Інфопакет

Сучасні методи комп’ютерного моделювання

Вибіркова дисципліна для ОП

Перший

2021/2022

6 Семестр

2

ПРН9 Поєднувати методи математичного комп’ютерного моделювання з неформальними процедурами експертного аналізу для пошуку оптимальних рішень. ПРН10. Будувати ефективні щодо точності обчислень, стійкості, швидкодії та витрат системних ресурсів алгоритми для чисельного дослідження математичних моделей та розв’язання практичних задач. ПРН14. Використовувати в практичній роботі спеціалізовані програмні продукти та програмні системи комп’ютерної математики.

Дистанційне навчання

Для успішного вивчення дисципліни «Сучасні методи комп’ютерного моделювання» студент повинен відповідати таким вимогам: 1. Знати: основні поняття та концепції програмування, алгебру, математичний аналіз, дискретну математику, теорію алгоритмів на базовому рівні (об’єм другого курсу університету), суть поняття алгоритму. 2. Вміти: створювати програми будь-якою мовою, читати та аналізувати математичні тексти, реалізовувати прості алгоритми. 3. Володіти елементарними навичками: роботи з комп’ютером, пошуку інформації в інтернеті, користування системами перекладу.

Модуль 1. Задачі кластерного аналізу, вивчення основних підходів побудови алгоритмів кластерного аналізу. Лекцій -12 г. Сам роб. -14 г. Загальна характеристика методів кластеризації Основні підходи до розробки алгоритмів. Метод К-середніх, область його застосування. Програмна реалізація методу К-середніх та його тестова перевірка. Нечіткий метод К- середніх, його переваги перед методом К-середніх. Програмна реалізація. Інші методи кластеризації на прикладі Db Scan та методів сіткового типу. Модуль 2 Природоподібні алгоритми еволюційного типу пошуку екстремуму функцій. Лекцій -16 г. Самостійної роботи -20. Загальна характеристика природоподібних алгоритмів еволюційного типу. Вивчення методу рою часток для пошуку екстремуму функції. Тестування алгоритмів на функціях декількох змінних. Вивчення еволюційного алгоритму генетичного типу. Програмна реалізація генетичного алгоритму. Тестування генетичного алгоритму на функціях Розенбока, Растрігіна, Єклі.

1. Пантелеев, Д.В. Метлицкая, Е.А. Алешина Методы глобальной оптимизации. Метаэвристические стратегии и алгоритмы А. В. 2013,. М. Вузовская наука. 244 с 2. Алгоритмы кластеризации в задачах сегментации спутниковых изображений И. А. Пестунов, Ю. Н. Синявский Весник КемГУ 2012 № 4 (52) т. 2 с. 110-125 3. Е .С. Семенкин, М.Н. Жукова, В.Г. Жуков, И.А. Панфилов, В.В. Тынченко Эволюционные методы моделирования и оптимизации сложных систем. Конспект лекций. Красноярск 2007 515 с. 4. Б.Г. Миркин Методы кластер-анализа для поддержки принятия решений: обзор Препринт WP7/2011/03 Серия WP7 М. 2011 88 с.

Лекції, самостійна робота, опрацювання рекомендованої літератури, виконання проектів.

Семестрове оцінювання: Максимальна кількість балів, які можуть бути отримані студентом: 60 балів: 1. Індивідуальний проект 1 РН1.1, РН1.2, РН1.3, РН 2.1, РН2.2, РН2.3 – 20 балів /12 балів 2. Індивідуальний проект 2 РН1.1, РН1.2, РН1.3, РН 2.1, РН2.2, РН2.3 – 20 балів /12 балів 3. Індивідуальний проект 3 РН1.1, РН1.2, РН1.3, РН 2.1, РН2.2, РН2.3 – 20 балів /12 балів Підсумкове оцінювання (у формі іспиту): - Максимальна кількість балів, які можуть бути отримані студентом: 40 балів. - результати навчання які будуть оцінюватись: PH1.1, PH1.2, PH1.3, PH2.1, PH2.3; - форма проведення і види завдань: письмова із захистом відповіді, два теоретичних пи-тання по 10 балів та два практичних завдання (по 10 балів).

Українська