Programación Avanzada

Conocimientos o contenidos

• Optimización evolutiva y fundamentos de algoritmos genéticos (AG): Conceptos de metaheurísticas, paisajes de aptitud (fitness landscapes), exploración frente a explotación y estructura del ciclo evolutivo canónico.
• Representación y función de evaluación: Codificación de soluciones (binaria, real, discreta/permutacional) y formulación matemática y computacional de la función de aptitud (fitness).
• Operadores genéticos y dinámicas de selección: Mecanismos de selección (ruleta, torneo, ranking), operadores de variación (cruce y mutación) y políticas de reemplazo poblacional.
• Implementación y calibración paramétrica: Ajuste de hiperparámetros (tasas de cruce/mutación, tamaño de población), diagnóstico de convergencia prematura y diversidad genética.
• Variantes y extensiones de los AG: Modelos paralelos y por islas, nichos ecológicos, optimización multiobjetivo y fundamentos de programación genética (PG).
• Fundamentos de sistemas multiagente (SMA): Concepto de agente autónomo, tipología de entornos y arquitecturas de control (reactivas, deliberativas y cognitivas).
• Arquitecturas y plataformas de desarrollo multiagente: Estructuras de simulación basada en agentes (ABM), frameworks de implementación (ej. Mesa en Python) y ciclo de vida de los agentes.
• Comunicación y coordinación entre agentes: Protocolos de interacción, actos de habla, estándares de mensajería (ACL/FIPA) y mecanismos de negociación o subastas.
• Comportamiento colectivo y sistemas auto-organizativos: Dinámicas emergentes, estigmergia, coordinación descentralizada y sistemas bioinspirados colectivos.
• Hibridación e inteligencia adaptativa: Coevolución (competitiva y cooperativa) y optimización de reglas y estrategias de agentes mediante computación evolutiva.

Competencias

• Capacidad para formalizar problemas computacionalmente intratables mediante paradigmas bioinspirados y arquitecturas de agentes autónomos.
• Capacidad para concebir, estructurar e implementar sistemas multiagente capaces de interactuar, cooperar y resolver tareas de forma descentralizada.
• Capacidad para evaluar empíricamente el rendimiento, balance de exploración/explotación y dinámicas de adaptación en procesos evolutivos y colectivos.
• Capacidad para seleccionar representaciones, calibrar hiperparámetros y justificar el uso de metaheurísticas o simulaciones multiagente frente a métodos tradicionales.

Habilidades o destrezas

• Diseñar funciones de aptitud rigurosas y esquemas de codificación adaptados a la naturaleza del espacio de búsqueda.
• Implementar algoritmos genéticos completos y calibrar empíricamente sus parámetros de control para maximizar la calidad de la solución.
• Construir modelos de sistemas multiagente sobre plataformas de desarrollo (como Mesa), configurando agentes, espacios topológicos y recolectores de datos.
• Programar protocolos formales de paso de mensajes y mecanismos de negociación para coordinar tareas entre agentes.
• Analizar y reproducir fenómenos de auto-organización y comportamiento colectivo emergente sin controladores centralizados.
• Integrar algoritmos genéticos en entornos multiagente para optimizar o coevolucionar las reglas de decisión y comportamiento de los agentes.

La dedicación requerida para esta asignatura de 6 créditos ECTS es de 150 horas, que se encuentran distribuidas de la siguiente manera:

• Clases teóricas síncronas: (11 horas)
• Clases teóricas asíncronas: (11 horas)
• Clases prácticas síncronas: (11 horas)
• Clases prácticas asíncronas: (11 horas)
• Realización de trabajos o proyectos: (22 horas)
• Pruebas finales de evaluación/Exámenes: (2 horas)
• Estudio individual y trabajo autónomo: (82 horas) 

El profesor aporta un seguimiento individualizado de la actividad del estudiante para asegurar las mejores condiciones de aprendizaje mediante la tutorización a través de las herramientas de la plataforma educativa y/o de las tutorías telefónicas. En estas tutorías los estudiantes pueden consultar a los profesores las dudas acerca de la materia estudiada.

• Roque Marín Morales (2008). Inteligencia Artificial: Técnicas Métodos y Aplicaciones. McGraw-Hill
• Daniel Gutiérrez (2020). Algoritmos Genéticos con Python. Marcombo.
• Ewout Hoeven (2025). Mesa 3: Agent-based modeling with Python in 2025. Journal of Open Source Software, 10(107), 7668.
• Russell, S., & Norvig, P. (2020). Inteligencia Artificial: Un enfoque moderno (4.ª ed.). Pearson Educación.

Durante el estudio de esta asignatura, el proceso de evaluación del aprendizaje es continuo y contempla la realización de:

• Evaluación continua de actividades. Se llevará a cabo a través de controles, actividades autoevaluativas y entregas parciales de actividades de búsqueda de información y de actividades dirigidas con material multimedia, audiovisual o interactivo, fomentando la capacidad de análisis y reflexión del estudiante. Supone el 25% de la nota final.
• Resolución de supuestos o casos prácticos. Consiste en la exposición de una situación, real o simulada, vinculada a los contenidos de la asignatura. El estudiante debe examinarla y ofrecer una respuesta fundamentada, aplicando los conocimientos adquiridos, las metodologías adecuadas y las competencias desarrolladas en el proceso formativo. Supone el 25% de la nota final.
• Un examen final que supone el 50% de la nota final. Está dirigido a la valoración de las competencias y conocimientos adquiridos por el estudiante. El examen se evaluará de 0 a 10.

Para poder presentarse al examen final, en cualquiera de las convocatorias, es imprescindible cumplir el siguiente requisito: alcanzar una calificación mínima de 2,5 puntos sobre 5 en la media ponderada obtenida al sumar las notas de las actividades de evaluación continua y la actividad de resolución de supuestos o casos prácticos.

El estudiante que se presente al examen sin cumplir los anteriores requisitos, será calificado con un cero en el examen final y consumirá convocatoria.

Para superar la asignatura será necesario que el examen esté aprobado (calificación de 5 o más sobre 10) y que la calificación final de la asignatura sea de 5 o superior.

Cuadro resumen del sistema de evaluación

Para aprobar la asignatura, es necesario obtener una calificación mínima de 5 en el examen final, así como en la calificación total del curso, una vez realizado el cómputo ponderado de las calificaciones obtenidas en las actividades didácticas y en el examen final.

Si un estudiante no aprueba la asignatura en la convocatoria ordinaria podrá examinarse en la convocatoria de septiembre. El estudiante que no se presente a la convocatoria de febrero y/o de julio ni a la de septiembre, perderá automáticamente todos los trabajos realizados a lo largo del curso. Deberá en este caso matricularse de nuevo en la asignatura.

Las fechas previstas para la realización de todas las actividades se indican en el aula virtual de la asignatura.

Originalidad de los trabajos académicos

Según la Real Academia Española, “plagiar” significa copiar en lo sustancial obras ajenas dándolas como propias. Dicho de otro modo, plagiar implica expresar las ideas de otra persona como si fuesen propias, sin citar la autoría de las mismas. Igualmente, la apropiación de contenido puede ser debida a una inclusión excesiva de información procedente de una misma fuente, pese a que esta haya sido citada adecuadamente. Teniendo en cuenta lo anterior, el estudiante deberá desarrollar sus conocimientos con sus propias palabras y expresiones. En ningún caso se aceptarán copias literales de párrafos, imágenes, gráficos, tablas, etc. de los materiales consultados. En caso de ser necesaria su reproducción, esta deberá contemplar las normas adecuadas para la citación académica.

Los documentos que sean presentados en las actividades académicas podrán ser sometidos a diferentes mecanismos de comprobación de la originalidad (herramientas antiplagios que detectan coincidencias de texto con otras fuentes, comparación con trabajos de otros estudiantes, comparación con información publicada en Internet, etc). El profesor valorará si el trabajo presentado cuenta con los criterios de originalidad exigidos o, en su caso, se atribuye adecuadamente la información no propia a las fuentes correspondientes. La adjudicación como propia de información que corresponde a otros autores podrá suponer el suspenso de la actividad.

Los documentos presentados en las actividades académicas podrán ser almacenados en formato papel o electrónico y servir de comparación con otros trabajos de terceros, a fin de proteger la originalidad de la fuente y evitar la apropiación indebida de todo o parte del trabajo del estudiante. Por tanto, podrán ser utilizados y almacenados por la universidad, a través del sistema que estime, con el único fin de servir como fuente de comparación de cualquier otro trabajo que se presente.

Sistema de calificaciones

El sistema de calificación de todas las actividades didácticas es numérico del 0 a 10 con expresión de un decimal, al que se añade su correspondiente calificación cualitativa:

0 - 4.9: Suspenso (SU)
5.0 - 6.9: Aprobado (AP)
7.0 - 8.9: Notable (NT)
9.0 - 10: Sobresaliente (SB)
Matrícula de honor (MH)
 

(RD 1125/2003, de 5 de septiembre, por lo que se establece el sistema europeo de créditos y el sistema de calificaciones en las titulaciones universitarias de carácter oficial y con validez en todo el territorio nacional).

La matrícula de honor se concede cuando el profesor lo considere oportuno en función de la excelencia de las actividades realizadas por el estudiante y las calificaciones obtenidas por el resto del grupo. No obstante, los criterios académicos de su concesión corresponden al departamento responsable de cada grado.