Szkoła Główna Handlowa w Warszawie - Centralny System Uwierzytelniania
Strona główna

Advanced Optimization Methods

Informacje ogólne

Kod przedmiotu: 222801-D
Kod Erasmus / ISCED: 04.2 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. / (0410) Biznes i administracja Kod ISCED - Międzynarodowa Standardowa Klasyfikacja Kształcenia (International Standard Classification of Education) została opracowana przez UNESCO.
Nazwa przedmiotu: Advanced Optimization Methods
Jednostka: Szkoła Główna Handlowa w Warszawie
Grupy: Major courses for AAB - masters
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: angielski
Efekty uczenia się:

Wiedza:

Students should be capable of distinguishing between local and global optimization techniques as well as understand reasons why global search is structurally more difficult than local search.

Students should understand workings of major global search methods and be capable of analyzing global search techniques on basis of the way in which they explore the search space. Students should understand major features of respective optimization techniques and how they relate to their efficiency in the course of search space exploration.

Students should understand drawbacks and shortcomings of major global search methods and be capable of explaining implications they exert on search quality. Students should understand how these drawbacks influence efficiency of respective methods for search space exploration.

Umiejętności:

Students should be able to formulate a generic version of a global search problem.

Students should be able to select a proper optimization engine to a given optimization problem as well as to adjust workings of stochastic search methods to a particular problem instance. Students should be able to implement major global optimization engines, calibrate them and utilize them in real life applications.

Students should be able of communicating results of global search optimization methods using both a popular language as well as a technical language.

Kompetencje społeczne:

Students should be able to describe real life business or technology related situations a global search problems.

Students should be able to communicate with and advise high level decision makers on optimization, be able to communicate using technical language in the area of optimization.

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

Okres: 2025-02-15 - 2025-09-30
Wybrany podział planu:
Przejdź do planu
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:
Przejdź do planu
Typ zajęć:
Wykład, 60 godzin więcej informacji
Koordynatorzy: (brak danych)
Prowadzący grup: Grzegorz Koloch
Lista studentów: (nie masz dostępu)
Zaliczenie: Przedmiot - Ocena
Wykład - Ocena
Skrócony opis:

Global search vs. local search. Hard optimization (unimodal vs. multimodal search, continuous vs. discrete optimization). Simulated annealing algorithm, Tabu search method, Genetic algorithm, Differential evolution, Nelder-Mead method, Particle swarm optimization, Ant colony optimization, Iterated Local Search, Variable Neighborhood Search, Penalty method, GRG method, Augmented Lagrangean method, Fundamentals of complexity theory. Implementation of selected methods in GNU R.
Pełny opis:

1. Students get acquainted with theoretical and practical principles of global (multimodal) stochastic optimization.

2. Students get acquainted with workings of state-of-the art metaheuristic/stochastic optimization methods.

3. Students get acquainted with workings of general purpose constrained optimization methods.

4. Students get acquainted with principles of complexity theory (in the context of global optimization).
Literatura:

Literatura podstawowa:

Dreo, J., Petrowski, A., Metaheuristics for Hard Optimization: Methods and Case Studies. Springer 2006.

Zak, S., Chong, E. K. P., An Introduction to Optimization. Wiley 2008.

Literatura uzupełniająca:

Additional papers will be provided during the classes.
Uwagi:

Kryteria oceniania:

egzamin testowy: 75.00%

prezentacje indywidualne lub grupowe: 25.00%

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

Okres: 2024-10-01 - 2025-02-14
Wybrany podział planu:
Przejdź do planu
Typ zajęć:
Wykład, 60 godzin więcej informacji
Koordynatorzy: (brak danych)
Prowadzący grup: (brak danych)
Lista studentów: (nie masz dostępu)
Zaliczenie: Przedmiot - Ocena
Wykład - Ocena
Skrócony opis:

Global search vs. local search. Hard optimization (unimodal vs. multimodal search, continuous vs. discrete optimization). Simulated annealing algorithm, Tabu search method, Genetic algorithm, Differential evolution, Nelder-Mead method, Particle swarm optimization, Ant colony optimization, Iterated Local Search, Variable Neighborhood Search, Penalty method, GRG method, Augmented Lagrangean method, Fundamentals of complexity theory. Implementation of selected methods in GNU R.
Pełny opis:

1. Students get acquainted with theoretical and practical principles of global (multimodal) stochastic optimization.

2. Students get acquainted with workings of state-of-the art metaheuristic/stochastic optimization methods.

3. Students get acquainted with workings of general purpose constrained optimization methods.

4. Students get acquainted with principles of complexity theory (in the context of global optimization).
Literatura:

Literatura podstawowa:

Dreo, J., Petrowski, A., Metaheuristics for Hard Optimization: Methods and Case Studies. Springer 2006.

Zak, S., Chong, E. K. P., An Introduction to Optimization. Wiley 2008.

Literatura uzupełniająca:

Additional papers will be provided during the classes.
Uwagi:

Kryteria oceniania:

egzamin testowy: 75.00%

prezentacje indywidualne lub grupowe: 25.00%

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

Okres: 2024-02-24 - 2024-09-30
Wybrany podział planu:
Przejdź do planu
Typ zajęć:
Wykład, 60 godzin więcej informacji
Koordynatorzy: (brak danych)
Prowadzący grup: Grzegorz Koloch
Lista studentów: (nie masz dostępu)
Zaliczenie: Przedmiot - Ocena
Wykład - Ocena
Skrócony opis:

Global search vs. local search. Hard optimization (unimodal vs. multimodal search, continuous vs. discrete optimization). Simulated annealing algorithm, Tabu search method, Genetic algorithm, Differential evolution, Nelder-Mead method, Particle swarm optimization, Ant colony optimization, Iterated Local Search, Variable Neighborhood Search, Penalty method, GRG method, Augmented Lagrangean method, Fundamentals of complexity theory. Implementation of selected methods in GNU R.
Pełny opis:

1. Students get acquainted with theoretical and practical principles of global (multimodal) stochastic optimization.

2. Students get acquainted with workings of state-of-the art metaheuristic/stochastic optimization methods.

3. Students get acquainted with workings of general purpose constrained optimization methods.

4. Students get acquainted with principles of complexity theory (in the context of global optimization).
Literatura:

Literatura podstawowa:

Dreo, J., Petrowski, A., Metaheuristics for Hard Optimization: Methods and Case Studies. Springer 2006.

Zak, S., Chong, E. K. P., An Introduction to Optimization. Wiley 2008.

Literatura uzupełniająca:

Additional papers will be provided during the classes.
Uwagi:

Kryteria oceniania:

egzamin testowy: 75.00%

prezentacje indywidualne lub grupowe: 25.00%

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

Okres: 2023-10-01 - 2024-02-23
Wybrany podział planu:
Przejdź do planu
Typ zajęć:
Wykład, 60 godzin więcej informacji
Koordynatorzy: (brak danych)
Prowadzący grup: (brak danych)
Lista studentów: (nie masz dostępu)
Zaliczenie: Przedmiot - Ocena
Wykład - Ocena
Skrócony opis:

Global search vs. local search. Hard optimization (unimodal vs. multimodal search, continuous vs. discrete optimization). Simulated annealing algorithm, Tabu search method, Genetic algorithm, Differential evolution, Nelder-Mead method, Particle swarm optimization, Ant colony optimization, Iterated Local Search, Variable Neighborhood Search, Penalty method, GRG method, Augmented Lagrangean method, Fundamentals of complexity theory. Implementation of selected methods in GNU R.
Pełny opis:

1. Students get acquainted with theoretical and practical principles of global (multimodal) stochastic optimization.

2. Students get acquainted with workings of state-of-the art metaheuristic/stochastic optimization methods.

3. Students get acquainted with workings of general purpose constrained optimization methods.

4. Students get acquainted with principles of complexity theory (in the context of global optimization).
Literatura:

Literatura podstawowa:

Dreo, J., Petrowski, A., Metaheuristics for Hard Optimization: Methods and Case Studies. Springer 2006.

Zak, S., Chong, E. K. P., An Introduction to Optimization. Wiley 2008.

Literatura uzupełniająca:

Additional papers will be provided during the classes.
Uwagi:

Kryteria oceniania:

egzamin testowy: 75.00%

prezentacje indywidualne lub grupowe: 25.00%
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 7.1.0.0