Page begin -
Logo DISCO
|
Go to the Highly accessible area
|
Go to the Content page
|
Go to the End of content
|
Go to the Main menu
|
Go to the Navigation Bar (location)
|
Go to the Navigation menu (tree)
|
Go to the Commands list
|
Go to the Further readings
|
Go to the Bottom Menu
|
Logo Ateneo
   
Enrolled
Algoritmi e strutture dati (soft computing)

Docente: L. Vanneschi

Crediti: 6

Conoscenze: il corso si prefigge di presentare alcune tecniche speciali di elaborazione, in particolare in relazione a problemi complessi di ottimizzazione, apprendimento e controllo, affrontandone sia gli aspetti teorici che i risvolti applicativi.

Abilità: Risolvere problemi concreti con tecniche evolutive o di apprendimento automatico

Testi consigliati:

  • Tettamanzi, M. Tomassini, "Soft Computing", Sprinter
  • M. Mitchell, "Introduzione agli algoritmi genetici", Apogeo
  • W. Banzhaf, P. Nordin, R. Keller and F. Francone, "Genetic Programming, an introduction", Morgan Kaufmann
  • T. Mitchell, Machine Learning, McGraw Hill

Modalità di esame:

L'esame consiste in una prova orale, che include la discussione di un progetto realizzato dallo studente, con l'uso delle tecniche presentate nel corso.

Per ulteriori informazioni sul corso rivolgersi direttamente ai docenti.

Programma:

  • Introduzione a problemi complessi, problemi di ottimizzazione classi di approssimazione, ottimizzazione stocastica, tecniche di ricerca locale (hill climbing, algoritmo di Metropolis, simulated annealing).

  • Algoritmi Evolutivi:

    • Algoritmi Genetici: Il concetto di rappresentazione; operatori e parametri critici; topologia degli operatori; teoria degli algoritmi genetici e modelli; problemi GA hard e problemi GA easy; esempi e applicazioni a problemi reali; prospettive e limiti
    • Programmazione Genetica: Evoluzione di struttura a taglia variabile; operatori e parametri critici; teoria e modelli; esempi e applicazioni a problemi reali; programmazione genetica distribuita e parallela

  • Reti neurali: il paradigma connessionista; il percettrone mono- e multi- strato; backpropagation; altri modelli di reti neurali; dinamica delle reti neurali; apprendimento nelle reti neurali; parametri critici; esempi e applicazioni a problemi reali; prospettive e limiti

  • Tecniche fuzzy: Logica fuzzy; Matematica fuzzy; Sistemi fuzzy; Esempi ed applicazioni a problemi reali.

  • Tecniche ibride: Sistemi neuro-fuzzy; Evoluzione di reti neurali tramite algoritmi genetici e programmazione genetica; Evoluzione di sistemi fuzzy.

Vai al sito web del corso


Further readings
(C) Copyright 2016 - Dipartimento Informatica Sistemistica e Comunicazione - Viale Sarca, 336
20126 Milano - Edificio U14
redazioneweb@disco.unimib.it - last update of this page 28/03/2011