FIŞA DISCIPLINEI

1. Date despre program

1.1 Instituţia de învăţământ
superior
1.2 Facultatea
1.3 Departamentul
1.4 Domeniul de studii
1.5 Ciclul de studii
1.6 Programul de studii
Academia de Studii Economice din Bucureşti
Facultatea de Cibernetică, Statistică şi Informatică Economică
Departamentul de Informatică şi Cibernetică Economică
Economie
Licență
Informatică Economică

2. Date despre disciplină

2.1 Denumirea disciplinei Programare evolutivă şi algoritmi genetici
Codul disciplinei 16.0205IF2.2-0003
2.2 Titularul activităţilor de Profesor univ. dr. Cătălina Cocianu, Conferenţiar univ. dr. Cristian Uscatu
curs
2.3 Titularul activităţilor de Profesor univ. dr. Cătălina Cocianu,
seminar Conferenţiar univ. dr. Cristian Uscatu,
Lector univ. dr. Radu Mogoș
2.4 Anul de studiu 2 2.5 Semestrul 2 2.6 Tipul de evaluare EC 2.7 Regimul disciplinei O

3.Timpul total estimat (ore pe semestru al activităţilor didactice)

3.1 Număr de ore pe săptămână din care:
4 3.2 curs 2 3.3 seminar / 2
laborator
3.4 Total ore din planul de din care:
învăţământ 56 3.5 curs 28 3.6 seminar / 28
laborator
Distribuţia fondului de timp ore
Studiul după manual, suport de curs, bibliografie și notiţe 17
Documentare suplimentară în bibliotecă, pe platformele electronice de specialitate și pe teren 7
Pregătire seminarii / laboratoare, teme, referate, portofolii şi eseuri 16
Tutoriat 2
Examinări 2
Alte activităţi
3.7 Total ore de studiu individual 44
3.9 Total ore pe semestru 100
3.10 Numărul de credite 4

4.Precondiţii (acolo unde este cazul)

4.1 de curriculum Bazele programării
Algoritmi și tehnici de programare
Probabilități și statistică matematică
4.2 de competenţe

5.Condiţii (acolo unde este cazul)

5.1. de desfăşurare a Amfiteatru cu:
cursului
5.2. de desfăşurare a
seminarului / laboratorului
Condiții generale
- minim 150 locuri,
- videoproiector cu posibilitatea cuplării unui laptop,
- tablă și instrumente de scris (preferabil tablă albă și marker).
Sală de seminar cu:
- minim 25 locuri,
- minim 20 calculatoare cu MatLab și Visual Studio 2010 instalate,
- tablă albă și marker,
- preferabil să existe videoproiector pentru prezentări ad-hoc.
Studenții trebuie să aibă un dispozitiv extern de stocarea a datelor de
capacitate rezonabilă (minim 2GB, recomandat 4GB), pe care să păstreze
toate lucrările de la seminar și studiu individual, cu posibilitatea de a le
accesa la nevoie.
Este recomandată prezența și participarea activă la curs/laborator. În cazul
absenței, este responsabilitatea studenților să determine partea de materie
pierdută și să ia măsuri pentru recuperare. Multe din temele abordate pot fi
însușite numai prin exersare, absențele frecvente afectînd implicit rezultatul
final.
Prezența la probele practice este obligatorie, deoarece nu există
posibilitatea susținerii lor la altă dată decît cea programată.
Nu este permisă utilizarea telefoanelor mobile și a dispozitivelor similare în
timpul orelor. De asemenea este interzisă utilizarea calculatoarelor pentru
accesarea platformelor de socializare în timpul cursurilor/laboratoarelor.

6. Competenţele specifice acumulate

 C4 - Dezvoltarea de componente pentru produse software, folosind structuri de date,
transversale profesionale
Competenţe Competenţe

algoritmi, tehnici si limbaje de programare evoluate

7. Obiectivele disciplinei (reieşind din grila competenţelor specifice acumulate)

7.1 Obiectivul general al
disciplinei
7.2 Obiectivele specifice
Însuşirea şi aprofundarea de către studenţi a lucrului cu algoritmi de
calcul evolutiv pentru rezolvarea unor probleme de optimizare cu
aplicaţii economice..
- Înţelegerea conceptelor fundamentale ale calculului evolutiv.
- Înţelegerea, însuşirea şi utilizarea algoritmilor genetici, algoritmilor
evolutivi si programării genetice.
- Utilizarea algoritmilor evolutivi pentru rezolvarea unei clase de
probleme de optimizare a unor funcţii criteriu de performanţă
(optimizarea portofoliilor de acţiuni etc.).

8. Conţinuturi
8.1 Curs Metode de predare Observaţii
1. Curs introductiv: Obiectivele disciplinei şi Prelegeri axate pe utilizarea Suportul de curs
competenţele dobândite ca rezultat al învăţării, de suport power-point şi pe este prezentat
precizarea metodelor şi instrumentelor de lucru, a acces la resurse multimedia şi studenţilor la
surselor de documentare, precum şi a cerinţelor de studii de caz. debutul
evaluare. activităţii.
Bazele teoretice ale calculului evolutiv. Componentele
si clasificarea algoritmilor evoluţioniști - introducere
2. Evoluția căutare directă – căutare stochastică. Idem Idem
Algoritmii hill-climbing și simulated annealing.
3. Componentele si clasificarea algoritmilor Idem Idem
evoluţioniști: reprezentare, operatori de recombinare
şi mutaţie.
4. Componentele si clasificarea algoritmilor Idem Idem
evoluţioniști: modele de populaţii, funcţia de evaluare,
operatorul de selecţie.
5. Algoritmi genetici. Reprezentări specifice: Idem Idem
reprezentări binare, reprezentări în virgulă mobilă şi
prin intermediul permutărilor.
6. Algoritmi genetici. Modele de populaţii, funcţia de Idem Idem
evaluare, operatori de variație - mutația.
7. Algoritmi genetici. Operatorul de recombinare. Idem Idem
Prezentarea algoritmilor de recombinare specifici
fiecărui tip de reprezentare
8. Algoritmi genetici. Operatori de selecție. Idem Idem
9. Strategii evoluţioniste. Schema generală. Idem Idem
Operatorul mutatie în variantele necorelată și
respectiv corelată.
10. Strategii evoluţioniste. Tehnici de selecţia părinţilor Idem Idem
şi a descendenţilor. Autoadaptarea.
11. Optimizarea portofoliilor. Portofoliul optim cu n Idem Idem
acţiuni.
12. GA pentru optimizarea portofoliilor: reprezentare, Idem Idem
modele de populaţie, funcţia de evaluare.
13. GA pentru optimizarea portofoliilor: operatorii de Idem Idem
mutaţie şi încrucişare, operatorul de selecţie.
14. Lucrare de control Testarea cunoştinţelor Suportul de curs
si seminar
Bibliografie
1. Suportul de curs electronic
2. Cocianu Cătălina, Uscatu Cristian: Programare evolutivă şi algoritmi genetici, Editura ASE, 2015
3. Eiben, A. E., Smith, J. E., Introduction to Evolutionary Computing, Springer-Verlag, 2003
4. Fulcher, J., Jain, L. C. (Eds.), Computational Intelligence: A Compendium, Springer-Verlag, 2008
5. Engelbrecht, A.P., Computational Intelligence. An Introduction, John Wiley & Sons, 2007

8.2 Seminar / Laborator/Lucrări practice/Stagii Metode de predare Observaţii

1. Tematica de studiu şi bibliografie. Repere privind Cunoaşterea profesor- Se folosesc calculatoare
testarea cunoştinţelor în cadrul activităţilor de la student; cu acces la internet şi
seminar. Elemente de MatLab. Prezentare. programe software
corespunzătoare.
2. Implementarea algoritmului hill-climbing. Aplicaţii practice cu Idem
exemplificare pe
calculator.
3. Calcul evolutiv. Exemplificare pe problema Idem Idem
rucsacului.
4. Calcul evolutiv. Algoritmi genetici. Exemplificare pe Idem Idem
problema celor 8 (n) regine.
5. Algoritmi genetici. Exemplificare pe probleme de Idem Idem
planificarea activităţilor. Variante de reprezentare şi
rezolvare
6. Aplicații ale strategiilor evolutive și programării Idem Idem
evolutive în probleme de optimizare.
7. Probleme de optimizare a portofoliilor: minimizarea Idem Idem
riscului, maximizarea randamentului, minimizarea
riscului pentru un randament minim dat.
8. Proba practică. Testarea cunoştinţelor Idem
9. Exemple de implementarea strategiilor evoluționiste
10. Exemple de implementarea strategiilor
evoluționiste. Studiu comparativ
11. Algoritmi genetici pentru optimizarea portofoliilor. Aplicaţii practice cu Idem
Variante fără short-selling. exemplificare pe
calculator.
12. Algoritmi genetici pentru optimizarea portofoliilor. Idem Idem
Variante cu short-selling. – 2 seminarii
13. Prezentarea unui proiect care să cuprindă Testarea cunoştinţelor Idem
rezolvarea unei probleme de optimizare particulară
(alegerea unui tip de algoritm evolutiv, reprezentarea
populaţiei, specificarea operatorilor folosiţi, setarea
parametrilor algoritmului, precizarea condiţiei de
oprire)
Bibliografie
1. Suportul de curs electronic, disponibil la www.programare.ase.ro
2. Cocianu Cătălina, Uscatu Cristian: Programare evolutivă şi algoritmi genetici, Editura ASE, 2015
3. Eiben, A. E., Smith, J. E., Introduction to Evolutionary Computing, Springer-Verlag, 2003
4. Fulcher, J., Jain, L. C. (Eds.), Computational Intelligence: A Compendium,Springer-Verlag, 2008
5. Engelbrecht, A.P., Computational Intelligence. An Introduction, John Wiley & Sons, 2007

9.Coroborarea conţinuturilor disciplinei cu aşteptările reprezentanţilor comunităţii epistemice,

asociaţiilor profesionale şi angajatorilor reprezentativi din domeniul aferent programului
 Discutarea conţinutului disciplinei cu specialişti şi angajatori în ceea ce priveşte necesitatea şi
importanţa utilizării calculului şi algoritmilor evolutivi în dezvoltarea şi optimizarea unor componente
ale sistemelor informatice de analiză a datelor;
 Înzestrarea viitorilor specialişti cu abilităţi de utilizare a tehnicilor, metodelor moderne care reflectă
stadiul dezvoltării domeniului;
 Posibilitatea utilizării algoritmilor evolutivi şi oferirea de instrumente noi pentru proiectarea unor
module de optimizare a funcţiilor criterii de performanţă;
 Utilizarea tehnicilor de calcul evolutiv pentru rezolvarea problemelor dificil de realizat prin metode
convenţionale.
 Utilizarea algoritmilor evolutivi şi a tehnicilor hibride în diverse clase de aplicaţii din domenii cum sunt
industrie, economie, medicină etc.

10.Evaluare
10.3 Pondere
Tip activitate 10.1 Criterii de evaluare 10.2 Metode de evaluare
din nota finală
10.4 Examen Cunoaşterea conceptelor legate de Lucrare de control 50%
calculul evolutiv şi algoritmi genetici şi
aplicarea lor în rezolvarea unor
probleme particulare de optimizare

10.5 Seminar / Aplicarea cunoştinţelor prin rezolvare Probă practică 20%

laborator de probleme, interpretare şi
argumentare
Capacitatea de a aplica cunoştinţele Prezentarea unui proiect 30%
dobândite la curs şi seminar în
elaborarea unui proiect (conform
activităţii specificate la ultimul
seminar)
10.6 Standard minim de performanţă
Însuşirea elementelor fundamentale de calcul evolutiv şi aplicarea acestora pentru rezolvarea unei
probleme de optimizare particulară (alegerea unui tip de algoritm evolutiv, reprezentarea populaţiei,
specificarea operatorilor folosiţi, setarea parametrilor algoritmului, precizarea condiţiei de oprire).
Recunoscînd natura socială și colaborativă a învățării, notele acordate trebuie să reflecte totuși eforturile,
cunoștințele și deprinderile individuale. Lucrările care prezintă similarități nespecifice vor primi zero
puncte.
Tentativele de fraudă de orice fel surprinse în timpul desfășurării examinării au ca rezultat eliminarea din
cadrul probei, cu punctaj zero și cu propunere de exmatriculare.

Data completării Semnătura titularului de curs Semnătura titularului de seminar

........................... ............................................. .............................................

Data avizării în departament Semnătura directorului de departament

............................................ ..............................................................