Guía docente de la asignatura
(7933) COMPUTACIÓN BIO-INSPIRADA

Curso académico 2025/2026

  1. Identificación

    1. De la asignatura

      Curso Académico
      2025/2026
      Titulación
      MÁSTER UNIVERSITARIO EN INTELIGENCIA ARTIFICIAL / MASTER IN ARTIFICIAL INTELLIGENCE
      Nombre de la asignatura
      COMPUTACIÓN BIO-INSPIRADA
      Código
      7933
      Curso
      PRIMERO
      Carácter
      OBLIGATORIA
      Número de grupos
      1
      Créditos ECTS
      6.0
      Estimación del volumen de trabajo
      150.0
      Organización temporal
      2º Cuatrimestre
      Idiomas en que se imparte
      Español
      Curso Académico 2025/2026
      Titulación

      MÁSTER UNIVERSITARIO EN INTELIGENCIA ARTIFICIAL / MASTER IN ARTIFICIAL INTELLIGENCE

      Nombre de la asignatura COMPUTACIÓN BIO-INSPIRADA
      Código 7933
      Curso PRIMERO
      Carácter OBLIGATORIA
      Número de grupos 1
      Créditos ECTS 6.0
      Estimación del volumen de trabajo 150.0
      Organización temporal 2º Cuatrimestre
      Idiomas en que se imparte Español
    2. Del profesorado: Equipo docente

      • JIMENEZ BARRIONUEVO, FERNANDO Docente: GRUPO 1 Coordinación de los grupos: GRUPO 1 Coordinador de la asignatura

        Categoría

        CATEDRATICOS DE UNIVERSIDAD

        Área

        CIENCIA DE LA COMPUTACIÓN E INTELIGENCIA ARTIFICIAL

        Departamento

        INGENIERÍA DE LA INFORMACIÓN Y LAS COMUNICACIONES

        Correo electrónico / Página web / Tutoría electrónica

        fernan@um.es http://webs.um.es/fernan Tutoría electrónica:

        Teléfono, horario y lugar de atención al alumnado

        Duración:
        A
        Día:
        Viernes
        Horario:
        10:00-11:30
        Lugar:
        868884630, Facultad de Informática B1.1.030
        Observaciones:
        Se deberá solicitar cita para la asistencia a las tutorías mediante mensaje privado o correo electrónico
        Duración:
        A
        Día:
        Lunes
        Horario:
        10:00-11:30
        Lugar:
        868884630, Facultad de Informática B1.1.030
        Observaciones:
        Se deberá solicitar cita para la asistencia a las tutorías mediante mensaje privado o correo electrónico
      • SANCHEZ CARPENA, GRACIA Docente: GRUPO 1 Coordinación de los grupos:

        Categoría

        PROFESORES TITULARES DE UNIVERSIDAD

        Área

        CIENCIA DE LA COMPUTACIÓN E INTELIGENCIA ARTIFICIAL

        Departamento

        INGENIERÍA DE LA INFORMACIÓN Y LAS COMUNICACIONES

        Correo electrónico / Página web / Tutoría electrónica

        gracia@um.es Tutoría electrónica: No

        Teléfono, horario y lugar de atención al alumnado

  2. Presentación

    La asignatura Computación Bio-inspirada analiza las principales metaheurísticas bio-inspiradas de búsqueda y optimización así como su aplicación en procesos de machine learning. Entre estas técnicas inteligentes se destacan los algoritmos evolutivos, la inteligencia de enjambre, los sistemas inmunes artificiales y los algoritmos inspirados en plantas. Se describen los fundamentos y se establecen las pautas generales para un diseño eficiente en diferentes contextos de optimización y aprendizaje automático. La asignatura está orientada con un marcado componente práctico, para lo cual se utilizan diferentes plataformas python de desarrollo en diversas aplicaciones.

  3. Condiciones de acceso a la asignatura

    1. Incompatibilidades

      No constan

    2. Requisitos

      No constan

    3. Recomendaciones

      Se recomianda haber superado la asignatura de Machine Learning del primer cuatrimestre del Máster.

  4. Contenidos

    1. Teoría

      Tema 1: Introduccion a la computacion bio-inspirada

      1.1 Motivación

      1.2 Definiciones

      1.3 Taxonomía

      1.4 Criticismo

      1.5 Algoritmos más representativos

      1.5.1 Algoritmos evolutivos

      1.5.2 Inteligencia de enjambre

      1.5.3 Sistemas inmunes artificiales

      1.5.4 Algoritmos basados en plantas

      1.6 Aplicaciones

      1.7 Notas bibliográficas

      Tema 2: Computacion evolutiva

      2.1 Introducción

      2.1.1 Definición de algoritmo evolutivo

      2.1.2 Un poco de historia

      2.1.3 Características de los algoritmos evolutivos

      2.1.4 Algunos inconvenientes

      2.1.5 Pseudocódigo de un algoritmo evolutivo

      2.1.6 Componentes de un algoritmo evolutivo

      2.1.7 Tipos de algoritmos evolutivos

      2.2 Algoritmo genético simple

      2.2.1 Características de un algoritmo genético

      2.2.2 Representación

      2.2.3 Obtención de la población inicial

      2.2.4 Función de evaluación

      2.2.5 Selección y muestreo

      2.2.6 Operadores genéticos

      2.2.7 Reemplazo generacional

      2.2.8 Parámetros de entrada

      2.2.9 Ejemplo: optimización de una función simple

      2.3 Diseño de algoritmos evolutivos

      2.3.1 El problema de la convergencia prematura

      2.3.2 Representaciones ad-hoc

      2.3.3 Esquemas de selección

      2.3.3.1 Selección por ranking

      2.3.3.1.1 Ranking lineal

      2.3.3.1.2 Ranking exponencial

      2.3.3.2 Selección por torneo

      2.3.3.3 Selección de truncamiento

      2.3.3.4 Presión selectiva

      2.3.4 Muestreo universal estocástico

      2.3.5 Reemplazo generacional

      2.3.5.1 Steady-state

      2.3.5.2 Modelo del factor de crowding

      2.3.5.3 Estrategia (mu+lambda)

      2.3.6 Operadores de variación

      2.3.6.1 Operadores de cruce

      2.3.6.2 Operadores de mutación

      2.3.7 Otros algoritmos evolutivos reconocidos

      2.3.7.1 Estrategias de evolución

      2.3.7.2 Programación evolutiva

      2.3.7.3 Evolución diferencial

      2.3.7.4 Programación genética

      2.4 Manejo de restricciones

      2.4.1 Enfoques básicos

      2.4.2 Representaciones y operadores especializados

      2.4.3 Algoritmos de reparo

      2.4.4 Método de penalización

      2.4.5 Feasibility first

      2.5 Algoritmos evolutivos multi-objetivo

      2.5.1 Motivación

      2.5.2 Pareto optimalidad

      2.5.3 Aspectos relevantes en computación evolutiva multi-objetivo

      2.5.4 Algunos algoritmos evolutivos multi-objetivo reconocidos

      2.5.4.1 NSGA-II

      2.5.4.2 MODE

      2.5.5 Algoritmos evolutivos many-objective

      2.5.5.1 Caracterización y taxonomía

      2.5.5.2 NSGA-III

      2.5.6 Métricas de rendimiento

      2.5.6.1 Hipervolumen

      2.5.6.2 Distancia generacional

      2.5.6.3 Distancia generacional invertida

      2.5.6.4 Dispersión

      2.6 Líneas emergentes en computación evolutiva

      2.6.1 Algoritmos evolutivos asistidos por sustituto

      2.6.2 Algoritmos evolutivos multi-task y factoriales

      2.6.3 Algoritmos evolutivos multi-form

      2.7 Recomendaciones de evaluación y validación de algoritmos evolutivos

      Tema 3: Inteligencia de enjambre

      3.1 Definición y algoritmos

      3.2 Optimización por enjambre de partículas

      3.2.1 Caracterización

      3.2.2 Pseudocódigo del algoritmo

      3.2.3 Descripción de los componentes: posición y velocidad

      3.2.4 Topologías

      3.3 Optimización por colonia de hormigas

      3.3.1 Caracterización

      3.3.2 Pseudocódigo del algoritmo

      3.3.3 Descripción de los componentes: hormigas y feromonas

      3.3.4 Ejemplo: El problema del viajante de comercio

      Tema 4: Otros algoritmos bio-inspirados

      4.1 Sistemas inmunes artificiales

      4.1.1 Definición y algoritmos

      4.1.2 Selección clonal

      4.1.2.1 Caracterización

      4.1.2.2 Pseudocódigo del algoritmo

      4.1.2.3 Descripción de los componentes: células y clones

      4.2 Algoritmo de polinización de flores

      4.2.1 Caracterización

      4.2.2 Pseudocódigo del algoritmo

      4.2.3 Descripción de los componentes: vuelo de lévy

      Tema 5: Algoritmos bio-inspirados para machine learning

      5.1 Selección de atributos bio-inspirada

      5.1.1 Introducción a la selección de atributos

      5.1.1.1 Definición

      5.1.1.2 Categorización

      5.1.1.3 Proceso

      5.1.1.3.1 Métodos de evaluación de subconjuntos de atributos

      5.1.1.3.2 Métodos de evaluación de atributos

      5.1.1.4 Validación

      5.1.1.5 Complejidad

      5.1.2 Modelos de optimización para selección de atributos

      5.1.2.1 Correlation-based feature selection

      5.1.2.2 Wrapper

      5.1.2.3 Modelos de optimización multi-objetivo

      5.1.3 Estrategias de búsqueda bio-inspiradas para selección de atributos

      5.1.3.1 Algoritmos evolutivos para selección de atributos

      5.1.3.2 Funciones de transferencia para estrategias de optimización continua

      5.1.4 Selección de atributos con datos de series temporales

      5.2 Selección de instancias bio-inspirada

      5.2.1 Definición y motivación

      5.2.2 Categorización

      5.2.3 Modelos de optimización multi-objetivo

      5.2.4 Algoritmos evolutivos multi-objetivo para selección de instancias

      5.2.5 Selección simultánea de atributos e instancias

      5.3 Sistemas bio-inspirados de clasificación y regresión

      5.3.1 Aprendizaje bio-inspirado de redes neuronales

      5.3.1.1 Motivación

      5.3.1.2 Aprendizaje evolutivo de pesos y sesgos

      5.3.1.2.1 Problemas de clasificación

      5.3.1.2.2 Problemas de regresión

      5.3.2 Clasificación desbalanceada bio-inspirada

      5.3.2.1 Caracterización y categorización

      5.3.2.2 Métodos bio-inspirados para clasificación con datos desbalanceados

      5.3.2.2.1 Combinación de técnicas bio-inspiradas con técnicas de resampling

      5.3.2.2.3 Clasificación sensible al costo bio-inspirada

      5.3.2.2.4 Clasificación sensible al costo bio-inspirada con selección de atributos

      5.3.3 Selección negativa en problemas de clasificación

      5.3.3.1 Caracterización

      5.3.3.2 Pseudocódigo del algoritmo

      5.3.3.3 Descripción de los componentes: detectores positivos y negativos

      5.3.4 Sistemas evolutivos basados en reglas

      5.3.4.1 Caracterización

      5.3.4.2 Categorización

      5.3.4.3 Algoritmo evolutivo para clasificación basada en reglas

      5.4 Búsqueda bio-inspirada de hiper-parámetros

      5.4.1 Motivación

      5.4.2 Algoritmo evolutivo para ajuste de hiper-parámetros

      5.5 Aprendizaje ensemble bio-inspirado

      5.5.1 Definiciones

      5.5.2 Trabajos relacionados

      5.5.3 Modelos de optimización

      5.5.4 Algoritmos evolutivos para aprendizaje ensemble

      5.5.4.1 Stacking

      5.5.4.2 Voting

      5.5.4.3 Notas adicionales

    2. Prácticas

      • Práctica 1: Metaheurísticas bio-inspiradas para búsqueda y optimización

        Diseño, implementación, evaluación, comparación y validación de algoritmos bio-inspirados en problemas de búsqueda y optimización.

        Relacionado con:
        • Tema 1: Introduccion a la computacion bio-inspirada
        • Tema 2: Computacion evolutiva
        • Tema 3: Inteligencia de enjambre
        • Tema 4: Otros algoritmos bio-inspirados
      • Práctica 2: Metaheurísticas bio-inspiradas para machine learning

        Diseño, implementación, evaluación, comparación y validación de algoritmos bio-inspirados en problemas de machine learning.

        Relacionado con:
        • Tema 1: Introduccion a la computacion bio-inspirada
        • Tema 2: Computacion evolutiva
        • Tema 3: Inteligencia de enjambre
        • Tema 4: Otros algoritmos bio-inspirados
        • Tema 5: Algoritmos bio-inspirados para machine learning

  5. Actividades Formativas

    Actividad Formativa Metodología Horas Presencialidad Interacción
    AF1: Sesiones virtuales sincrónicas de teoría
    • MD1: Lección magistral
    16.0 0.0 100.0
    AF2: Seminarios especializados virtuales sincrónicos
    • MD2: Aprendizaje basado en problemas
    4.0 0.0 100.0
    AF3: Sesiones virtuales sincrónicas de laboratorio
    • MD3: Aprendizaje basado en proyectos
    20.0 0.0 100.0
    AF4: Exposición y discusión virtual de trabajos
    • MD3: Aprendizaje basado en proyectos
    4.0 0.0 100.0
    AF5: Trabajo autónomo del alumno
    • MD1: Lección magistral
    • MD2: Aprendizaje basado en problemas
    • MD3: Aprendizaje basado en proyectos
    102.0 0.0 0.0
    AF6: Tutorías formativas virtuales individualizadas y en grupo
    • MD2: Aprendizaje basado en problemas
    • MD3: Aprendizaje basado en proyectos
    4.0 0.0 100.0
    Totales 150.0

  6. Horario de la asignatura

    No constan

  7. Sistemas de Evaluación

    Identificador Denominación del instrumento de evaluación Criterios de Valoración Ponderación
    SE1 Informe técnico de prácticas de laboratorio 70.0
    SE3 Presentación pública de trabajos 20.0
    SE4 Seguimiento académico 10.0

  8. Resultados del Aprendizaje

    • R24 (Conocimientos o contenidos): Explicar el concepto de meta-heurística bio-inspirada y la motivación de su uso como motor de búsqueda en problemas complejos relacionados con la inteligencia artificial.
    • R25 (Conocimientos o contenidos): Identificar las principales meta-heurísticas bio-inspiradas y entender el criticismo actual producido en la comunidad científica.
    • R26 (Destrezas): Diseñar, implementar, evaluar, comparar y validar algoritmos bio-inspirados para la resolución de problemas complejos de búsqueda, optimización y machine learning en diferentes contextos de aplicación.

  9. Bibliografía

    Bibliografía básica

    • Anthony Brabazon, Michael O¿Neill, Seán McGarraghy, Natural Computing Algorithms, 2015, Springer.

    • Wolfgang Banzhaf, Penousal Machado, Mengjie Zhang, Handbook of Evolutionary Machine Learning, Genetic and Evolutionary Computation, Springer Nature Singapore, 2023

    • Xin-She Yang, Nature-Inspired Computation and Swarm Intelligence, Algorithms, Theory and Applications, 2020, Elsevier.

    • Xin-She Yang, Nature-Inspired Optimization Algorithms, 2020, Elsevier.

    • Xin-She Yang, Zhihua Cui, Renbin Xiao, Amir Hossein Gandomi, Mehmet Karamanoglu, Swarm Intelligence and Bio-Inspired Computation, Theory and Applications, 2013, Elsevier.

    Bibliografía complementaria

    No constan

  10. Observaciones

    La asignatura esta sujeta a evaluación continua y podrá superarse de acuerdo con los criterios de valoración y ponderaciones descritas en el apartado "Sistemas de Evaluación" de esta guía docente.

    La calificación final será la siguiente:

    Calificación final = 0.7*SE1 + 0.2*SE3 + 0.1*SE4

    donde SE1 es la calificación media obtenida con los informes técnicos de prácticas de laboratorio correspondientes a los proyectos presentados (se presentarán 2 proyectos), y SE3 es la calificación obtenida con la presentación pública de trabajos, y SE4 es la calificación obtenida mediante el seguimiento académico. Todas las pruebas SE1, SE3 y SE4 serán valoradas entre 0 y 10 puntos.

    La calificación final obtenida por evaluación continua sera la calificación del estudiante en la convocatoria de mayo-junio. En otro caso, un estudiante podrá superar la asignatura en la convocatoria de mayo-junio si cumple las condiciones del artículo 8.6 del Reglamento de Evaluación de Estudiantes (REVA), siendo su calificación final de 0.7*SE1 + 0.3*SE3.

    Los estudiantes que no superen la asignatura en la convocatoria de mayo-junio podrán superar la asignatura en una convocatoria posterior presentándose a las pruebas no superadas en la convocatoria anterior.La calificación de las pruebas superadas en una convocatoria se conservará a las siguientes convocatorias, hasta la convocatoria de diciembre-enero inclusive.

    Se obtendrá la calificación "No presentado" en las convocatorias de mayo-junio, junio-julio o diciembre-enero cuando el estudiante no haya realizado ninguna de las pruebas de evaluación en la convocatoria correspondiente.

    USO DE LA IA: Todos los recursos y materiales no originales que se utilicen en los ejercicios evaluables, incluyendo herramientas de Inteligencia Artificial, ayuda de companeros, recursos de internet, libros, artículos, etc. deberán referenciarse claramente en el código fuente y la documentación asociada a los ejercicios prácticos entregados.

    Relación de los resultados de aprendizaje desarrollados en la asignatura con los ODS

    La Computación Bio-inspirada puede relacionarse con varios Objetivos de Desarrollo Sostenible (ODS) de la ONU debido a su enfoque en la eficiencia, la optimización y la sostenibilidad. A continuación, se presenta una relación de la asignatura con algunos ODS específicos:

    ODS 7: Energía asequible y no contaminante

    La Computación Bio-inspirada puede contribuir a optimizar el uso y la distribución de recursos energéticos. Por ejemplo, algoritmos inspirados en el comportamiento de las colonias de hormigas o en las redes neuronales biológicas pueden mejorar la gestión de redes eléctricas inteligentes (smart grids), lo cual aumenta la eficiencia energética y reduce el desperdicio. Además, estas técnicas pueden utilizarse para el diseño de sistemas energéticos más eficientes y menos contaminantes.

    ODS 9: Industria, innovación e infraestructura

    La Computación Bio-inspirada fomenta la innovación en diversas industrias mediante el desarrollo de algoritmos y sistemas optimizados. Por ejemplo, los algoritmos genéticos y de enjambre pueden usarse para mejorar los procesos de manufactura, optimizar rutas de transporte y diseñar infraestructuras más resilientes. Estas innovaciones pueden impulsar la competitividad industrial y el desarrollo de infraestructuras sostenibles.

    ODS 11: Ciudades y comunidades sostenibles

    Aplicar técnicas bio-inspiradas en la planificación urbana y el diseño de ciudades inteligentes puede conducir a comunidades más sostenibles. Algoritmos inspirados en la naturaleza pueden optimizar el tráfico, reducir la contaminación y mejorar la gestión de residuos. Por ejemplo, la simulación del comportamiento de enjambres puede ayudar a modelar y gestionar el flujo de tráfico de manera más eficiente, reduciendo así las emisiones y mejorando la calidad del aire.

    ODS 12: Producción y consumo responsables

    La Computación Bio-inspirada puede optimizar los procesos de producción para minimizar el uso de recursos y la generación de desechos. Por ejemplo, los algoritmos de optimización pueden mejorar la cadena de suministro, reduciendo el desperdicio de materiales y energía. Además, pueden diseñarse productos que imiten estructuras y procesos naturales para ser más sostenibles y eficientes.

    ODS 13: Acción por el clima

    Las técnicas bio-inspiradas pueden utilizarse para modelar y predecir el cambio climático y sus impactos. Además, pueden optimizar estrategias de mitigación y adaptación, como el diseño de sistemas de energía renovable y la gestión de recursos naturales. Los algoritmos inspirados en la evolución y la adaptabilidad pueden simular escenarios futuros y ayudar a desarrollar políticas más efectivas contra el cambio climático.

    NECESIDADES EDUCATIVAS ESPECIALES

    Aquellos estudiantes con discapacidad o necesidades educativas especiales podrán dirigirse al Servicio de Atención a la Diversidad y Voluntariado (ADYV - https://www.um.es/adyv) para recibir orientación sobre un mejor aprovechamiento de su proceso formativo y, en su caso, la adopción de medidas de equiparación y de mejora para la inclusión, en virtud de la Resolución Rectoral R-358/2016. El tratamiento de la información sobre este alumnado, en cumplimiento con la LOPD, es de estricta confidencialidad.

    REGLAMENTO DE EVALUACIÓN DE ESTUDIANTES

    El artículo 8.6 del Reglamento de Evaluación de Estudiantes (REVA) prevé que "salvo en el caso de actividades definidas como obligatorias en la guía docente, si el o la estudiante no puede seguir el proceso de evaluación continua por circunstancias sobrevenidas debidamente justificadas, tendrá derecho a realizar una prueba global".

    Se recuerda asimismo que el artículo 22.1 del Reglamento de Evaluación de Estudiantes (REVA) estipula que "el o la estudiante que se valga de conductas fraudulentas, incluida la indebida atribución de identidad o autoría, o esté en posesión de medios o instrumentos que faciliten dichas conductas, obtendrá la calificación de cero en el procedimiento de evaluación y, en su caso, podrá ser objeto de sanción, previa apertura de expediente disciplinario".