Ficha Unidade Curricular (FUC)

Informação Geral / General Information

Carga Horária / Course Load

Área científica / Scientific area

460 - Matemática e estatística

Departamento / Department

Departamento de Tecnologias Digitais

Ano letivo / Execution Year

2024/2025

Pré-requisitos / Pre-Requisites

Objetivos Gerais / Objectives

Esta unidade curricular aprofunda o tema da procura de soluções em diferentes domínios, incidindo sobre algoritmos de procura avançados e otimizados, com recurso a heurísticas complexas. Adicionalmente, introduz-se o uso de algoritmos genéticos como ferramenta de resolução de problemas de otimização. Ao concluir esta UC, o estudante deverá possuir uma visão abrangente dos desafios inerentes à seleção e aplicação de técnicas de procura avançada, bem como compreender as vantagens, limitações e requisitos de implementação de cada abordagem.

Objetivos de Aprendizagem e a sua compatibilidade com o método de ensino (conhecimentos, aptidões e competências a desenvolver pelos estudantes) / Learning outcomes

No final desta UC, o aluno deverá ser capaz de: OA1: Identificar classes de problemas cuja solução beneficie do uso de algoritmos avançados de procura. OA2: Aplicar algoritmos de procura avançados em problemas reais, demonstrando domínio de estratégias e técnicas otimizadas. OA3: Selecionar e justificar heurísticas adequadas à natureza de cada problema, tendo em conta complexidade e recursos disponíveis. OA4: Analisar e avaliar diferentes abordagens de procura, considerando desempenho, precisão e escalabilidade. OA5: Comparar e diferenciar algoritmos genéticos de outras estratégias de pesquisa heurística, avaliando os resultados obtidos. OA6: Planear e implementar soluções avançadas de procura em cenários de otimização, aplicando estratégias híbridas ou combinadas.

Conteúdos Programáticos / Syllabus

CP1. Estratégias com algoritmos genéticos: teoria da evolução e terminologia biológica. CP2. Funções de avaliação e operadores genéticos (seleção, crossover, mutação). Critérios de paragem. CP3. Heurísticas e representação de problemas; espaços de procura. CP4. Tarefas de otimização, satisfação e semi-otimização. CP5. Estratégias de pesquisa heurística básica: procura não informada e informada. CP6. Estratégias de pesquisa heurística avançada: heurísticas limitadas pela memória e tempo.

Demonstração da coerência dos conteúdos programáticos com os objetivos de aprendizagem da UC / Evidence that the curricular units content dovetails with the specified learning outcomes

CP1 introduz algoritmos genéticos, permitindo que os alunos identifiquem problemas onde tais algoritmos são aplicáveis (OA1) e iniciem a comparação com outras estratégias de procura (OA5). CP2 aprofunda funções de avaliação e operadores genéticos, bem como critérios de paragem, fornecendo bases para aplicar soluções avançadas (OA2) e justificar a escolha de heurísticas adequadas (OA3). Em CP3, são apresentadas heurísticas e formas de representar problemas em espaços de procura, essenciais para analisar e avaliar diferentes abordagens (OA4) e para planear estratégias de resolução em cenários de otimização (OA6). CP4 discute tarefas de otimização, satisfação e semi-otimização, capacitando os alunos a diferenciar e comparar estratégias, considerando desempenho e recursos (OA4, OA5). CP5 aprofunda estratégias de pesquisa heurística básica, reforçando os métodos de procura (OA2). CP6 explora estratégias de pesquisa heurística avançada (OA4) e planear soluções híbridas ou combinadas (OA6).

Avaliação / Assessment

Dada a natureza prática e de aplicação desta UC, segue-se o modelo de avaliação ao longo do semestre (ALS), não contemplando exame final. A avaliação é constituída por 2 blocos de avaliação (BA), e cada BA é constituído por um ou vários momentos de avaliação. Essa mesma constituição respeita a seguinte distribuição: - BA1: 1º projeto + 1º mini-teste [20% para o 1º projeto + 15% para o 1º mini-teste = 35%] - BA2: 2º projeto + 2º mini-teste [50% para o 2º projeto + 15% para o 2º mini-teste = 65%] Cada bloco de avaliação (BA1 e BA2) exige uma nota mínima de 8,5 valores. Em qualquer BA, poderá ser necessária uma discussão oral individual para aferir o domínio dos conhecimentos, em qualquer momento no decorrer do semestre. Os projetos consistem em entregáveis desenvolvidos em grupo e discussões orais individuais, permitindo avaliar a consolidação dos conteúdos e a capacidade de resolução de problemas. Os mini-testes visam aferir o conhecimento teórico subjacente aos conteúdos programáticos. Para obter aprovação na UC, o estudante deverá alcançar uma nota final mínima de 10 valores, resultante da soma ponderada de todos os elementos de avaliação. Um estudante é considerado reprovado caso não obtenha aprovação na ALS. A 1ª Época e 2ª Época poderão ser utilizadas para realização de momentos de avaliação, como realização de discussões orais e/ou apresentação de projetos. A presença nas aulas não é obrigatória.

Metodologias de Ensino / Teaching methodologies

A integração de aulas expositivas, que abordam conceitos teóricos e fornecem exemplos práticos, com aulas práticas e trabalho autónomo, é fundamental para atingir os objetivos de aprendizagem estabelecidos nesta UC. Nas aulas expositivas, apresentam-se os fundamentos dos algoritmos de procura avançada, heurísticas complexas e algoritmos genéticos. Nas aulas práticas, os estudantes aplicam esses conceitos em problemas concretos, testando diferentes estratégias e avaliando o desempenho das soluções. A análise de casos de estudo reais e a reflexão sobre as limitações de abordagens clássicas fomentam o pensamento crítico e a capacidade de resolver problemas de forma inovadora. O ensino dos tópicos técnicos baseia-se na análise detalhada dos requisitos dos problemas, permitindo que os alunos compreendam as vantagens e desafios de cada abordagem de procura avançada. Esta estratégia assegura que, para além de dominarem a teoria, saibam aplicá-la em contextos diversos, preparando-os para resolver problemas de otimização complexos.

Demonstração da coerência das metodologias de ensino e avaliação com os objetivos de aprendizagem da UC / Evidence that the teaching and assessment methodologies are appropriate for the learning outcomes

As metodologias de ensino adotadas foram concebidas para proporcionar a aquisição efetiva dos objetivos de aprendizagem. As aulas expositivas, suportadas por exemplos práticos, permitem ao aluno identificar classes de problemas (OA1) e compreender, de forma fundamentada, algoritmos avançados de procura e algoritmos genéticos (OA2, OA5). As aulas práticas, aliadas ao trabalho autónomo, proporcionam oportunidades para a seleção e justificação das heurísticas apropriadas (OA3) e para a análise crítica do desempenho de diferentes abordagens de procura (OA4). O desenvolvimento de projetos em grupo, associado à possibilidade de discussão oral individual, permite avaliar a capacidade de aplicação dos algoritmos em cenários reais e a elaboração de soluções híbridas (OA6), reforçando a ligação entre teoria e prática.

Observações / Observations

Para além do RGACC, recomenda-se a leitura de outros documentos de referência para o processo de avaliação, tais como o Regulamento de Estudantes com Estatuto Especial (REEE) e o Código de Conduta Académica (CCA).

Bibliografia Principal / Main Bibliography

1. Artificial Intelligence: A Modern Approach, 4th edition: Stuart Russel and Peter Norvig 2022 Pearson / Prentice Hall. 2. E. Wirsansky, Hands-on genetic algorithms with python. Birmingham, England: Packt Publishing, 2020. 3. An Introduction to Genetic Algorithms, Mitchell M. 1999 MIT Press

Bibliografia Secundária / Secondary Bibliography

Data da última atualização / Last Update Date

2025-02-12