Versión imprimible Curso Académico
Técnicas aproximadas de resolución de problemas
Curso 2015/16
1. Datos Descriptivos de la Asignatura
ASIGNATURA: Técnicas aproximadas de resolución de problemas CÓDIGO: 335361102
- Centro: Escuela Superior de Ingeniería y Tecnología
- Titulación: Máster en Técnicas para la Investigación, Desarrollo e Innovación en Ciencias e Ingeniería
- Plan de Estudios: 2010 (publicado en 19-07-2010)
- Rama de conocimiento: Arquitectura e Ingeniería
- Itinerario/Intensificación:
- Departamento/s: - Área/s de conocimiento:
  • Ciencia de la Computación e Inteligencia Artificial
  • Ingeniería de Sistemas y Automática
  • Lenguajes y Sistemas Informáticos
- Curso: 1
- Carácter: Obligatoria
- Duración: Cuatrimestral
- Créditos ECTS: 6.0
- Horario:
- Dirección web de la asignatura: http://www.campusvirtual.ull.es
- Idioma: Castellano e Inglés (0,3 ECTS en Inglés)


2. Requisitos para cursar la asignatura
Los propios de acceso al máster


3. Profesorado que imparte la asignatura
Profesor/a Coordinador/a: MARIA ISABEL DORTA GONZALEZ
- Grupo: Único
- Departamento: Ingeniería Informática y de Sistemas
- Área de conocimiento: Lenguajes y Sistemas Informáticos
- Lugar Tutoría: 2ª Planta Torre del Profesor Agustín Arévalo, zona de despachos
- Horario Tutoría: Lunes y viernes de 9:00 a 12:00. El lugar y horario de tutorías pueden sufrir modificaciones puntuales que serán debidamente comunicadas en tiempo y forma.
- Teléfono (despacho/tutoría): 922 31 91 86
- Correo electrónico: isadorta@ull.es
- Dirección web docente: http://www.campusvirtual.ull.es
Profesor/a: JOSE ANDRES MORENO PEREZ
- Grupo: Único
- Departamento: Ingeniería Informática y de Sistemas
- Área de conocimiento: Ciencia de la Computación e Inteligencia Artificial
- Lugar Tutoría: Despacho 95, 4ª planta de la Facultad de Físicas y Matemáticas.
- Horario Tutoría: Lunes, Martes y Miércoles de 10:00 a 12:00
- Teléfono (despacho/tutoría): 922318186
- Correo electrónico: jamoreno@ull.es
- Dirección web docente: http://www.campusvirtual.ull.es
Profesor/a: ROSA MARIA AGUILAR CHINEA
- Grupo: Único
- Departamento: Ingeniería Informática y de Sistemas
- Área de conocimiento: Ingeniería de Sistemas y Automática
- Lugar Tutoría: Edf. De Informática, 2ª planta, zona de despachos
- Horario Tutoría: Martes y Miércoles de 09.00 a 12.00
- Teléfono (despacho/tutoría): 922 319455
- Correo electrónico: raguilar@ull.es
- Dirección web docente: http://www.campusvirtual.ull.es
Profesor/a: ROBERTO LUIS MARICHAL PLASENCIA
- Grupo: Único
- Departamento: Ingeniería Informática y de Sistemas
- Área de conocimiento: Ingeniería de Sistemas y Automática
- Lugar Tutoría: Edf. De Informática, 2ª planta, zona de despachos
- Horario Tutoría: Martes y Miércoles de 09.00 a 12.00
- Teléfono (despacho/tutoría): 922 84 5039
- Correo electrónico: rlmarpla@ull.es
- Dirección web docente: http://www.campusvirtual.ull.es
Profesor/a: JOSE FRANCISCO SIGUT SAAVEDRA
- Grupo: Único
- Departamento: Ingeniería Informática y de Sistemas
- Área de conocimiento: Ingeniería de Sistemas y Automática
- Lugar Tutoría: Edf. Física y Matemáticas, planta 5, Despacho 48
- Horario Tutoría: Jueves de 16.30 a 19.30, y viernes de 10:00 a 13:00. El lugar y horario de tutorías pueden sufrir modificaciones puntuales que serán debidamente comunicadas en tiempo y forma.
- Teléfono (despacho/tutoría): 922318263
- Correo electrónico: jfsigut@ull.es
- Dirección web docente: http://www.campusvirtual.ull.es


4. Contextualización de la asignatura en el plan de estudio
- Bloque formativo al que pertenece la asignatura: Formación Básica
- Perfil profesional: Capacitar al alumno en las técnicas de investigación, desarrollo e innovación desde un punto multidisciplinar en Ciencias e Ingeniería.


5. Competencias
Específicas
[20] El alumno debe ser capaz de modelizar adecuadamente un problema en los campos de Ciencias e Ingeniería. 
[21] El alumno debe familiarizarse con la lógica difusa (o borrosa) y saber aplicarla a problemas de clasificación y toma de decisiones en los campos de Ciencias e Ingeniería.
[22] El alumno debe familiarizarse con las redes neuronales artificiales y saber aplicarla a diferentes tipos de problemas en los campos de Ciencias e Ingeniería.
[23] Capacidad de resolver problemas usando técnicas metaheurísticas.
[36] Capacidad de utilizar y diseñar herramientas y técnicas avanzadas de resolución de problemas y desarrollo de soluciones en los campos de Ciencias e Ingeniería
Transversales
[1] Que el estudiantado sepa aplicar los conocimientos adquiridos y su capacidad de resolución de problemas en entornos nuevos o poco conocidos dentro de contextos más amplios (o multidisciplinares) relacionados con su área de investigación/desarrollo/innovación en los campos de Ciencias e Ingeniería.
[3] Que el estudiantado sepa comunicar las conclusiones –y los conocimientos y razones últimas que las sustentan– de su proceso de investigación/desarrollo/innovación a públicos especializados y no especializados de un modo claro y sin ambigüedades en los campos de iencias e Ingeniería.
[4] Que el estudiantado posea las habilidades de aprendizaje que le permita continuar estudiando de un modo que habrá de ser en gran medida autodirigido o autónomo dentro de un proceso de investigación/desarrollo/innovación en los campos de Ciencias e Ingeniería.
[5] Habilidades de comunicación oral y escrita orientada a los campos de Ciencias e Ingeniería.
[9] Capacidad para iniciarse en nuevos campos de estudio (aprender a aprender), inherente a la investigación científica.
[11] Capacidad para realizar investigación/desarrollo/innovación de forma independiente en los campos de Ciencias e Ingeniería.
[14] Capacidad de trabajo en equipos multidisciplinares y/o internacionales en los campos de Ciencias e Ingeniería, empleando herramientas colaborativas.


6. Contenidos de la asignatura
Contenidos teóricos y prácticos de la asignatura
MÓDULO I
- Profesor: María Isabel Dorta González
- Temas:
- Tema 1.1: Complejidad algorítmica: problemas resolubles en tiempo polinomial y no polinomial.
- Tema 1.2: Algunos problemas clásicos de optimización NP-difíciles
- Tema 1.3: Optimización y búsqueda. Limitaciones de los algoritmos exactos.
- Tema 1.4: Algoritmos heurísticos: definición y conceptos básicos.

MÓDULO II
- Profesor: José Andrés Moreno Pérez y Rosa María Aguilar Chinea
- Temas:
- Tema 2.1: Algoritmos metaheurísticos para la resolución de problemas de optimización NP-difíciles
- Tema 2.2: Lógica difusa; tratamiento de información imprecisa.

MÓDULO III
- Profesor: Roberto Luis Marichal Plasencia y José Francisco Sigut Saavedra
- Temas:
- Tema 3.1. Introducción al reconocimiento de patrones. Clasificadores estadísticos. Neurona Artificial. Topología de Redes Neuronales: Redes Neuronales
Estáticas, redes Neuronales dinámicas.
- Tema 3.2. Entrenamiento Supervisado. Entrenamiento no Supervisado.
- Tema 3.3. Ejemplos de aplicaciones en resolución de problemas: detección de patrones, identificación de sistemas, etc.
Actividades a desarrollar en otro idioma
- Profesor: Todos
- Temas:
Consulta de materiales (manuales técnicos, etc.) y actividades (búsqueda de información, etc.) en inglés.


7. Metodología y volumen de trabajo del estudiante
Descripción
La metodología docente que se seguirá en esta asignatura es la siguiente:

• Clases teóricas en las que se explicarán los conceptos y herramientas básicos del temario propuesto. Para ello se combinarán las tradicionales clases de pizarra con el uso de los medios audiovisuales disponibles, principalmente el cañón de proyección. Los alumnos podrán consultar y descargarse el material relativo a la asignatura en el Aula Virtual.
• Clases prácticas. Se distinguen 2 tipos de actividades:
o En el aula de clase en la que se realizarán problemas y ejercicios prácticos para cuya resolución los alumnos deberán aplicar los conocimientos adquiridos en las clases de teoría.
o En aula de ordenadores y/o el laboratorio donde se realizarán prácticas de simulación en las que los alumnos emplearán distintas herramientas software para la resolución de los problemas vistos en las clases teóricas.

Dado el carácter semipresencial del máster, se concede especial importancia a las actividades propuestas a través del aula virtual.

Actividades formativas en créditos ECTS, su metodología de enseñanza-aprendizaje y su relación con las competencias que debe adquirir el estudiante
Actividades formativas Horas presenciales Horas de trabajo autónomo Total Horas Relación con competencias
Clases teóricas  30.00      30  [1], [3], [4], [5], [9], [11], [14], [20], [21], [22], [23], [36]
Clases prácticas (aula / sala de demostraciones / prácticas laboratorio)  15.00      15  [1], [14], [20], [21], [22], [23], [36]
Realización de seminarios u otras actividades complementarias  5.00      5  [3], [5], [20], [21], [22], [23], [36]
Estudio/preparación clases teóricas     60.00   60  [1], [3], [4], [5], [9], [11], [14], [20], [21], [22], [23], [36]
Estudio/preparación clases prácticas     20.00   20  [1], [3], [4], [5], [9], [11], [14], [20], [21], [22], [23], [36]
Preparación de exámenes     10.00   10  [20], [21], [22], [23], [36]
Realización de exámenes  5.00      5  [20], [21], [22], [23], [36]
Asistencia a tutorías  5.00      5  [9], [20], [21], [22], [23], [36]
Total horas  60   90   150 
Total ECTS  6 


8. Bibliografía / Recursos
Bibliografía básica
Módulo I:
- G. Ausiello, P. Crescenzi, G. Gambosi, V. Kann. A. Marchetti-Spaccamela, M. Protasi. “Complexity and
approximation”, Springer, 1999.
- M.R. Garey, D.S. Johnson. “Computer and Intractabilitys” FREEMAN 1979.
- M. Sipser. “Introduction to the theory of computation”, PWS PUBLISHING COMPANY, 1997.

Módulo II:
- Inteligencia Artificial; Revista Iberoamericana de Inteligencia Artificial, Volume 19, 2003.
- Handbook of metaheuristics, Fred Glovel and Gary Kochemberger (eds.), 2003.
- Metaheuristics: From Design to Implementation, El-Ghazali Talbi (eds.), ISBN: 978-0-470-27858-1, Ju 2009
- Zi-Xing Cai, Intelligent Control: Principles, Techniques and Applications, Wordld Scientific, 1997
- Kevin M. Passino, Stephen Yurkovich, Fuzzy Control, Addison-Wesley, 1998
- Li-Xin Wang, Adaptative Fuzzy Systems and Control, Prentice Hall, 1994

Módulo III:
- "Pattern Classification", R. Duda, P. Hart, D. Stork, 2ª Ed., Wiley Interscience, 2001
- "Neural Networks and Learning Machines", Simon Haykin, 3ª Ed., Prentice-Hall, 2009
- "Neural Networks for Pattern Recognition", Cristopher Bishop, Oxford University Press, 1995


9. Sistema de evaluación y calificación
Descripción
El sistema de evaluación consistirá en la realización de pruebas objetivas, trabajos y proyectos, y se valorarán también los informes de las correspondientes memorias de prácticas.

Para aquellos alumnos que no superen los trabajos y proyectos y los Informes de las memorias de prácticas de la evaluación continua, se realizará una prueba en las correspondientes convocatorias oficiales donde el alumno deberá demostrar su capacidad para el diseño y desarrollo de proyectos y trabajos sobre los contenidos de la asignatura y la aplicación práctica de tales contenidos.

Estrategia Evaluativa
TIPO DE PRUEBA COMPETENCIAS CRITERIOS PONDERACIÓN
Pruebas objetivas  [1], [3], [4], [5], [9], [11], [14], [20], [21], [22], [23], [36]   Dominio de los conceptos de la asignatura   50% 
Trabajos y proyectos  [1], [14], [20], [21], [22], [23], [36]   Correcta aplicación práctica de los conocimientos adquiridos   30% 
Informes memorias de prácticas  [3], [5], [20], [21], [22], [23], [36]   Capacidad de comunicar adecuadamente el trabajo práctico realizado   20% 


10. Resultados de Aprendizaje
 Competencias transversales: 1, 3, 4, 5, 9, 11, 14, 15

Resultado de aprendizaje:

• Capacidad de aplicar los conocimientos adquiridos a la resolución de problemas.
• Capacidad de comunicación oral y escrita de los resultados de las actividades realizadas.
• Capacidad de búsqueda, obtención y gestión de información a todos los niveles.
• Realizar investigación independiente.
• Trabajar en grupo.

Competencias específicas: 20, 21, 22, 23, 36, 37

Resultado de aprendizaje:

• Capacidad de aplicar los conceptos básicos de optimización y búsqueda a la resolución de problemas.
• Capacidad de aplicar las principales técnicas heurísticas y metaheurísticas para la resolución e problemas.
• Capacidad de utilizar los conceptos fundamentales de los sistemas borrosos en la resolución de problemas.
• Ser capaz de diseñar e implementar algoritmos heurísticos con componentes dif as.
• Ser capaz de aplicar las redes neuronales artificiales en la resolución de problemas.
• Ser capaz de comparar y valorar las diferentes estrategias aplicables a un problema de optimización
 


11. Cronograma / calendario de la asignatura
Descripción
 La distribución de los temas por semana es orientativa, pudiendo sufrir cambios según las necesidades de organización docente.
En la columna de horas de trabajo presencial, y dado el carácter semipresencial de la asignatura, se entiende que la mitad de las horas son realmente presenciales y la otra mitad son virtuales. 

Primer Cuatrimestre
SEMANA Temas Actividades de
enseñanza aprendizaje
Horas
de trabajo
presencial
Horas
de trabajo
autónomo
Total
Semana 1:  1.1 y 1.2   Complejidad algorítmica: problemas resolubles en tiempo.

Algunos problemas clásicos de optimización NP-difíciles. 
 4.00   6.00   10 
Semana 2:  1.3 y 1.4    Optimización y búsqueda. Limitaciones de los algoritmos exactos.

Algoritmos heurísticos: definición y conceptos básicos.
 
 4.00   6.00   10 
Semana 3:  1.4 y 2.1   Algoritmos heurísticos: definición y conceptos básicos.

Algoritmos metaheurísticos para la resolución de problemas de optimización NP-difíciles.
 
 4.00   6.00   10 
Semana 4:  2.1   Algoritmos metaheurísticos para la resolución de problemas de optimización NP-difíciles.
 
 4.00   6.00   10 
Semana 5:  2.1   Algoritmos metaheurísticos para la resolución de problemas de optimización NP-difíciles.
 
 4.00   6.00   10 
Semana 6:  2.1   Algoritmos metaheurísticos para la resolución de problemas de optimización NP-difíciles.
 
 4.00   6.00   10 
Semana 7:  2.1   Algoritmos metaheurísticos para la resolución de problemas de optimización NP-difíciles.   4.00   6.00   10 
Semana 8:  2.1 y 2.2    Algoritmos metaheurísticos para la resolución de problemas de optimización NP-difíciles.

Lógica difusa; tratamiento de información imprecisa. 
 4.00   6.00   10 
Semana 9:  2.2   Lógica difusa; tratamiento de información imprecisa.   4.00   6.00   10 
Semana 10:  2.2   Lógica difusa; tratamiento de información imprecisa.   4.00   6.00   10 
Semana 11:  3.1   Introducción al reconocimiento de patrones. Clasificadores estadísticos.
Entrenamiento Supervisado. Entrenamiento no Supervisado. 
 4.00   6.00   10 
Semana 12:  3.2   Neurona Artificial. Topología de Redes Neuronales: Redes Neuronales Estáticas, Redes Neuronales dinámicas.   4.00   6.00   10 
Semana 13:  3.3   Ejemplos de aplicaciones en resolución de problemas: detección de patrones, identificación de sistemas, etc.   4.00   6.00   10 
Semana 14:  3.3   Ejemplos de aplicaciones en resolución de problemas: detección de patrones, identificación de sistemas, etc.   4.00   6.00   10 
Semana 15:  3.3   Ejemplos de aplicaciones en resolución de problemas: detección de patrones, identificación de sistemas, etc.   4.00   6.00   10 
Semanas 16 a 18:     Actividades de evaluación y trabajo autónomo del alumno         0 
Total horas 60 90 150


Fecha de última modificación: 27-07-2015
Fecha de aprobación: 27-07-2015