Szkoła Główna Handlowa w Warszawie - Centralny System Uwierzytelniania

NA SKRÓTY
STUDENCI, PRACOWNICY
JEDNOSTKI ORGANIZACYJNE
PRZEDMIOTY
- Nieklasyczne metody optymalizacji
STUDIA
AKADEMIKI
POMOC

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 "Preferencje - Semestr letni 2024/25" (jeszcze nie rozpoczęty)

Okres:	2025-02-15 - 2025-09-30	Wybrany podział planu: tygodniowy cykl przedmiotu Przejdź do planu PN WT ŚR CZ PT
Typ zajęć:	Zajęcia prowadzącego więcej informacji
Koordynatorzy:	(brak danych)
Prowadzący grup:	Grzegorz Koloch
Lista studentów:	(nie masz dostępu)
Zaliczenie:	Przedmiot - Ocena Zajęcia prowadzącego - Ocena

Zajęcia w cyklu "Semestr letni 2024/25" (jeszcze nie rozpoczęty)

Okres:	2025-02-15 - 2025-09-30	Wybrany podział planu: tygodniowy cykl przedmiotu Przejdź do planu PN WT WYK CW CW CW CW CW CW ŚR CZ PT
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.
Uwagi:	Kryteria oceniania: egzamin testowy: 75.00% referaty/eseje: 25.00%

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

Okres:	2024-10-01 - 2025-02-14	Wybrany podział planu: tygodniowy cykl przedmiotu Przejdź do planu PN WT ŚR CZ PT
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.
Uwagi:	Kryteria oceniania: egzamin testowy: 75.00% referaty/eseje: 25.00%

Zajęcia w cyklu "Semestr letni 2023/24" (zakończony)

Okres:	2024-02-24 - 2024-09-30	Wybrany podział planu: tygodniowy cykl przedmiotu Przejdź do planu PN WT WYK CW CW CW CW CW ŚR CZ PT
Typ zajęć:	Ćwiczenia, 15 godzin więcej informacji Wykład, 45 godzin więcej informacji
Koordynatorzy:	(brak danych)
Prowadzący grup:	Daniel Kaszyński, Grzegorz Koloch, Bartosz Pankratz
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: 75.00% referaty/eseje: 25.00%

Zajęcia w cyklu "Semestr zimowy 2023/24" (zakończony)

Okres:	2023-10-01 - 2024-02-23	Wybrany podział planu: tygodniowy cykl przedmiotu Przejdź do planu PN WT WYK CW ŚR CZ PT
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.
Uwagi:	Kryteria oceniania: egzamin testowy: 75.00% referaty/eseje: 25.00%

Opisy przedmiotów w USOS i USOSweb są chronione prawem autorskim.
Właścicielem praw autorskich jest Szkoła Główna Handlowa w Warszawie.