ΠΕΡΙΓΡΑΜΜΑ ΜΑΘΗΜΑΤΟΣ

Εξελικτική Υπολογιστική

1. ΓΕΝΙΚΑ

ΣΧΟΛΗ Σχολή Μηχανικών
ΤΜΗΜΑ Τμήμα Μηχανικών Πληροφορικής, Υπολογιστών και Τηλεπικοινωνιών
ΕΠΙΠΕΔΟ ΣΠΟΥΔΩΝ Προπτυχιακό
ΚΩΔΙΚΟΣ ΜΑΘΗΜΑΤΟΣ %cf%80%ce%bb%ce%b509033 ΕΞΑΜΗΝΟ ΣΠΟΥΔΩΝ 9ο
ΤΙΤΛΟΣ ΜΑΘΗΜΑΤΟΣ Εξελικτική Υπολογιστική
ΑΥΤΟΤΕΛΕΙΣ ΔΙΔΑΚΤΙΚΕΣ ΔΡΑΣΤΗΡΙΟΤΗΤΕΣ
σε περίπτωση που οι πιστωτικές μονάδες απονέμονται σε διακριτά μέρη του μαθήματος π.χ. Διαλέξεις, Εργαστηριακές Ασκήσεις κ.λπ. Αν οι πιστωτικές μονάδες απονέμονται ενιαία για το σύνολο του μαθήματος αναγράψτε τις εβδομαδιαίες ώρες διδασκαλίας και το σύνολο των πιστωτικών μονάδων. 		ΕΒΔΟΜΑΔΙΑΙΕΣ ΩΡΕΣ ΔΙΔΑΣΚΑΛΙΑΣ ΠΙΣΤΩΤΙΚΕΣ ΜΟΝΑΔΕΣ
Προσθέστε σειρές αν χρειαστεί. Η οργάνωση διδασκαλίας και οι διδακτικές μέθοδοι που χρησιμοποιούνται περιγράφονται αναλυτικά στο 4.    
ΤΥΠΟΣ ΜΑΘΗΜΑΤΟΣ
Γενικής Υποδομής (ΓΥ),Ειδικής Υποδομής (ΕΥ), Γενικών Γνώσεων (ΓΓΔ) και Επιστημονικής Περιοχής (ΔΔΤΝ, ΕΔ, ΕΥΣ, ΗΛ, ΠΑ) . 		 Ειδίκευσης
ΠΡΟΑΠΑΙΤΟΥΜΕΝΑ ΜΑΘΗΜΑΤΑ:  
ΓΛΩΣΣΑ ΔΙΔΑΣΚΑΛΙΑΣ και ΕΞΕΤΑΣΕΩΝ:  Ελληνικά
ΤΟ ΜΑΘΗΜΑ ΠΡΟΣΦΕΡΕΤΑΙ ΣΕ ΦΟΙΤΗΤΕΣ ERASMUS Ναι
ΗΛΕΚΤΡΟΝΙΚΗ ΣΕΛΙΔΑ ΜΑΘΗΜΑΤΟΣ (URL) ftp://teiser.gr/pliroforiki/Ekseliktikh_Ypologistikh/

2. ΜΑΘΗΣΙΑΚΑ ΑΠΟΤΕΛΕΣΜΑΤΑ

Μαθησιακά Αποτελέσματα
Περιγράφονται τα μαθησιακά αποτελέσματα του μαθήματος οι συγκεκριμένες  γνώσεις, δεξιότητες και ικανότητες καταλλήλου επιπέδου που θα αποκτήσουν οι φοιτητές μετά την επιτυχή ολοκλήρωση του μαθήματος.

Το μάθημα αποσκοπεί στο να εισάγει τον φοιτητή στην θεωρία και την πρακτική της Εξελικτικής Υπολογιστικής, που αποτελεί ένα νέο αλλά εξελισσόμενο τομέα της Υπολογιστικής Νοημοσύνης, που περικλείει ένα σύνολο από ισχυρά εργαλεία βελτιστοποίησης και αναζήτησης λύσεων σε δύσκολα πραγματικά προβλήματα όπου δεν υπάρχουν αναλυτικές ή άλλες μέθοδοι επίλυσης. Αναλύονται οι αρχές λειτουργίας των εξελικτικών αλγορίθμων, η ιστορία τους και οι διαφορετικές τους μορφές. Περιγράφονται οι αρχές λειτουργίας και η θεωρία των Γενετικών Αλγορίθμων, τα δομικά τους στοιχεία, οι τεχνικές εφαρμογής τους σε πραγματικά προβλήματα (συνεχών παραμέτρων, συνδυαστικά, πολλαπλών στόχων, προβλήματα με περιορισμούς). Αναπτύσσονται ειδικές εφαρμογές των Γ.Α. όπως τα Συστήματα Εκμάθησης Κανόνων, και οι Παράλληλοι Γενετικοί Αλγόριθμοι. Περιγράφονται άλλες εξελικτικές τεχνικές όπως οι Εξελικτικές Στρατηγικές, ο Εξελικτικός Προγραμματισμός, ο Γενετικός Προγραμματισμός, το Εξελισσόμενο Υλικό, η Βελτιστοποίηση Αποικίας Μυρμηγκιών, τα Τεχνητά Ανοσοποιητικά Συστήματα, οι Μεμετικοί Αλγόριθμοι, οι Αλγόριθμοι Κουλτούρας και οι αλγόριθμοι Τεχνητής Ζωής.
Γενικές Ικανότητες
Λαμβάνοντας υπόψη τις γενικές ικανότητες που πρέπει να έχει αποκτήσει ο πτυχιούχος (όπως αυτές αναγράφονται στο Παράρτημα Διπλώματος και παρατίθενται ακολούθως) σε ποια / ποιες από αυτές αποσκοπεί το μάθημα;.
Αναζήτηση, ανάλυση και σύνθεση δεδομένων και πληροφοριών με τη χρήση και των απαραίτητων τεχνολογιών - Προσαρμογή σε νέες καταστάσεις - Λήψη αποφάσεων - Αυτόνομη εργασία - Ομαδική εργασία - Εργασία σε διεθνές περιβάλλον - Εργασία σε διεπιστημονικό περιβάλλον - Παράγωγή νέων ερευνητικών ιδεών Σχεδιασμός και διαχείριση έργων - Σεβασμός στη διαφορετικότητα και στην πολυπολιτισμικότητα - Σεβασμός στο φυσικό περιβάλλον - Επίδειξη κοινωνικής, επαγγελματικής και ηθικής υπευθυνότητας και ευαισθησίας σε θέματα φύλου - Άσκηση κριτικής και αυτοκριτικής - Προαγωγή της ελεύθερης, δημιουργικής και επαγωγικής σκέψης
  • Αναζήτηση, ανάλυση και σύνθεση δεδομένων και πληροφοριών, με τη χρήση και των απαραίτητων τεχνολογιών
  • Ομαδική Εργασία
  • Σχεδιασμός και Διαχείριση Έργων
  • Προαγωγή της ελεύθερης, δημιουργικής και επαγωγικής σκέψης

3. ΠΕΡΙΕΧΟΜΕΝΟ ΜΑΘΗΜΑΤΟΣ

  • Επιστημονική ταξινόμηση της Εξελ.Υπολ., Υπολογιστική Ευφυία, Εισαγωγή στις αρχές της Εξελικτικικής Υπολογιστικής, ιστορική εξέλιξη, διαφορετικές μορφές αλγορίθμων, στόχοι και πεδίο εφαρμογής,
  • Οι Γενετικοί Αλγόριθμοι, αρχές λειτουργίας, αντιστοιχία με τα βιολογικά συστήματα, συνάρτηση ποιότητας, κωδικοποίηση των λύσεων – είδη κωδικοποίησης, αλγόριθμοι επιλογής γονέων, βασικοί γενετικοί τελεστές (ανασυνδυασμός – crossover, μετάλλαξη – mutation), άλλοι γενετικοί τελεστές, συνδυαστικοί τελεστές, αναπαραγωγή λύσεων – παραγωγή πληθυσμού απογόνων, κριτηρια τερματισμού – σύγκλισης, άλλες τεχνικές (ελιτισμός, κλιμάκωση ποιότητας, προσαρμογή τελεστών, τελεστές αναρρίχησης, υβριδικά σχήματα, περιορισμοί ζευγαρώματος, ενίσχυση διασποράς),
  • Θεωρία σχημάτων, Εσωτερικός Παραλληλισμός, Θεωρήματα σύγκλισης, Εφαρμογή Γ.Α σε προβλήματα με περιορισμούς, μέθοδοι αντιμετώπισης περιορισμών, Εφαρμογή σε Δυναμικά Προβλήματα Βελτιστοποίησης, Εφαρμογές Γενετικών Αλγορίθμων (προβλήματα συνεχών παραμέτρων – συνδυαστικά προβλήματα), Βελτιστοποίηση Πολλαπλών Στόχων, Μικρογενετικοί Αλγόριθμοι, Μεμετικοί Αλγόριθμοι.
  • Συστήματα εκμάθησης κανόνων (GBML – Classifier Systems), αρχές λειτουργίας, ανιχνευτές και δράστες (detectors-effectors), αναπαράσταση κανόνων, αλγόριθμοι εκμάθησης κανόνων (Bucket Brigade Algorithm), Αντιστοιχία με Νευρωνικά Δίκτυα, Εφαρμογές Σ.Ε.Κ.
  • Παράλληλοι Γενετικοί Αλγόριθμοι, Μοντέλα Π.Γ.Α., Μοντέλο Χαμηλής Ανάλυσης, Μοντέλο Υψηλής Ανάλυσης, Υβριδικά Μοντέλα, Μοντέλα διαφορετικών εξελικτικών συμπεριφορών.
  • Εξελικτικές Στρατηγικές, αρχές λειτουργίας, κατηγοριοποίηση Ε.Σ., χρήση και αντικατάσταση γονέων, Εφαρμογές Ε.Π.
  • Εξελικτικός Προγραμματισμός, αρχές λειτουργίας, κωδικοποίηση πραγματικών αριθμών, πιθανοτική μετάλλαξη σε πραγματικούς, εφαρμογές Ε.Π.
  • Γενετικός Προγραμματισμός, αρχές λειτουργίας, κωδικοποίηση λύσεων ιεραρχικής και δενδροειδούς δομής, λύσεις μεταβλητού μήκους, ειδικοί τελεστές ανασυνδυασμού και μετάλλαξης δένδρων, εφαρμογές Γ.Π.
  • Εξελισσόμενο Υλικό (Evolutionary Hardware), αρχές λειτουργίας, περιγραφή υλικού – FPGAs, μέθοδοι κωδικοποίσης λύσεων, τελεστές ανασυνδυασμού και μετάλλαξης γράφων, εφαρμογές Ε.Υ.
  • Αλγόριθμοι Τεχνητής Ζωής (Artificial Life, Μulti Agent Systems, Ant Colony Optimization, Cultural Algorithms),

4. ΔΙΔΑΚΤΙΚΕΣ και ΜΑΘΗΣΙΑΚΕΣ ΜΕΘΟΔΟΙ - ΑΞΙΟΛΟΓΗΣΗ

ΤΡΟΠΟΣ ΠΑΡΑΔΟΣΗΣ
Πρόσωπο με πρόσωπο, Εξ αποστάσεως εκπαίδευση κ.λπ.

Θεωρητική από έδρας διδασκαλία με συζήτηση και ενεργή συμμετοχή των φοιτητών. Κατά την διάρκεια του μαθήματος γίνονται παρουσιάσεις σε power point.

Εργαστηριακές Ασκήσεις. Χρήση Η/Υ για ανάπτυξη απλών παραδειγμάτων Εξελικτικών Αλγορίθμων
ΧΡΗΣΗ ΤΕΧΝΟΛΟΓΙΩΝ ΠΛΗΡΟΦΟΡΙΑΣ ΚΑΙ ΕΠΙΚΟΙΝΩΝΙΩΝ
Χρήση Τ.Π.Ε. στη Διδασκαλία, στην Εργαστηριακή Εκπαίδευση, στην Επικοινωνία με τους φοιτητές

Χρήση ηλεκτρονικών μέσων για την παράδοση των διαλέξεων.

Χρήση Η/Υ για τις εργαστηριακές ασκήσεις. Χρήση εικονικών εργαστηρίων εμβάθυνσης της γνώσης. Υποστήριξη μαθησιακής διαδικασίας μέσω της ηλεκτρονικής πλατφόρμας Moodle (elearning.teicm.gr) Ηλεκτρονικές Ασκήσεις Αυτοαξιολόγησης. Επικοινωνία με φοιτητές μέσω e-mail, της ιστοσελίδας του μαθήματος και RSS feeds.
ΟΡΓΑΝΩΣΗ ΔΙΔΑΣΚΑΛΙΑΣ
Περιγράφονται αναλυτικά ο τρόπος και μέθοδοι διδασκαλίας. Διαλέξεις, Σεμινάρια, Εργαστηριακή Άσκηση, Άσκηση Πεδίου, Μελέτη & ανάλυση βιβλιογραφίας, Φροντιστήριο, Πρακτική (Τοποθέτηση), Κλινική Άσκηση, Καλλιτεχνικό Εργαστήριο, Διαδραστική διδασκαλία, Εκπαιδευτικές επισκέψεις, Εκπόνηση μελέτης (project), Συγγραφή εργασίας / εργασιών, Καλλιτεχνική δημιουργία, κ.λπ. Αναγράφονται οι ώρες μελέτης του φοιτητή για κάθε μαθησιακή δραστηριότητα καθώς και οι ώρες μη καθοδηγούμενης μελέτης ώστε ο συνολικός φόρτος εργασίας σε επίπεδο εξαμήνου να αντιστοιχεί στα standards του ECTS

Οργάνωση Διδασκαλίας

ΔραστηριότηταΦόρτος εργασίας εξαμήνου
Διαλέξεις26
Ασκήσεις Πράξης13
Εργαστηριακές Ασκήσεις13
Μελέτη Θεωρίας52
Μελέτη Ασκήσεων Πράξης, Εργαστηριακών Ασκήσεων, Αναφορές, Εργασίες21
Σύνολο125
ΑΞΙΟΛΟΓΗΣΗ ΦΟΙΤΗΤΩΝ
Περιγραφή της διαδικασίας αξιολόγησης Γλώσσα Αξιολόγησης, Μέθοδοι αξιολόγησης, Διαμορφωτική ή Συμπερασματική, Δοκιμασία Πολλαπλής Επιλογής, Ερωτήσεις Σύντομης Απάντησης, Ερωτήσεις Ανάπτυξης Δοκιμίων, Επίλυση Προβλημάτων, Γραπτή Εργασία, Έκθεση / Αναφορά, Προφορική Εξέταση, Δημόσια Παρουσίαση, Εργαστηριακή Εργασία, Κλινική Εξέταση Ασθενούς, Καλλιτεχνική Ερμηνεία, Άλλη / Άλλες. Αναφέρονται ρητά προσδιορισμένα κριτήρια αξιολόγησης και εάν και που είναι προσβάσιμα από τους φοιτητές.

Ο τελικός βαθμός του μαθήματος διαμορφώνεται από την επίδοση του φοιτητή στη αξιολόγηση του θεωρητικού μέρους και σε αυτόν μπορεί να έχει συμβολή και η επίδοση στο εργαστηριακό μέρος. Σημειώνεται ότι ο φοιτητής θα πρέπει να έχει παρακολουθήσει επιτυχώς το εργαστηριακό μέρος για να έχει δικαίωμα εξέτασης στο θεωρητικό μέρος.

Ο βαθμός του θεωρητικού μέρους διαμορφώνεται από γραπτή τελική εξέταση .

  1.  Η γραπτή τελική εξέταση του θεωρητικού μέρους μπορεί να περιλαμβάνει:
    • Ανάπτυξη θεωρητικών θεμάτων
    • Ερωτήσεις πολλαπλής επιλογής
    • Επίλυση προβλημάτων εφαρμογής των γνώσεων που αποκτήθηκαν.
    • Ερωτήσεις σύντομης απάντησης
    • Συγκριτική αξιολόγηση στοιχείων θεωρίας.
  2. Η εξέταση των ασκήσεων του εργαστηρίου περιλαμβάνει:
    • δύο (2) τουλάχιστον ενδιάμεσες αξιολογήσεις της κατανόησης της ύλης και των εργαστηριακών δεξιοτήτων που αποκτήθηκαν μέσω εργαστηριακής εξέτασης ή και εξέτασης ανατεθέντων εργαστηριακών ασκήσεων κατά την οποία γίνεται και χρήση του εργαστηριακού εξοπλισμού ή προσομοιώσεων.

5. ΣΥΝΙΣΤΩΜΕΝΗ ΒΙΒΛΙΟΓΡΑΦΙΑ

Συγγράμματα

Συγγράμματα μέσω του συστήματος ΕΥΔΟΞΟΣ

  1.  Βιβλίο [68372685]: Υπολογιστική Νοημοσύνη και Εφαρμογές, έκδοση 1η, 2010, Ιωάννης Μπούταλης,Γεώργιος Συρακούλης, Εκδότης ΑΦΟΙ ΠΑΠΑΜΑΡΚΟΥ Ο.Ε

Συγγράμματα που διανέμονται μέσω του Ιδρύματος ή της ηλεκτρονικής σελίδας του μαθήματος

  1. Σπύρος Καζαρλής, “Εξελικτική Υπολογιστική”, Επίσημες Σημειώσεις για το θεωρητικό μέρος του μαθήματος «Εξελικτική Υπολογιστική», Σεπτέμβριος 2005.
  2. Σπύρος Καζαρλής, “Εξελικτική Υπολογιστική-Εργαστήριο”, Επίσημες Σημειώσεις για το Εργαστηριακό μέρος του μαθήματος «Εξελικτική Υπολογιστική», Σεπτέμβριος 2005.

Συμπληρωματική προτεινόμενη βιβλιογραφία

  1. D.E. Goldberg, Genetic Algorithms in Search, Optimization and Machine Learning, AddisonWesley, 1989.
  2. L Davis, K De Jong, G Vose, Evolutionary Algorithms, 1999, Springer Verlag,
  3. Th. Bäck, Evolutionary Algorithms in Theory and Practice, Oxford University Press, 1996
  4. D.B. Fogel, Evolutionary Computation, IEEE Press, 1995
  5. L. Davis, The Handbook of Genetic Algorithms, Van Nostrand & Reinhold, 1991