Currículo

Otimização Computacional OC

Contextos

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 os principais métodos de descida do gradiente. OA4 - Entender, aplicar e adaptar algumas metaheurísticas.

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. Descida do Gradiente e variações 2.1. Descida do Gradiente 2.2. Descida do Gradiente Estocástico 2.3. Momentum 2.4. Adagrad 2.5. Outros CP3. Metaheurísticas 3.1. Arrefecimento Simulado 3.2. Métodos de Pesquisa Tabu 3.3. Algoritmos Evolucionários

Método de Avaliação

As modalidades de avaliação são: 1) Avaliação ao longo do semestre: - 2 mini-testes (10% + 10% = 20%) realizados individualmente durante o período letivo; - 1 trabalho de investigação e implementação (40%) sobre um ou mais temas da UC, realizado por grupos com 2 ou 3 elementos (incluindo um relatório, código, apresentação oral e discussão dos resultados obtidos, durante o período letivo); - 1 teste escrito individual (40%) - a realizar na 1ª época ou na 2ª do período de avaliação. Aprovação em avaliação ao longo do semestre requer uma nota mínima de 8.0 (em 20) em todas as componentes. 2) Avaliação por Exame: realização de uma prova escrita (com um peso de 100%), incidindo sobre todos os conteúdos da unidade curricular, na 1ª época ou na 2ª época do período de avaliação. Considera-se que o aluno teve aprovação à disciplina se tiver nota superior ou igual a 9.50 (em 20) valores. O docente reserva-se o direito de, após a correção dos testes e do trabalho, realizar uma discussão oral individual com os estudantes, para confirmar que cada estudante detém os conhecimentos demonstrados nos testes e no trabalho. São ainda aplicáveis, sempre que pertinente, as disposições do Código de Conduta Académica.

Carga Horária

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:

Disciplinas de Execução