| CODICE | 80172 |
|---|---|
| ANNO ACCADEMICO | 2019/2020 |
| CFU |
6 cfu al 2° anno di 8733 INGEGNERIA INFORMATICA (LM-32) GENOVA
6 cfu al 2° anno di 10377 SAFETY ENGINEERING FOR TRANSPORT, LOGISTICS AND PRODUCTION (LM-26) GENOVA |
| SETTORE SCIENTIFICO DISCIPLINARE | MAT/09 |
| LINGUA | Italiano |
| SEDE | GENOVA (INGEGNERIA INFORMATICA ) |
| PERIODO | 1° Semestre |
| MATERIALE DIDATTICO | AULAWEB |
Il corso presenta modelli e metodi matematici, in particolare della Ricerca Operativa, con cui possono essere affrontati problemi decisionali in vari ambiti, da quello produttivo alla logistica. Gli approcci studiati sono principalmente rivolti a situazioni in cui le decisioni hanno una natura discreta (problemi combinatori), presentando tecniche allo stato dell'arte della letteratura scientifica.
Modellare e risolvere problemi decisionali complessi. Applicazioni al manufacturing planning e scheduling e alla logistica (network flow, location e vehicle routing). Sono studiati modelli e metodi di integer programming, euristiche e metaeuristiche per problemi di ottimizzazione combinatoria, il metodo PERT per il Project Management. Inoltre vengono introdotti concetti fondamentali per la soluzione di problemi multicriterio e di decision
L'obiettivo principale è fornire agli allievi la capacità di affrontare problemi per mezzo degli strumenti messi a disposizione dalla Ricerca Operativa. I problemi trattati costituiscono un riferimento per ampie classi di problemi applicativi reali di natura complessa. Nello specifico saranno trattare applicazioni al manufacturing planning e scheduling e alla logistica e trasporti (network flow, location e vehicle routing). Gran parte dei modelli studiati saranno di mixed integer programming; saranno considerati modelli di reti di flusso e modelli multi-criterio. Un ampio spazio verrà dedicato a metodi euristici e metaeuristici che costituiscono lo strumento principale con cui affrontare situazioni decisionali complesse nella realtà.
Conoscenze di base della Ricerca Operativa e di Informatica
Lezioni frontali con esercitazioni utilizzando solver di mixed integer programming.
Introduzione ai problemi decisionali, alle metodologie ed ai loro limiti. Modelli di ottimizzazione lineare: Esempio di formulazioni, uso di Solver ed interpretazione dei risultati. Reti di Flusso, Algoritmi per il Max Flow e Min Cost Flow, Simplesso su Rete. Modelli di Pianificazione della produzione: Dynamic Lot Sizing Problem (single item, multi ‐ item) e sue varianti. Modelli di Planning Multi ‐ stage. Modelli decisionali su grafi e reti con applicazione nel settore della logistica. Modelli di Mixed Integer Programming (pianificazione, location, scheduling). Modelli MIP per lo scheduling single machine: formulazioni alternative.Tecniche di rilassamento. Il rilassamento Lagrangiano. Metodi metaeuristici per la soluzione di problemi combinatorici. Metodi di Neighbourhood Search. Trajectory Methods (Iterated Local Search, Tabu Search, Simulated Annealing, Variable Neighbourhood Search, GRASP, Iterated Greedy Algorithm, Adaptive Large Neighbourhood Search). Population ‐ based Methods (Genetic Algorithm, Ant Colony Optimization, Particle Swarm Optimization). Modelli per l’instradamento di veicoli in reti di trasporto (Vehicle Routing Problems). Modelli esatti ed euristici di routing su nodi (Traveling Salesman Problem, Capacitated Vehicle Routing Problem). Modelli esatti ed euristici di routing su archi (Chinese Postman Problem, Capacitated Arc Routing Problem). Modelli decisionali deterministici che utilizzano molti criteri (Multicriteria Decision Making). Metodi decisionali multiattributo e multiobiettivo
Dispense fornite dal docente su Aulaweb
Ricevimento: Appuntamento fissabile via mail o telefono
MASSIMO PAOLUCCI (Presidente)
DAVIDE ANGHINOLFI
ALBERTO GROSSO
MARCELLO SANGUINETI
Lezioni frontali con esercitazioni utilizzando solver di mixed integer programming.
L'orario di tutti gli insegnamenti è consultabile su EasyAcademy.
Prova orale e/o sviluppo di un progetto (per allievi che hanno frequentato le lezioni con assiduità).
Alla fine del corso le competenze acquisite metteranno gli studenti in grado di strutturare problemi decisionali di media complessità e di scegliere le opportune metodologie di soluzione, nonché di utilizzare semplici pacchetti software come strumenti di supporto decisionale
| Data | Ora | Luogo | Tipologia | Note |
|---|---|---|---|---|
| 28/02/2020 | 09:00 | GENOVA | Esame su appuntamento | |
| 18/09/2020 | 09:00 | GENOVA | Esame su appuntamento |