Créditos ECTS Créditos ECTS: 6
Horas ECTS Criterios/Memorias Horas de Tutorías: 1 Clase Expositiva: 30 Clase Interactiva: 20 Total: 51
Lenguas de uso Castellano, Gallego
Tipo: Materia Ordinaria Grado RD 1393/2007 - 822/2021
Departamentos: Electrónica y Computación
Áreas: Ciencia de la Computación e Inteligencia Artificial
Centro Escuela Técnica Superior de Ingeniería
Convocatoria: Primer semestre
Docencia: Con docencia
Matrícula: Matriculable
La materia aborda la resolución de problemas muy complejos de búsqueda y optimización para los que no se puede obtener una solución de forma exacta en un tiempo razonable. Para ello se emplearán metaheurísticas, que son algoritmos de propósito general que permiten obtener buenas soluciones con tiempos de cómputo aceptables para una gran variedad de problemas de este ámbito.
Conocer cómo diseñar e implementar metaheurísticas basadas en poblaciones, trayectorias y en adaptación social para resolver problemas con enormes espacios de búsqueda.
Saber seleccionar los diferentes tipos de metaheurísticas para cada problema a resolver.
Bloque 1: Introducción a fundamentos de metaheurísticas
Bloque 2: Metaheurísticas basadas en trayectorias
Bloque 3: Metaheurísticas basadas en poblaciones
Bloque 4: Metaheurísticas basadas en adaptación social
Bloque 5: Metaheurísticas paralelas y otras estrategias
Bibliografía básica
- A.E. Eiben & J.E. Smith. Introduction to Evolutionary Computing. 2ndEdition, 2015
- Michel Gendreau and Jean-Yves Potvin (Eds.). Handbook of Metaheuristics, Springer 2010.
- J.T. Palma, R. Marín. Inteligencia Artificial: técnicas, métodos y aplicaciones. Ed. McGraw-Hill, 2008. ISBN 9788448156183
- Francisco Herrera (Univ. Granada). Algorítmica. http://sci2s.ugr.es/graduateCourses/Algoritmica
- Metaheurísticas: Metaheurísticas basadas en poblaciones. http://sci2s.ugr.es/graduateCourses/Metaheuristicas
- E.-G. Talbi. Metaheuristics. From design to implementation. Wiley, 2009
- Marco Dorigo, Thomas Stützle. Ant Colony Optimization. The MIT Press. ISBN 9780262256032 DOI: https://doi.org/10.7551/mitpress/1290.001.0001
Bibliografía complementaria
- Janusz Kacprzyk, Witold Pedrycz, Springer Handbook of Computational Intelligence. Springer, 2015.
- Russell, S., Norvig, P. Artificial Intelligence (A Modern Approach), (4th Edition Global Edition, 2022). ISBN: 9781292401133.
Adicionalmente, en los diversos temas se recomendarán lecturas a artículos científicos específicos disponibles a través de la biblioteca digital de la universidad.
BÁSICAS Y GENERALES
CG3 - Capacidad para diseñar y crear modelos y soluciones de calidad basadas en Inteligencia Artificial que sean eficientes,
robustas, transparentes y responsables
CG4 - Capacidad para seleccionar y justificar los métodos y técnicas adecuadas para resolver un problema concreto, o para desarrollar y proponer nuevos métodos basados en inteligencia artificial.
CG5 - Capacidad para concebir nuevos sistemas computacionales y/o evaluar el rendimiento de sistemas existentes, que integren modelos y técnicas de inteligencia artificial.
CB2 - Que los estudiantes sepan aplicar sus conocimientos a su trabajo o vocación de una forma profesional y posean las competencias que suelen demostrarse por medio de la elaboración y defensa de argumentos y la resolución de problemas dentro de su área de estudio
CB4 - Que los estudiantes puedan transmitir información, ideas, problemas y soluciones a un público tanto especializado como no especializado
CB5 - Que los estudiantes hayan desarrollado aquellas habilidades de aprendizaje necesarias para emprender estudios posteriores
con un alto grado de autonomía
TRANSVERSALES
TR3 - Capacidad para crear nuevos modelos y soluciones de forma autónoma y creativa, adaptándose a nuevas situaciones. Iniciativa y espíritu emprendedor.
ESPECÍFICAS
CE12 - Conocer los fundamentos de los algoritmos y modelos de la inteligencia artificial para la resolución de problemas de cierta complejidad, entender su complejidad computacional y tener capacidad para diseñar nuevos modelos.
RESULTADOS DEL APRENDIZAJE
- Saber diseñar e implementar metaheurísticas basadas en poblaciones, trayectorias y adaptación social para resolver problemas con espacios de búsqueda enormes.
- Saber seleccionar los distintos tipos de metaheurísticas para cada problema a resolver.
La metodología didáctica se basará esencialmente en el trabajo individual, aunque en ocasiones se desarrollará en grupos, principalmente en la discusión con el profesorado en clases expositivas e interactivas.
Para cada tema o bloque temático de las clases expositivas, el profesorado preparará los contenidos, explicará los objetivos del tema al alumnado en clase, les sugerirá recursos bibliográficos y proporcionará material de trabajo adicional, principalmente ejercicios relacionados con los conceptos teóricos. En las clases expositivas se trabajarán los aspectos más teóricos en el diseño de metaheurísticas y su adaptación a problemas diversos. Además, el profesorado propondrá al alumnado un conjunto de actividades a realizar, de forma individual o en grupo (casos, ejercicios) que el alumnado deberá entregar para su evaluación, de acuerdo con los plazos de entrega previstos. Globalmente, estas actividades permitirán desarrollar las competencias CG3, CG4, CG5, CB2, CB4, CB5, CE12, TR3 en conjunto, al combinar tanto la comprensión teórica como aplicada por medio del desarrollo e implementación de metaheurísticas, evaluadas de manera empírica.
Las prácticas y parte de las sesiones interactivas se desarrollarán empleando diversas herramientas software y desarrollando aplicaciones para cada uno de los bloques temáticos.
El alumnado trabajará de forma individual o en grupos reducidos, con el seguimiento y tutorización constante del profesorado. Se facilitarán guiones de prácticas con las tareas a realizar de modo individual o en grupos reducidos.
La docencia estará apoyada por la plataforma USC virtual de la siguiente manera: repositorio de la documentación relacionada con la materia (textos, presentaciones, ejercicios, guiones de prácticas, ...) y tutorización virtual de los estudiantes (correo-e, foros).
La evaluación del aprendizaje considera tanto la parte teórica (60%), como la práctica (40%). Para superar la materia ha de conseguirse una nota global igual o superior a 5, sobre una puntuación máxima de 10 puntos, de acuerdo con los siguientes criterios:
- Parte teórica: se evaluará en un único examen a realizar en la fecha oficial. La calificación de cada parte ha de ser igual o superior a 4 sobre una puntuación máxima de 10 puntos, para que pueda aprobarse el conjunto de la materia. En otro caso deberá repetirse en la oportunidad de recuperación.
- Parte práctica: Evaluación de todas las actividades prácticas obligatorias propuestas por los docentes, de acuerdo con la siguiente planificación:
P1- Metaheurísticas basadas en trayectorias (3 sesiones interactivas)
P2- Metaheurísticas basadas en poblaciones (3 sesiones interactivas)
P3- Metaheurísticas basadas en enjambre (3 sesiones interactivas + sesión de evaluación de esta práctica)
La evaluación de las 3 prácticas interactivas previstas no acaba con la entrega de las mismas sino que puede incluir la realización de un cuestionario de autoevaluación y/o una sesión de presentación y discusión presencial del mismo. Estas actividades de evaluación serán obligatorias y se realizarán en clase interactiva, por lo que, a efectos de lo establecido en el Art.1 del Regulamento de asistencia a clase nas ensinanzas oficiais de grao e máster da Universidade de Santiago de Compostela (25/11/2024)”, la asistencia a las sesiones donde se programen estas actividades será obligatoria, siendo un requisito la realización de las mismas que, de no cumplirse, supondrá la calificación de 0,0 en el entregable correspondiente. Excepto la indicada en este apartado, la asistencia a clase no tendrá otra valoración en el sistema de evaluación, aunque la asistencia a las diferentes actividades docentes contribuye a mejorar la comprensión de la materia y a la adquisición de las competencias. Como norma general, se tiene pautado que la evaluación con el cuestionario de autoevaluación se programe en la primera sesión de la siguiente práctica (normalmente la semana siguiente) mientras que su revisión y defensa presencial se realiza una sesión posterior con respecto a la sesión de realización de la prueba.
Todas las prácticas tendrán el mismo peso en la calificación de prácticas. La calificación de esta parte ha de ser igual o superior a 4 sobre una puntuación máxima de 10 puntos, para que pueda aprobarse el conjunto de la materia. Aquellas prácticas y/o cuestionarios de autoevaluación con una calificación inferior a 3 puntos sobre 10 deberán evaluarse en la segunda oportunidad, requiriendo la realización de ejercicios adicionales, la realización de un autoinforme de correcciones y trabajo realizado, así como de una defensa individualizada.
La calificación final de la materia será la media aritmética ponderada por los porcentajes antes indicados de las partes teórica y práctica. En caso de incurrir en alguna de las situaciones indicadas anteriormente relativas a no alcanzarse en una o más partes la nota mínima necesaria para superar globalmente la materia, la calificación final de la oportunidad será la nota de la parte de menor valoración. Las partes que no alcancen el mínimo deberán repetirse en la segunda oportunidad.
Obtendrán la calificación de no presentado los/las estudiantes que no se hayan presentado al examen ni se hayan sometido a la evaluación de ninguna otra actividad obligatoria.
Para superar la asignatura en la segunda oportunidad el alumnado deberá someterse a la evaluación de todas aquellas partes obligatorias pendientes, de acuerdo con lo anteriormente especificado. Para el resto se conservarán las calificaciones obtenidas durante el curso.
En el caso de realización fraudulenta de ejercicios o pruebas, será de aplicación lo recogido en la normativa de evaluación del rendimiento académico del alumnado y de revisión de las calificaciones (https://www.xunta.gal/dog/Publicados/2011/20110721/AnuncioG2018-190711-…). En aplicación de la normativa de la ETSE sobre plagio (aprobada por la Xunta da ETSE el 19/12/2019), la copia total o parcial de algún ejercicio de prácticas o teoría supondrá el suspenso de las dos oportunidades del curso, con la calificación de 0,0 en ambos casos (https://www.usc.es/etse/files/u1/NormativaPlagioETSE2019.pdf).
Tiempo de trabajo presencial: 50 horas totales, divididas en 30h (docencia teórica), 20h (docencia interactiva/prácticas), 1h (tutorías).
Tiempo de trabajo personal: 99h (total).
Se recomienda que el estudiantado resuelva, implemente, verifique y valide todos los ejercicios y prácticas propuestos (no solamente los evaluables). Igualmente se considera importante hacer un uso intenso de las tutorías para la resolución de dudas y una participación activa en las sesiones expositivas e interactivas.
Se recomienda haber superado las asignaturas "Optimización matemática", “Programación I y Programación II”, “Algoritmos básicos de inteligencia artificial”
La asignatura se impartirá en castellano y gallego, pero tanto en la bibliografía, referencias y apuntes podrá haber contenidos en lengua inglesa.
Alejandro Catala Bolos
Coordinador/a- Departamento
- Electrónica y Computación
- Área
- Ciencia de la Computación e Inteligencia Artificial
- Correo electrónico
- alejandro.catala [at] usc.es
- Categoría
- PROFESOR/A PERMANENTE LABORAL
| Lunes | |||
|---|---|---|---|
| 15:30-17:30 | Grupo /CLIL_02 | Castellano | IA.13 |
| Miércoles | |||
| 09:00-10:30 | Grupo /CLE_01 | Castellano | IA.01 |
| 15:30-17:30 | Grupo /CLIL_01 | Castellano | IA.04 |
| Jueves | |||
| 10:30-12:00 | Grupo /CLE_01 | Castellano | IA.01 |
| 22.01.2026 09:15-14:00 | Grupo /CLE_01 | IA.01 |
| 22.01.2026 09:15-14:00 | Grupo /CLIL_01 | IA.01 |
| 22.01.2026 09:15-14:00 | Grupo /CLIL_02 | IA.01 |
| 22.01.2026 09:15-14:00 | Grupo /CLIL_01 | IA.02 |
| 22.01.2026 09:15-14:00 | Grupo /CLIL_02 | IA.02 |
| 22.01.2026 09:15-14:00 | Grupo /CLE_01 | IA.02 |
| 26.06.2026 09:30-14:00 | Grupo /CLE_01 | IA.01 |
| 26.06.2026 09:30-14:00 | Grupo /CLIL_01 | IA.01 |
| 26.06.2026 09:30-14:00 | Grupo /CLIL_02 | IA.01 |