Sök i programutbudet

Använd sökfunktionen för att leta efter kurser och program i Chalmers utbildningsutbud. Den programplan och utbildningsplan som avser dina studier är i allmänhet från det läsår du började dina studier.

​​​​​​​​​​​​​

Kursplan för

Läsår
FFR105 - Stokastiska optimeringsmetoder  
Stochastic optimization algorithms
 
Kursplanen fastställd 2014-02-12 av programansvarig (eller motsvarande)
Ägare: MPCAS
7,5 Högskolepoäng
Betygskala: TH - Fem, Fyra, Tre, Underkänd
Utbildningsnivå: Avancerad nivå
Huvudområde: Bioteknik, Kemiteknik, Teknisk fysik
Institution: 30 - MEKANIK OCH MARITIMA VETENSKAPER


Undervisningsspråk: Engelska
Sökbar för utbytesstudenter: Ja
Blockschema: D

Modul   Poängfördelning   Tentamensdatum
Lp1 Lp2 Lp3 Lp4 Sommarkurs Ej Lp
0199 Tentamen 7,5 hp Betygskala: TH   7,5 hp   31 Okt 2018 em M   07 Jan 2019 fm M   29 Aug 2019 fm SB_MU  

I program

MPENM MATEMATIK OCH BERÄKNINGSVETENSKAP, MASTERPROGRAM, Årskurs 1 (obligatoriskt valbar)
MPENM MATEMATIK OCH BERÄKNINGSVETENSKAP, MASTERPROGRAM, Årskurs 2 (valbar)
MPCAS KOMPLEXA ADAPTIVA SYSTEM, MASTERPROGRAM, Årskurs 1 (obligatorisk)
TKITE INFORMATIONSTEKNIK, CIVILINGENJÖR, Årskurs 2 (valbar)
TKITE INFORMATIONSTEKNIK, CIVILINGENJÖR, Årskurs 3 (valbar)
MPSYS SYSTEMTEKNIK, REGLERTEKNIK OCH MEKATRONIK, MASTERPROGRAM, Årskurs 2 (valbar)

Examinator:

Mattias Wahde


  Gå till kurshemsida

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.


Sidansvarig Publicerad: on 24 jan 2018.