Moduł oferowany także w ramach programów studiów:
Informacje ogólne:
Nazwa:
Soft computing in modeling and control
Tok studiów:
2019/2020
Kod:
RMBM-1-712-n
Wydział:
Inżynierii Mechanicznej i Robotyki
Poziom studiów:
Studia I stopnia
Specjalność:
-
Kierunek:
Mechanika i Budowa Maszyn
Semestr:
7
Profil:
Ogólnoakademicki (A)
Język wykładowy:
Angielski
Forma studiów:
Niestacjonarne
Strona www:
 
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. MBM1A_W13, MBM1A_W06, MBM1A_W01, MBM1A_W05 Aktywność na zajęciach
M_W002 Student has knowledge in modeling of dynamic systems and control system design using soft computing methods. MBM1A_W13, MBM1A_W06, MBM1A_W01, MBM1A_W05 Aktywność na zajęciach
Umiejętności: potrafi
M_U001 Student is able to identify and knows how to implement the appropriate soft computing methods to solve decision-making, modeling and control problems. MBM1A_U10 Aktywność na zajęciach
M_U002 Student knows how to employ the soft computing techniques in system identification process. MBM1A_U10 Aktywność na zajęciach
Kompetencje społeczne: jest gotów do
M_K001 Student knows that computational intelligence and soft computing methodologies can be effectively applied to solve decision-making, modeling and control problems. MBM1A_K01 Aktywność na zajęciach
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
18 10 0 0 0 0 8 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 Student has knowledge in modeling of dynamic systems and control system design using soft computing methods. + - - - - + - - - - -
Umiejętności
M_U001 Student is able to identify and knows how to implement the appropriate soft computing methods to solve decision-making, modeling and control problems. + - - - - + - - - - -
M_U002 Student knows how to employ the soft computing techniques in system identification process. + - - - - + - - - - -
Kompetencje społeczne
M_K001 Student knows that computational intelligence and soft computing methodologies can be effectively applied to solve decision-making, modeling and control problems. + - - - - - - - - - -
Nakład pracy studenta (bilans punktów ECTS)
Forma aktywności studenta Obciążenie studenta
Sumaryczne obciążenie pracą studenta 78 godz
Punkty ECTS za moduł 3 ECTS
Udział w zajęciach dydaktycznych/praktyka 18 godz
Przygotowanie do zajęć 15 godz
przygotowanie projektu, prezentacji, pracy pisemnej, sprawozdania 24 godz
Samodzielne studiowanie tematyki zajęć 16 godz
Dodatkowe godziny kontaktowe 5 godz
Szczegółowe treści kształcenia w ramach poszczególnych form zajęć (szczegółowy program wykładów i pozostałych zajęć)
Wykład (10h):

The general program of lectures:

  1. Introduction to artificial intelligence, computational intelligence and soft computing. Review of the main soft computing components and their hybrids. Examples of artificial applications to real world problems.
  2. Fuzzy logic, fuzzy reasoning, the types of fuzzy inference systems, fuzzy logic control. Examples of knowledge engineering based and analytical methods for designing a fuzzy model and a fuzzy controller.
  3. Fundamentals of artificial neural network. Multilayer perceptrons and backpropagation learning algorithm.
  4. Neuro-fuzzy concept. Fuzzy clustering. Fuzzy model identification using machine learning techniques – examples of dynamic systems identification using the Matlab tools.
  5. Evolutionary computation: genetic algorithm, evolutionary strategies, swarm intelligence. Genetic Fuzzy Systems. Matlab tools and examples.

Zajęcia seminaryjne (8h):

During seminar classes students present seminar presentations reporting artificial intelligence applications.

Seminar presentation:

  • presentation topics will be assigned, discussed and scheduled at the beginning of the course,
  • students are expected to prepare a presentation and send it via e-mail to the instructor for evaluation before a seminar meeting,
  • during seminar meeting students should present their presentations and take active part in a discussion.

Pozostałe informacje
Metody i techniki kształcenia:
  • Wykład: Lectures are in the form of multimedia presentations.
  • Zajęcia seminaryjne: During seminar classes students present their presentations and take active part in a discussion.
Warunki i sposób zaliczenia poszczególnych form zajęć, w tym zasady zaliczeń poprawkowych, a także warunki dopuszczenia do egzaminu:

Condition of gaining credit: attendance to the classes, presentation given during a seminar meeting, participation in a discussion

Individual/team presentation:
• presentation topics will be assigned, discussed and scheduled at the beginning of the course,
• students are expected to prepare a presentation and send it via e-mail to the instructor for evaluation before a seminar meeting,
• during seminar classes students present their presentations and take active part in a discussion.

Zasady udziału w zajęciach:
  • Wykład:
    – Obecność obowiązkowa: Nie
    – Zasady udziału w zajęciach: Attendance to the lecture is not obligatory but recommended, and rewarded with the student’s final grade being raised.
  • Zajęcia seminaryjne:
    – Obecność obowiązkowa: Tak
    – Zasady udziału w zajęciach: Students are expected to prepare a presentation and send it via e-mail to the instructor for evaluation before the seminar meeting in which the student is scheduled to present his/her work.
Sposób obliczania oceny końcowej:

Final grade: presentation, active participation in seminar discussion, attendance to 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 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.

Driankov D., Hellendoorn H., Reinfrank M., An introduction to fuzzy control, Springer-Verlag, Berlin 1993.

Yager R., Filev D., Essentials of fuzzy modeling and control, John Wiley & Sons, New York, 1994.

Driankov D., Hellendoorn H., Reinfrank M., Wprowadzenie do sterowania rozmytego. WNT, Warszawa1996.

Yager R., Filev D., Podstawy modelowania i sterowania rozmytego, WNT, Warszawa 1995.

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