Guía docente de Optimización y Computación Inteligente (M63/56/2/9)

El objetivo del curso es, en primer lugar, introducir los aspectos fundamentales de un conjunto de técnicas que, englobadas bajo la denominación de "Soft Computing", permiten la construcción de "Sistemas Inteligentes"; y en segundo lugar, mostrar como se pueden utilizar en el ámbito de las ingenierías en general, y de la ingeniería civil en particular.

El curso se divide en tres bloques temáticos que abordan aspectos esenciales de Inteligencia Artificial, el Soft Computing y el modelado de la imprecisión. Además se estudian cuestiones teórico-prácticas de varias técnicas de optimización y aprendizaje computacional.

Programa:

• Introducción a la Soft Computing
  • Lógica Fuzzy
  • Teoría de Conjuntos Difusos
  • Sistemas Difusos
  • Algunas aplicaciones en el ámbito de la Ingeniería Civil 
• Redes Neuronales
  • Introducción a las Redes Neuronales
  • Modelos de Redes Neuronales
  • Algunas aplicaciones en el ámbito de la Ingeniería Civil
• Computación Evolutiva
  • Introducción a la Computación Evolutiva
  • Componentes y Funcionamiento de los Algoritmos Genéticos
  • Algunas aplicaciones en el ámbito de la Ingeniería Civil

Ninguno

El alumno sabrá/comprenderá:

• Lo que significa Soft Computing y las técnicas de Inteligencia Artificial que comprende.
• El significado de la Lógica y los Conjuntos Difusos, como una representación de la forma en que el cerebro biológico procesa la información, y como una extensión de los conceptos clásicos.
• Manejar sistemas de reglas difusos sencillos.
• Algunas aplicaciones con técnicas difusas en el ámbito de la Ingeniería Civil.
• Lo que son las Redes Neuronales Artificiales, como un modelo matemático de las redes de neuronas biológicas y su capacidad para “aprender” a partir de ejemplos.
• Los modelos más relevantes de Redes Neuronales Artificiales.
• Algunas aplicaciones de las Redes Neuronales Artificiales en el ámbito de la Ingeniería Civil.
• Lo que son los Algoritmos Genéticos y, más en general, la Computación Evolutiva.
• Los componentes y el funcionamiento de los Algoritmos Genéticos.
• Algunas aplicaciones de computación evolutiva en el ámbito de la Ingeniería Civil.
• Conocer otras técnicas de optimización basadas en la naturaleza.

El alumno será capaz de:

• Manejar las técnicas de Soft Computing y entender como se pueden aplicar a diversos problemas.
• Manejar Sistemas de Reglas Difusas y aplicarlas en situaciones y problemas de la Ingeniería Civil.
• Manejar los modelos básicos de Redes Neuronales Artificiales y aplicarlos en situaciones y problemas de la Ingeniería Civil.
• Manejar Algoritmos Genéticos y aplicarlos en situaciones y problemas de la Ingeniería Civil.
• Entender la aplicación en Ingeniería Civil de otras técnicas de optimización basadas en la naturaleza.

Inteligencia Artificial y Lógica Difusa - Sistemas Difusos

•     Introducción a la Inteligencia Artificial
•     Teoría de Conjuntos Difusos
•     Sistemas Difusos
•     Aplicaciones en el ámbito de la Ingeniería Civil

Optimización y metaheurísticas

•     Introducción a las cuestiones básicas de optimización.
•     Métodos heurísticos
•     Métodos meta-heurísticos basados en trayectoria (búsqueda local, recocido simulado, búsqueda tabú, etc.)
•     Métodos meta-heurísticos basados en poblaciones (algoritmos evolutivos, colonias de hormigas, enjambres, etc.)
•     Aplicaciones en el ámbito de la Ingeniería Civil

Aprendizaje Computacional.

•     Aprendizaje no supervisado (métodos de agrupamiento, k-medias)
•     Aprendizaje supervisado (k-nn, redes neuronales)
•     Aplicaciones en el ámbito de la Ingeniería Civil

• Seminario 1: Introducción a la optimización.
• Seminario 2: Introducción a las técnicas de aprendizaje.
• Seminario 3: Aplicación de las técnicas estudiadas a un problema particular.

• Herrera F. Inteligencia Artificial, Inteligencia Computacional y Big Data. Universidad de Jaén. 2015.
• Cuevas E. Metaheuristic computation: a performance perspective. Springer. 2021.
• Alavala CR. Fuzzy logic and neural networks basic concepts and application. New Age International. 2008.
• Berzal F. Redes neuronales & deep learning. Edición independiente. 2018.
• Carmona E., Fernández S. Fundamentos de la computación evolutiva. Marcombo. 2020.
• Faul, A. A Concise Introduction to Machine Learning. Chapman & Hall/CRC. 2019.
• Engelbrecht, A. Computational intelligence: an introduction. CRC Press. 2008.
• Cortez, P. Modern Optimization with R. Springer, 2014.

• Larose, D. Discovering knowledge in data: an introduction to data mining. Wiley. 2014.
• Montes, R. et al. Inteligencia Artificial y Tecnologías Digitales para los ODS. Real Academia de Ingeniería. 2021.
• Boden, M. Inteligencia artificial. Turner. 2017.
• Solnon, C. Ant colony optimization and constraint programming. Wiley, 2010.
• Clerc, M. Particle swarm optimization. ISTE. 2006.
• Branke, J. Multiobjective optimization: interactive and evolutionary approaches. Springer. 2008.
• Araujo L, Cervigón C. Algoritmos evolutivos: un enfoque práctico. Rama, 2009.

• Real Academia de Ingeniería: http://www.raing.es/es
• Asociación de Ing. de Caminos, Canales y Puertos y de la Ingeniería Civil: http://ingenieria-civil.org
• NetLogo: https://ccl.northwestern.edu/netlogo/

• MD01 Lección magistral/expositiva 
• MD02 Sesiones de discusión y debate 
• MD03 Resolución de problemas y estudio de casos prácticos 
• MD05 Seminarios 
• MD06 Ejercicios de simulación 
• MD07 Análisis de fuentes y documentos 
• MD09 Realización de trabajos individuales 

El sistema de evaluación consta de una parte de trabajo autónomo y otra parte de desarrollo de un proyecto final que requerirá de la adquisición de los conocimientos de la parte teórica y de su aplicación práctica.

La calificación final tendrá entonces dos partes:

1. El trabajo autónomo y los seminarios prácticos se evaluarán teniendo en cuenta la asistencia a los mismos, la resolución de los problemas propuestos en clase (45% de la nota). También se tendrá en consideración la asistencia como mínimo al 60% de los seminarios organizados en el cuatrimestre en el que se imparte la asignatura (5% de la nota).
2. El proyecto final donde se aplicarán técnicas de Soft Computing a problemas de Ingeniería Civil (50% de la nota).

Para ser evaluado hay que asistir al menos al 50% de las sesiones, salvo causa debidamente justificada.

La asistencia a actividades organizadas por el máster formará parte de la evaluación continua de la asignatura.

Esta modalidad de evaluación se realizará en un único acto académico y consistirá en un examen escrito el día de la convocatoria oficial. Dicha prueba (evaluada de 0 a 10) incluirá preguntas tanto de tipo teórico como práctico (con una distribución de 50% de parte teórica y 50% de parte práctica) que garanticen que el/la estudiante ha adquirido la totalidad de las competencias descritas en esta guía docente.

Esta modalidad de evaluación se realizará en un único acto académico y consistirá en un examen escrito el día de la convocatoria oficial. Dicha prueba (evaluada de 0 a 10) incluirá preguntas tanto de tipo teórico como práctico (con una distribución de 50% de parte teórica y 50% de parte práctica) que garanticen que el/la estudiante ha adquirido la totalidad de las competencias descritas en esta guía docente.

Información de interés para estudiantado con discapacidad y/o Necesidades Específicas de Apoyo Educativo (NEAE): Gestión de servicios y apoyos (https://ve.ugr.es/servicios/atencion-social/estudiantes-con-discapacidad).

* NetLogo