INSTITUTO POLITÉCNICO NACIONAL SECRETARÍA ACADÉMICA DIRECCIÓN DE EDUCACIÓN SUPERIOR PROGRAMA SINTÉTICO UNIDAD ACADÉMICA: Escuela Superior de Cómputo PROGRAMA Ingeniería en Sistemas Computacionales ACADÉMICO: UNIDAD DE APRENDIZAJE: Algoritmos Genéticos NIVEL: III PROPÓSITO DE LA UNIDAD DE APRENDIZAJE : Construye sistemas de cómputo inteligentes en la solución de problemas de optimización, la programación automática, y el aprendizaje máquina con base a la teoría de los algoritmos genéticos. CONTENIDOS: I. Fundamentos de los Algoritmos Genéticos. II. Terminología y Operadores de los Algoritmos Genéticos. III. Clasificación de los Algoritmos Genéticos. IV. Solución de Problemas empleando Algoritmos Genéticos. V. Simulación e Implementación de Algoritmos Genéticos. ORIENTACIÓN DIDÁCTICA: La unidad de aprendizaje tomará como base estratégica, el aprendizaje orientado a proyectos. El docente empleará los métodos inductivo y heurístico, aplicará técnicas diversas de organización grafica, tales como los mapas conceptuales, mapa mental, jerárquico además de los cuadros comparativos y las técnicas de recuperación tanto de búsqueda como de generación de resultados, fomentando tanto el trabajo en equipo como individual, la integridad y la responsabilidad con el entorno y propiciando el aprendizaje autónomo del alumno. EVALUACIÓN Y ACREDITACIÓN La presente Unidad de Aprendizaje se evaluará a partir del portafolio de evidencias, el cual se conforma de: evaluación formativa, sumativa y rubricas de autoevaluación, coevaluación y heteroevaluación. Esta unidad de aprendizaje también se puede acreditar mediante: Evaluación de saberes previamente adquiridos mediante la elaboración de un programa de cómputo y una evidencia de aprendizaje escrita. Acreditación en otra UA del IPN u otra institución educativa externa al IPN nacional o internacional con las que se tenga convenio vigente. BIBLIOGRAFÍA: Aliev R. A., Aliev R.R. (2001) SOFT COMPUTING & ITS APPLICATIONS. USA. World Scientific Pub Co Inc. ISBN-10: 9810247001. Golberg D. I. (1989). GENETIC ALGORITHMS. (1st edition). USA: Addison-Wesley.ISBN-10: 0201157675. ISBN-13:-978-0201157673. Lagdon W.B. Poli R. (2010) FOUNDATIONS OF GENETIC PROGRAMMING (1st edition). Springer. ISBN10: 3642076327. Sivanandam S. N. Deepa S. N. (2010) INTRODUCCTION TO GENETIC ALGORITHMS. Springer. ISBN10: 9783642092244. ISBN-13: 978-3642092244. Van Rooij A. J. F. Jain L.C. Johnson R .P. (1998) NEURAL NETWORK TRAINING USIN GENETIC ALGORITHMS, Singapure: World Scientific publishing Co. Pte. Ltd. ISBN-10: 9810229194. INSTITUTO POLITÉCNICO NACIONAL SECRETARÍA ACADÉMICA DIRECCIÓN DE EDUCACIÓN SUPERIOR UNIDAD ACADÉMICA: Escuela Superior de Cómputo PROGRAMA ACADÉMICO: Ingeniería en Sistemas Computacionales SALIDA LATERAL: Analista Programador de Sistemas de Información ÁREA DE FORMACIÓN: Profesional MODALIDAD: Presencial UNIDAD DE APRENDIZAJE: Algoritmos Genéticos TIPO DE UNIDAD DE APRENDIZAJE: Teórico – práctica. Optativa. VIGENCIA: Agosto 2011 NIVEL: III CRÉDITOS: 7.5 TEPIC – 4.39 SATCA INTENCIÓN EDUCATIVA Esta unidad de aprendizaje contribuye al perfil del egresado en Ingeniería en Sistemas Computacionales, al desarrollar las habilidades de diseño de sistemas de cómputo basados en Algoritmos Genéticos para la solución de problemas computacionales de ingeniería, la habilidad para describir y diferenciar los principales conceptos, características y estructuras de los Algoritmos Genéticos, capacidad para diseñar y simular Algoritmos Genéticos a través de los principales simuladores dedicados a éste propósito. También contribuye a desarrollar competencias genéricas tales como el pensamiento estratégico, el pensamiento creativo, el trabajo colaborativo y participativo, la comunicación asertiva; contribuyendo a su formación integral, por lo que será capaz de desempeñarse en los diferentes sectores de la sociedad, público, privado y de investigación e integrar y administrar equipos de trabajo inter y multidisciplinarios con actitud de liderazgo, ética y responsabilidad. Actualizándose de manera permanente para responder a las necesidades de la sociedad y al desarrollo sustentable del país. Se fundamenta en las unidades de aprendizaje Algebra lineal, Calculo, Algoritmia y programación estructurada, Análisis y Diseño orientado a objetos, e Ingeniería de software. Se relaciona lateralmente con Reconocimiento de patrones, Inteligencia artificial, Sistemas difusos en Ingeniería, Inteligencia computacional en ingeniería de control, Redes neuronales artificiales supervisadas, y Redes neuronales artificiales autosupervisadas. Subsecuentemente apoyará a las unidades de aprendizaje Trabajo Terminal I y II. PROPÓSITO DE LA UNIDAD DE APRENDIZAJE: Construye sistemas de cómputo inteligentes en la solución de problemas de optimización, la programación automática, y el aprendizaje máquina con base a la teoría de los algoritmos genéticos. TIEMPOS ASIGNADOS UNIDAD DE APRENDIZAJE DISEÑADA POR: Academia de Ingeniería de software HORAS TEORÍA/SEMANA:3.0 AUTORIZADO POR: Comisión de Programas Académicos del Consejo General Consultivo del IPN. REVISADA POR: HORAS PRÁCTICA/SEMANA:1.5 HORAS TEORÍA/SEMESTRE:54 Dr. Flavio Arturo Sánchez Garfias Subdirección Académica APROBADA POR: HORAS PRÁCTICA/SEMESTRE:27 HORAS DE APRENDIZAJE AUTÓNOMO: 54 HORAS TOTALES/SEMESTRE:81 Ing. Apolinar Francisco Cruz Lázaro Presidente del CTCE. _______________________________ Ing. Rodrigo de Jesús Serrano Domínguez Secretario Técnico de la Comisión de Programas Académicos INSTITUTO POLITÉCNICO NACIONAL SECRETARÍA ACADÉMICA DIRECCIÓN DE EDUCACIÓN SUPERIOR UNIDAD DE APRENDIZAJE: HOJA: Algoritmos Genéticos 3 DE 11 N° UNIDAD TEMÁTICA: I NOMBRE: Fundamentos de los Algoritmos Genéticos. UNIDAD DE COMPETENCIA Clasifica las características y los elementos de los algoritmos genéticos con base en la estructura fundamental. No. HORAS con docente CONTENIDOS 1.1 Breve semblanza de la computación evolutiva. 1.2 1.2.1 1.2.2 1.2.3 1.2.4 1.2.5 Fundamentos biológicos de AG. La Célula Cromosomas Genética Reproducción Selección Natural 1.3 Definiciones de Algoritmos Genéticos. 1.4 Características de los Algoritmos Genéticos. 1.5 Aplicaciones de los Algoritmos Genéticos. 1.6 Fundamentos Matemáticos de los AG. Subtotales: HORAS (Aprendizaje Autónomo) T P T P 3.0 1.0 6.0 3.0 3.0 1.0 6.0 3.0 CLAVE BIBLIOGRÁFICA 5B, 8B, 2C, 6C ESTRATEGIAS DE APRENDIZAJE Encuadre del curso y formación de equipos. Esta unidad se abordará mediante la estrategia de aprendizaje basada en proyectos, empleando el método inductivo, se utilizarán técnicas de aprendizaje tales como mapas conceptuales, exposición de temas, fichas de trabajo, exposición de temas complementarios, elaboración de prácticas, y propuesta de proyecto final. EVALUACIÓN DE LOS APRENDIZAJES Evaluación diagnóstica Portafolio de evidencias: Propuesta de Proyecto Mapa conceptual Ficha de trabajo Exposición de temas Rubrica de autoevaluación Rubrica de coevaluación Reporte de Práctica Evidencia de aprendizaje escrita 5% 10% 5% 10% 5% 5% 20% 40% INSTITUTO POLITÉCNICO NACIONAL SECRETARÍA ACADÉMICA DIRECCIÓN DE EDUCACIÓN SUPERIOR UNIDAD DE APRENDIZAJE: HOJA: Algoritmos Genéticos 4 DE 11 N° UNIDAD TEMÁTICA: II NOMBRE: Terminología y Operadores de los Algoritmos Genéticos. UNIDAD DE COMPETENCIA Clasifica los términos y operadores de los algoritmos genéticos con base en la estructura fundamental. No. HORAS con docente CONTENIDOS 2.1 Terminología de los Algoritmos Genéticos 2.1.1 Elementos clave 2.1.2 Individuos 2.1.3 Genes 2.1.4 Fitness 2.1.5 Población 2.1.6 Codificación. 2.1.7 Breeding. 2.1.8 Terminación de búsqueda. 2.1.9 Ejemplos y ejercicios. 2.2 Operadores y Técnicas Avanzadas de AG Subtotales: HORAS (Aprendizaje Autónomo) T P T P 3.0 1.5 3.5 4.0 1.0 4.0 1.5 3.5 7.0 4.0 CLAVE BIBLIOGRÁFICA 5B, 8B, 2C, 6C ESTRATEGIAS DE APRENDIZAJE Esta unidad se abordará mediante la estrategia de aprendizaje basada en proyectos, empleando el método inductivo, sumando las técnicas de mapas conceptuales, exposición de temas, elaboración de prácticas, programación de algoritmos, y avance de proyecto final. EVALUACIÓN DE LOS APRENDIZAJES Portafolio de evidencias: Mapas conceptuales Exposición de temas Entrega de programas Reporte de Práctica Avance de proyecto Rúbricas de autoevaluación Rúbrica de coevaluación Evidencia de aprendizaje escrita 5% 10% 10% 20% 5% 5% 5% 40% INSTITUTO POLITÉCNICO NACIONAL SECRETARÍA ACADÉMICA DIRECCIÓN DE EDUCACIÓN SUPERIOR UNIDAD DE APRENDIZAJE: HOJA: Algoritmos Genéticos 5 DE 11 N° UNIDAD TEMÁTICA: III NOMBRE: Clasificación de Algoritmos Genéticos. UNIDAD DE COMPETENCIA Resuelve problemas de ingeniería con base en las diferentes clases de Algoritmos Genéticos. No. HORAS con docente CONTENIDOS 3.1 Algoritmo Genético Simple (SGA) 3.2 Algoritmo Genético Paralelo y Distribuido (PGA y DGA) 3.3 Algoritmo Genético Hibrido (HGA) 3.4 Algoritmo Genético Adaptable (AGA) 3.5 Algoritmo Genético Desordenado Rápido (FmGA) 3.6 Ejercicios Subtotales: HORAS (Aprendizaje Autónomo) T P T P 4.0 1.5 7.0 4.0 4.0 1.5 7.0 4.0 CLAVE BIBLIOGRÁFICA 5B, 8B, 2C, 6C, 4C ESTRATEGIAS DE APRENDIZAJE Esta unidad se abordará mediante la estrategia de aprendizaje basada en proyectos, empleando el método inductivo, sumando las técnicas de mapas conceptuales, problemario (ejercicios), exposición de temas, elaboración de prácticas, programación de algoritmos, y avance de proyecto final. EVALUACIÓN DE LOS APRENDIZAJES Portafolio de evidencias: Mapa conceptual Entrega de ejercicios Exposición de temas Entrega de programas Reporte de Práctica Avance de proyecto Rúbricas de autoevaluación Rúbrica de coevaluación Evidencia de aprendizaje escrita 5% 5% 10% 10% 20% 10% 5% 5% 30% INSTITUTO POLITÉCNICO NACIONAL SECRETARÍA ACADÉMICA DIRECCIÓN DE EDUCACIÓN SUPERIOR UNIDAD DE APRENDIZAJE: HOJA: Algoritmos Genéticos 6 DE 11 N° UNIDAD TEMÁTICA: IV NOMBRE: Solución de Problemas empleando Algoritmos Genéticos. UNIDAD DE COMPETENCIA Resuelve problemas de optimización y clasificación con base en las diferentes clases de Algoritmos Genéticos. No. CONTENIDOS HORAS con docente HORAS (Aprendizaje Autónomo) T P T P 4.1 4.1.1 4.1.2 Problemas de Optimización usando AG Problemas de Optimización Difusos. Problemas de Optimización combinatorios 1.5 0.5 2.0 2.0 4.2 4.2.1 4.2.2 4.2.3 Clasificación de patrones. Clasificador basado en AG Relación con el clasificador de Bayes Regiones de decisión de Bayes y optimización H. 1.5 0.5 2.0 1.5 4.3 Sistemas de Clasificación Difusa con reglas basadas en AG. Generación automáticas de reglas lingüísticas ifthen. 1.0 0.5 1.5 1.5 Entrenamiento de Redes Neuronales basado en AG. Combinación de Algoritmos Genéticos y Redes Neuronales. Ajuste de los parámetros de algoritmos genéticos y Redes Neuronales. Subtotales: 1.0 4.3.1 4.4 4.4.1 4.4.2 5.0 CLAVE BIBLIOGRÁFICA 8B, 1C, 4C, 7C, 9C 1.5 1.5 7.0 5.0 ESTRATEGIAS DE APRENDIZAJE Esta unidad se abordará mediante la estrategia de aprendizaje basada en proyectos, empleando el método inductivo, sumando las técnicas de mapas conceptuales, problemario (ejercicios), exposición de temas, elaboración de prácticas, programación de algoritmos, y avance de proyecto final. EVALUACIÓN DE LOS APRENDIZAJES Portafolio de evidencias: Mapa conceptual Entrega de ejercicios Exposición de temas Entrega de programas Reporte de Práctica Avance de proyecto Rúbricas de autoevaluación Rúbrica de coevaluación Evidencia de aprendizaje escrita 5% 5% 10% 10% 20% 10% 5% 5% 30% INSTITUTO POLITÉCNICO NACIONAL SECRETARÍA ACADÉMICA DIRECCIÓN DE EDUCACIÓN SUPERIOR UNIDAD DE APRENDIZAJE: HOJA: Algoritmos Genéticos 7 DE 11 N° UNIDAD TEMÁTICA: V NOMBRE: Simulación e Implementación de Algoritmos Genéticos. UNIDAD DE COMPETENCIA Diseña sistemas de optimización con base en herramientas de simulación de los Algoritmos Genéticos. No. HORAS con docente CONTENIDOS T P HORAS (Aprendizaje Autónomo) T P 3.5 1.5 5.1 5.1.1 5.1.2 5.1.3 5.1.4 5.1.5 Estructura de datos. Cromosomas Fenotipos Valores objetivo de la función Valores Fitness Sub población múltiple 2.0 5.2 5.2.1 5.2.2 Simuladores de Algoritmos Genéticos. Toolbox de Matlab de AG. Interfaz grafica del Toolbox de AG. Solución de Problemas usando AG Toolbox de Matlab. 2.0 1.5 3.5 4.0 Subtotales: 4.0 1.5 7.0 4.0 CLAVE BIBLIOGRÁFICA 8B, 5B,3C ESTRATEGIAS DE APRENDIZAJE Esta unidad se abordará mediante la estrategia de aprendizaje basada en proyectos, empleando el método inductivo, sumando las técnicas de mapas conceptuales, problemario (ejercicios), exposición de temas, elaboración de prácticas, programación de algoritmos, y proyecto final. EVALUACIÓN DE LOS APRENDIZAJES Portafolio de evidencias: Mapa conceptual Entrega de ejercicios Exposición de temas Entrega de programas Reporte de Práctica Defensa y reporte del proyecto Rúbricas de autoevaluación Rúbrica de coevaluación Evidencia de aprendizaje escrita. 5% 5% 10% 10% 20% 30% 5% 5% 10% INSTITUTO POLITÉCNICO NACIONAL SECRETARÍA ACADÉMICA DIRECCIÓN DE EDUCACIÓN SUPERIOR UNIDAD DE APRENDIZAJE: HOJA: Algoritmos Genéticos 8 DE 11 RELACIÓN DE PRÁCTICAS PRÁCTICA No. NOMBRE DE LA PRÁCTICA UNIDADES TEMÁTICAS DURACIÓN LUGAR DE REALIZACIÓN Salas de Cómputo de la Escuela. 1 Genetic Algorithm Toolbox Matlab. I 4.0 2 Operadores Genéticos. II 5.5 3 Clases de Algoritmos Genéticos. III 5.5 4 Solución de Problemas de Optimización y Clasificación con Algoritmos Genéticos. IV 6.5 5 Simuladores de Algoritmos Genéticos. V 5.5 TOTAL DE HORAS 27.0 EVALUACIÓN Y ACREDITACIÓN: Las prácticas aportan el 20% de la calificación de cada unidad temática. Las prácticas se consideran requisito indispensable para acreditar la unidad de aprendizaje Las prácticas aportan el 20% de la calificación final. INSTITUTO POLITÉCNICO NACIONAL SECRETARÍA ACADÉMICA DIRECCIÓN DE EDUCACIÓN SUPERIOR UNIDAD DE APRENDIZAJE: PERÍODO 1 2 3 UNIDAD I, II III, IV V Algoritmos Genéticos Evaluación continua Evaluación continua Evaluación continua HOJA: PROCEDIMIENTO DE EVALUACIÓN 60% y evidencia de aprendizaje escrita 70% y evidencia de aprendizaje escrita 90% y evidencia de aprendizaje escrita 9 DE 11 40% 30% 10% La Unidad I aporta el 15% del total de la evaluación final La Unidad II aporta el 15% del total de la evaluación final La Unidad III aporta el 15% del total de la evaluación final La Unidad IV aporta el 15% del total de la evaluación final La Unidad V aporta el 40% del total de la evaluación final Esta unidad de aprendizaje también se puede acreditar mediante: Evaluación de saberes previamente adquiridos mediante la elaboración de un programa de cómputo y una evidencia de aprendizaje escrita Acreditación en otra UA del IPN u otra institución educativa externa al IPN nacional o internacional con las que se tenga convenio vigente. En caso de acreditarse por Evaluación Extraordinaria ó a Título de Suficiencia, esta constará de una parte práctica que aportará el 50% de la calificación y una parte teórica que aportará el 50%. INSTITUTO POLITÉCNICO NACIONAL SECRETARÍA ACADÉMICA DIRECCIÓN DE EDUCACIÓN SUPERIOR UNIDAD DE APRENDIZAJE: CLAVE 1 HOJA: 10 DE 11 C X BIBLIOGRAFÍA Aliev R. A., Aliev R.R. (2001) SOFT COMPUTING & ITS APPLICATIONS. USA. World Scientific Pub Co Inc. ISBN-10: 9810247001. 2 X Golberg D. I. (1989). GENETIC ALGORITHMS. (1st edition). USA: Addison-Wesley.ISBN-10: 0201157675. ISBN-13:-978-0201157673. 3 X (2004). GENETIC ALGORITHM AND DIRECT SEARCH TOOLBOX FOR USE WITH MATLAB 1.0 USER´S GUIDE. USA: The Matworks, Inc. On line only (01/abril/2011). http://www.mathworks.com/access/helpdesk_r13/help/pdf_doc/gads/gads_ tb.pdf 4 X Haupt R. L. Haupt S. E. (2004). PRÁCTICAL GENETIC ALGORITHMS. (2nd Edition). USA: Wiley-Interscience. ISBN-10: 0471455652. ISBN-13: 978-0471455653 5 B Algoritmos Genéticos Lagdon W.B. Poli R. (2010) Foundations of Genetic Programming (1 st edition). Springer. ISBN-10: 3642076327. X 6 X Mitchell M. (1998). AN INTRODUCCTION TO GENETIC ALGORITHMS. USA: MIT Press. ISBN-10: 0262631857. ISBN-13: 978-0262631853 7 X Pal S. K. (2010). CLASSIFICATION AND LEARNING USING GENETIC ALGORITMS: Applications in bioinformatics and Web Intelligence (Natural Computing Series). USA.Springer. ISBN-10: 3642080545. 8 9 X Sivanandam S. N. Deepa S. N. (2010) INTRODUCCTION TO GENETIC ALGORITHMS. Springer. ISBN-10: 9783642092244. ISBN-13: 9783642092244. X Van Rooij A. J. F. Jain L.C. Johnson R .P. (1998) NEURAL NETWORK TRAINING USIN GENETIC ALGORITHMS, Singapure: World Scientific publishing Co. Pte. Ltd. ISBN-10: 9810229194. INSTITUTO POLITÉCNICO NACIONAL SECRETARÍA ACADÉMICA DIRECCIÓN DE EDUCACIÓN SUPERIOR PERFIL DOCENTE POR UNIDAD DE APRENDIZAJE 1. DATOS GENERALES UNIDAD ACADÉMICA: PROGRAMA ACADÉMICO: Escuela Superior de Cómputo Ingeniería en Sistemas Computacionales ÁREA DE FORMACIÓN: ACADEMIA: III NIVEL Institucional Científica Básica Profesional Terminal y de Integración UNIDAD DE APRENDIZAJE: Algoritmos Genéticos Ingeniería de software ESPECIALIDAD Y NIVEL ACADÉMICO REQUERIDO: Maestro o Doctor en Computación o Ingeniería Eléctrica 2. PROPÓSITO DE LA UNIDAD DE APRENDIZAJE: Construye sistemas de cómputo inteligentes en la solución de problemas de optimización, la programación automática, y el aprendizaje máquina con base a la teoría de los algoritmos genéticos. 3. PERFIL DOCENTE: CONOCIMIENTOS Conceptos y generalidades de Algoritmos Genéticos. Técnicas de diseño y simulación con Algoritmos Genéticos Solución de problemas de optimización y de clasificación de. Patrones, MEI. Inglés EXPERIENCIA PROFESIONAL Experiencia de un año en el diseño de sistemas basado en Algoritmos Genéticos. Experiencia de dos años en el manejo de grupos y en el trabajo colaborativo. Experiencia de un año como Docente de Nivel Superior. HABILIDADES ACTITUDES Análisis y síntesis. Liderazgo. Toma de decisiones. Manejo de Conflictos. Manejo de grupos. Fluidez verbal de ideas. Habilidades didácticas. Aplicación del MEI. Responsable. Honesto. Respetuoso. Tolerante. Asertivo. Colaborativo. Participativo. ELABORÓ REVISÓ AUTORIZÓ M en C. José Luis Calderón Osorno M en C. Edmundo René Durán Camarillo M en C. Ignacio Ríos de la Torre. Profesores Colaboradores. Dr. Flavio Arturo Sánchez Garfias Subdirector Académico Ing. Apolinar Francisco Cruz Lázaro Director Fecha: 2011