261 Konstrukcijsko-energetsko strojarstvo
|
110 Elektrotehnika i informacijska tehnologija
112 Elektronika i računalno inženjerstvo
114 Komunikacijska i informacijska tehnologija
150 Industrijsko inženjerstvo
220 Elektronika i računalno inženjerstvo
222 Računalno inženjerstvo
231 Automatizacija i pogoni
232 Elektroenergetski sustavi
242 Telekomunikacije i informatika
261 Konstrukcijsko-energetsko strojarstvo
262 Računalno projektiranje i inženjerstvo
263 Proizvodno strojarstvo
270 Industrijsko inženjerstvo
271 Proizvodni management
272 Upravljanje životnim ciklusom proizvoda
310 Elektrotehnika i informacijska tehnologija
920 Elektronika i računalno inženjerstvo
940 Komunikacijska i informacijska tehnologija
|
|
Nema predmeta
Upit treba biti dulji od 1 znaka...
Nema rezultata
U polje za pretragu upišite naziv ili kôd predmeta koji želite pronaći
ciljevi predmeta
- Usvojiti teorijske postavke, metode i algoritme numeričke optimizacije,
- Razviti sposobnost primjene računala u inženjerskoj numeričkoj optimizaciji,
- Osposobiti se za kvalificiranu primjenu numeričkih alata u inženjerskim problemima
očekivani ishodi učenja
Nakon završenog kolegija, studenti će biti sposobni:
- opisati inženjerski problem kao optimizacijski model odlučivanja,
- modelirati skup varijabli odlučivanja, ograničenja i funkcija izvrsnosti za inženjerske probleme,
- izraditi dijagrame toka za različite metode optimizacije,
- primijeniti gradijentne metode optimizacije (HJ, NM, ..) na inženjerske probleme,
- primijeniti negradijentne metode optimizacije (NS, CG, N, BFGS..) na inženjerske probleme,
- rješavati probleme nelineranog optimiranja sa ograničenjima,
- primijeniti evolucijske metode optimizacije i metaheuristike (GA, ACO, SA, NM,..) na inženjerske probleme,
- primjeniti postupke optimiranja na mrežne probleme: min.put, min. stablo, max. tok,
- razviti i testirati vlastite optimizacijske modele i postupke u MATLABu
nastava i predavači
|
|
45 sati
3 sata tjedno × 15 tjedana
|
|
|
15 sati
1 sat tjedno × 15 tjedana
|
sadržaj
- uvod, pojmovi, osnovni teorijski aspekti, linearno programiranje, Simpleks metoda
- nelinearno programiranje, 1-dimenzionalne (1D) metode: metode polovljenja intervala, Fibonacci, zlatni rez, interpolacijski postupci, svođenja nD na 1D problem, nelinearno programiranje, (nD) metode kod problema bez ograničenja: direktne metode (metode slučajnog koraka, Hookee Jeeves, Powell, Nelder - Mead, srodni postupci), gradijentne metode (metode najbržeg spusta i konjugiranih gradijenata, Newton i kvazi-Newton metode,...), nelinearno programiranje, nD metode kod problema sa ograničenjima: osnovni pojmovi kod direktnih metoda (SLP, SQP, srodne), - transformacijske metode (metode kaznenih funkcija). Posebna poglavlja: metoda simuliranog žarenja, metode genetskih algoritama, primjena neuralnih mreža, optimiranje kod problema sa diskretnim varijablama, primjeri inženjerske primjene. Primjeri se rješavaju uz programiranje u jeziku C i izradu programskih skripti u paketu Matlab.
preporučena literatura
D. Vučina, 'Metode inženjerske numeričke optimizacije', Sveučilište u Splitu, FESB 2005
J. S. Arora, “Introduction to Optimum Design”, McGraw Hill, 1989
G. Magazinović: "Metode optimiranja, Bilješke uz vježbe", interni materijal, 1996
dopunska literatura
G. Vanderplaats, "Numerical Optimization Techniques for Engineering Design", - Vanderplaats Research and Development, 1999
A. D. Belegundu, T. R. Chandrupatla, “Optimization Concepts and Applications in Engineering”, Prentice Hall, 1999
S.S. Rao, “Engineering Optimization”, Wiley Interscience, 1996
D.E. Goldberg, "Genetic algorithms in search, optimization and machine learning", Addison Wesley, 1989
S. Haykin, "Neural Networks", Prentice Hall International, 1999
način praćenja kvalitete i uspješnosti izvedbe svakog predmeta i/ili modula
Mišljenja studenata o kvaliteti nastave putem anketa.
Povremeno promatranje i evaluacija nastave od strane predstojnika odsjeka/šefa katedre.
ispit (način polaganja, ispitni rokovi)
Prvi kolokvij je nakon 7 tjedana nastave, a drugi nakon 13 tjedana nastave. Na završnom ispitu studenti polažu dijelove gradiva koje nisu položili na kolokvijima.
Uvjet za pozitivnu ocjenu je minimalno 50% bodova na svakom međuispitu i završnom ispitu. Završni ispit uključuje i kratki usmeni dio.
Ocjena(%) = 0,5*M1 + 0,5*M2
M1, M2 - bodovi na međuispitima izraženi u postocima.
Konačna se ocjena utvrđuje na sljedeći način:
Postotak Ocjena
50% do 61% dovoljan (2)
62% do 74% dobar (3)
75% do 87% vrlo dobar (4)
88% do 100% izvrstan (5)
Student koji ne položi ispit preko kolokvija polaže pismeni ispit koji sadrži zadatke i teoretska pitanja. Uvjet za prolaz ispita je 50% bodova od ukupnog broja te pozitivno riješeni zadaci i teorija. Na jesenskim ispitnim rokovima ispit se polaže u cjelini.
Ispitni rokovi: Prema kalendaru FESBa.
|
Nastavne jedinice za Predavanja |
Broj sati |
1.
|
1. Uvod, pojmovi, osnovni teorijski aspekti i primjeri primjene
|
3 sata |
2.
|
2. Temeljni pojmovi, osnovni teorijski aspekti, modeli za optimizaciju
|
3 sata |
3.
|
3. Linearno programiranje, standardni model
|
3 sata |
4.
|
4. Linearno programiranje, Simpleks metoda, primjene
|
3 sata |
5.
|
5. Nelinearno programiranje, jednodimenzionalne (1D) metode: postupci polovljenja intervala, Fibonacci, zlatni rez, interpolacijski postupci, svođenje nD problema na 1D probleme
|
3 sata |
6.
|
6. Nelinearno programiranje, n-dimenzionalne (nD) metode kod problema bez ograničenja:
- direktne metode (metode slučajnog koraka i smjera, metoda Hookee Jeeves, Powell-ova metoda, Nelder - Mead simplex metoda, …)
|
3 sata |
7.
|
7. Nelinearno programiranje, n-dimenzionalne (nD) metode kod problema bez ograničenja:
- gradijentne metode (metoda najbržeg spusta i konjugiranih gradijenata, Newton-ova metoda, kvazi-Newton metode, ...)
|
3 sata |
8.
|
8. Nelinearno programiranje, nD NLP metode kod problema sa ograničenjima:
- transformacijske metode (metode vanjske kaznene funkcije, metode unutarnje kaznene funkcije)
|
3 sata |
9.
|
9. Nelinearno programiranje, nD NLP metode kod problema sa ograničenjima:
- direktne metode (metoda dopustivih smjerova, metoda generaliziranog reduciranog gradijenta, metode sekvencijalnog linearnog programiranja, metoda sekvencijalnog kvadratnog programiranja)
|
3 sata |
10.
|
10. Osnovni pojmovi iz evolucijskih metoda i posebna poglavlja: metoda simuliranog žarenja, metode genetskih algoritama
|
3 sata |
11.
|
11. Osnovni pojmovi iz evolucijskih metoda i posebna poglavlja: primjena neuralnih mreža kao funkcijskih aproksimatora, primjeri
|
3 sata |
12.
|
12. Osnovni pojmovi i postupci: optimiranje kod problema sa diskretnim varijablama, metoda grananja, GA, .. Mrežni problemi min. puta, min. stable, max. toka
|
3 sata |
13.
|
13. Primjeri postavljanja fizikalnih i matematičkih optimizacijskih modela za različite inženjerske probleme. Razrada odgovarajućih algoritama. Izrada odgovarajućih programa u jeziku C i programskih skripti u MATLAB-u.
|
3 sata |
|
Nastavne jedinice za Laboratorijske vježbe |
Broj sati |
1.
|
Uvodni primjeri primjene
|
1 sat |
2.
|
Primjeri modela za optimizaciju
|
1 sat |
3.
|
Linearno programiranje, standardni model, primjeri
|
1 sat |
4.
|
Linearno programiranje, Simplex, primjeri
|
1 sat |
5.
|
Nelinearno programiranje, jednodimenzionalni (1D) primjeri
|
1 sat |
6.
|
Nelinearno programiranje, n-dimenzionalne (nD) primjeri bez ograničenja.
|
1 sat |
7.
|
Nelinearno programiranje, n-dimenzionalne (nD) primjeri bez ograničenja.
|
1 sat |
8.
|
Nelinearno programiranje, n-dimenzionalne (nD) NLP primjeri sa ograničenjima.
|
1 sat |
9.
|
Nelinearno programiranje, n-dimenzionalne (nD) NLP primjeri sa ograničenjima.
|
1 sat |
10.
|
Primjeri primjene evolucijskih metoda, genetski algoritmi.
|
1 sat |
11.
|
Primjeri primjene evolucijskih metoda, genetski algoritmi.
|
1 sat |
12.
|
Primjeri primjene neuralnih mreža u optimizaciji.
|
1 sat |
13.
|
Primjeri inženjerske primjene, modeliranje.
|
1 sat |
|