Drukuj Eksport do pliku (MS Word)
Nazwa przedmiotu:
Metody sztucznej inteligencji w elektroenergetyce
Koordynator przedmiotu:
dr hab. inż. Mirosław Parol, miroslaw.parol@ee.pw.edu.pl, +48222345862
Status przedmiotu:
Obowiązkowy
Poziom kształcenia:
Studia I stopnia
Program:
Informatyka
Grupa przedmiotów:
Wspólne
Kod przedmiotu:
Semestr nominalny:
5 / rok ak. 2009/2010
Liczba punktów ECTS:
4
Liczba godzin pracy studenta związanych z osiągnięciem efektów uczenia się:
Liczba punktów ECTS na zajęciach wymagających bezpośredniego udziału nauczycieli akademickich:
Język prowadzenia zajęć:
polski
Liczba punktów ECTS, którą student uzyskuje w ramach zajęć o charakterze praktycznym:
Formy zajęć i ich wymiar w semestrze:
  • Wykład30h
  • Ćwiczenia0h
  • Laboratorium0h
  • Projekt0h
  • Lekcje komputerowe0h
Wymagania wstępne:
Analiza matematyczna, Algebra liniowa, Podstawy teorii mnogości i matematyki dyskretnej, Podstawy informatyki, Algorytmy i struktury danych,
Limit liczby studentów:
Cel przedmiotu:
Umiejętność wykorzystania sieci neuronowych w prostych zadaniach w elektroenergetyce
Treści kształcenia:
Wykład 1. Wprowadzenie, regulamin przedmiotu; 1h 2. Podstawowe pojęcia, struktura algorytmu ewolucyjnego, operatory genetyczne; 1h 3. Implementacja komputerowa algorytmu genetycznego; 2h 4. Teoria algorytmów ewolucyjnych: równanie reproduktywnego wzrostu schematu, twierdzenie o schematach i hipoteza bloków budujących. Wybór reprezentacji problemu; 2h 5. Metody selekcji osobników; 2h 6. Metody skalowania funkcji przystosowania; 2h 7. Różne operatory genetyczne. Algorytmy ewolucyjne w optymalizacji; 2h 8. Zastosowanie algorytmów ewolucyjnych w elektroenergetyce – przykłady; 3h 9. Definicja zbioru i liczby rozmytej. Postacie funkcji przynależności, 1h 10. Operacje na zbiorach i liczbach rozmytych, 2h 11. Podstawy konstruowania sterowników rozmytych, 2h 12. Zastosowanie logiki rozmytej i wnioskowania rozmytego w elektroenergetyce, 1h 13. Inspiracja biologiczna sztucznych sieci neuronowych. Model McCullocha i Pittsa neuronu. Funkcje aktywacji sztucznego neuronu; 1h 14. Architektury sztucznych sieci neuronowych (SSN). Typowe zastosowania SSN; 1h 15. Perceptron prosty: budowa, metody uczenia, problem separowalności liniowej; 2h 16. Perceptron wielowarstwowy: budowa, uczenie sieci metodą back-propagation (BP), inne metody uczenia, techniki wspomagające proces uczenia metoda BP, inicjalizacja wag połączeń, dobór architektury sieci.; 3h 17. Zastosowanie sztucznych sieci neuronowych w elektroenergetyce – przykłady; 2h
Metody oceny:
brak
Egzamin:
Literatura:
1. P. Helt, M. Parol, P. Piotrowski: Metody sztucznej inteligencji w elektroenergetyce. Oficyna Wydawnicza Politechniki Warszawskiej, Warszawa 2000. 2. D. Baczyński, M. Parol., P. Piotrowski: Sztuczna inteligencja w praktyce. Laboratorium (preskrypt), Oficyna Wydawnicza Politechniki Warszawskiej, Warszawa 2006. 3. S. Osowski: Sieci neuronowe do przetwarzania informacji. Wyd. 2, OWPW, Warszawa 2006. 4. D.E. Goldberg: Algorytmy genetyczne i ich zastosowania, WNT, Warszawa 1995. 5. Z. Michalewicz: Algorytmy genetyczne + Struktury danych = Programy ewolucyjne, WNT 1996. 6. D. Rutkowska, M. Piliński, L. Rutkowski: Sieci neuronowe, algorytmy genetyczne i systemy rozmyte. PWN, Warszawa-Łódź 1997.
Witryna www przedmiotu:
Uwagi:

Efekty uczenia się