PRESENTAZIONE

L'ottimizzazione è una disciplina inclusa nella scienza delle decisioni. Il corso introduce i fondamenti della disciplina e il ruolo del linguaggio di programmazione Python nell'ambito dell'ottimizzazione.

OBIETTIVI E CONTENUTI

OBIETTIVI FORMATIVI

L’insegnamento si propone di fornire capacità di comprendere e utilizzare i principali strumenti, concettuali e computazionali, per l'interpretazione di grandi quantità di dati e per il loro utilizzo a fini predittivi, e avranno competenze relative all'analisi big data con particolare riferimento alle applicazioni riguardanti l'economia e altre scienze applicate. Gli studenti svilupperanno conoscenze base di programmazione grazie allo studio del linguaggio di programmazione Python e saranno in grado di progettare modelli matematici lineari PL/PLI per la risoluzione di problemi decisionali continui e discreti. - applicazioni riguardanti l'economia e altre scienze applicate. Gli studenti svilupperanno conoscenze base di programmazione grazie allo studio del linguaggio di programmazione Python e saranno in grado di progettare modelli matematici lineari PL/PLI per la risoluzione di problemi decisionali continui e discreti.

OBIETTIVI FORMATIVI (DETTAGLIO) E RISULTATI DI APPRENDIMENTO

Al termine del corso, lo studente sarà in grado di:

• Applicare i principali metodi di ottimizzazione (contenuto) a problemi decisionali reali (condizione), selezionando la tecnica più appropriata in base al contesto (criterio);
• Sviluppare semplici algoritmi di ottimizzazione in Python (contenuto) per la risoluzione di problemi strutturati (condizione), verificando la correttezza dei risultati ottenuti (criterio);
• Progettare modelli matematici lineari e interi (contenuto) per problemi di ottimizzazione su grafi e con variabili binarie (condizione), rispettando i vincoli specifici del problema (criterio);
• Analizzare e confrontare soluzioni ottenute tramite metodi esatti, euristici e meta-euristici (contenuto) su casi di studio proposti (condizione), valutando l'efficacia e l'efficienza delle soluzioni (criterio).

PREREQUISITI

Consigliati:

Algebra, Geometria Analitica, Ricerca Operativa, Programmazione.

MODALITA' DIDATTICHE

Il corso prevede lezioni frontali svolte in aula informatica, per dare l'opportunità agli studenti di formulare, risolvere e analizzare insieme ai docenti i problemi proposti. Qualora non fosse possibile svolgere attività in presenza, verranno adottate le modalità didattiche decise dall'Ateneo. Per eventuali aggiornamenti fare riferimento ad Aulaweb. La frequenza non è obbligatoria. Per studenti con DSA o disabilità, sono previste modalità personalizzate secondo le disposizioni di Ateneo.

Gli studenti in possesso di certificazione di disabilità, DSA o bisogni educativi speciali devono contattare, all'inizio delle lezioni, sia il docente, sia il referente per la disabilità del Dipartimento, Prof.ssa Elena Lagomarsino elena.lagomarsino@unige.it , per concordare modalità didattiche e d'esame che, nel rispetto degli obiettivi dell'insegnamento, tengano conto delle modalità di apprendimento individuali e consentano l'uso di eventuali strumenti compensativi

PROGRAMMA/CONTENUTO

Coerentemente con gli obiettivi precedentemente illustrati, vengono trattati i seguenti argomenti​

1. Introduzione alla programmazione..
   • Logic programming.
   • Programming languages. 
2. Python concetti base:
   • Getting Started, first program "hello world".
   • Variables and Input.
   • Conditional statements. Iteration statements.
   • Functions Modules and Classes
   • Strings, Lists, Dictionaries
3. Risolutori di LP and ILP: 
   • Introduction to PL and PLI,
   • Define decision variables, 
   • Create the objective function, 
   • Add constraints to the model, 
   • Analysis of the solutions.
4. Strutture dati: 
   • Graph data structure
   • Data manipulation and storage. 
   • Develop a parser.
   • Test cases creation. 
   • Binary variables with Python.
5. Algoritmi e concetti di complessità: 
   • Exact, heuristic, meta-heuristic. 
   • Constructive Algorithms, Greedy Algorithms, selection function. Enhanced Greedy.
   • Implementation of the proposed algorithms.        
6. Algoritmi Genetici: 
   • Chromosome, population, crossover, mutation, selection function. 
   • Population diversity, speciation heuristic, and strong mutation. 
   • Memetic Algorithms. 
   • Implementation of a Genetic Algorithm

TESTI/BIBLIOGRAFIA

Si suggeriscono i seguenti testi e materiali:
Hillier, Lieberman, “Introduction to Operations Research”, McGraw Hill, 2016.
Downey, A., et al. "Thinking Python. 2.0". Green Tea Press Supplemental Material, 2012.
https://coin-or.github.io/pulp/index.html

DOCENTI E COMMISSIONI

LEZIONI

INIZIO LEZIONI

Primo Semestre

https://easyacademy.unige.it/portalestudenti/index.php?view=easycourse&_lang=it&include=attivita

Orari delle lezioni

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

ESAMI

MODALITA' D'ESAME

Gli studenti dovranno sostenere una prova scritta che può contenere domande a scelta multipla, domande aperte ed esercizi. Supera l'esame chi ottiene almeno 18/30.

MODALITA' DI ACCERTAMENTO

Le conoscenze e competenze saranno verificate tramite test online ed esercitazioni durante le lezioni, valutando la capacità di applicare i metodi di ottimizzazione a problemi proposti, la correttezza delle soluzioni implementate in Python e la chiarezza espositiva. I criteri di valutazione includono: correttezza delle risposte, uso appropriato della terminologia, capacità di analisi e sintesi.

ALTRE INFORMAZIONI

Rivolgersi al docente per ulteriori informazioni non comprese nella scheda insegnamento.