PRESENTAZIONE

La Ricerca Operativa è una disciplina inclusa nelle scienze delle decisioni e delle scienze gestionali.

Oltre alle nozioni di base di questa materia, il corso fornisce competenze professionali legate al Problem Solving e alla Decision Making, rilevanti per affrontare scelte strategiche.

Il corso fornisce agli studenti i metodi più rilevanti di ricerca operativa e supporto alle decisioni per le decisioni strategiche.

Tra le principali tecniche presentate ci sono la Programmazione Lineare, la Programmazione Lineare Intera, algoritmi euristici e meta-euristici.

OBIETTIVI E CONTENUTI

OBIETTIVI FORMATIVI

Il modulo fornisce agli studenti le basi della ricerca operativa, che sono più rilevanti per la pianificazione strategica e operativa delle imprese. Il modulo mira a sviluppare modelli di ottimizzazione e fornire metodi di programmazione matematica, sia esatti che euristici, per i decisori. Agli studenti vengono inoltre fornite le conoscenze necessarie per comprendere la struttura di un algoritmo di ottimizzazione e per implementarlo con Python. L'accento è posto sui problemi della logistica e dei trasporti. Gli studenti valuteranno l'acquisizione delle proprie competenze esaminando, sviluppando e analizzando casi di studio in un'aula informatica utilizzando lo strumento di ottimizzazione dei fogli di calcolo di Excel e ambienti software ad hoc. Alla fine del modulo, gli studenti avranno le competenze necessarie per identificare l'approccio metodologico necessario per affrontare un problema decisionale e la capacità di applicare tale metodo per determinare le buone soluzioni.

OBIETTIVI FORMATIVI (DETTAGLIO) E RISULTATI DI APPRENDIMENTO

Il corso fornisce agli studenti i metodi di Ricerca Operativa e supporto alle decisioni più rilevanti per le decisioni strategiche, per la pianificazione e il controllo. Saranno anche sviluppate competenze di problem solving. Il corso mira a sviluppare modelli di ottimizzazione e a fornire metodi per i problemi decisionali. La risoluzione dei problemi di decisione strategica può essere affrontata utilizzando una varietà di tecniche. Il focus del corso è sulle tecniche di modellazione matematica per problemi decisionali e sulle tecniche algoritmiche mirate a una risoluzione più rapida di questo tipo di problemi. Alla fine del corso, gli studenti saranno in grado di utilizzare la programmazione lineare per modellare problemi strategici. Inoltre, utilizzando strumenti come il foglio di calcolo di Excel e Python, gli studenti potranno progettare e implementare approcci di soluzione ai problemi decisionali di tipo sia esatto che euristico. Tra le principali tecniche di Ricerca Operativa, gli studenti acquisiranno competenze in Programmazione Lineare, Programmazione Lineare Intera, algoritmi euristici e meta-euristici per affrontare problemi strategici rilevanti, come la localizzazione delle strutture, i problemi di percorsi ottimali e connessioni, i problemi decisionali con variabili booleane e i problemi decisionali con più di un obiettivo.

PREREQUISITI

Prerequisiti Consigliati:

- Algebra
- Geometria Analitica
- Programmazione
- Conoscenze di base di Microsoft Excel

MODALITA' DIDATTICHE

Il corso prevede lezioni frontali tenute in aula informatica, per offrire agli studenti l'opportunità di formulare, risolvere e analizzare insieme ai docenti i problemi proposti.

Se non sarà possibile svolgere attività in presenza, saranno adottate le modalità di insegnamento decise dall'Università.

Per eventuali aggiornamenti, si prega di fare riferimento ad Aulaweb.

PROGRAMMA/CONTENUTO

In linea con gli obiettivi precedentemente illustrati nel corso, i seguenti argomenti saranno trattati:

1. Introduction to Operations Research (OR). 
   • The origin of OR. The role of the Air force group in the II world war period. The OR modelling approach: main components of a decision problem. Continue and discrete optimization problems. 
2. Introduction to Linear Programming (LP).
   • LP problem formulations. The Simplex method. Formulation and solution of LP problems with Excel 
3. Inroduction to programming. Logic circuits. Programming languages. 
4. Python basic concepts:
   • Getting Started, first program "hello world".
   • Variables and Input.
   • Conditional statements. Iteration statements.
   • Functions Modules and Classes
   • Strings, Lists, Dictionaries
5. Use LP solvers in Python: 
   • Define decision variables, 
   • Create the objective function, 
   • Add constraints to the model, 
   • Analysis of the solutions.
6. Decision problems with Boolean variables.
   • Either-or constraint. 
   • The fixed charge problem. 
   • Covering problems. 
7. Strategic decision problems (1): 
   • Facility location problem: definition, location in the space, property of the network, facility location in networks, strategic nodes in a network (center, median and p-median). 
   • LP formulation. Basic heuristic approach. Facility location game. 
8. Data structure: 
   • Graph data structure
   • Data manipulation and storage. 
   • Develop a parser.
   • Test cases creation. 
   • Binary variables with Python.
9. Algorithms and complexity classes (concepts): 
   • Exact, heuristic, meta-heuristic. 
   • Constructive Algorithms, Greedy Algorithms, selection function. Enhanced Greedy.
   • The bin packing problem, constructive algorithm, greedy algorithm
   • Implementation of the proposed algorithms.        
10. Strategic decision problems (2):
    • Optimal routes and connections problems on networks. Optimal path problem. External factors (reliability, sustainability, geopolitics) in route definition problems. Case study: merchant ship routes. Network design problem. 
11. Local Search: 
    • Definition of neighborhood, 
    • Implementation of a neighborhood.
    • Escape from the local minima, the Tabu Search, the tabu list, the reactive tabu list. 
    • Implementation of a Local Search.
12. Genetic Algorithms: 
    • Chromosome, population, crossover, mutation, selection function. 
    • Population diversity, speciation heuristic and strong mutation. 
    • Memetic Algorithms. 
    • Implementation of a Genetic Algorithm
13. Decision problems with more than one objective: multi-objective optimization approaches; Pareto optimal solutions. Some examples.

TESTI/BIBLIOGRAFIA

Si suggeriscono i seguenti libri e articoli:

• Hillier, Lieberman, “Introduction to Operations Research”, McGraw Hill, 2016.
• J.F.McCloskey, “OR FORUM- The Beginnings of Operations Research: 1934-1941”, Operations Research, V.35, N.1, 1987, 143-152.
• J.F.McCloskey, “OR FORUM- British Operational Research in World War II””, Operations Research, V.35, N.3, 1987, 453-469.
• A. L. Jaimes, S. Zapotecas-Martinez, C.A. Coello, “An introduction to multiobjective optimization techniques”, in Optimization in Polymer Processing, A. Gaspar-Cunha, J.A. Covas (Editors), Nova Science Publishers, 29-57 (2009)
• M. Ehrgott, “Multicriteria optimization”, Springer, Berlin-Heidelberg (2005)
• M. ¨Ozlen, M. Azizoˇglu, “Multi-objective integer programming: A general approach for generating all non-dominated solutions”, European Journal of Operational Research, 199, 25-35 (2009)
• G. Ghiani, G. Laporte, R. Musmanno, "Introduction to logistics systems" , Wiley (2004)
• Downey, A., et al. "Thinking python. 2.0". Green Tea Press Supplemental Material:, 2012.

DOCENTI E COMMISSIONI

Commissione d'esame

ANNA FRANCA SCIOMACHEN (Presidente)

DANIELA AMBROSINO (Presidente Supplente)

CARMINE CERRONE (Presidente Supplente)

LEZIONI

INIZIO LEZIONI

https://corsi.unige.it/10728/p/studenti-orario

Orari delle lezioni

L'orario di questo insegnamento è consultabile all'indirizzo: Portale EasyAcademy

ESAMI

MODALITA' D'ESAME

L'esame prevede una prova scritta da svolgere in aula.

La prova conterrà domande a risposta breve, domande a risposta multipla ed esercizi.

MODALITA' DI ACCERTAMENTO

Oltre alla prova scritta d'esame, durante il corso sono previsti:

- Test online durante le lezioni
- Discussione di progetti realizzati in aula

Calendario appelli