Currículo
Otimização Computacional OC
Contextos
Groupo: Inteligência Artificial > 2º Ciclo > Parte Escolar > Unidades Curriculares Obrigatórias
ECTS
6.0 (para cálculo da média)
Objectivos
No final da UC o aluno deverá ser capaz de: OA1 - Usar métodos de Otimização linear e quadrática. OA2 - Aplicar métodos numéricos de otimização clássica. OA3 - Entender, aplicar e adaptar algumas metaheurísticas. OA4 - Entender, aplicar e adaptar os principais métodos de descida do gradiente.
Programa
CP1. Introdução e Revisão 1.1. Introdução 1.2. Programação Linear e Quadrática 1.3. Cálculo Diferencial, Otimização livre e condicionada 1.4. Métodos numéricos CP2. Metaheurísticas 2.1. Arrefecimento Simulado 2.2. Métodos de Pesquisa Tabu 2.3. Algoritmos Evolucionários CP3. Descida do Gradiente e variações 3.1. Descida do Gradiente 3.2. Descida do Gradiente Estocástico 3.3. Momentum 3.4. Adagrad 3.5. Outros
Método de Avaliação
As modalidades de avaliação são: - avaliação ao longo do semestre: teste (50%) + trabalhos (50%), ou - avaliação por Exame: realização de uma prova escrita (com um peso de 100%), na 1ª época ou na 2ª época do período de avaliação. Nota: A aprovação em avaliação ao longo do semestre requer uma nota mínima de 9.0 (em 20) valores no teste. Considera-se que o aluno teve aprovação à disciplina se tiver nota superior ou igual a 9.50 (em 20) valores.
Carga Horária
Carga Horária de Contacto -
Trabalho Autónomo - 119.0
Carga Total -
Bibliografia
Principal
- Sra, Suvrit, Sebastian Nowozin, and Stephen J. Wright, eds., Optimization for machine learning, Mit Press, 2012. Dréo, Johann, et al., Metaheuristics for hard optimization: methods and case studies, Springer Science \& Business Media, 2006.:
Secundária
- Dive into DeepLearning, Chapter 11, Optimization algorithms, https://d2l.ai/chapter_optimization/ Postek, Krzysztof and Zocca, Alessandro and Gromicho, Joaquim and Kantor, Jeffrey, Hands-On Mathematical Optimization with AMPL in Python, 2024. https://ampl.com/mo-book J. A. E. Andersson, J. Gillis, G. Horn, J. B. Rawlings and Moritz Diehl, CasADi -- A software framework for nonlinear optimization and optimal control, Mathematical Programming Computation, vol. 11, no. 1, pp. 1--36, 2019. https://doi.org/10.1007/s12532-018-0139-4 https://web.casadi.org/: