| Kods | DE0660 | ||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||
| Nosaukums | Ģenētiskie algoritmi elektrotransporta optimālā vadībā | ||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||
| Statuss | Obligātais/Ierobežotās izvēles | ||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||
| Līmenis un tips | Augstākā līmeņa, Profesionālais | ||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||
| Tematiskā joma | Datorika | ||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||
| Struktūrvienība | Datorzinātnes, informācijas tehnoloģijas un enerģētikas fakultāte | ||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||
| Mācībspēks | Mihails Gorobecs, Andrejs Potapovs | ||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||
| Kredītpunkti | 3.0 | ||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||
| Daļas | 1 | ||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||
| Anotācija |
Studiju kurss sniedz zināšanas par evolucionārajiem algoritmiem un to pielietošanu elektrotransporta mikrokontrolleru optimālās vadības uzdevumiem ar mākslīgā intelekta metodēm. Studiju kurss aptver ģenētiskos algoritmus, to struktūru, operatorus, mērķa funkciju definēšanu, eksperimentu statistikas savākšanu un analīzi, izmantojot datu bāzes un statistisko hipotēžu pārbaudes metodes elektrotransporta uzdevumos.. |
||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||
| Studiju kursa saturs |
|
||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||
|
Mērķis un uzdevumi, izteikti kompetencēs un prasmēs |
Studiju kursa mērķis ir attīstīt vai pilnveidot prasmes lietot ģenētiskos algoritmus elektrotransporta vadības procesu pilnveidošanai. Studiju kursa uzdevumi ir: 1) veidot izpratni par ģenētisko algoritmu darbības principiem; un to parametru variācijām; 2) sniegt zināšanas par algoritmu mērķa funkcijas un operatorus matemātisko definēšanu; 3) veidot iemaņas veikt eksperimentu statistikas datu analīzi un pārbaudīt hipotēzes; 4) attīstīt prasmes risināt elektrotransporta mikrokontrolleru optimālās vadības uzdevumus. | ||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||
|
Sasniedzamie studiju rezultāti un to vērtēšana |
Prot lietot ģenētisko algoritmu definīcijas, veidus, operatorus, funkcijas optimizācijas uzdevumos. - Eksāmena teorētiskie jautājumi un kontroldarbi. Prot matemātiski definēt elektrotransporta optimālās vadības piederības funkciju ģenētiskajām algoritmam. - Laboratorijas darbi, eksāmena teorētiskie jautājumi un kontroldarbi. Spēj izstrādāt mikrokontrolleru programmas ar ģenētiskajiem algoritmiem, risinot elektrotranspora vadības optimālās vadības uzdevumus. - Laboratorijas darbi. Spēj izpildīt statistisko hipotēžu analīzi lai pierādītu rezultāta optimalitāti Laboratorijas darbi, eksāmena praktiskais uzdevums. - Laboratorijas darbi, eksāmena praktiskais uzdevums. |
||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||
| Studiju rezultātu vērtēšanas kritēriji |
Atbildes uz eksāmena teorētiskiem jautājumiem - 20%
Eksāmena praktiskā uzdevuma izpilde - 20% Kontroldarbu izpilde - 20% Laboratorijas darbu izpilde - 40% |
||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||
| Priekšzināšanas | Matemātiskās analīzes un optimizācijas metodes, programmēšanas valodas, adaptīvas sistēmas, tīmekļa programmēšana, datu bāzes. | ||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||
| Studiju kursa plānojums |
|
||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||