Sillabo dell'insegnamento

• A - Fondamenti
TIC - Teoria dell'Informazione e Codici
Codifica Gray. Codifica dei parametri.Selezione (per grado, torneo, elitaria). Crossover. Mutazione.
COM - Complessita'
Ottimizzazione con algoritmi genetici. Schemi. Il teorema dello schema. Programmazione genetica.
* CAL - Calcolabilita'
Introduzione alla terminologia. Metodi evolutivi. Simulazione Montecarlo. GA semplici.
• B - Algoritmi
TAA - Tecniche Algoritmiche Avanzate
Algoritmi classici in matlab: generazioni pseudocasuali, permutazioni,notazioni e visita ai grafi.
TAA - Tecniche Algoritmiche Avanzate
Algoritmi genetici: generalizzazione e protezione degli operatori genetici. Estensione a più di 52 bit. Esempi: tsp, sat, fitting, set partition problem, inversione approssimata di matrici non invertibili.
TAA - Tecniche Algoritmiche Avanzate
Introduzione agli algoritmi genetici: codifica/decodifica, vari tipi di crossover e mutazione veloci (uniformi, a singolo taglio, a piu' tagli...) a 53 bit , vari tipi di selezione (torneo, roulette...), clonazione.Esempi: minimo di funzione, intersezione di funzioni, punto medio...
• M - Rappresentazione della conoscenza
* RP - Risoluzione di Problemi
Architetture a mesh, ad ipercubo e piramidali.
AI - Agenti Intelligenti
Esempi di algoritmi paralleli.
* RP - Risoluzione di Problemi
Misure di bontà e valutazione (spped-up, overhea).
* RP - Risoluzione di Problemi
Introduzione all'ambiente di analisi dati matlab: Istruzioni e costrutti fondamentali
AIA - Applicazioni della Intelligenza Artificiale
Programmi genetici. Esempi: parsing, approssimazione di funzioni, circuiti elettrici.
* RP - Risoluzione di Problemi
Vettorializzazione del codice sorgente. Ottimizzazioni in matlab. Interfacce grafiche.