Moduł oferowany także w ramach programów studiów:
Informacje ogólne:
Nazwa:
Soft computing in modeling and control
Tok studiów:
2019/2020
Kod:
RIMM-1-713-s
Wydział:
Inżynierii Mechanicznej i Robotyki
Poziom studiów:
Studia I stopnia
Specjalność:
-
Kierunek:
Inżynieria Mechaniczna i Materiałowa
Semestr:
7
Profil:
Ogólnoakademicki (A)
Język wykładowy:
Angielski
Forma studiów:
Stacjonarne
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 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. IMM1A_W13 Kolokwium
M_W002 Student has knowledge about the soft computing techniques and their applicability to solve the real word problems. IMM1A_W13 Kolokwium
Umiejętności: potrafi
M_U001 Student is able to apply the software tools in Matlab program to implement the soft computing methods for modeling and control system design. IMM1A_U10 Wykonanie ćwiczeń
M_U002 Student is able to select and apply the supervised or unsupervised techniques for fuzzy model/controller identification/design. IMM1A_U10 Aktywność na zajęciach
M_U003 Student is able to identify, select and implement a suitable soft computing method to solve the problem. IMM1A_U10 Wykonanie ćwiczeń
Kompetencje społeczne: jest gotów do
M_K001 Student knows that computational intelligence and soft computing methodologies can be effectively applied to solve real-world decision-making, modeling and control problems. IMM1A_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
30 20 0 0 0 0 10 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 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. + - - - - + - - - - -
M_W002 Student has knowledge about the soft computing techniques and their applicability to solve the real word problems. + - - - - - - - - - -
Umiejętności
M_U001 Student is able to apply the software tools in Matlab program to implement the soft computing methods for modeling and control system design. + - - - - + - - - - -
M_U002 Student is able to select and apply the supervised or unsupervised techniques for fuzzy model/controller identification/design. + - - - - + - - - - -
M_U003 Student is able to identify, select and implement a suitable soft computing method to solve the problem. + - - - - + - - - - -
Kompetencje społeczne
M_K001 Student knows that computational intelligence and soft computing methodologies can be effectively applied to solve real-world decision-making, modeling and control problems. + - - - - - - - - - -
Nakład pracy studenta (bilans punktów ECTS)
Forma aktywności studenta Obciążenie studenta
Sumaryczne obciążenie pracą studenta 82 godz
Punkty ECTS za moduł 3 ECTS
Udział w zajęciach dydaktycznych/praktyka 30 godz
Przygotowanie do zajęć 15 godz
przygotowanie projektu, prezentacji, pracy pisemnej, sprawozdania 20 godz
Samodzielne studiowanie tematyki zajęć 15 godz
Egzamin lub kolokwium zaliczeniowe 2 godz
Szczegółowe treści kształcenia w ramach poszczególnych form zajęć (szczegółowy program wykładów i pozostałych zajęć)
Wykład (20h):

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. Introduction to fuzzy logic, fuzzy set theory.
  3. Fuzzy approximate reasoning. Mamdani inference system. TS fuzzy inference systems. Analytical methods in fuzzy modeling and control.
  4. Fuzzy logic control. Knowledge-based and analytical methods of fuzzy controller design.
  5. Type-2 fuzzy logic. Interval type-2 fuzzy sets and logic.
  6. Fundamentals of artificial neural network. Multilayer perceptrons and backpropagation learning algorithm.
  7. Data-based fuzzy modeling (machine learning, fuzzy clustering).
  8. Evolutionary computation. Simple genetic algorithm. Real coded genetic algorithm.
  9. Evolutionary strategies. Genetic fuzzy systems.
  10. Swarm intelligence.

Zajęcia seminaryjne (10h):

During seminar classes students present seminar presentations reporting artificial intelligence applications and take active part 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.

Pozostałe informacje
Metody i techniki kształcenia:
  • Wykład: The lectures are in the form of multimedia presentations.
  • Zajęcia seminaryjne: multimedia presentation presented by students; active participation 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 a seminar discussion (bonus/penalty for attendance to the 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.

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