

• Umiejętności

  Kod	Efekt Kształcenia dla kierunku	Procent	Efekt kształcenia dla przedmiotu	Sposób sprawdzania
  E2_U09b	potrafi wykorzystać do formułowania i rozwiązywania zadań inżynierskich i prostych problemów badawczych metody symulacyjne	+++ (100%)	potrafi przygotować założenia i przeprowadzić symulację algorytmu genetycznego w prostym układzie adaptacyjnym	Ocena dyskusji podczas zajęć laboratoryjnych, ocena poprawności przyjętych rozwiązań w trakcie realizacji ćwiczeń, ocena poprawności i jakości wykonanego projektu laboratoryjnego, obrona sprawozdania z wykonanego projektu

• Kompetencje społeczne

  Kod	Efekt Kształcenia dla kierunku	Procent	Efekt kształcenia dla przedmiotu	Sposób sprawdzania
  E2_K03	Jest przygotowany do współdziałania i pracy w grupie, przyjmowania w niej różnych ról, w tym kierowniczych, działając zawodowo na rzecz społeczeństwa.	++ (66%)	potrafi współdziałać i pracować w grupie, przyjmując w niej różne role tj. od koordynatora projektu, poprzez osobę opracowującą oddzielny moduł w ramach projektu po rolę osoby weryfikującej poprawną pracę całej wykonanej aplikacji	Podczas realizacji zadań laboratoryjnych indywidualna ocena każdego studenta pod katem wkładu pracy w grupie
  E2_K04	Potrafi odpowiednio i w sposób odpowiedzialny określić priorytety służące realizacji postawionych zadań z uwzględnieniem pozatechnicznych aspektów i skutków działalności inżynierskiej, w tym jej wpływu na otoczenie społeczne i gospodarcze.	+ (33%)	potrafi wskazać w szerszym projekcie algorytmu genetycznego najważniejsze moduły wymagające współdziałania znacznej części grupy projektowej	Podczas realizacji zadań laboratoryjnych indywidualna ocena każdego studenta pod katem wkładu pracy w grupie

• • Punkty ECTS za zajęcia kontaktowe z nauczycielem: 1 
  • Punkty ECTS za zajęcia praktyczne łącznie; kontaktowe i bez kontaktu z nauczycielem: 1 
• • Uzasadnienie punktów ECTS:

  • Zajęcia kontaktowe z nauczycielem: 

    Wykład - 15
    Laboratorium - 15

  • Zajęcia bez kontaktu z nauczycielem: 

    Studia podręczników - 12
    Przygotowanie do zaliczania - 8
    Przygotowanie zaliczania z zadań laboratoryjnych - 8

  • • Sumaryczna liczba godzin pracy studenta: 58 
  • Łączna liczba punktów ECTS wynika z sumarycznej liczby godzin pracy studenta.