Szkoła Główna Handlowa w Warszawie - Centralny System Uwierzytelniania
Strona główna

Nieklasyczne metody optymalizacji

Informacje ogólne

Kod przedmiotu: 222800-D
Kod Erasmus / ISCED: 11.1 Kod klasyfikacyjny przedmiotu składa się z trzech do pięciu cyfr, przy czym trzy pierwsze oznaczają klasyfikację dziedziny wg. Listy kodów dziedzin obowiązującej w programie Socrates/Erasmus, czwarta (dotąd na ogół 0) – ewentualne uszczegółowienie informacji o dyscyplinie, piąta – stopień zaawansowania przedmiotu ustalony na podstawie roku studiów, dla którego przedmiot jest przeznaczony. / (0541) Matematyka Kod ISCED - Międzynarodowa Standardowa Klasyfikacja Kształcenia (International Standard Classification of Education) została opracowana przez UNESCO.
Nazwa przedmiotu: Nieklasyczne metody optymalizacji
Jednostka: Szkoła Główna Handlowa w Warszawie
Grupy: Przedmioty obowiązkowe na programie SMMD-ADA
Przedmioty obowiązkowe na programie SMMD-MIS
Punkty ECTS i inne: 6.00 (zmienne w czasie) Podstawowe informacje o zasadach przyporządkowania punktów ECTS:
  • roczny wymiar godzinowy nakładu pracy studenta konieczny do osiągnięcia zakładanych efektów uczenia się dla danego etapu studiów wynosi 1500-1800 h, co odpowiada 60 ECTS;
  • tygodniowy wymiar godzinowy nakładu pracy studenta wynosi 45 h;
  • 1 punkt ECTS odpowiada 25-30 godzinom pracy studenta potrzebnej do osiągnięcia zakładanych efektów uczenia się;
  • tygodniowy nakład pracy studenta konieczny do osiągnięcia zakładanych efektów uczenia się pozwala uzyskać 1,5 ECTS;
  • nakład pracy potrzebny do zaliczenia przedmiotu, któremu przypisano 3 ECTS, stanowi 10% semestralnego obciążenia studenta.
zobacz reguły punktacji
Język prowadzenia: polski
Efekty uczenia się:

Wiedza:

Zdefiniować oraz zaklasyfikować problem decyzyjny z punktu widzenia możliwości zastosowania metod optymalizacyjnych.

Zdefiniować i uporządkować strukturę sytuacji w kontekście wyboru algorytmu optymalizacji globalnej.

Zdefiniować elementy procesu, modelowania zagadnień optymalizacji globalnej, scharakteryzować metody optymalizacji globalnej w kontekście cech danej sytuacji decyzyjnej.

Umiejętności:

Analizować skomplikowane sytuacje decyzyjne w warunkach subiektywizmu celów, budować i weryfikować modele wielokryterialne, prowadzić interaktywną analizę decyzji.

Dobierać techniki wyznaczania rozwiązań, budować algorytmy genetyczne i sieci neuronowe, kodować proste zagadnienia optymalizacyjne.

Wyciągać wnioski z rezultatów analizy optymalizacyjnej, wskazywać bariery stosowalności rozwiązań.

Kompetencje społeczne:

Formułować założenia dla systemów wspomagania decydenta w problemach wielokryterialnych.

Precyzyjnie i zwięźle formułować rekomendacje analityczne, wykorzystywać interaktywną analizę decyzji w uzasadnianiu rekomendacji.

Zajęcia w cyklu "Semestr letni 2025/26" (jeszcze nie rozpoczęty)

Okres: 2026-02-21 - 2026-09-30
200
Wybrany podział planu:
Przejdź do planu
Typ zajęć:
Ćwiczenia, 15 godzin więcej informacji
Wykład, 45 godzin więcej informacji
Koordynatorzy: (brak danych)
Prowadzący grup: Daniel Kaszyński, Grzegorz Koloch
Lista studentów: (nie masz dostępu)
Zaliczenie: Przedmiot - Ocena
Wykład - Ocena
Skrócony opis:

Patrz semestralny plan zajęć.
Pełny opis:

1. Przedstawienie wad numerycznych metod optymalizacji lokalnej.

2. Przedstawienie zagadnienia numerycznej optymalizacji globalnej (wielomodalność).

3. Przedstawienie specyfiki trudnych zagadnień optymalizacyjnych, tzw. hard optimization (jedno- vs. wielomodalność, ciągłość vs. dyskretność, wielkość skończonej przestrzeni rozwiązań).

4. Przedstawienie kanonu heurystycznych metod numerycznej optymalizacji globalnej (wyżarzanie symulowane, przeszukiwanie z listą tabu, algorytmy genetyczne, ewolucja różnicowa, metoda PSO, metoda ACO, algorytm variable neighborhood serach, algorytm iterated local search).

5. Przedstawienie podejść do uwzględniania warunków ograniczających w numerycznej optymalizacji lokalnej (metoda funkcji kary, metoda funkcji barierowej, metoda GRG, metoda Augmented Lagrangean).

6. Przedstawienie zasad działania algorytmów dokładnych wykorzystywanych do rozwiązywania problemów całkowitoliczbowych i mieszanych (tzw. Mixed Integer Programming) opartych na zasadzie branch and bound oraz cutting plane.

7. Przedstawienie podstawowych pojęć związanych z teorią złożoności obliczeniowej (najważniejsze klasy złożoności obliczeniowej).

8. Omówienie związku optymalizacji globalnej z zagadnieniem ogólnej sztucznej inteligencji.

9. Zaznajomienie studentów ze sposobami implementacji wybranych algorytmów optymalizacji globalnej w środowisku GNU R.
Literatura:

Literatura podstawowa:

Dreo, Petrowski, Siarry, Taillard: Metaheuristics for Hard Optimization, Springer 2006.

El-Ghazali Talbi: Metaheuristics. From design to implementation, Wiley 2009.

Literatura uzupełniająca:

Artykuły podawane w trakcie wykładu.
Uwagi:

Kryteria oceniania:

egzamin testowy (Test wielokrotnego wyboru.): 75.00%

referaty/eseje (Prezentacja grupowa.): 25.00%

Odsetek nieobecności, powyżej którego nie zalicza się przedmiotu (nie dot. wykładów)

wyrażony odsetkiem godzin, powyżej którego wyklucza się osiągnięcie efektów uczenia się: 50%

Zajęcia w cyklu "Semestr zimowy 2025/26" (w trakcie)

Okres: 2025-10-01 - 2026-02-20
Wybrany podział planu:
Przejdź do planu
Typ zajęć:
Ćwiczenia, 15 godzin więcej informacji
Wykład, 45 godzin więcej informacji
Koordynatorzy: (brak danych)
Prowadzący grup: (brak danych)
Lista studentów: (nie masz dostępu)
Zaliczenie: Przedmiot - Ocena
Wykład - Ocena
Skrócony opis:

Patrz semestralny plan zajęć.
Pełny opis:

1. Przedstawienie wad numerycznych metod optymalizacji lokalnej.

2. Przedstawienie zagadnienia numerycznej optymalizacji globalnej (wielomodalność).

3. Przedstawienie specyfiki trudnych zagadnień optymalizacyjnych, tzw. hard optimization (jedno- vs. wielomodalność, ciągłość vs. dyskretność, wielkość skończonej przestrzeni rozwiązań).

4. Przedstawienie kanonu heurystycznych metod numerycznej optymalizacji globalnej (wyżarzanie symulowane, przeszukiwanie z listą tabu, algorytmy genetyczne, ewolucja różnicowa, metoda PSO, metoda ACO, algorytm variable neighborhood serach, algorytm iterated local search).

5. Przedstawienie podejść do uwzględniania warunków ograniczających w numerycznej optymalizacji lokalnej (metoda funkcji kary, metoda funkcji barierowej, metoda GRG, metoda Augmented Lagrangean).

6. Przedstawienie zasad działania algorytmów dokładnych wykorzystywanych do rozwiązywania problemów całkowitoliczbowych i mieszanych (tzw. Mixed Integer Programming) opartych na zasadzie branch and bound oraz cutting plane.

7. Przedstawienie podstawowych pojęć związanych z teorią złożoności obliczeniowej (najważniejsze klasy złożoności obliczeniowej).

8. Omówienie związku optymalizacji globalnej z zagadnieniem ogólnej sztucznej inteligencji.

9. Zaznajomienie studentów ze sposobami implementacji wybranych algorytmów optymalizacji globalnej w środowisku GNU R.
Literatura:

Literatura podstawowa:

Dreo, Petrowski, Siarry, Taillard: Metaheuristics for Hard Optimization, Springer 2006.

El-Ghazali Talbi: Metaheuristics. From design to implementation, Wiley 2009.

Literatura uzupełniająca:

Artykuły podawane w trakcie wykładu.
Uwagi:

Kryteria oceniania:

egzamin testowy (Test wielokrotnego wyboru.): 75.00%

referaty/eseje (Prezentacja grupowa.): 25.00%

Odsetek nieobecności, powyżej którego nie zalicza się przedmiotu (nie dot. wykładów)

wyrażony odsetkiem godzin, powyżej którego wyklucza się osiągnięcie efektów uczenia się: 50%

Zajęcia w cyklu "Semestr letni 2024/25" (zakończony)

Okres: 2025-02-15 - 2025-09-30
Wybrany podział planu:
Przejdź do planu
Typ zajęć:
Ćwiczenia, 15 godzin więcej informacji
Wykład, 45 godzin więcej informacji
Koordynatorzy: (brak danych)
Prowadzący grup: Daniel Kaszyński, Grzegorz Koloch
Lista studentów: (nie masz dostępu)
Zaliczenie: Przedmiot - Ocena
Wykład - Ocena
Skrócony opis:

Patrz semestralny plan zajęć.
Pełny opis:

1. Przedstawienie wad numerycznych metod optymalizacji lokalnej.

2. Przedstawienie zagadnienia numerycznej optymalizacji globalnej (wielomodalność).

3. Przedstawienie specyfiki trudnych zagadnień optymalizacyjnych, tzw. hard optimization (jedno- vs. wielomodalność, ciągłość vs. dyskretność, wielkość skończonej przestrzeni rozwiązań).

4. Przedstawienie kanonu heurystycznych metod numerycznej optymalizacji globalnej (wyżarzanie symulowane, przeszukiwanie z listą tabu, algorytmy genetyczne, ewolucja różnicowa, metoda PSO, metoda ACO, algorytm variable neighborhood serach, algorytm iterated local search).

5. Przedstawienie podejść do uwzględniania warunków ograniczających w numerycznej optymalizacji lokalnej (metoda funkcji kary, metoda funkcji barierowej, metoda GRG, metoda Augmented Lagrangean).

6. Przedstawienie zasad działania algorytmów dokładnych wykorzystywanych do rozwiązywania problemów całkowitoliczbowych i mieszanych (tzw. Mixed Integer Programming) opartych na zasadzie branch and bound oraz cutting plane.

7. Przedstawienie podstawowych pojęć związanych z teorią złożoności obliczeniowej (najważniejsze klasy złożoności obliczeniowej).

8. Omówienie związku optymalizacji globalnej z zagadnieniem ogólnej sztucznej inteligencji.

9. Zaznajomienie studentów ze sposobami implementacji wybranych algorytmów optymalizacji globalnej w środowisku GNU R.
Literatura:

Literatura podstawowa:

Dreo, Petrowski, Siarry, Taillard: Metaheuristics for Hard Optimization, Springer 2006.

El-Ghazali Talbi: Metaheuristics. From design to implementation, Wiley 2009.

Literatura uzupełniająca:

Artykuły podawane w trakcie wykładu.

Zajęcia w cyklu "Semestr zimowy 2024/25" (zakończony)

Okres: 2024-10-01 - 2025-02-14
Wybrany podział planu:
Przejdź do planu
Typ zajęć:
Ćwiczenia, 15 godzin więcej informacji
Wykład, 45 godzin więcej informacji
Koordynatorzy: (brak danych)
Prowadzący grup: Grzegorz Koloch
Lista studentów: (nie masz dostępu)
Zaliczenie: Przedmiot - Ocena
Wykład - Ocena
Skrócony opis:

Patrz semestralny plan zajęć.
Pełny opis:

1. Przedstawienie wad numerycznych metod optymalizacji lokalnej.

2. Przedstawienie zagadnienia numerycznej optymalizacji globalnej (wielomodalność).

3. Przedstawienie specyfiki trudnych zagadnień optymalizacyjnych, tzw. hard optimization (jedno- vs. wielomodalność, ciągłość vs. dyskretność, wielkość skończonej przestrzeni rozwiązań).

4. Przedstawienie kanonu heurystycznych metod numerycznej optymalizacji globalnej (wyżarzanie symulowane, przeszukiwanie z listą tabu, algorytmy genetyczne, ewolucja różnicowa, metoda PSO, metoda ACO, algorytm variable neighborhood serach, algorytm iterated local search).

5. Przedstawienie podejść do uwzględniania warunków ograniczających w numerycznej optymalizacji lokalnej (metoda funkcji kary, metoda funkcji barierowej, metoda GRG, metoda Augmented Lagrangean).

6. Przedstawienie zasad działania algorytmów dokładnych wykorzystywanych do rozwiązywania problemów całkowitoliczbowych i mieszanych (tzw. Mixed Integer Programming) opartych na zasadzie branch and bound oraz cutting plane.

7. Przedstawienie podstawowych pojęć związanych z teorią złożoności obliczeniowej (najważniejsze klasy złożoności obliczeniowej).

8. Omówienie związku optymalizacji globalnej z zagadnieniem ogólnej sztucznej inteligencji.

9. Zaznajomienie studentów ze sposobami implementacji wybranych algorytmów optymalizacji globalnej w środowisku GNU R.
Literatura:

Literatura podstawowa:

Dreo, Petrowski, Siarry, Taillard: Metaheuristics for Hard Optimization, Springer 2006.

El-Ghazali Talbi: Metaheuristics. From design to implementation, Wiley 2009.

Literatura uzupełniająca:

Artykuły podawane w trakcie wykładu.
Opisy przedmiotów w USOS i USOSweb są chronione prawem autorskim.
Właścicielem praw autorskich jest Szkoła Główna Handlowa w Warszawie.
al. Niepodległości 162
02-554 Warszawa tel: +48 22 564 60 00 http://www.sgh.waw.pl/ kontakt deklaracja dostępności mapa serwisu USOSweb 7.2.0.0