Metaheurísticas

La materia aborda la resolución de problemas muy complejos de búsqueda y optimización para los que no se puede obtener una solución de forma exacta en un tiempo razonable. Para ello se emplearán metaheurísticas, que son algoritmos de propósito general que permiten obtener buenas soluciones con tiempos de cómputo aceptables para una gran variedad de problemas de este ámbito.
Conocer cómo diseñar e implementar metaheurísticas basadas en poblaciones, trayectorias y en adaptación social para resolver problemas con enormes espacios de búsqueda.
Saber seleccionar los diferentes tipos de metaheurísticas para cada problema a resolver.

Metaheurísticas basadas en trayectorias.

Metaheurísticas basadas en poblaciones.

Metaheurísticas basadas en adaptación social.

Metaheurísticas paralelas.

Bibliografía básica

- A.E. Eiben and J.E. Smith, Introduction to Evolutionary Computing, Springer, 2007. ISBN: 978-3-540-40184-1.

- J.T. Palma, R. Marín. Inteligencia Artificial: técnicas, métodos y aplicaciones. Ed. McGraw-Hill, 2008. ISBN 9788448156183

- Francisco Herrera (Univ. Granada). Algorítmica. http://sci2s.ugr.es/graduateCourses/Algoritmica

- Metaheurísticas: Metaheurísticas basadas en poblaciones. http://sci2s.ugr.es/graduateCourses/Metaheuristicas

- C. Reeves. Genetic Algorithms. Handbook of Metaheuristics. Kluwer Academics, 2003.

- Marco Dorigo, Thomas Stützle. Ant Colony Optimization. The MIT Press. ISBN 9780262256032 DOI: https://doi.org/10.7551/mitpress/1290.001.0001



Bibliografía complementaria

- Janusz Kacprzyk, Witold Pedrycz, Springer Handbook of Computational Intelligence. Springer, 2015.

- Russell, S., Norvig, P. Artificial Intelligence (A Modern Approach), (4th Edition Global Edition, 2022). ISBN: 9781292401133.

BÁSICAS Y GENERALES

CG3 - Capacidad para diseñar y crear modelos y soluciones de calidad basadas en Inteligencia Artificial que sean eficientes,

robustas, transparentes y responsables

CG4 - Capacidad para seleccionar y justificar los métodos y técnicas adecuadas para resolver un problema concreto, o para desarrollar y proponer nuevos métodos basados en inteligencia artificial.

CG5 - Capacidad para concebir nuevos sistemas computacionales y/o evaluar el rendimiento de sistemas existentes, que integren modelos y técnicas de inteligencia artificial.

CB2 - Que los estudiantes sepan aplicar sus conocimientos a su trabajo o vocación de una forma profesional y posean las competencias que suelen demostrarse por medio de la elaboración y defensa de argumentos y la resolución de problemas dentro de su área de estudio

CB4 - Que los estudiantes puedan transmitir información, ideas, problemas y soluciones a un público tanto especializado como no especializado

CB5 - Que los estudiantes hayan desarrollado aquellas habilidades de aprendizaje necesarias para emprender estudios posteriores

con un alto grado de autonomía



TRANSVERSALES

TR3 - Capacidad para crear nuevos modelos y soluciones de forma autónoma y creativa, adaptándose a nuevas situaciones. Iniciativa y espíritu emprendedor.



ESPECÍFICAS

CE12 - Conocer los fundamentos de los algoritmos y modelos de la inteligencia artificial para la resolución de problemas de cierta complejidad, entender su complejidad computacional y tener capacidad para diseñar nuevos modelos.


RESULTADOS DEL APRENDIZAJE
- Saber diseñar e implementar metaheurísticas basadas en poblaciones, trayectorias y adaptación social para resolver problemas con espacios de búsqueda enormes.
- Saber seleccionar los distintos tipos de metaheurísticas para cada problema a resolver.

La metodología didáctica se basará esencialmente en el trabajo individual, aunque en ocasiones se desarrollará en grupos, principalmente en la discusión con el profesorado en clases expositivas e interactivas.



Para cada tema o bloque temático de las clases expositivas, el profesorado preparará los contenidos, explicará los objetivos del tema al alumnado en clase, les sugerirá recursos bibliográficos y proporcionará material de trabajo adicional, principalmente ejercicios relacionados con los conceptos teóricos. En las clases expositivas se trabajarán los aspectos más teóricos en el diseño de metaheurísticas y su adaptación a problemas diversos. Además, el profesorado propondrá al alumnado un conjunto de actividades a realizar, de forma individual o en grupo (casos, ejercicios) que el alumnado deberá entregar para su evaluación, de acuerdo con los plazos de entrega previstos. Globalmente, estas actividades permitirán desarrollar las competencias CG3, CG4, CG5, CB2, CB4, CB5, CE12, TR3 en conjunto, al combinar tanto la comprensión teórica como aplicada por medio del desarrollo e implementación de metaheurísticas, evaluadas de manera empírica.

Las prácticas y parte de las sesiones interactivas se desarrollarán empleando diversas herramientas software y desarrollando aplicaciones para cada uno de los bloques temáticos.

El alumnado trabajará de forma individual o en grupos reducidos, con el seguimiento y tutorización constante del profesorado. Se facilitarán guiones de prácticas con las tareas a realizar de modo individual o en grupos reducidos.

La docencia estará apoyada por la plataforma USC virtual de la siguiente manera: repositorio de la documentación relacionada con la materia (textos, presentaciones, ejercicios, guiones de prácticas, ...) y tutorización virtual de los estudiantes (correo-e, foros).

La evaluación del aprendizaje considera tanto la parte teórica (60%), como la práctica (40%). Para superar la materia ha de conseguirse una nota global igual o superior a 5, sobre una puntuación máxima de 10 puntos, de acuerdo con los siguientes criterios:

- Parte teórica: se evaluará en un único examen a realizar en la fecha oficial y mediante la realización de ejercicios. La calificación de cada parte ha de ser igual o superior a 4 sobre una puntuación máxima de 10 puntos, para que pueda aprobarse el conjunto de la materia. En otro caso deberá repetirse en la oportunidad de recuperación.

- Parte práctica: evaluación de todas las actividades prácticas propuestas por los docentes en las sesiones interactivas. La calificación de esta parte será la media de las calificaciones de las prácticas, con la ponderación que se fije en la presentación de la asignatura, siempre que en todas ellas se obtenga una calificación igual o superior a 3. En ese caso, la calificación global debe ser igual o superior a 4 sobre una puntuación máxima de 10 puntos, para que pueda aprobarse el conjunto de la materia. Aquellas prácticas con una calificación inferior a 3 puntos deberán evaluarse en la segunda oportunidad. La evaluación de la parte práctica considerará la entrega, los resultados obtenidos en las pruebas asociadas y la presentación y discusión de la misma con el profesorado.

La calificación final de la materia será la media aritmética ponderada por los porcentajes antes indicados de las partes teórica y práctica. En caso de incurrir en alguna de las situaciones indicadas anteriormente por no alcanzarse en una o más partes la nota mínima necesaria para superar globalmente la materia, la calificación final de la oportunidad será el mínimo de las calificaciones obtenidas en dichas partes. Las partes que no alcancen el mínimo deberán repetirse en la segunda oportunidad.

Obtendrán la calificación de no presentado los/las estudiantes que no se hayan presentado al examen ni se hayan sometido a la evaluación de ninguna otra actividad obligatoria.



Para superar la asignatura en la segunda oportunidad el alumnado deberá someterse a la evaluación de todas aquellas partes obligatorias pendientes, de acuerdo con lo anteriormente especificado. Para el resto se conservarán las calificaciones obtenidas durante el curso.



En el caso de realización fraudulenta de ejercicios o pruebas, será de aplicación lo recogido en la normativa de evaluación del rendimiento académico del alumnado y de revisión de las calificaciones (https://www.xunta.gal/dog/Publicados/2011/20110721/AnuncioG2018-190711-…). En aplicación de la normativa de la ETSE sobre plagio (aprobada por la Xunta da ETSE el 19/12/2019), la copia total o parcial de algún ejercicio de prácticas o teoría supondrá el suspenso de las dos oportunidades del curso, con la calificación de 0,0 en ambos casos (https://www.usc.es/etse/files/u1/NormativaPlagioETSE2019.pdf).

Tiempo de trabajo presencial: 50 horas totales, divididas en 30h (docencia teórica), 20h (docencia interactiva/prácticas), 1h (tutorías).

Tiempo de trabajo personal: 99h (total).

Se recomienda que el alumnado resuelva, implemente, verifique y valide todos los ejercicios y prácticas propuestos (no solamente los evaluables). Igualmente se considera importante hacer un uso intenso de las tutorías para la resolución de dudas y una participación activa en las sesiones expositivas e interactivas.

Se recomienda haber superado las asignaturas “Programación I y Programación II”, “Algoritmos básicos de inteligencia artificial”
La asignatura se impartirá en castellano y gallego, pero tanto en la bibliografía, referencias y apuntes podrá haber contenidos en lengua inglesa.