Adquirir una visión de conjunto sobre la computación evolutiva.
Saber caracterizar de forma genérica un algoritmo evolutivo.
Conocer los tipos de algoritmos evolutivos más ampliamente utilizados: algoritmos genéticos, estrategias evolutivas, programación evolutiva, programación genética y sistemas clasificadores.
Saber comparar las dos grandes aproximaciones utilizadas a la hora de inicializar y controlar los valores de parámetros de un algoritmo evolutivo: la estática y la dinámica.
Conocer diferentes técnicas para la resolución de problemas multimodales mediante algoritmos evolutivos.
Saber abordar problemas multiobjetivo mediante algoritmos evolutivos.
Saber describir aquellas aproximaciones basadas en algoritmos evolutivos que o bien son hibridadas con otras técnicas o bien incorporan conocimiento específico del dominio del problema.
Ser capaz de analizar desde un punto de vista teórico los algoritmos evolutivos.
Clasificar los diferentes tipos de problemas en los que se manejan restricciones. Por otra parte, poder describir conceptualmente las distintas formas genéricas de abordar, mediante algoritmos evolutivos, problemas que manejan restricciones.
Conocer tres formas especiales de evolución. La primera de ellas se caracteriza por la existencia de diferentes poblaciones. En la segunda, las preferencias del usuario juegan un papel fundamental en la selección de los mejores individuos. Por último, existen ciertos problemas que se caracterizan por dar lugar a una función de adaptación que varía con el tiempo. Estos problemas requieren técnicas evolutivas especiales para seguir la pista del óptimo global.
Saber utilizar distintos índices para medir las prestaciones de un algoritmo evolutivo y ser capaz de aplicar distintas estrategias para realizar comparaciones experimentales entre distintos algoritmos evolutivos (benchmarking).
