COMPUTAZIONE NATURALE

Il corso introduce alla progettazione e implementazione di algoritmi che prendono ispirazione dalla natura e dalla biologia, nonché alle caratteristiche chiavi necessari all'ottenimento di algoritmi di successo. Verranno altresì analizzate varie applicazioni di diversi algoritmi bio-inspired in ambito dell'ottimizzazione, della sicurezza, della teoria delle decisioni e della teoria dei giochi.

1. Conoscenza e capacità di comprensione (knowledge and understanding): l'obiettivo del corso è quello di far acquisire conoscenze base e avanzate che consentano allo studente di comprendere i meccanismi chiave, teorici e applicativi, che stanno alla base degli algoritmi evolutivi necessari all’ottenimento di algoritmi di successo
2. Capacità di applicare conoscenza e comprensione (applying knowledge and understanding): lo studente acquisirà le competenze necessarie per progettare un algoritmo bio-ispirato, definendo in modo opportuno la rappresentazione delle soluzioni e i necessari operatori evolutivi, nonché la necessaria conoscenza per l’utilizzo di un idoneo protocollo sperimentale atto a valutare correttamente l’efficienza e la robustezza dell’algoritmo sviluppato.
3. Autonomia di giudizio (making judgements): Attraverso esempi applicativi lo studente sarà in grado di elaborare autonomamente proprie soluzioni, al fine di sviluppare un algoritmo in grado di risolvere, anche approssimativamente, un qualunque problema del mondo reale.
4. Abilità comunicative (communication skills): lo studente acquisirà ulteriori abilità comunicative e di appropriatezza espressiva nell'impiego del linguaggio tecnico nell'ambito generale della (i) complessità computazionale, (ii) teoria dei grafi, (iii) sistemi complessi, (iv) ottimizzazione, e (v) metaeuristiche.
5. Capacità di apprendimento (learning skills): il corso si propone, come obiettivo, di fornire allo studente le necessarie metodologie teoriche e pratiche per poter affrontare e risolvere autonomamente nuove problematiche che dovessero sorgere durante l'attività progettuale tipica di un Laureato Magistrale.

Le lezioni si svolgeranno in modalità frontale. Alcune specifiche lezioni potranno però essere svolte in laboratorio.

Il corso può inoltre prevedere seminari tenuti da esperti esterni su argomenti correlati e d'attualità.

Qualora l'insegnamento venisse impartito in modalità mista o a distanza potranno essere introdotte le necessarie variazioni rispetto a quanto dichiarato in precedenza, al fine di rispettare il programma previsto e riportato nel syllabus.

Il corso presuppone una buona conoscenza di strumenti matematici (discreti e continui), algoritmi e strutture dati, nonchè ottima conoscenza dei linguaggi di programmazione C, C++, e/o Java.

La frequenza è fortemente consigliata.

Il corso si suddivide in due parti fondamentali:

PRIMA PARTE:

• Introduzione alle Teoria della Computabilità: problemi NP-Completi
• Introduzione ai concetti di base
• Introduzione a concetti di Machine Learning e Computational Learning Theory
• Landscape, Search Space e Modelli per l’Ottimizzazione
• Concetti principali e comuni della Computazione Naturale
• No Free Lunch Theorem

SECONDA PARTE:

• Algoritmi Bio-Inspirati*: Algoritmi Genetici; Programmazione Genetica; Sistemi Immunitari Artificiali, Swarm Intelligence (PSO, ACO, ABC) e Differential Evolution
• Algoritmi Bio-Inspirati in Ottimizzazione Multi-Obiettivo e Decision Making
• Algortimi Bio-Inspirati Ibridi
• Algoritmi Bio-Inspirati Paralleli e Distribuiti
• Applicazioni di Algoritmi Bio-Inspirati in: Network Sciences; Games; Internet of Things; Computer Security; Robotics; Art and Design.

1. E.G. Talbi, "Metaheuristics: From Design to Implementation", Wiley, 2009
2. C. Blum and G.R. Raidl, "Hybrid Metaheuristics: Powerful Tools for Optimization", Artificial Intelligence: Foundations, Theory, and Algorithms, 2016
3. Materiale fornito dal docente.

Tutto il materiale didattico fornito dal docente sarà reperibile tramite studium e pagina ufficiale del corso (http://www.dmi.unict.it/mpavone/nc-cs/)

L'esame consiste di tre prove: (i) test scritto; (ii) progetto e relazione; e (iii) colloquio orale.

TEST SCRITTO: Consiste di 15 domande a risposta multipla.

PROGETTO E RELAZIONE: lo studente dovrà sviluppare un algoritmo evolutivo da applicare e testare su un dato problema complesso. Per la prova verranno fornite le seguenti informazioni: (1) problema da risolvere; (2) insieme di istanze del problema su cui testare la validità e qualità dell'algoritmo implementato; (3) elenco di alcuni algoritmi bio-inspirati, e loro caratteristiche (da cui scegliere quale algoritmo implementare); (4) funzione obiettivo; (5) protocollo sperimentale da seguire per la validazione dell'algoritmo implementato. Il progetto dovrà essere consegnato entro 15-20 giorni. Alla conclusione del progetto, inoltre, lo studente dovrà consegnare per la valutazione del proprio elaborato: (a) codice sorgente dell’algoritmo sviluppato; e (b) relazione scritta in Latex. L'algoritmo dovrà essere sviluppato in linguaggio C, C++ o Java.

COLLOQUIO ORALE: discussione orale del progetto sviluppato, attraverso presentazione in PowerPoint or PDF. Lo studente avrà un tempo massimo di 10 minuti per descrivere l'elaborato svolto, i relativi punti chiavi e le originalità introdotte.

Nota: la verifica dell’apprendimento potrà essere effettuata anche per via telematica, qualora le condizioni lo dovessero richiedere.

Esempi di testi della prova scritta e dei progetti saranno disponibili nella pagina ufficiale del corso al seguente link:

http://www.dmi.unict.it/mpavone/nc-cs/