Denominación de la asignatura |
Computación Bioinspirada |
Grado al que pertenece |
Grado en Ingeniería Informática |
Créditos ECTS |
6 |
Carácter de la asignatura | Optativa |
Muchos de los problemas de optimización a los que los ingenieros informáticos deben enfrentarse no pueden ser resueltos debido a la gran cantidad de opciones que deben evaluarse. Se necesitarían, incluso usando los métodos de computación actuales, miles de años para poder encontrar la solución óptima.
Por ello, dado que obtener la mejor solución es imposible, han surgido una serie de algoritmos que nos ayudan a encontrar soluciones que, aunque no son las mejores, son muy buenas y nos permiten dar un resultado adecuado a nuestro problema. Por ejemplo, imaginemos un problema del viajante de comercio en donde debemos recorrer todos los nodos de un grafo minimizando la distancia. Aunque no encontremos la distancia más corta, sigue resultando muy interesante encontrar un recorrido donde la distancia se acerque a ese óptimo. Con el objetivo de resolver este tipo de problemas y encontrar soluciones buenas (aunque no óptimas) nacen los algoritmos bioinspirados.
Este tipo de algoritmos imitan distintos comportamientos que se encuentran en la naturaleza para tratar de realizar una búsqueda inteligente sobre el espacio de soluciones de nuestro problema y encontrar muy buenas soluciones en tiempos razonables. En esta asignatura aprenderemos cómo funcionan este tipo de algoritmos, estudiaremos los algoritmos de computación bioinspirada más utilizados y trataremos de comprender por qué estos algoritmos obtienen tan buenos resultados.
Competencias básicas
Competencias generales
Competencias específicas
Competencias transversales
Tema 1. Introducción a la computación bioinspirada
Introducción a la computación bioinspirada
Tema 2. Algoritmos de adaptación social
Introducción
Computación bioinspirada basada en colonia de hormigas
Variantes de los algoritmos de colonias de hormigas
Computación basada en nubes de partículas
Tema 3. Algoritmos genéticos
Estructura general
Implementaciones de los principales operadores
Tema 4. Estrategias de exploración-explotación del espacio para algoritmos genéticos
Introducción
Algoritmo CHC
Problemas multimodales
Tema 5. Modelos de computación evolutiva
Estrategias evolutivas
Programación evolutiva
Algoritmos basados en evolución diferencial
Modelos de evolución basados en estimación de distribuciones (EDA)
Programación genética
Tema 6. Programación evolutiva aplicada a problemas de aprendizaje
Introducción
Aprendizaje basado en reglas
Métodos evolutivos en problemas de selección de instancias
Tema 7. Problemas multiobjetivo
Introducción
Concepto de dominancia
Aplicación de algoritmos evolutivos a problemas multiobjetivo
Tema 8. Redes neuronales
Introducción a las redes neuronales
Ejemplo práctico con redes neuronales
Las actividades formativas de la asignatura se han elaborado con el objetivo de adaptar el proceso de aprendizaje a las diferentes capacidades, necesidades e intereses de los alumnos.
Las actividades formativas de esta asignatura son las siguientes:
En la programación semanal puedes consultar cuáles son las actividades concretas que tienes que realizar en esta asignatura.
Estas actividades formativas prácticas se completan, por supuesto, con estas otras:
Las horas de dedicación a cada actividad se detallan en la siguiente tabla:
ACTIVIDADES FORMATIVAS |
HORAS |
% PRESENCIAL |
Sesiones presenciales virtuales | 15 |
100% |
Recursos didácticos audiovisuales | 6 |
0 |
Estudio del material básico | 50 |
0 |
Lectura del material complementario | 25 |
0 |
Trabajos, casos prácticos, test | 17 |
0 |
Prácticas de laboratorio virtuales | 12 |
16,67% |
Tutorías | 16 |
30% |
Trabajo colaborativo | 7 |
0 |
Realización de examen final | 2 |
100% |
Total | 150 |
Bibliografía básica
Temas 1-8
Los textos necesarios para el estudio de este tema han sido elaborados por UNIR y están disponibles en formato digital para consulta, descarga e impresión en el aula virtual.
Bibliografía complementaria
Chura, H. E. T., Delgado, C. A. S., Gonzales, E. E. A., & Espinoza, E. F. (2017). Aplicación del algoritmo de colonia de hormigas al problema del agente viajero. CIENCIA & DESARROLLO, 20.
Palma, J.T., Marín, R. (2008). Inteligencia artificial: métodos, técnicas y aplicaciones. McGraw-Hill España.
Pereira, W. (2018). Desafíos de la Inteligencia Artificial Bioinspirada con Algoritmos Genéticos. Tekhné, 20(2), 104-129.
El sistema de calificación se basa en la siguiente escala numérica:
0 - 4, 9 |
Suspenso |
(SS) |
5,0 - 6,9 |
Aprobado |
(AP) |
7,0 - 8,9 |
Notable |
(NT) |
9,0 - 10 |
Sobresaliente |
(SB) |
La calificación se compone de dos partes principales:
El examen se realiza al final del cuatrimestre y es de carácter PRESENCIAL U ONLINE y OBLIGATORIO. Supone el 60% de la calificación final y para que la nota obtenida en este examen se sume a la nota final, es obligatorio APROBARLO.
La evaluación continua supone el 40% de la calificación final. Este 40% de la nota final se compone de las calificaciones obtenidas en las diferentes actividades formativas llevadas a cabo durante el cuatrimestre.
Ten en cuenta que la suma de las puntuaciones de las actividades de la evaluación continua permite que realices las que prefieras hasta conseguir el máximo puntuable mencionado en la programación semanal. En ella se detalla la calificación máxima de cada actividad o evento concreto puntuables.
Para aprobar la asignatura será necesario aprobar cada una de las partes.
El sistema de evaluación de la asignatura es el siguiente:
SISTEMA DE EVALUACIÓN |
PONDERACIÓN MIN. |
PONDERACIÓN MÁX. |
Prueba de evaluación final | 60% |
60% |
Evaluación de prácticas de laboratorios virtuales | 0% |
40% |
Resolución de trabajos, proyectos y casos | 0% |
40% |
Test de autoevaluación | 0% |
20% |
Participación en foros y otros medios participativos | 0% |
40% |
Jordi Canela Sánchez
Formación: Licenciado en Matemáticas por la Universidad de Barcelona, Máster en Matemática Avanzada y Profesional por la Universidad de Barcelona. Doctorado en Matemáticas por la Universidad de Barcelona.
Experiencia: Profesor en la Escuela Superior de Ingeniería y Tecnología en la UNIR. Anteriormente: Investigador postdoctoral en Université Paul Sabatier (Toulouse, 2 años), profesor invitado en el IMPAN (Varsovia, 4 meses), investigador predoctoral dentro del proyecto europeo CODY (Kiel, Alemania, 1 año).
Líneas de investigación: Sistemas dinámicos en dimensión baja, sistemas dinámicos en variable compleja, análisis de métodos numéricos.
Obviamente, al tratarse de formación online puedes organizar tu tiempo de estudio como desees, siempre y cuando vayas cumpliendo las fechas de entrega de actividades, trabajos y exámenes. Nosotros, para ayudarte, te proponemos los siguientes pasos:
Ten en cuenta estos consejos…
|