Programación Matemática a Gran Escala

Contenido

• Descripción del curso
• Talleres
• Material de apoyo y recursos
• Notas
  

Descripción del curso

Objetivo

Contenido

1. El problema de optimización (tipos de problemas, áreas de aplicación, enunciado general)
2. Optimización continua
1. Con restricciones (métodos y aplicaciones)
2. Sin restricciones (métodos y aplicaciones)
3. Optimización combinatoria
1. Optimización en grafos
2. Programación dinámica
3. Branch and bound
4. Problemas NP-completos
4. Optimización global
1. Simmulated annealing
2. Tabu search
3. Otras heurísticas
4. Free-lunch theorem
5. Computación evolutiva
1. Panorama de técnicas
2. AG simple
3. Diseño de algoritmos evolutivos (representación, función de evaluación, operadores de variación, selección, inicialización)
4. Manejo de restricciones
5. Optimización multi-objetivo
6. Optimización multi-modal
7. Teoría de los AG
8. Otras métodos evolutivos

Metodología

• Clase magistral con participación de los estudiantes.
• Realización de proyectos (incluyen un componente de programación)
• Exposiciones

Programación

 Requisitos

• Conocimientos básicos de programación
• Cálculo diferencial
• Conocimientos básicos de probabilidad

Notas

• 2 Exámenes     40%
• Proyecto          30%
• Exposición      15%
• Varios             15%

Referencias

• Michalewicz, Z. & Fogel, D. B.  (2000),  How to Solve It: Modern Heuristics, Springer.

• Mora, H. (2001), Optimización no Lineal y Dinámica, Publicaciones Univ. Nacional de Colombia.
• Nocedal, J. & Wright, S. (1999), Numerical Optimization, Springer.
• Hiller & Liberman, Introducción a la Investigación de Operaciones, McGraw-Hill (6a edición).

• Cormen, T. H., Leiserson, C. E., and Rivest, R. L. (2001), Introduction to Algorithms, MIT Press, (2a edición).
• Papadimitriou, C. L., & Steiglitz, K. (1982). Combinatorial optimization, Prentice-Hall.

• Goldberg, D. E.  (1989),  Genetic   algorithms in Search, Optimization, and Machine Learning , Addison-Wesley.
• Michalewicz, Z.  (1996), Genetic   Algorithms + Data Structures = Evolution Programs, 3rd edition, Springer.

Talleres

• Taller 1
• Taller 2
• Taller 3
  

Material de apoyo y recursos

Notas de clase

• Introducción
• Optimización Continua no Restringida
• Algoritmos en grafos
• Arboles de expansión mínima
• Camino más corto (Dijkstra)
• Camino más corto (Floyd-Warshall)
• Flujo máximo
• Programación dinámica (presentación original Inglés)
• Problemas NP-Completos
• Introducción a la Computación Evolutiva
  

Presentaciones

• Redes neuronales (Jairo Alonso )
  
• Support Vector Machines (Christian )
• Alineamiento de secuencias usando programación dinámica (Arturo Tocarruncho)
  
• Presentación
  
• Applet
• Snakes: optimización y computación gráfica (Francisco Gómez, Oscar Sánchez, Andrés Hurtado.)
  
• Ramificación y Acotamiento (Branch-and-Bound) (Ruben Sánchez)
• Programación dinámica y cadenas ocultas de markov (Sonia)
  
• Recocido simulado (simulated annealing) (Jairo Alonso Tunjano)
  
• Búsqueda tabú (tabu search) (Oscar Lozano)
• Software para computación evolutiva (ppt html) (Guillermo Buriticá)
• Tutorial de ECJ
  

Computación Evolutiva

• Bibliografías
• GECCO (Genetic and Evolutionary Computation Conference)
• Literature search on Evolutionary Computation
  
• Bibliography on Evolutionary Computation
  
• Evolutionary Multiobjective Optimization
  
• Artificial Intelligence Bibliography
• Papers
• D. Dagupta and F. González.
  Evolving complex fuzzy classifier rules using a linear genetic representation.
  In Proceedings of the Genetic and Evolutionary Computation Conference(GECCO) , San Francisco, CA, July 2001. Morgan Kaufmann. pp 299-305.