Cursos de Grado

Ministerio de Educación, Ciencia y Tecnología
Universidad Nacional de San Luis
FACULTAD DE CS. FISICO MAT. Y NAT.

ANEXO II

PROGRAMA DEL CURSO: OPTATIVA
DEPARTAMENTO DE: INFORMATICA
AREA: Area II: Sistemas de Computaci	AÑO: 2003 (Id: 2382)
Estado: En tramite de Aprobación

**I - OFERTA ACADÉMICA**
CARRERAS PARA LAS QUE SE OFRECE EL MISMO CURSO	PLAN DE ESTUDIOS ORD. Nº	CRÉDITO HORARIO
		SEM.	TOTAL
LIC. EN CIENCIAS DE LA COMPUTACION	11/98	8.6	120

**II - EQUIPO DOCENTE**
Funciones	Apellido y Nombre	Total hs en este curso	Cargo y Dedic.	Carácter
Responsable	GALLARD, RAUL HECTOR/ESQUIVEL, SUSANA CECILIA	60/60 hs.	PROFESOR TITULAR EXC./PROFESOR ASOCIADO EXC.	Efectivo/Efectivo
Co-Responsable	LEGUIZAMON, MARIO GUILLERMO	60 hs.	PROFESOR ADJUNTO EXC.	Efectivo

**III - CARACTERÍSTICAS DEL CURSO**
CREDITO HORARIO SEMANAL				MODALIDAD	REGIMEN
Teórico/ Práctico	Teóricas	Prácticas de Aula	Práct. de lab/ camp/ Resid/ PIP, etc.		ninguno
Hs.	60 Hs.	Hs.	60 Hs.	Asignatura	Otro:
					Duración: 14 semanas
					Período del 11/8/03 al 14/11/03

**IV.- FUNDAMENTACION**
Existen muchos problemas que requieren explorar espacios de búsqueda para encontrar una solución óptima o quasi óptima. Los métodos de búsqueda pueden clasificarse de distintas maneras, algunos dado un espacio de búsqueda y una función de evaluación devuelven siempre la misma solución (ej. la programación dinámica), otros pueden generar diferentes soluciones basados en el punto de partida (algoritmos greedy o hill_climbing), entre otras. Al respecto es interesante hacer notar que todas esas técnicas siempre tienen una única “mejor solución” almacenada que tratan de mejorar en el próximo paso, o sea, trabajan sobre o construyen una única solución en cada vez que se ejecutan. Otras heurísticas trabajan sobre poblaciones de soluciones donde la función de evaluación se utiliza para medir el mérito de cada solución, aquí en cada iteración, a través de operadores especializados, toda la población de soluciones se modifica ya sea con una concepción basada en el paradigma Darwiniano de la evolución, o en leyes sociales o en el comportamiento cooperativo de las especies.

**V.- OBJETIVOS**
Se espera que el alumno adquiera conocimientos de los distintas heurísticas poblacionales de búsqueda aplicándolas en distintos tipos de problemas, por ejemplo, de scheduling, de optimización multiobjetivo, y otros propios de la investigación operativa, actualmente utilizados en la práctica profesional y en la investigación científica, para resolverlos

**VI. - CONTENIDOS**
Contenidos Mínimos: Algoritmos evolutivos, algoritmos basados en “swarm intelligence”, Colonias de hormigas algoritmos culturales, entre otros.

**VII. - PLAN DE TRABAJOS PRÁCTICOS**
A) desarrollo prácticos de aula y de computación. B) desarrollo de proyectos de software grupales

**VIII - RÉGIMEN DE APROBACIÓN**
El régimen es sólo promocional. Promoción a través de desarrollo de prácticos, proyectos de software grupales y una evaluación conceptual.

**IX.a - BIBLIOGRAFÍA BÁSICA**
Goldberg D. E., - Genetic Algorithms in Search, Optimization & Machine Learning,Addison Wesley, 1989. Michalewicz Z. - Genetic Algorithms + Data Structures = Evolutions Programs, Springer-Verlag, Third, Extended Edition, 1996 Bäck T: Evolutionary algorithms in theory and practice. Oxford University Press, 1996. Esquivel S., Gallard R., Michalewicz Z., - MCPC: Another Approach to Crossover in Genetic Algorithms- Proceedings of the 1st Congreso Argentino de Cs. de la Computación, pp 141-150, Universidad Nacional del Sur, October 1995. Esquivel S., Leiva A., Gallard R., - Multiple crossover per couple in genetic algorithms. Proc. of the 4th IEEE International Conf. on Evolutionary Computation (ICEC\\\'97), pp 103-106, Indianapolis, USA, April 1997. Esquivel S., Leiva H.,.Gallard R., Multiple Crossovers Between Multiple Parents To Improve Search In Evolutionary Algorithms - Submitted to the 1999 Int. Congress on Evolutionary Computation.

**IX b - BIBLIOGRAFÍA COMPLEMENTARIA**
Pandolfi D., De San Pedro M., Villagra A., Vilanova G., Gallard R.- “ Studs mating immigrants in evolutionary algorithm to solve the earliness-tardiness scheduling problem” . En Cybernetics and Systems del Taylor and Francis Journal, (U.K.), pp 391-400, June 2002. Esquivel S., Ferrero S., Gallard R.- “Parameter settings and representations in pareto-based optimisation for job shop scheduling” . En Cybernetics and Systems del Taylor and Francis Journal, (U.K.), pp 559-578, September 2002. Esquivel S., Ferrero S., Gallard R., Salto C., Alfonso H. Schütz M., ¨Enhanced evolutionary algorithms for single and multiobjective optimization in the job shop scheduling problem¨. Journal of Knowledge Based Systems, Vol 15/1-2, pp 13-25, Elsevier, January 2002. Esquivel S., Gatica C., Gallard R.- “Performance of Evolutionary Approaches for Parallel Task Scheduling under Different Representations”, Lecture Notes in Computer Science, LNCS 2279, pp 41-50, Springer Verlag, april 2002. Esquivel S., Leguizamón G., Zuppa F., Gallard R., - “A performance comparison of alternative heuristics for the flow shop scheduling problem”, Lecture Notes in Computer Science, LNCS 2279, pp 51-60, Springer Verlag, april 2002. Esquivel S., Gatica C., Gallard R. Conventional and Multirecombinative Evolutionary Algorithms for the Parallel Task Scheduling Problem. Lecture Notes in Computer Science, LNCS 2037, pp 223-232, Springer Verlag 2001. Esquivel S., Gatica C., Gallard R., - “A Genetic Approach using Direct Representation of Solutions for the Paralell Task Scheduling Program”, Journal of Computer Science and Technology, Vol. III, pág. 7 –13, PGNAU, ISTEC, http://journal.info.unlp.edu.ar/, 2000. Esquivel S., Ferrero S., Gallard R., “Multirecombination in Multiobjective Evolutionary Algorithms for Job Shop Scheduling”, CEC”2000, Congress on Evolutionary Computation, San Diego, Usa, IEEE Publishing Co, aceptado para su publicación.

COMPLEMENTO DE DIVULGACION

**OBJETIVOS DEL CURSO**
El objetivo del curso es introducir al alumno en las más modernas heurísticas poblacionales de búsqueda aplicándolas en distintos tipos de problemas, por ejemplo, de scheduling, de optimización multiobjetivo, y otros propios de la investigación operativa, actualmente utilizados en la práctica profesional y en la investigación científica, para resolverlos. La temática pertenece al área de la Inteligencia Computacional.

**PROGRAMA SINTETICO**
Introducción; motivación de la evolución como modelo de simulación. Campos de aplicación. Ventajas y desventajas de la Computación Evolutiva sobre otros enfoques. Fundamentos de los procesos evolutivos. Fundamentos de la genética. Reseña histórica de la Computación Evolutiva. Algoritmos Genéticos y otros algoritmos evolutivos. Representación del espacio de soluciones. Evaluación del fitness Mecanismos de selección y operadores genéticos. Distintas alternativas. Convergencia de Algoritmos Evolutivos. Adaptabilidad y autoadaptabilidad. Otras metahurísticas. Hibridización de metaheurísticas. Optimización de Colonias de hormigas. Optimización por cúmulos de Partículas. Aplicaciones de la Computación Evolutiva y otras metaheurísticas. Problemas clásicos de administración y optimización del uso de recursos.

**IMPREVISTOS**
No se preveen imprevistos.