Moduł oferowany także w ramach programów studiów:
Informacje ogólne:
Nazwa:
Soft computing in modeling and control
Tok studiów:
2019/2020
Kod:
RIME-2-220-WM-s
Wydział:
Inżynierii Mechanicznej i Robotyki
Poziom studiów:
Studia II stopnia
Specjalność:
Wytwarzanie mechatroniczne
Kierunek:
Inżynieria Mechatroniczna
Semestr:
2
Profil:
Ogólnoakademicki (A)
Język wykładowy:
Angielski
Forma studiów:
Stacjonarne
Prowadzący moduł:
dr hab. inż. Smoczek Jarosław (smoczek@agh.edu.pl)
Treści programowe zapewniające uzyskanie efektów uczenia się dla modułu zajęć

The course is intended to provide the students with the knowledge and understanding of computational intelligence and soft computing concepts and their applicability to solve the real-world decision-making, modeling and control problems. The selected soft computing concepts and techniques, including fuzzy logic, artificial neural network, evolutionary computing, swarm intelligent and their hybrids are introduced and discussed with application examples.

Opis efektów uczenia się dla modułu zajęć
Kod MEU Student, który zaliczył moduł zajęć zna i rozumie/potrafi/jest gotów do Powiązania z KEU Sposób weryfikacji i oceny efektów uczenia się osiągniętych przez studenta w ramach poszczególnych form zajęć i dla całego modułu zajęć
Wiedza: zna i rozumie
M_W001 Student has knowledge about the soft computing techniques and their applicability to solve the real word problems. Aktywność na zajęciach,
Kolokwium
M_W002 The student has knowledge in modeling of dynamic systems and control system design using soft computing methods: knowledge engineering, fuzzy logic, artificial neural networks, evolutionary algorithms, and their hybrids. Aktywność na zajęciach,
Kolokwium,
Wykonanie ćwiczeń laboratoryjnych
Umiejętności: potrafi
M_U001 Student is able to identify, select and implement a suitable soft computing method to solve the problem. Aktywność na zajęciach,
Kolokwium,
Zaliczenie laboratorium
M_U002 The student is able to select and apply the supervised or unsupervised techniques for fuzzy model/controller identification/design. Aktywność na zajęciach,
Zaliczenie laboratorium,
Kolokwium
M_U003 Student is able to apply the software tools in Matlab program to implement the soft computing methods for modeling and control system design. Aktywność na zajęciach,
Zaliczenie laboratorium,
Kolokwium
Liczba godzin zajęć w ramach poszczególnych form zajęć:
SUMA (godz.)
Wykład
Ćwicz. aud
Ćwicz. lab
Ćw. proj.
Konw.
Zaj. sem.
Zaj. prakt
Zaj. terenowe
Zaj. warsztatowe
Prace kontr. przejść.
Lektorat
45 30 0 15 0 0 0 0 0 0 0 0
Matryca kierunkowych efektów uczenia się w odniesieniu do form zajęć i sposobu zaliczenia, które pozwalają na ich uzyskanie
Kod MEU Student, który zaliczył moduł zajęć zna i rozumie/potrafi/jest gotów do Forma zajęć dydaktycznych
Wykład
Ćwicz. aud
Ćwicz. lab
Ćw. proj.
Konw.
Zaj. sem.
Zaj. prakt
Zaj. terenowe
Zaj. warsztatowe
Prace kontr. przejść.
Lektorat
Wiedza
M_W001 Student has knowledge about the soft computing techniques and their applicability to solve the real word problems. + - - - - - - - - - -
M_W002 The student has knowledge in modeling of dynamic systems and control system design using soft computing methods: knowledge engineering, fuzzy logic, artificial neural networks, evolutionary algorithms, and their hybrids. + - - - - - - - - - -
Umiejętności
M_U001 Student is able to identify, select and implement a suitable soft computing method to solve the problem. + - + - - - - - - - -
M_U002 The student is able to select and apply the supervised or unsupervised techniques for fuzzy model/controller identification/design. - - + - - - - - - - -
M_U003 Student is able to apply the software tools in Matlab program to implement the soft computing methods for modeling and control system design. - - + - - - - - - - -
Nakład pracy studenta (bilans punktów ECTS)
Forma aktywności studenta Obciążenie studenta
Sumaryczne obciążenie pracą studenta 128 godz
Punkty ECTS za moduł 5 ECTS
Udział w zajęciach dydaktycznych/praktyka 45 godz
Przygotowanie do zajęć 15 godz
przygotowanie projektu, prezentacji, pracy pisemnej, sprawozdania 41 godz
Samodzielne studiowanie tematyki zajęć 25 godz
Egzamin lub kolokwium zaliczeniowe 2 godz
Szczegółowe treści kształcenia w ramach poszczególnych form zajęć (szczegółowy program wykładów i pozostałych zajęć)
Wykład (30h):

The general program of lecture:

1. Introduction to computational intelligence and soft computing. Intelligence control.
2. Expert systems. Knowledge engineering.
3. Fuzzy set theory.
4. Fuzzy systems.
5. TS fuzzy reasoning.
6. Analytical methods in fuzzy modeling and control.
7. Fuzzy clustering.
8. Fundamentals of neural network.
9. Back propagation network.
10. Neuro-fuzzy systems.
11. Evolutionary algorithms. Simple Genetic Algorithm.
12. Real coded genetic algorithm.
13. Evolutionary strategies. Genetic programming.
14. Genetic algorithms in control system engineering. Genetic fuzzy systems. Optimization of a fuzzy logic controller.

Ćwiczenia laboratoryjne (15h):

Matlab based:
- implementation of soft computing techniques (fuzzy logic, genetic algorithms, artificial neural network) in laboratory exercises and assignments,
- implementation of a fuzzy rule-based system using Matlab language,
- control system design using classical and soft computing-based techniques,
- fuzzy model identification using supervised and unsupervised methods (genetic fuzzy system, neuro-fuzzy model, fuzzy clustering algorithms).

Pozostałe informacje
Metody i techniki kształcenia:
  • Wykład: Treści prezentowane na wykładzie są przekazywane w formie prezentacji multimedialnej w połączeniu z klasycznym wykładem tablicowym wzbogaconymi o pokazy odnoszące się do prezentowanych zagadnień.
  • Ćwiczenia laboratoryjne: W trakcie zajęć laboratoryjnych studenci samodzielnie rozwiązują zadany problem praktyczny, dobierając odpowiednie narzędzia. Prowadzący stymuluje grupę do refleksji nad problemem, tak by otrzymane wyniki miały wysoką wartość merytoryczną.
Warunki i sposób zaliczenia poszczególnych form zajęć, w tym zasady zaliczeń poprawkowych, a także warunki dopuszczenia do egzaminu:

Condition of gaining credit:
Laboratory classes: participation in classes, completion of all laboratory exercises (individual/team reports)
Condition to take exam: passing laboratory part (reports) and small project work

Zasady udziału w zajęciach:
  • Wykład:
    – Obecność obowiązkowa: Nie
    – Zasady udziału w zajęciach: 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.
  • Ćwiczenia laboratoryjne:
    – Obecność obowiązkowa: Tak
    – Zasady udziału w zajęciach: Studenci wykonują ćwiczenia laboratoryjne zgodnie z materiałami udostępnionymi przez prowadzącego. Student jest zobowiązany do przygotowania się w przedmiocie wykonywanego ćwiczenia, co może zostać zweryfikowane kolokwium w formie ustnej lub pisemnej. Zaliczenie zajęć odbywa się na podstawie zaprezentowania rozwiązania postawionego problemu. Zaliczenie modułu jest możliwe po zaliczeniu wszystkich zajęć laboratoryjnych.
Sposób obliczania oceny końcowej:

Final grade: the weighted average of grades from 2 tests, project and laboratory classes.

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

Students who have missed class should contact with the instructor (during his consultation hours or next class meeting) and ask him how to make up missed work.

Wymagania wstępne i dodatkowe, z uwzględnieniem sekwencyjności modułów :

Nie podano wymagań wstępnych lub dodatkowych.

Zalecana literatura i pomoce naukowe:

J.-S. R. Jang, C.-T. Sun, E. Mizutani: “Neuro-Fuzzy and Soft Computing, A Computational Approach to
Learning and Machine Intelligence”, Pentice Hall, Upper Saddle River, NJ, 1997.
J.M. Mendel: “Uncertain rule-based fuzzy logic systems. Introduction and new directions”, Pentice Hall, Upper Saddle River, NJ, 2001.

Publikacje naukowe osób prowadzących zajęcia związane z tematyką modułu:

1. Smoczek J., Szpytko J., Particle swarm optimization-based multivariable generalized predictive control for an overhead crane, IEEE-ASME Transactions on Mechatronics, 22 (1), pp. 258-268, 2017.
2. Smoczek J., Experimental verification of a GPC-LPV method with RLS and P1-TS fuzzy-based estimation for limiting the transient and residual vibration of a crane system, Mechanical Systems and Signal Processing, vol. 62-63, pp. 324-340, 2015.
3. Smoczek J.: Fuzzy crane control with sensorless payload deflection feedback for vibration reduction. Mechanical System and Signal Processing 46 (1), pp. 70-81, 2014.
4. Smoczek J., Szpytko J.: Evolutionary algorithm-based design of a fuzzy TBF predictive model and TSK fuzzy anti-sway crane control system. Engineering Applications of Artificial Intelligence 28, pp. 190-200, 2014.
5. Smoczek J. Soft computing methods in overhead travelling crane control. Publishing House of Sustainable Technologies – National Research Institute, Radom 2013.
6. Smoczek J.: Interval arithmetic-based fuzzy discrete-time crane control scheme design. Bulletin of the Polish Academy of Sciences – Technical Sciences 61 (4), pp. 863-870, 2013.
7. Smoczek J.: Evolutionary optimization of interval mathematics-based design of TSK fuzzy controller for anti-sway crane control. International Journal of Applied Mathematics and Computer Science 23 (4), pp. 749-759, 2013.

Informacje dodatkowe:

Brak