Horas teoría-horas prácticas-horas trabajo adicional-horas totales-créditos: Edgar O. Reséndiz Flores

Transcripción

1 Nombre de la asignatura: TOPICOS DE INTELIGENCIA ARTIFICIAL Líneas de trabajo: Optimización y Simulación de Procesos Industriales Horas teoría-horas prácticas-horas trabajo adicional-horas totales-créditos: Historial de la asignatura Fecha de revisión / actualización 30/Mayo/2011 Participantes Luis A. Moncayo Martínez Edgar O. Reséndiz Flores Observaciones cambios y justificación Consejo de posgrado en Ing. Industrial 2. Pre-requisitos y correquisitos Co-requisitos: Investigación de Operaciones 3. Objetivo de la asignatura El alumno entenderá los conceptos y estructuras clásicas para el modelado de redes neuronales artificiales. Será capaz de aplicar dichos modelos con el apoyo de herramientas de cómputo especializadas, así mismo entenderá los conceptos y herramientas fundamentales de la lógica difusa. Será capaz de aplicar dichas técnicas a problemas prácticos haciendo uso de software para cómputo científico 4. Aportación al perfil del graduado Al final del curso el graduado será capaz de modelar matemáticamente problemas de planeación de la

2 producción, logística y transporte, sistemas de manufactura e inventarios. Así mismo, el graduado conocerá los algoritmos de solución para resolver modelos matemáticos representativos en Programación Lineal, Entera, por Metas y No Lineal. El graduado conocerá y aplicará la metodología para resolver problemas a gran escala como los que se presentan en la industria. Aplicará estos conceptos a problemas de la industria 5. Contenido temático Unidad Temas Subtemas 1 Introducción 1.1 Computación Evolutiva 1.2 Meta-heurísticos 2 Complejidad Computacional 2.1 Tiempo polinomiál de un algoritmo 2.2 Teoría NP (complejidad) 2.3 Reductibilidad 3 Computación evolutiva 3.1. Algoritmos Genéticos Diseño de algoritmos Manejo de Restricciones 3.2. Estrategias Evolutivas 3.3 Programación Genética 4 Redes Neuronales 4.1 Introducción 4.2 Proceso de aprendizaje 4.3 Perceptores de una sola capa 4.4 Perceptores multi-capa 4.5 Redes basadas en funciones radiales 4.6 Maquinas con vectores soporte 4.7 Aplicaciones 5 Lógica Difusa 5.1 Conjuntos clásicos y lógicos 5.2 Relaciones clásicas y lógicas 5.3 Funciones de membresía 5.4 Sistemas basados en reglas difusas

3 Unidad Temas Subtemas 5.5 Aplicaciones 6. Metodología de desarrollo del curso El curso debe ser prioritariamente teórico-práctico debido a la naturaleza del programa de maestría. Se propone que al alumno se le introduzca en todos los temas incluidos en el contenido temático para que él después modele problemas relacionados con la industria y los resuelva en software especializada. Para que el alumno tenga un aprendizaje significativo en cada una de las unidades el profesor le pedirá que modele problemas propuestos en la bibliografía y los resuelva con las técnicas vistas en clase, así mismo el alumno comprobará sus resultados al resolver El profesor utilizará la técnica del caso en cada una de las unidades para que el alumno resuelva situaciones reales. Estos casos se podrán obtener de la página del Harvard Business Review ( o de cualquier otra fuente reconocida y acreditada que el profesor conozca. Además el alumno modelará y resolverá un problema en una planta, empresa o alguna situación real y presentara el modelo matemático, la solución obtenida del optimizador, el análisis de sensibilidad y sus conclusiones de mejora 7. Sugerencias de evaluación Dos exámenes parciales Un proyecto de campo (solución de una problemática real) Tareas de modelación Prácticas de manejo de software 8. Bibliografía y software de apoyo Software: MatLab Manejo de Lenguajes de Alto Nivel

4 Bibliografía: S. N. Sivanandam, Sumathi & Deepa, Introduction to Neural Networks Using Matlab 6.0, McGraw Hill Simon Heykin, Neural Networks. A Comprehensive Foundation, Pearson Prentice Hall. Huajin Tang, Kay Chen Tan & Zhang Yi, Neural Networks: Computational Models and Aplications, Springer. Alexaner I. Galushkin, Neural Networks Theory, Springer. S. N. Sivanandam, Sumathi & Deepa, Introduction to Fuzzy Logic Using Matlab, Springer. George J. Klir & Bo Yuan, Fuzzy Sets and Fuzzy Logic: Theory and Applications, Prentice Hall. Chennakesava R. Alavala, Fuzzy Logic and Neural Networks: Basic Concepts & Applications, New AGE Publications.Winston, W. (2003), Operations Research: Application and Algorithm, 4th Edition, Duxbury Press Williams, H., (2000), Model Building in Mathematical Programming, 4th Edition, Wiley Bazaraa, M., Jarvis, J., and Sherali, H., (2009), Linear Programming and Network Flows, 4th Edition, Wiley Eiselt, H. and Sandblom, C., (2010), Operations Research: A Model-Based Approach, Springer Yang, X. (2010), Engineering Optimisation, Wiley & Sons Bazaraa, M., Sherali, H., and Shetty, C., (2006), Nonlinear Programming: Theory and Algorithms, 3th Edition, 9. Actividades propuestas Unidad Actividad 1-7 El alumno resolverá problemas propuestos en la bibliografía. La solución comprende la modelación matemática y la solución con las técnicas vistas en clase y la comprobación en software industrial 10. Nombre y firma del catedrático responsable: Dr. Luis A. Moncayo Martínez Dr. Edgar O. Reséndiz Flores

5 Subsecretaría de Educación Superior