Tantárgy » BMEVIIIM129
Lágy számítási módszerek
Soft Computing Methods
A tantárgyleírás hatályossága
Hatályosság kezdete:
2026. March 21.
Hatályosság vége:
—
| Tantárgy neve (magyarul, angolul) |
Lágy számítási módszerek
Soft Computing Methods
|
||||||||||||
|---|---|---|---|---|---|---|---|---|---|---|---|---|---|
| Tantárgykód | BMEVIIIM129 | ||||||||||||
| Tantárgyjelleg | — | ||||||||||||
| Képzési szint | — | ||||||||||||
| Kurzustípusok és óraszámok (heti/féléves) |
|
||||||||||||
| Tanulmányi teljesítmény/értékelés típusa | vizsga | ||||||||||||
| Tantárgy kreditértéke | 4 | ||||||||||||
| Tantárgyfelelős |
DR. Harmati István
beosztás: egyetemi docens
elérhetőség:
harmati.istvan@vik.bme.hu
|
||||||||||||
| Tantárgyat gondozó oktatási szervezeti egység |
Irányítástechnika és Informatika Tanszék
|
||||||||||||
| Kar | Villamosmérnöki és Informatikai Kar | ||||||||||||
| Tantárgy weboldala | — | ||||||||||||
| Tantárgy elsődleges mintatantervi jellege | — | ||||||||||||
| Közvetlen előkövetelmények – Erős előkövetelmény | nincs | ||||||||||||
| Közvetlen előkövetelmények – Gyenge előkövetelmény | nincs | ||||||||||||
| Közvetlen előkövetelmények – Párhuzamos előkövetelmény | nincs | ||||||||||||
| Közvetlen előkövetelmények – Mérföldkő előkövetelmény | nincs | ||||||||||||
| Közvetlen előkövetelmények – Kizáró feltétel | nincs |
Célkitűzés
Tantárgyprogram
13 tényleges oktatási hét: 26 előadási + 13
tantermi gyakorlati óra. A gyakorlatok az elméleti előadás módszereit
alkalmazási példák keretében mutatják be. Az előadások tematikája:
- Fuzzy-neurális rendszerek
alapjainak összefoglaló áttekintése. Fuzzy következtetés, defuzzifikáció,
Sugeno-féle fuzzy rendszerek.
- Fuzzy logikai szabályozó (FLC)
blokkvázlata és az egyes egységek funkciói. Fuzzy PID és PD szabályozók. A
MacVicar-Whelan metaszabályok. Fuzzy PD szabályozó szabálybázisának
felvétele.
- Numerikus optimalizálási módszerek összefoglaló
áttekintése. Optimum szükséges analitikus feltétele korlátozások
mellett. A probléma megfogalmazása, aktív halmaz, LICQ feltétel, az
optimalizálási probléma Lagrange függvénye, Elsőrendű (Karush-Kuhn-Tucker)
feltétel.
- Optimalizálási módszerek.
Gradiens, konjugált gradiens és kvázi-Newton technikák. Gradiens számítás
neurális hálózatban. Szubtraktív klaszterezés, gradiens számítás adaptív
hálózatban, ANFIS.
- Genetikus algoritmusok
felépítése. Lineáris és nemlineáris fitness, szelekció, bináris és real
genetikus operátorok, visszahelyettesítési stratégiák. Multipopulációs
algoritmus. Szabályozótervezés genetikus algoritmussal.
- Adaptív fuzzy irányítás.
Névleges és felügyelő szabályozó tervezés, indirekt (modellre alapozott)
és direkt (modellt nem használó) adaptív irányítás, stabilitásvizsgálat.
- Adaptív neurális irányítás.
Direkt adaptív neurális irányítás teljes állapot-visszacsatolással,
adaptív irányítás neurális hálózat alapú megfigyelővel. Esettanulmány:
repülőgépirányítás.
- SVD alapú fuzzy approximáció és
szabályozó tervezés. Az algoritmusok felépítése, a matematikai feltételek
biztosítása, többváltozós kiterjesztés. Szabályozótervezés
SVD-technikával.
- Optimalizálás és irányítás
tervezés evolúciós és bakteriális algoritmusokkal. Az algoritmusok
felépítése, fuzzy interpretáció, szabályozótervezés.
- Rajintelligenciák. Motivációk,
közös tulajdonságok. A raj és rajintelligencia definíciója. Fontosabb
módszerei. Hangyakolóniák. A globális viselkedés alapja, a mesterséges
hangya matematikai modellje. A valódi és mesterséges hangya közötti
különbségek. A feromon szerepe. A hangyakolónia alapú optimalizálás
metaheurisztikája.
- Részecskeraj optimalizáció.
Motiváció, előnyök, hátrányok. A részecskeraj optimalizálás koncepciója, a
részecske felépítése, optimalizálás algoritmusa, a részecske mozgása. A
részecskeraj optimalizálás implementációs kérdései, diszkrét algoritmusok
és variánsok.
- Tanuló algoritmusok. Egyensúlyt
tanuló algoritmusok, legjobb választ tanuló algoritmusok, számítási
korlátok. Wolf-algoritmus és módosított változatai, Multiágens rendszerek
irányítása tanuló algoritmusokkal.
- Valószínűségi tudásmodellezés
Bayes-hálókkal.
A tantárgy célja hogy
bemutassa az irányításelméletben és rendszermodellezésben egyre intenzívebben
alkalmazott korszerű, lágy számítási technikákon alapuló mesterséges
intelligencia módszereket. A módszerek alkalmazását nemlineáris
identifikációs és irányítástechnikai tervezési feladatok keretében korszerű
eszközök felhasználásával mutatja be.
A tantárgyat sikeresen abszolváló hallgatók közre
tudnak működni komplex rendszerek modellezésében és irányítási algoritmusainak
fejlesztésében és megvalósításában, továbbá általánosabb
rendszer-optimalizációs és döntési feladatok megoldásában. Hosszú távon
hasznosítható készségekkel rendelkeznek a fuzzy-neurális és genetikus
algoritmusok műszaki és nem műszaki (biológiai, közgazdasági) területeken való
alkalmazásában és a mesterséges intelligencia módszereket igénylő informatikai
rendszerek fejlesztésében és kutatásában.
Tanulmányi eredmények
Ez a tantárgy a KKK rendeletben meghatározott, következő kompetenciák fejlesztését szolgálja:
Tudás
Nincsenek rögzített tanulási eredmények.
Képességek
Nincsenek rögzített tanulási eredmények.
Attitűd
Nincsenek rögzített tanulási eredmények.
Autonómia és felelősség
Nincsenek rögzített tanulási eredmények.
Oktatási módszertan
A tárgy előadásból és az előadás anyagát illusztráló gyakorlatokból áll.
Tanulástámogató anyagok
Online források
[1] Elektronikus segédanyagok a tanszék oktatási portálján:; edu.iit.bme.hu (regisztráció szükséges); [2] B. Lantos: Fuzzy systems and genetic algorithms, 2002, Műegyetemi kiadó
A tantárgy teljesítéséhez ajánlott előzetes ismeretek
Tudás típusú kompetenciák
(azon előzetes ismeretek összessége, amelyek megléte nem kötelező, de a tantárgy eredményes teljesítését nagyban elősegíti)
Matematika, Szabályozástechnika
Képesség típusú kompetenciák
(azon előzetes képességek és készségek összessége, amelyek megléte nem kötelező, de a tantárgy eredményes teljesítését nagyban elősegíti)
nincs
Ajánlott (nem kötelező) előzetesen megszerzendő kompetenciák
(azon ajánlott (nem kötelező) előzetesen megszerzendő kompetenciák összessége, amelyek jelentősen hozzájárulnak a tantárgy eredményes teljesítéséhez)
Matematika, Szabályozástechnika
Általános szabályok
Követelmények:
1 zárthelyi a szorgalmi időszakban. Az aláírás feltétele legalább elégséges zárthelyi osztályzat. Eredménye 20% arányban beszámít a vizsgajegybe.
Pótlási lehetőségek:
A zárthelyi a szorgalmi időszakban vagy a pótlási héten pótolható.
Teljesítményértékelési módszerek
Szorgalmi időszakban végzett teljesítményértékelések részletes leírása
Nincs megadva részletes értékelés.
Szorgalmi időszakban végzett teljesítményértékelések részaránya
Nincs megadva részarány.
Vizsgaidőszakban végzett teljesítményértékelések részletes leírása
Nincs megadva részletes értékelés.
Vizsgarészek részaránya
Nincs megadva részarány.
Érdemjegy megállapítása
Nincs megadva érdemjegy határ.
Jelenléti és részvételi követelmények
Nincs megadva jelenléti követelmény.
Javítás, ismétlés és pótlás különös szabályai
Nincs megadva.
Rövid leírás
Nincs megadva.
Részletes leírás
Nincs megadva.
Ajánlott tantárgyak
-
A tantárgy elvégzéséhez szükséges tanulmányi munka
Nincs megadva munkaidő bontás.
Tantárgykövetelmények hatályossága
Tantárgykövetelmények hatályosságának kezdete:
—
Tantárgykövetelmények hatályosságának vége:
—
Tantervi elhelyezés
Nincsenek rögzített tantervi elhelyezések ehhez a tárgyverzióhoz.