Resolución de Problemas y Programación con Restricciones

Usted está aquí

Créditos
4.5
Tipos
Optativa
Requisitos
Esta asignatura no tiene requisitos, pero tiene capacidades previas
Departamento
CS
En esta asignatura se estudia el paradigma de la programacion con restricciones como herramienta para resolver problemas de optimización combinatoria

Profesores

Responsable

  • Francisco Javier Larrosa Bondia ( )

Horas semanales

Teoría
1
Problemas
1
Laboratorio
1
Aprendizaje dirigido
0.116
Aprendizaje autónomo
5

Competencias

Competencias Técnicas Genéricas

Genéricas

  • CG1 - Capacidad para proyectar, diseñar e implantar productos, procesos, servicios e instalaciones en todos los ámbitos de la Inteligencia Artificial.

Competencias Técnicas de cada especialidad

Académicas

  • CEA1 - Capacidad de comprender los principios básicos de funcionamiento de las técnicas principales de los Sistemas Multiagentes, y saber utilizarlas en el entorno de un sistema o servicio inteligente.
  • CEA13 - Capacidad de comprender las técnicas avanzadas de Modelización, Razonamiento y Resolución de problemas, y saber diseñar, implementar y aplicar estas técnicas en el desarrollo de aplicaciones, servicios o sistemas inteligentes.

Competencias Transversales

Razonamiento

  • CT6 - Capacidad de evaluar y analizar de manera razonada y critica sobre situaciones, proyectos, propuestas, informes y estudios de caracter cientifico-tecnico. Capacidad de argumentar las razones que explican o justifican tales situaciones, propuestas, etc.

Objetivos

  1. Ability to model optimally a discrete optimization problem and solve it using the proper tools.
    Competencias relacionadas: CG1, CEA1, CEA13, CT6,

Contenidos

  1. Modelado de problemas combinatorios
  2. Resolucion con programacion con restricciones

Actividades

Actividad Acto evaluativo


Modelado


Objetivos: 1
Teoría
8h
Problemas
8h
Laboratorio
8h
Aprendizaje dirigido
1h
Aprendizaje autónomo
40h

Programacion con restricciones


Objetivos: 1
Teoría
5h
Problemas
5h
Laboratorio
5h
Aprendizaje dirigido
0.5h
Aprendizaje autónomo
25h

Metodología docente

There will be theory classes to introduce the fundamental theoretical concepts, classes of problems to exercirtar to use, and laboratory classes where you will see the actual technology

Método de evaluación

Durante el curso se irán haciendo pequeños proyectos con un peso entre un 5% y un 20% de la nota final, en función de su dificultad. Tambien se hara un examen final cuyo peso estará alrededor del 30%

Capacidades previas

Basic Algorithmics