Module also offered within study programmes:
General information:
Name:
Zaawansowane metody optymalizacji
Course of study:
2019/2020
Code:
GIPZ-1-610-s
Faculty of:
Mining and Geoengineering
Study level:
First-cycle studies
Specialty:
-
Field of study:
-
Semester:
6
Profile of education:
Academic (A)
Lecture language:
Polish
Form and type of study:
Full-time studies
Course homepage:
 
Responsible teacher:
prof. nadzw. dr hab. inż. Brzychczy Edyta (brzych3@agh.edu.pl)
Module summary

W trakcie zajęć student zapoznaje się z zaawansowanymi metodami optymalizacji i możliwościami ich wykorzystania w przedsiębiorstwach przemysłowych.

Description of learning outcomes for module
MLO code Student after module completion has the knowledge/ knows how to/is able to Connections with FLO Method of learning outcomes verification (form of completion)
Social competence: is able to
M_K001 Student potrafi pracować w grupie nad zadaniem projektowym i ma świadomość odpowiedzialności za powierzone zadania. IPZ1A_K01, IPZ1A_K03 Project
Skills: he can
M_U001 Student potrafi zaprojektować prosty algorytm optymalizacji w oparciu o poznane metody optymalizacji. IPZ1A_U01, IPZ1A_U03, IPZ1A_U02 Project
M_U002 Student potrafi przeprowadzić proces optymalizacji z wykorzystaniem dostępnych programów obliczeniowych. IPZ1A_U01, IPZ1A_U02 Project
Knowledge: he knows and understands
M_W001 Student ma podstawową wiedzę w zakresie zagadnień związanych z optymalizacją. IPZ1A_W02, IPZ1A_W01 Test
M_W002 Student zna zaawansowane metody optymalizacji wykorzystywane do rozwiązywania problemów inżynierskich o różnym stopniu złożoności. IPZ1A_W02, IPZ1A_W01 Test
Number of hours for each form of classes:
Sum (hours)
Lecture
Audit. classes
Lab. classes
Project classes
Conv. seminar
Seminar classes
Pract. classes
Zaj. terenowe
Zaj. warsztatowe
Prace kontr. przejść.
Lektorat
30 15 0 0 15 0 0 0 0 0 0 0
FLO matrix in relation to forms of classes
MLO code Student after module completion has the knowledge/ knows how to/is able to Form of classes
Lecture
Audit. classes
Lab. classes
Project classes
Conv. seminar
Seminar classes
Pract. classes
Zaj. terenowe
Zaj. warsztatowe
Prace kontr. przejść.
Lektorat
Social competence
M_K001 Student potrafi pracować w grupie nad zadaniem projektowym i ma świadomość odpowiedzialności za powierzone zadania. - - - + - - - - - - -
Skills
M_U001 Student potrafi zaprojektować prosty algorytm optymalizacji w oparciu o poznane metody optymalizacji. - - - + - - - - - - -
M_U002 Student potrafi przeprowadzić proces optymalizacji z wykorzystaniem dostępnych programów obliczeniowych. - - - + - - - - - - -
Knowledge
M_W001 Student ma podstawową wiedzę w zakresie zagadnień związanych z optymalizacją. + - - - - - - - - - -
M_W002 Student zna zaawansowane metody optymalizacji wykorzystywane do rozwiązywania problemów inżynierskich o różnym stopniu złożoności. + - - - - - - - - - -
Student workload (ECTS credits balance)
Student activity form Student workload
Summary student workload 58 h
Module ECTS credits 2 ECTS
Udział w zajęciach dydaktycznych/praktyka 30 h
przygotowanie projektu, prezentacji, pracy pisemnej, sprawozdania 20 h
Realization of independently performed tasks 5 h
Examination or Final test 2 h
Contact hours 1 h
Module content
Lectures (15h):

Wprowadzenie do optymalizacji – definicje i najważniejsze pojęcia.
Metody tradycyjne optymalizacji.
Podstawowe typy algorytmów ewolucyjnych.
Ograniczenia w procesie optymalizacji.
Uwzględnianie specyfiki problemu w procesie optymalizacji.
Sztuczne systemy immunologiczne.
Optymalizacja wielokryterialna.

Project classes (15h):

Wykonanie projektu dotyczącego optymalizacji wybranego procesu przemysłowego w oparciu o poznane na zajęciach metody.

Additional information
Teaching methods and techniques:
  • Lectures: Treści prezentowane na wykładzie są przekazywane w formie prezentacji multimedialnej w połączeniu z klasycznym wykładem tablicowym wzbogaconymi o pokazy odnoszące się do prezentowanych zagadnień.
  • Project classes: Studenci wykonują zadany projekt samodzielnie, bez większej ingerencji prowadzącego. Ma to wykształcić poczucie odpowiedzialności za pracę w grupie oraz odpowiedzialności za podejmowane decyzje.
Warunki i sposób zaliczenia poszczególnych form zajęć, w tym zasady zaliczeń poprawkowych, a także warunki dopuszczenia do egzaminu:

Ocena końcowa wyznaczana jest na podstawie oceny z pisemnego zaliczenia wykładów oraz oceny z projektu.
Zaliczenie wykładów oraz ćwiczeń projektowych – 1 termin podstawowy i 1 termin poprawkowy.

Participation rules in classes:
  • Lectures:
    – Attendance is mandatory: No
    – Participation rules in classes: Studenci uczestniczą w zajęciach poznając kolejne treści nauczania zgodnie z syllabusem przedmiotu. Studenci winni na bieżąco zadawać pytania i wyjaśniać wątpliwości. Rejestracja audiowizualna wykładu wymaga zgody prowadzącego.
  • Project classes:
    – Attendance is mandatory: Yes
    – Participation rules in classes: Studenci wykonują prace praktyczne mające na celu uzyskanie kompetencji zakładanych przez syllabus. Ocenie podlega sposób wykonania projektu oraz efekt końcowy.
Method of calculating the final grade:

Ocena końcowa (OK) obliczana jest według algorytmu:
1) w przypadku uzyskania zaliczenia z wykładów w I terminie: OK = (2*Z+P)/3
2) w przypadku uzyskania zaliczenia z wykładów w II terminie (niezdania I terminu): OK = (2+Z+P)/3
gdzie: Z – ocena pozytywna z zaliczenia wykładów, P – ocena pozytywna z projektu (liczona jako średnia ze wszystkich terminów).

Sposób i tryb wyrównywania zaległości powstałych wskutek nieobecności studenta na zajęciach:

W przypadku zaległości powstałych wskutek nieobecności studenta na zajęciach obowiązkowych – student jest zobowiązany do uczestnictwa w zajęciach innej grupy (tzw. odrobienie zajęć) lub wykonania dodatkowego opracowania w formie pisemnej na temat związany z opuszczonymi zajęciami.

Prerequisites and additional requirements:

Znajomość zagadnień z zakresu przedmiotów: Matematyka I, Matematyka II, Statystyka oraz Badania operacyjne.

Recommended literature and teaching resources:

Arabas J., 2004: Wykłady z algorytmów ewolucyjnych. Wydawnictwa Naukowo-Techniczne, Warszawa.
Castro de, L.N., 2006: Fundamentals of Natural Computing. Basic concepts, algorithms and applications. Wyd. Chapman&Hall/CRC, Boca Raton.
Castro de, L.N., Timmis J.I., 2002: Artificial Immune Systems: A new computational approach. Springer-Verlag, London.
Goldberg D.E., 2003: Algorytmy genetyczne i ich zastosowania. Wydawnictwa Naukowo-Techniczne, Warszawa.
Michalewicz Z., 2003: Algorytmy ewolucyjne + struktury danych = programy ewolucyjne. Wydawnictwa Naukowo-Techniczne, Warszawa.
Michalewicz Z., Fogel D.B., 2006: Jak to rozwiązać czyli nowoczesna heurystyka. Wydawnictwa Naukowo-Techniczne, Warszawa.
Pawlak M., 1999: Algorytmy ewolucyjne jako narzędzie harmonogramowania produkcji. Wydawnictwo Naukowe PWN, Warszawa.
Wierzchoń S., 2001: Sztuczne systemy immunologiczne teoria i zastosowania. Akademicka Oficyna EXIT, Warszawa

Scientific publications of module course instructors related to the topic of the module:

Brzychczy E., 2006: Zastosowanie algorytmów ewolucyjnych w modelowaniu produkcji górniczej. Zeszyty Naukowe Politechniki Śląskiej nr 1736, seria Górnictwo z.273, Gliwice
Brzychczy E., 2008: Tradycyjne metody optymalizacji a nowoczesna heurystyka w wybranych zagadnieniach modelowania robót górniczych w kopalniach węgla kamiennego. Gospodarka Surowcami Mineralnymi, Wyd. IGSMiE PAN, t. 24, z.2/1
Brzychczy E., 2011: Artificial immune systems in selected mining applications. [w] IT Tools in Management and Education. Selected Problems. Ed.L.Kiełtyka. Częstochowa University of Technology. Seria Monographs. No 213., The Publishing Office of Czestochowa University of Technology, Częstochowa
Brzychczy E., Celej M., 2013: Algorytm selekcji klonalnej dla potrzeb optymalizacji produkcji w wielozakładowym przedsiębiorstwie górniczym. W: Zarządzanie a inżynieria produkcji. Red. P. Łebkowski, Wydawnictwa AGH, Kraków
Napieraj A., Brzychczy E., Kęsek M., Sukiennik M., 2014: Modeling of the shift output in the longwall excavation. W: Theory and technique of coal mining and disaster prevention in deep mines : proceedings of international mining conference 2014. Anhui University of Science and Technology, AGH University of Science and Technology, National Natural Science Foundation of China
Brzychczy E., Napieraj A., Sukiennik M., 2015: Modeling and optimization of coal output in underground mine with OPTiCoalMine calculation service. W: KU KDM 2015 : eighth ACC Cyfronet AGH users’ conference : Zakopane 11-13 Mar 2015 : proceedings / eds. Kazimierz Wiatr, Jacek Kitowski, Marian Bubak. Kraków : Academic Computer Centre Cyfronet AGH, 2015
Brzychczy E., Napieraj A., Sukiennik M., 2017: Evolutionary optimisation of coal production in underground mines. Zeszyty Naukowe Politechniki Śląskiej, nr 1972. Organizacja i Zarządzanie, z. 100, s. 61-76
Brzychczy E., 2019: Probabilistic modeling of mining production in an underground coal mine. W: Intelligent Systems in Production Engineering and Maintenance [ISPEM 2018], eds. Anna Burduk [et al.]. Advances in Intelligent Systems and Computing. Cham : Springer Nature Switzerland AG, pp. 655-667

Additional information:

Zaliczenie wykładów w formie pisemnej – 5 pytań opisowych.