Kursplan

Stokastiska optimeringsmetoder

Stochastic optimization algorithms

Kurs
FMM106
Avancerad nivå
7,5 högskolepoäng (hp)
Utbildningsområde
NA Naturvetenskapliga området 100%

Om kursplanen

Diarienummer
GU 2026/1110
Ikraftträdandedatum
2026-08-31
Beslutsdatum
2026-03-11
Gäller från termin
Höstterminen 2026
Beslutsfattare
Institutionen för fysik

Betygsskala

Tregradig skala

Kursens moduler

Tentamen, 7,5 högskolepoäng

Inplacering

Valbar inom masterprogram. Rekommenderad inom CAS master

Medverkande institution

M2 Chalmers

Huvudområde med fördjupning

NNFYK Fysik med inriktning mot komplexa adaptiva system - A1N Avancerad nivå, har endast kurs/er på grundnivå som förkunskapskrav
NNFYA Fysik - A1N Avancerad nivå, har endast kurs/er på grundnivå som förkunskapskrav

Behörighetskrav

Kandidatexamen inklusive minst 30hp matematik, samt programmering

Innehåll

Kursens syfte är att förse teknologerna med kunskaper om nya optimeringsmetoder inspirerade av biologiska fenomen, t.ex. evolution. Algoritmerna har många tekniska tillämpningar, t.ex. inom robotik, fordonsindustri, finans etc. Kursen innefattar även en repetition av klassisk optimering.

Klassiska optimeringsmetoder: Gradientföljning, Newtons metod m.fl.

Konvexa funktioner, konvex optimering. Lagranges multiplikatormetod. Penaltymetoder.

Evolutionära algoritmer: Biologisk bakgrund, genetiska operatorer, urvalsmekanismer. Bakomliggande teori och analytiska egenskaper. Linjär genetisk programmering.

Partikelsvärmoptimering: Biologisk bakgrund, teori och tillämpningar.

Myralgoritmer: Biologisk bakgrund, teori och tillämpningar.

Jämförelse mellan olika algoritmer. Algoritmval.

Etiska aspekter av maskininlärning

Mål

Implementera och använda flera olika klassiska optimeringsmetoder, t.ex. gradientföljning och penaltymetoder.

Beskriva och förklara de basala egenskaperna hos biologisk evolution, med fokus på de delar som är relevanta för evolutionära algoritmer.

Definiera och implementera flera versioner av evolutionära algoritmer,partikelsvärmalgoritmer och myralgoritmer, och tillämpa dessa algoritmer vid lösning av optimeringsproblem.

Jämföra olika typer av biologiskt inspirerade beräkningsmetoder, och identifiera lämpliga algoritmer for olika tillämpningar.

Hållbarhetsmärkning

Ingen hållbarhetsmärkning.

Former för undervisning

Kursen är organiserad i form av en föreläsningsserie. Några lektioner ägnas åt räkneövningar.

Examinationsformer

Examinationen baseras på obligatoriska hemproblem (50%) och en skriftlig tentamen vid kursens slut (50%).

Om en student som har underkänts två gånger på samma examinerande moment önskar byta examinator inför nästa examinationstillfälle ska en sådan begäran bifallas om det inte finns särskilda skäl däremot (6 kap. 22 § HF).

Om en student har fått besked om pedagogiskt stöd från Göteborgs universitet med rekommendation om anpassad examination och/eller anpassad examinationsform kan examinator, i det fall det är förenligt med kursens lärandemål och förutsatt att inte orimliga resurser krävs, besluta att bevilja studenten anpassad examination och/eller anpassad examinationsform.

Om en kurs har avvecklats eller genomgått en större förändring ska studenten erbjudas minst två examinationstillfällen, utöver ordinarie examinationstillfälle. Dessa tillfällen fördelas under en tid av minst ett år, dock som längst två år efter det att kursen avvecklats/förändrats. Vad gäller praktik och verksamhetsförlagd utbildning (VFU) gäller motsvarande, men med begränsning till endast ett ytterligare examinationstillfälle.

Om en student har fått besked om att denne uppfyller kraven för att vara student vid Riksidrottsuniversitetet (RIU-student) har examinator rätt att besluta om anpassning vid examination, om detta görs i enlighet med Lokala regler gällande RIU-studenter vid Göteborgs universitet.

Kursvärdering

Resultatet och eventuella förändringar i kursens upplägg ska förmedlas både till de studenter som genomförde värderingen och till de studenter som ska påbörja kursen.