Algoritmi e Strutture Dati II: Parte B Anno Accademico Lezione 11

Dimensione: px
Iniziare la visualizzazioe della pagina:

Download "Algoritmi e Strutture Dati II: Parte B Anno Accademico 2004-2005. Lezione 11"

Transcript

1 Algoritmi e Strutture Dati II: Parte B Anno Accademico Docente: Ugo Vaccaro Lezione 11 In questa lezione vedremo alcune applicazioni della tecnica greedy al progetto di algoritmi on-line. Vediamo il primo esempio SCHEDULING DI JOB Input: m macchine M 1,..., M m una sequenza σ di job σ J 1,..., J n, di durata p(j 1 ),..., p(j n ), rispettivamente. Output: un assegnazione di job a macchine in modo tale che sia minimizzato il tempo entro il quale tutti i job vengono eseguiti. Più precisamente, assumiamo che i job costituenti la sequenza σ si presentino in input all algoritmo A in successione. In corrispondenza ad ogni job J s, s 1,..., n, l algoritmo dovrà immediatamente decidere a quale delle macchine M k, k 1,..., m, assegnarlo. Sia Sk i l insieme dei job assegnati dall algoritmo A alla macchina M k, in corrispondenza alla sottosequenza J 1,..., J i dei job. Il carico della generica macchina M k dopo che l algoritmo A ha processato la sottosequenza J 1,..., J i dei job sarà quindi ed il makespan dell algoritmo A sarà L i k(a) L(A) J S i k p(j), max k1,...,m Ln k(a). Cerchiamo un algoritmo on-line A che abbia L(A) minimo. La tecnica greedy ci suggerisce immediatamente il seguente algoritmo: Assegna il job J s, s 1,..., n, alla macchina M k per cui L s 1 k min{l s 1 1,..., L s 1 m }, ovvero alla macchina correntemente con il minor carico. 1

2 Vogliamo provare che σ costo greedy (σ) 2costo OP T (σ), (1) dove costo greedy (σ) è il makespan dell algoritmo greedy in corrispondenza di σ, e costo OP T (σ) è il corrispondente costo dell algoritmo ottimo off-line. e Osserviamo inannzitutto le seguenti due limitazioni inferiori a costo OP T (σ). Vale σ costo OP T (σ) max s1,...,n p(j s), (2) σ costo OP T (σ) 1 n p(j s ). (3) m s1 La (2) è ovvia. La (3) la si ottiene una volta che si osservi che (1/m) n s1 p(j s ) rappresenta il tempo necessario per eseguire tutti i job. Visto che abbiamo a disposizione m macchine, almeno una di esse dovrà lavorare per un tempo pari a (1/m) n s1 p(j s ). Supponiamo ora che l algoritmo greedy abbia effettuato una certa assegnazione di job alle macchine, risultante in un dato carico L n 1,..., Ln m. Sia M h la macchina con il carico massimo, e sia J t l ultimo job ad essa assegnato dall algoritmo greedy. In altri termini, stiamo assumendo che costo greedy (σ) L n h. Sosteniamo che per il valore L n h vale che i L n i L n h p(j t ). (4) Infatti, al momento in cui viene assegnato il job J t alla macchina M h, essa risulta essere la meno carica (per come opera l algoritmo greedy), da cui la (4). Dalla (4) otteniamo da cui Osserviamo ora che pertanto m m W L n i (L n h p(j t )) m(l n h p(j t )) (5) i1 i1 L n h p(j t) W m. (6) n m p(j i ) L n k, i1 k1 costo greedy (σ) L n h W m + p(j t) 1 n p(j s ) + p(j t ) m s1 costo OP T (σ) + costo OP T (σ) (dalla (2) e (3)) 2

3 il che completa la dimostrazione di (1). Esaminiamo ora il seguente problema, risolvibile anch esso attraverso la tecnica greedy. BIN PACKING ON-LINE Input: una sequenza σ σ(1)... σ(m), dove ogni σ(i) rappresenta un oggetto di taglia a i, con 0 < a i 1; un insieme di contenitori B 1,..., B b, b m, ciascuno di capacità pari a 1. Output: un assegnazione di tutti gli oggetti in σ a contenitori, con la condizione che la somma delle taglie degli oggetti assegnati a ciascun contenitore non superi 1, e che minimizzi il numero totale di contenitori usati. Un possibile algoritmo on-line per questo problema può essere il seguente: ALGORITMO NEXT-FIT j 1 for i 1,..., m do aggiungi l oggetto σ(i) in B j, se ci và, else poni j j + 1 e inserisci σ(i) in B j. Sia costo NEXT-FIT (σ) il numero di contenitori usati dall algoritmo greedy NEXT-FIT per impacchettare tutti gli oggetti in σ, e sia costo OP T (σ) il corrispondente numero di contenitori usato dall algoritmo ottimo off-line che conosce tutta la sequenza di richieste fin dall inizio. Vogliamo provare che costo NEXT-FIT (σ) 2costo OP T (σ) + 1. Osserviamo innazitutto che m costo OP T (σ) a i, i1 in quanto occorre sicuramente usare un numero di contenitori superiore alla somma totale delle dimensioni degli oggetti in σ. Consideriamo la soluzione prodotta dall algoritmo greedy, e supponiamo che esso abbia usato i contenitori B 1,..., B s, e quindi costo NEXT-FIT (σ) s. L osservazione chiave è che j σ(a i ) B j a i + σ(a i ) B j+1 a i 1, j 1,... s 1. (7) 3

4 Infatti, se ciò non fosse, non avremmo usato il nuovo contenitore B j+1 ma avremmo messo tutti gli oggetti in B j. Conseguenza della (7) è che Da cui m a k a i + a i a i k1 σ(a i ) B 1 σ(a i ) B 2 σ(a i ) B s } {{ } (raggruppando le somme a due a due consecutivamente) (s 1)/2volte s 1 2. costo NEXT-FIT (σ) s 2 n a k + 1 2costo OP T (σ) + 1. k1 L approccio suggerito dall analisi degli algoritmi on-line può essere utile anche in altri contesti. Uno di questi riguarda classici problemi della Teoria delle Decisioni. Ci limitiamo, in questa lezione, a presentare ed analizzare due semplici esempi. Esempio 1: Affitto sci. Il problema può essere descritto come segue. Sia N > 1 un intero. Una persona deve usare un equipaggiamento (sci) per un qualche numero T di giorni, 1 T N. Assumiamo che il valore N sia noto alla persona, ma che T non lo sia (esso può infatti dipendere da ovvi fattori non dipendenti dalla volontà della persona). All inizio di ogni giorno, è noto alla persona in questione se gli occorrono o meno gli sci per la giornata. Pertanto, la persona deve effetuare una scelta tra le seguenti due opzioni: 1. Affittare gli sci per la giornata, ad un costo assumiamo pari ad 1; 2. Comprare gli sci, ad un costo pari ad un certo valore B 1. Ovviamente, una volta che la persona abbia acquistato gli sci, non incorrerà in ulteriori spese nei giorni successivi in cui deciderà ancora di sciare. Potrebbe, però, decidere di non voler più sciare (tutto dipende dal valore incognito di T ). Il costo totale in cui la persona incorre è ovviamante pari all eventuale numero di giorni in cui ha affitato gli sci, più il costo dell acquisto degli stessi. Si pone, pertanto, il problema di stabilire una strategia che minimizzi il costo, senza però conoscere il futuro (ovvero, il valore T dei giorni in cui effettivamente si scierà ). In questo caso, l algoritmica on-line può essere di aiuto. Consideriamo un generico algoritmo A i che effettua la seguente decisione: stabilisce un intero i 0, affitta gli sci per i giorni e, se ha ancora voglia di sciare dopo tale periodo, li acquista. Abbiamo ovviamente costo Ai { T se T i; se T > i. (8) La strategia ottima che conosce il futuro, ovvero T, deciderà ovviamente di comprare gli sci se il periodo effettivo T in cui si scierà è > B, deciderà di affittarli giorno per giorno, in caso contrario. Pertanto costo OP T min{b, T }. (9) 4

5 Voggliamo provare che il miglior algoritmo consiste nello scegliere i B 1. In tal caso abbiamo costo AB 1 { T se T B 1; 2B 1 se T > B 1. (10) Inoltre costo OP T { T se T B 1; B se T > B 1. Abbiamo pertanto che qualunque sia il valore incognito di T, vale che costo AB 1 2B 1 ( B costo OP T 2 1 ) costo OP T. (12) B Proviamo ora che nessun altra scelta del valore di i può portare a coefficienti di competitività migliori di quello appena trovato. Distinguiamo due casi. Caso 1: i B 1. Nell ipotesi che T i + 1, abbiamo costo Ai costo OP T min{t, B} min{i + 1, B} i B 1 i B 1 B 2 1 B. Quindi il coefficiente di competitività non è migliorato. Caso 2: i > B 1. Nell ipotesi che T i + 1, abbiamo costo Ai costo OP T min{t, B} min{i + 1, B} B 1 + i B 2. Anche in questo caso il coefficiente di competitività non è migliorato. (11) 5

6 Deduciamo quindi che la scelta ottima consiste nello scegliere i B 1. Esempio 2: Compravendita di azioni. Supponiamo di avere un azione, il cui prezzo è noto poter variare tra due valori m e M, con 0 < m < M entrambi noti a priori. All inizio di ogni giornata i-esima i 1, 2,..., veniamo a conoscenza del valore v i [m, M] giornaliero dell azione, e dobbiamo decidere se vendere l azione, e quindi realizzare un profitto v i, oppure mantenere il possesso dell azione. Qual è la strategia migliore, ovvero quella che ci massimizza il profitto? Anche in questo caso ci troviamo di fronte ad un probleam suscettibile di analisi mediante l algoritmica on-line. Una generica strategia potrebbe essere la seguente: si stabilisca a priori un valore p [m, M], si venda l azione il primo giorno in cui v i p, altrimenti si mantenga l azione. Come scegliere il valore p in modo da massimizzare il nostro profitto? Sia p max il valore massimo assunto da v i durante tutto il periodo in considerazione. Ovviamente, noi non conosciamo tale valore p max. Possono capitare due casi, a seconda della relazione sussistente tra il valore p che abbiamo noi scelto ed il valore incognito p max. Caso 1: p p max. In tal caso, ci sarà un giorno in cui v i p, e pertanto realizzeremo un profitto p. Potrebbe accadere, però, che il valore dell azione continui a crescere ed arrivi al valore massimo M. L algoritmo ottimo off-line venderà l azione esattamente quando essa varrà M. Quindi, il rapporto tra il profitto dell algoritmo on-line e dell algoritmo ottimo off-line è p/m. Caso 1: p > p max. In tal caso, non ci sarà mai un giorno in cui v i p, quindi non venderemmo mai per tutta la durata del periodo in questione. Potrebbe accadere, pertanto, che alla fine del periodo l azione valga m, quindi questo è il profitto che realizzeremo. L algoritmo ottimo off-line, invece, venderà appena l azione vale p max, realizzando un profitto appunto pari a p max. Il rapporto tra il profitto dell algoritmo on-line e dell algoritmo ottimo off-line è in questo caso m/p max, che può ovviamente essere arbitrariamente prossimo a m/p. Il miglior algoritmo on-line è sicuramente quello che sceglierà p in modo tale che vi sia bilanciamento tra le due possibili situazioni, ovvero per cui valga ovvero sceglierà il valore p pari a p M m p, p mm. Detto in altri termini, l algoritmo on-line ottimo è quello che decide, giorno per giorno, di vendere l azione se il suo valore v i è mm, e che decide di mantenere il possesso dell azione in caso contrario. Il fattore di competitività di un tale algoritmo è pari a M/m. 6

Algoritmi e strutture di dati 2

Algoritmi e strutture di dati 2 Algoritmi e strutture di dati 2 Paola Vocca Lezione 7: Algoritmi on-line e analisi competitiva Algoritmo on-line Algoritmi on-line: le richieste vengono eseguite basandosi solo sulla conoscenza delle richieste

Dettagli

La Minimizzazione dei costi

La Minimizzazione dei costi La Minimizzazione dei costi Il nostro obiettivo è lo studio del comportamento di un impresa che massimizza il profitto sia in mercati concorrenziali che non concorrenziali. Ora vedremo la fase della minimizzazione

Dettagli

Sommario della lezione

Sommario della lezione Universitá degli Studi di Salerno Corso di Algoritmi Prof. Ugo Vaccaro Anno Acc. 2014/15 p. 1/36 Sommario della lezione Ulteriori esempi di applicazione della Programmazione Dinamica Esempio di applicazione

Dettagli

Parte 2. Determinante e matrice inversa

Parte 2. Determinante e matrice inversa Parte. Determinante e matrice inversa A. Savo Appunti del Corso di Geometria 013-14 Indice delle sezioni 1 Determinante di una matrice, 1 Teorema di Cramer (caso particolare), 3 3 Determinante di una matrice

Dettagli

Parte 3. Rango e teorema di Rouché-Capelli

Parte 3. Rango e teorema di Rouché-Capelli Parte 3. Rango e teorema di Rouché-Capelli A. Savo Appunti del Corso di Geometria 203-4 Indice delle sezioni Rango di una matrice, 2 Teorema degli orlati, 3 3 Calcolo con l algoritmo di Gauss, 6 4 Matrici

Dettagli

Sommario della lezione

Sommario della lezione Università degli Studi di Salerno Corso di Algoritmi Prof. Ugo Vaccaro Anno Acc. 2014/15 p. 1/33 Sommario della lezione Ancora sui cammini minimi: Cammini minimi in grafi con archi di costo negativo Algoritmi

Dettagli

La Massimizzazione del profitto

La Massimizzazione del profitto La Massimizzazione del profitto Studio del comportamento dell impresa, soggetto a vincoli quando si compiono scelte. Ora vedremo un modello per analizzare le scelte di quantità prodotta e come produrla.

Dettagli

Strumenti della Teoria dei Giochi per l Informatica A.A. 2009/10. Lecture 22: 1 Giugno 2010. Meccanismi Randomizzati

Strumenti della Teoria dei Giochi per l Informatica A.A. 2009/10. Lecture 22: 1 Giugno 2010. Meccanismi Randomizzati Strumenti della Teoria dei Giochi per l Informatica AA 2009/10 Lecture 22: 1 Giugno 2010 Meccanismi Randomizzati Docente Vincenzo Auletta Note redatte da: Davide Armidoro Abstract In questa lezione descriveremo

Dettagli

Modelli di Ottimizzazione

Modelli di Ottimizzazione Capitolo 2 Modelli di Ottimizzazione 2.1 Introduzione In questo capitolo ci occuperemo più nel dettaglio di quei particolari modelli matematici noti come Modelli di Ottimizzazione che rivestono un ruolo

Dettagli

Introduzione al Corso di Algoritmi

Introduzione al Corso di Algoritmi Università di Salerno Corso di Algoritmi Prof. Ugo Vaccaro Anno Accademico 2014/15 p. 1/36 Introduzione al Corso di Algoritmi Di cosa parliamo oggi: Una discussione generale su cosa studieremo, perchè

Dettagli

Un modello matematico di investimento ottimale

Un modello matematico di investimento ottimale Un modello matematico di investimento ottimale Tiziano Vargiolu 1 1 Università degli Studi di Padova Liceo Scientifico Benedetti Venezia, giovedì 30 marzo 2011 Outline 1 Investimento per un singolo agente

Dettagli

Computational Game Theory

Computational Game Theory Computational Game Theory Vincenzo Bonifaci 24 maggio 2012 5 Regret Minimization Consideriamo uno scenario in cui un agente deve selezionare, più volte nel tempo, una decisione tra un insieme di N disponibili:

Dettagli

I Modelli della Ricerca Operativa

I Modelli della Ricerca Operativa Capitolo 1 I Modelli della Ricerca Operativa 1.1 L approccio modellistico Il termine modello è di solito usato per indicare una costruzione artificiale realizzata per evidenziare proprietà specifiche di

Dettagli

Finanza matematica - Lezione 01

Finanza matematica - Lezione 01 Finanza matematica - Lezione 01 Contratto d opzione Un opzione è un contratto finanziario stipulato al tempo, che permette di eseguire una certa transazione, d acquisto call o di vendita put, ad un tempo

Dettagli

Algoritmi e Strutture Dati

Algoritmi e Strutture Dati Elementi di Programmazione Dinamica Maria Rita Di Berardini, Emanuela Merelli 1 1 Dipartimento di Matematica e Informatica Università di Camerino Il problema La CMC produce automobili in uno stabilimento

Dettagli

190 LA DUALITÀ NELLA PROGRAMMAZIONE LINEARE 7.2 INTERPRETAZIONE DELLA DUALITÀ

190 LA DUALITÀ NELLA PROGRAMMAZIONE LINEARE 7.2 INTERPRETAZIONE DELLA DUALITÀ 190 LA DUALITÀ NELLA PROGRAMMAZIONE LINEARE 7.2 INTERPRETAZIONE DELLA DUALITÀ [Questo paragrafo non fa parte del programma di esame] Nei modelli reali le variabili (primali) possono rappresentare, ad esempio,

Dettagli

risulta (x) = 1 se x < 0.

risulta (x) = 1 se x < 0. Questo file si pone come obiettivo quello di mostrarvi come lo studio di una funzione reale di una variabile reale, nella cui espressione compare un qualche valore assoluto, possa essere svolto senza necessariamente

Dettagli

Linguaggi formali e compilazione

Linguaggi formali e compilazione Linguaggi formali e compilazione Corso di Laurea in Informatica A.A. 2015/2016 Linguaggi formali e compilazione Elementi generali Un parser generico di tipo procede operando una sequenza di riduzioni a

Dettagli

Domanda e offerta di lavoro

Domanda e offerta di lavoro Domanda e offerta di lavoro 1. Assumere (e licenziare) lavoratori Anche la decisione di assumere o licenziare lavoratori dipende dai costi che si devono sostenere e dai ricavi che si possono ottenere.

Dettagli

1. Considerazioni generali

1. Considerazioni generali 1. Considerazioni generali Modelli di shop scheduling In molti ambienti produttivi l esecuzione di un job richiede l esecuzione non simultanea di un certo numero di operazioni su macchine dedicate. Ogni

Dettagli

Introduzione alla tecnica di Programmazione Dinamica

Introduzione alla tecnica di Programmazione Dinamica Universitá degli Studi di Salerno Corso di Algoritmi Prof. Ugo Vaccaro Anno Acc. 2014/15 p. 1/37 Sommario della lezione Introduzione alla tecnica di Programmazione Dinamica Esempio di applicazione n. 1:

Dettagli

Corso di Informatica

Corso di Informatica Corso di Informatica Modulo T3 1-Sottoprogrammi 1 Prerequisiti Tecnica top-down Programmazione elementare 2 1 Introduzione Lo scopo di questa Unità è utilizzare la metodologia di progettazione top-down

Dettagli

Logistica - Il problema del trasporto

Logistica - Il problema del trasporto Logistica - Il problema del trasporto Federico Di Palma December 17, 2009 Il problema del trasporto sorge ogniqualvolta si debba movimentare della merce da una o più sorgenti verso una o più destinazioni

Dettagli

Prof. Ing. Michele Marra - Appunti delle Lezioni di Ricerca Operativa Sequenze CAPITOLO II

Prof. Ing. Michele Marra - Appunti delle Lezioni di Ricerca Operativa Sequenze CAPITOLO II CAPITOLO II 2. - PROBLEMI DI SEQUENZA I problemi di sequenza si presentano ogni qualvolta vi sono delle attività che richiedono delle risorse limitate ed indivisibili e bisogna definire l'ordine secondo

Dettagli

ESERCIZI DI ALGEBRA LINEARE E GEOMETRIA

ESERCIZI DI ALGEBRA LINEARE E GEOMETRIA ESERCIZI DI ALGEBRA LINEARE E GEOMETRIA Francesco Bottacin Padova, 24 febbraio 2012 Capitolo 1 Algebra Lineare 1.1 Spazi e sottospazi vettoriali Esercizio 1.1. Sia U il sottospazio di R 4 generato dai

Dettagli

Dall italiano alla logica proposizionale

Dall italiano alla logica proposizionale Rappresentare l italiano in LP Dall italiano alla logica proposizionale Sandro Zucchi 2009-10 In questa lezione, vediamo come fare uso del linguaggio LP per rappresentare frasi dell italiano. Questo ci

Dettagli

Approcci esatti per il job shop

Approcci esatti per il job shop Approcci esatti per il job shop Riferimenti lezione: Carlier, J. (1982) The one-machine sequencing problem, European Journal of Operational Research, Vol. 11, No. 1, pp. 42-47 Carlier, J. & Pinson, E.

Dettagli

Metodi e Modelli per l Ottimizzazione Combinatoria Ripasso sulla Modellazione in Programmazione Lineare

Metodi e Modelli per l Ottimizzazione Combinatoria Ripasso sulla Modellazione in Programmazione Lineare Metodi e Modelli per l Ottimizzazione Combinatoria Ripasso sulla Modellazione in Programmazione Lineare Luigi De Giovanni 1 Modelli di programmazione lineare I modelli di programmazione lineare sono una

Dettagli

Capitolo 13: L offerta dell impresa e il surplus del produttore

Capitolo 13: L offerta dell impresa e il surplus del produttore Capitolo 13: L offerta dell impresa e il surplus del produttore 13.1: Introduzione L analisi dei due capitoli precedenti ha fornito tutti i concetti necessari per affrontare l argomento di questo capitolo:

Dettagli

Elementi di calcolo delle probabilità

Elementi di calcolo delle probabilità Elementi di calcolo delle probabilità Definizione di probabilità A) Qui davanti a me ho un urna contenente 2 palline bianche e 998 nere. Mi metto una benda sugli occhi, scuoto ripetutamente l urna ed estraggo

Dettagli

CIRCUITI INTELLIGENTI Parte 5: PCA e ICA

CIRCUITI INTELLIGENTI Parte 5: PCA e ICA Ing. Simone SCARDAPANE Circuiti e Algoritmi per l Elaborazione dei Segnali Anno Accademico 2012/2013 Indice della Lezione 1. Analisi delle Componenti Principali 2. Auto-Associatori 3. Analisi delle Componenti

Dettagli

Esercizi di Gestione della Produzione Industriale. Tabella 1: tempi di lavorazione di un set di job.

Esercizi di Gestione della Produzione Industriale. Tabella 1: tempi di lavorazione di un set di job. Esercizio 1: schedulazione con il modello di Johnson...2 Soluzione dell esercizio 1 (schedulazione con il modello di Johnson)...2 Esercizio 2: schedulazione con il modello di Hodgson...3 Soluzione dell

Dettagli

Fondamenti di Informatica 2. Le operazioni binarie

Fondamenti di Informatica 2. Le operazioni binarie Corso di per il corso di Laurea di Ingegneria Gestionale Le operazioni binarie Università degli Studi di Udine - A.A. 2010-2011 Docente Ing. Sandro Di Giusto Ph.D. 1 L'algebra binaria Il fatto di aver

Dettagli

Laboratorio di Algoritmi e Strutture Dati

Laboratorio di Algoritmi e Strutture Dati Laboratorio di Algoritmi e Strutture Dati Docente: V. Lonati Progetto Compagnie aeree valido per la prova in itinere di gennaio 2013 1 Il problema Numerose compagnie aeree si spartiscono il traffico aereo

Dettagli

mese 1 2 3 4 5 richiesta 6000 7000 8000 9500 11000

mese 1 2 3 4 5 richiesta 6000 7000 8000 9500 11000 1.7 Servizi informatici. Un negozio di servizi informatici stima la richiesta di ore di manutenzione/consulenza per i prossimi cinque mesi: mese 1 2 3 4 5 richiesta 6000 7000 8000 9500 11000 All inizio

Dettagli

Esame di Ricerca Operativa - 20 settembre 2007 Facoltà di Architettura - Udine - CORREZIONE -

Esame di Ricerca Operativa - 20 settembre 2007 Facoltà di Architettura - Udine - CORREZIONE - Esame di Ricerca Operativa - settembre 7 Facoltà di rchitettura - Udine - CORREZIONE - Problema ( punti): Un azienda pubblicitaria deve svolgere un indagine di mercato per lanciare un nuovo prodotto. L

Dettagli

Schedulazione di attività in presenza di attività interrompibili

Schedulazione di attività in presenza di attività interrompibili Schedulazione di attività in presenza di attività interrompibili Maria Silvia Pini Resp. accademico: Prof.ssa Francesca Rossi Università di Padova Attività FSE DGR 1102/2010 La gestione dell informazione

Dettagli

ESEMPIO P.L. : PIANIFICAZIONE DI INVESTIMENTI

ESEMPIO P.L. : PIANIFICAZIONE DI INVESTIMENTI ESEMPIO P.L. : PIANIFICAZIONE DI INVESTIMENTI PROBLEMA: un azienda deve scegliere fra due possibili investimenti al fine di massimizzare il profitto netto nel rispetto delle condizioni interne e di mercato

Dettagli

Laboratorio di Ricerca Operativa Cad Ingegneria Gestionale (BGER3 - I semestre) a.a. 2012-13 Homework n 33. Docente: Laura Palagi

Laboratorio di Ricerca Operativa Cad Ingegneria Gestionale (BGER3 - I semestre) a.a. 2012-13 Homework n 33. Docente: Laura Palagi Laboratorio di Ricerca Operativa Cad Ingegneria Gestionale (BGER3 - I semestre) a.a. 2012-13 Homework n 33 Docente: Laura Palagi Homework in Ricerca Operativa gruppo n 33 Turni del Personale Martina Conti

Dettagli

Metodi e Modelli per la Simulazione

Metodi e Modelli per la Simulazione UNIVERSITA DEGLI STUDI ROMA TRE Facoltà di Ingegneria Corso di Laurea in Ingegneria Gestionale e dell Automazione Metodi e Modelli per la Simulazione Simulazioni e Analisi di euristiche di scheduling su

Dettagli

Probabilità discreta

Probabilità discreta Probabilità discreta Daniele A. Gewurz 1 Che probabilità c è che succeda...? Una delle applicazioni della combinatoria è nel calcolo di probabilità discrete. Quando abbiamo a che fare con un fenomeno che

Dettagli

Scheda n.5: variabili aleatorie e valori medi

Scheda n.5: variabili aleatorie e valori medi Scheda n.5: variabili aleatorie e valori medi October 26, 2008 1 Variabili aleatorie Per la definizione rigorosa di variabile aleatoria rimandiamo ai testi di probabilità; essa è non del tutto immediata

Dettagli

Obiettivo Principale: Spiegare come la stessa cosa possa essere realizzata in molti modi diversi e come, a volte, ci siano modi migliori di altri.

Obiettivo Principale: Spiegare come la stessa cosa possa essere realizzata in molti modi diversi e come, a volte, ci siano modi migliori di altri. 6 LEZIONE: Algoritmi Tempo della lezione: 45-60 Minuti. Tempo di preparazione: 10-25 Minuti (a seconda che tu abbia dei Tangram disponibili o debba tagliarli a mano) Obiettivo Principale: Spiegare come

Dettagli

Analisi matriciale delle reti di Petri (P/T) - sifoni e trappole -

Analisi matriciale delle reti di Petri (P/T) - sifoni e trappole - Analisi matriciale delle reti di Petri (P/T) - sifoni e trappole - - richiami preliminari sulle proprietà strutturali - Abbiamo visto che alcune caratteristiche dei sistemi dinamici (DES compresi) non

Dettagli

Lezione 3 Esercitazioni

Lezione 3 Esercitazioni Lezione 3 Esercitazioni Forlì, 26 Marzo 2013 Teoria della produzione Esercizio 1 Impiegando un fattore produttivo (input) sono stati ottenuti i livelli di produzione (output) riportati in tabella. Fattore

Dettagli

Ai fini economici i costi di un impresa sono distinti principalmente in due gruppi: costi fissi e costi variabili. Vale ovviamente la relazione:

Ai fini economici i costi di un impresa sono distinti principalmente in due gruppi: costi fissi e costi variabili. Vale ovviamente la relazione: 1 Lastoriadiun impresa Il Signor Isacco, che ormai conosciamo per il suo consumo di caviale, decide di intraprendere l attività di produttore di caviale! (Vuole essere sicuro della qualità del caviale

Dettagli

Problemi di localizzazione impianti

Problemi di localizzazione impianti Problemi di localizzazione impianti Laura Galli Dipartimento di Informatica Largo B. Pontecorvo 3, 56127 Pisa laura.galli@unipi.it http://www.di.unipi.it/~galli 2 Dicembre 2014 Ricerca Operativa 2 Laurea

Dettagli

Parte I. Relazioni di ricorrenza

Parte I. Relazioni di ricorrenza Parte I Relazioni di ricorrenza 1 Capitolo 1 Relazioni di ricorrenza 1.1 Modelli Nel seguente capitolo studieremo le relazioni di ricorrenza. Ad esempio sono relazioni di ricorrenza a n = a n 1 + n, a

Dettagli

Problemi di Programmazione Lineare Intera

Problemi di Programmazione Lineare Intera Capitolo 4 Problemi di Programmazione Lineare Intera La Programmazione Lineare Intera (PLI) tratta il problema della massimizzazione (minimizzazione) di una funzione di più variabili, soggetta a vincoli

Dettagli

Valore equo di un derivato. Contingent claim

Valore equo di un derivato. Contingent claim Contingent claim Ci occuperemo ora di determinare il prezzo equo di un prodotto derivato, come le opzioni, e di come coprire il rischio associato a questi contratti. Assumeremo come dinamica dei prezzi

Dettagli

Paperone e Rockerduck: a cosa serve l antitrust?

Paperone e Rockerduck: a cosa serve l antitrust? Paperone e Rockerduck: a cosa serve l antitrust? Paperone Anna Torre, Rockerduck Ludovico Pernazza 1-14 giugno 01 Università di Pavia, Dipartimento di Matematica Concorrenza Due imprese Pap e Rock operano

Dettagli

1 Inefficienza degli equilibri

1 Inefficienza degli equilibri Strumenti della Teoria dei Giochi per l Informatica A.A. 2009/10 Lecture 8: 9 Aprile 2010 Inefficienza degli equilibri Docente Prof. Vincenzo Auletta Note redatte da: Carmine Giordano Abstract In questa

Dettagli

Tecniche avanzate di sintesi di algoritmi: Programmazione dinamica Algoritmi greedy

Tecniche avanzate di sintesi di algoritmi: Programmazione dinamica Algoritmi greedy Tecniche avanzate di sintesi di algoritmi: Programmazione dinamica Algoritmi greedy Dr Maria Federico Programmazione dinamica Solitamente usata per risolvere problemi di ottimizzazione il problema ammette

Dettagli

Ottimizzazione Multi Obiettivo

Ottimizzazione Multi Obiettivo Ottimizzazione Multi Obiettivo 1 Ottimizzazione Multi Obiettivo I problemi affrontati fino ad ora erano caratterizzati da una unica (e ben definita) funzione obiettivo. I problemi di ottimizzazione reali

Dettagli

Il comportamento del produttore

Il comportamento del produttore Unità 2 Il comportamento del produttore 1 Indice Ambito I fattori produttivi La funzione di produzione Il mercato concorrenziale 2 Ambito La teoria del produttore si occupa di studiare il comportamento

Dettagli

f(x) = 1 x. Il dominio di questa funzione è il sottoinsieme proprio di R dato da

f(x) = 1 x. Il dominio di questa funzione è il sottoinsieme proprio di R dato da Data una funzione reale f di variabile reale x, definita su un sottoinsieme proprio D f di R (con questo voglio dire che il dominio di f è un sottoinsieme di R che non coincide con tutto R), ci si chiede

Dettagli

L effetto delle asimmetrie informative sul mercato del credito 1

L effetto delle asimmetrie informative sul mercato del credito 1 L effetto delle asimmetrie informative sul mercato del credito 1 Fausto Panunzi 2 Settembre 2009 Perché il mercato del credito è diverso da altri mercati? La crisi finanziaria emersa nell autunno 2008

Dettagli

CAPITOLO 10 I SINDACATI

CAPITOLO 10 I SINDACATI CAPITOLO 10 I SINDACATI 10-1. Fate l ipotesi che la curva di domanda di lavoro di una impresa sia data da: 20 0,01 E, dove è il salario orario e E il livello di occupazione. Ipotizzate inoltre che la funzione

Dettagli

Modulo didattico sulla misura di grandezze fisiche: la lunghezza

Modulo didattico sulla misura di grandezze fisiche: la lunghezza Modulo didattico sulla misura di grandezze fisiche: la lunghezza Lezione 1: Cosa significa confrontare due lunghezze? Attività n 1 DOMANDA N 1 : Nel vostro gruppo qual è la matita più lunga? DOMANDA N

Dettagli

Metodi Stocastici per la Finanza

Metodi Stocastici per la Finanza Metodi Stocastici per la Finanza Tiziano Vargiolu vargiolu@math.unipd.it 1 1 Università degli Studi di Padova Anno Accademico 2011-2012 Lezione 6 Indice 1 Il metodo bootstrap 2 Esercitazione 3 Interpolazione

Dettagli

Teoria dei Giochi. In generale è possibile distinguere i giochi in due classi principali:

Teoria dei Giochi. In generale è possibile distinguere i giochi in due classi principali: Teoria dei Giochi Dr. Giuseppe Rose (Ph.D., M.Sc., London) Università degli Studi della Calabria Corso di Laurea Magistrale in Economia Applicata a.a 2011/2012 Handout 1 1 Nozioni introduttive La teoria

Dettagli

SPERIMENTAZIONE CON LINDO SU UN PROBLEMA DI SCHEDULING

SPERIMENTAZIONE CON LINDO SU UN PROBLEMA DI SCHEDULING UNIVERSITA DEGLI STUDI DI PADOVA FACOLTA DI SCIENZE STATISTICHE CORSO DI LAUREA IN SCIENZE STATISTICHE ED ECONOMICHE TESI DI LAUREA SPERIMENTAZIONE CON LINDO SU UN PROBLEMA DI SCHEDULING Relatore: Ch.mo

Dettagli

Sommario della lezione

Sommario della lezione Sommario della lezione Ulteriori applicazioni del Massimo Flusso 1. Connettività di grafi. Selezione di progetti 3. Trasporto in reti 4. Eliminazione in tornei Università degli Studi di Salerno Corso di

Dettagli

0. Piano cartesiano 1

0. Piano cartesiano 1 0. Piano cartesiano Per piano cartesiano si intende un piano dotato di due assi (che per ragioni pratiche possiamo scegliere ortogonali). Il punto in comune ai due assi è detto origine, e funziona da origine

Dettagli

Algebra Booleana ed Espressioni Booleane

Algebra Booleana ed Espressioni Booleane Algebra Booleana ed Espressioni Booleane Che cosa è un Algebra? Dato un insieme E di elementi (qualsiasi, non necessariamente numerico) ed una o più operazioni definite sugli elementi appartenenti a tale

Dettagli

Prof.ssa Paola Vicard

Prof.ssa Paola Vicard Questa nota consiste perlopiù nella traduzione (con alcune integrazioni) da Descriptive statistics di J. Shalliker e C. Ricketts, 2000, University of Plymouth Consideriamo i dati nel file esercizio10_dati.xls.

Dettagli

Corso di Analisi Numerica

Corso di Analisi Numerica Corso di Laurea in Ingegneria Informatica Corso di Analisi Numerica 8 - METODI ITERATIVI PER I SISTEMI LINEARI Lucio Demeio Dipartimento di Scienze Matematiche 1 Norme e distanze 2 3 4 Norme e distanze

Dettagli

PREVEDERE LE VENDITE PER IL REVENUE MANAGEMENT

PREVEDERE LE VENDITE PER IL REVENUE MANAGEMENT Lezione n. 2 - PREVISIONE 1 PREVEDERE LE VENDITE PER IL REVENUE MANAGEMENT AUTORI Paolo Desinano Centro Italiano di Studi Superiori sul Turismo di Assisi Riccardo Di Prima Proxima Service INTRODUZIONE

Dettagli

Seconda Università di Napoli AA. 2012/2013 Facoltà di Economia. ECONOMIA INDUSTRIALE Prof. Roberto Basile (roberto.basile@unina2.

Seconda Università di Napoli AA. 2012/2013 Facoltà di Economia. ECONOMIA INDUSTRIALE Prof. Roberto Basile (roberto.basile@unina2. Seconda Università di Napoli AA. 2012/2013 Facoltà di Economia ECONOMIA INDUSTRIALE Prof. Roberto Basile (roberto.basile@unina2.it) Relazioni verticali Introduzione Vantaggi e svantaggi dell integrazione

Dettagli

CALCOLATORI ELETTRONICI A cura di Luca Orrù. Lezione n.6. Unità di controllo microprogrammata

CALCOLATORI ELETTRONICI A cura di Luca Orrù. Lezione n.6. Unità di controllo microprogrammata Lezione n.6 Unità di controllo microprogrammata 1 Sommario Unità di controllo microprogrammata Ottimizzazione, per ottimizzare lo spazio di memoria occupato Il moltiplicatore binario Esempio di architettura

Dettagli

Statistica e biometria. D. Bertacchi. Variabili aleatorie. V.a. discrete e continue. La densità di una v.a. discreta. Esempi.

Statistica e biometria. D. Bertacchi. Variabili aleatorie. V.a. discrete e continue. La densità di una v.a. discreta. Esempi. Iniziamo con definizione (capiremo fra poco la sua utilità): DEFINIZIONE DI VARIABILE ALEATORIA Una variabile aleatoria (in breve v.a.) X è funzione che ha come dominio Ω e come codominio R. In formule:

Dettagli

LA MASSIMIZZAZIONE DEI PROFITTI NEL BREVE PERIODO

LA MASSIMIZZAZIONE DEI PROFITTI NEL BREVE PERIODO 1 LA MASSIMIZZAZIONE DEI PROFITTI NEL BREVE PERIODO 1 La nozione di breve e di lungo periodo Una assunzione rilevante della teoria del comportamento dell'impresa sviluppato in precedenza è che l'impresa

Dettagli

Ricapitoliamo. Ricapitoliamo

Ricapitoliamo. Ricapitoliamo Ricapitoliamo Finora ci siamo concentrati sui processi computazionali e sul ruolo che giocano le procedure nella progettazione dei programmi In particolare, abbiamo visto: Come usare dati primitivi (numeri)

Dettagli

Esercizi Capitolo 14 - Algoritmi Greedy

Esercizi Capitolo 14 - Algoritmi Greedy Esercizi Capitolo 14 - Algoritmi Greedy Alberto Montresor 19 Agosto, 2014 Alcuni degli esercizi che seguono sono associati alle rispettive soluzioni. Se il vostro lettore PDF lo consente, è possibile saltare

Dettagli

Le query di raggruppamento

Le query di raggruppamento Le query di raggruppamento Le "Query di raggruppamento" sono delle Query di selezione che fanno uso delle "Funzioni di aggregazione" come la Somma, il Conteggio, il Massimo, il Minimo o la Media, per visualizzare

Dettagli

La dualità nella Programmazione Lineare

La dualità nella Programmazione Lineare Capitolo 5 La dualità nella Programmazione Lineare In questo capitolo verrà introdotto un concetto di fondamentale importanza sia per l analisi dei problemi di Programmazione Lineare, sia per lo sviluppo

Dettagli

Modelli di Programmazione Lineare e Programmazione Lineare Intera

Modelli di Programmazione Lineare e Programmazione Lineare Intera Modelli di Programmazione Lineare e Programmazione Lineare Intera 1 Azienda Dolciaria Un azienda di cioccolatini deve pianificare la produzione per i prossimi m mesi. In ogni mese l azienda ha a disposizione

Dettagli

Il Metodo Branch and Bound

Il Metodo Branch and Bound Il Laura Galli Dipartimento di Informatica Largo B. Pontecorvo 3, 56127 Pisa laura.galli@unipi.it http://www.di.unipi.it/~galli 4 Novembre 2014 Ricerca Operativa 2 Laurea Magistrale in Ingegneria Gestionale

Dettagli

Esercizi per il corso di Algoritmi e Strutture Dati

Esercizi per il corso di Algoritmi e Strutture Dati 1 Esercizi per il corso di Algoritmi e Strutture Dati Esercizi sulla Tecnica Divide et Impera N.B. Tutti gli algoritmi vanno scritti in pseudocodice (non in Java, né in C++, etc. ). Di tutti gli algoritmi

Dettagli

PROGRAMMAZIONE LINEARE:

PROGRAMMAZIONE LINEARE: PROGRAMMAZIONE LINEARE: Definizione:la programmazione lineare serve per determinare l'allocazione ottimale di risorse disponibili in quantità limitata, per ottimizzare il raggiungimento di un obiettivo

Dettagli

RAPPRESENTAZIONE GRAFICA DEGLI ALGORITMI

RAPPRESENTAZIONE GRAFICA DEGLI ALGORITMI RAPPRESENTAZIONE GRAFICA DEGLI ALGORITMI Diagramma di flusso L algoritmo può essere rappresentato in vari modi, grafici o testuali. Uno dei metodi grafici più usati e conosciuti è il cosiddetto diagramma

Dettagli

Corso di Calcolo Numerico

Corso di Calcolo Numerico Corso di Calcolo Numerico Dott.ssa M.C. De Bonis Università degli Studi della Basilicata, Potenza Facoltà di Ingegneria Corso di Laurea in Ingegneria Meccanica Sistemi di Numerazione Sistema decimale La

Dettagli

Progetto costo I. O. I.A. A 5 9 4 B 8 15 9 C 4 3 3 D 9 7 1

Progetto costo I. O. I.A. A 5 9 4 B 8 15 9 C 4 3 3 D 9 7 1 Tecniche di Valutazione Economica Processo di aiuto alla decisione lezione 13.04.2005 Modello di valutazione Dobbiamo riuscire a mettere insieme valutazioni che sono espresse con dimensioni diverse. Abbiamo

Dettagli

Strumenti della Teoria dei Giochi per l Informatica A.A. 2009/10. Articolo 1: 5 luglio 2010. Sponsored Search Equilibrium for Conservative Bidders

Strumenti della Teoria dei Giochi per l Informatica A.A. 2009/10. Articolo 1: 5 luglio 2010. Sponsored Search Equilibrium for Conservative Bidders Strumenti della Teoria dei Giochi per l Informatica A.A. 2009/0 Articolo : 5 luglio 200 Sponsored Search Equilibrium for Conservative Bidders Docente Vincenzo Auletta Note redatte da: Filomena Carnevale

Dettagli

Elementi di Statistica descrittiva Parte I

Elementi di Statistica descrittiva Parte I Elementi di Statistica descrittiva Parte I Che cos è la statistica Metodo di studio di caratteri variabili, rilevabili su collettività. La statistica si occupa di caratteri (ossia aspetti osservabili)

Dettagli

Fasi di creazione di un programma

Fasi di creazione di un programma Fasi di creazione di un programma 1. Studio Preliminare 2. Analisi del Sistema 6. Manutenzione e Test 3. Progettazione 5. Implementazione 4. Sviluppo 41 Sviluppo di programmi Per la costruzione di un programma

Dettagli

Algoritmo euclideo, massimo comun divisore ed equazioni diofantee

Algoritmo euclideo, massimo comun divisore ed equazioni diofantee Algoritmo euclideo, massimo comun divisore ed equazioni diofantee Se a e b sono numeri interi, si dice che a divide b, in simboli: a b, se e solo se esiste c Z tale che b = ac. Si può subito notare che:

Dettagli

LEZIONE 14. a 1,1 v 1 + a 1,2 v 2 + a 1,3 v 3 + + a 1,n 1 v n 1 + a 1,n v n = w 1

LEZIONE 14. a 1,1 v 1 + a 1,2 v 2 + a 1,3 v 3 + + a 1,n 1 v n 1 + a 1,n v n = w 1 LEZIONE 14 141 Dimensione di uno spazio vettoriale Abbiamo visto come l esistenza di una base in uno spazio vettoriale V su k = R, C, permetta di sostituire a V, che può essere complicato da trattare,

Dettagli

Un metodo per il rilevamento degli errori: la tecnica del Bit di Parità

Un metodo per il rilevamento degli errori: la tecnica del Bit di Parità Appunti: Tecniche di rilevazione e correzione degli errori 1 Tecniche di correzione degli errori Le tecniche di correzione degli errori sono catalogabili in: metodi per il rilevamento degli errori; metodi

Dettagli

Master della filiera cereagricola. Impresa e mercati. Facoltà di Agraria Università di Teramo. Giovanni Di Bartolomeo Stefano Papa

Master della filiera cereagricola. Impresa e mercati. Facoltà di Agraria Università di Teramo. Giovanni Di Bartolomeo Stefano Papa Master della filiera cereagricola Giovanni Di Bartolomeo Stefano Papa Facoltà di Agraria Università di Teramo Impresa e mercati Parte prima L impresa L impresa e il suo problema economico L economia studia

Dettagli

Algoritmi di scheduling - Parte 2

Algoritmi di scheduling - Parte 2 Algoritmi di scheduling - Parte 2 Automazione I 12/11/2013 Vincenzo Suraci STRUTTURA DEL NUCLEO TEMATICO ALGORITMO DEADLINE MONOTONIC PRIORITY ORDERING (DMPO) ALGORITMO TIMELINE SCHEDULING (TS) SCHEDULING

Dettagli

2.4.1 Generazione di numeri pseudocasuali con distribuzione uniforme

2.4.1 Generazione di numeri pseudocasuali con distribuzione uniforme GENERAZIONE DI OSSERVAZIONI CASUALI 157 2.4 GENERAZIONE DI OSSERVAZIONI CASUALI Una volta determinate le distribuzioni di input, la simulazione dovrà generare durante ogni esecuzione osservazioni casuali

Dettagli

RICERCA OPERATIVA. Questi due tipi di costi contribuiscono a determinare il costo totale di produzione così definito:

RICERCA OPERATIVA. Questi due tipi di costi contribuiscono a determinare il costo totale di produzione così definito: RICERCA OPERATIVA Prerequisiti Rappresentazione retta Rappresentazione parabola Equazioni e disequazioni Ricerca Operativa Studio dei metodi e delle strategie al fine di operare scelte e prendere decisioni

Dettagli

Calcolo delle Probabilita, INGEGNERIA INFORMATICA, semestre II, laurea (ord. Leonardo.

Calcolo delle Probabilita, INGEGNERIA INFORMATICA, semestre II, laurea (ord. Leonardo. Capitolo 1 9 Ottobre 00 Calcolo delle Probabilita, INGEGNERIA INFORMATICA, semestre II, laurea (ord. Leonardo. 000, Milano Esercizio 1.0.1 (svolto in classe [II recupero Ing. Matematica aa.00-0-rivisitato]nel

Dettagli

Se x* e punto di minimo (locale) per la funzione nell insieme Ω, Ω = { x / g i (x) 0 i I, h j (x)= 0 j J } lo e anche per F(x) = f o (x) + c x x 2

Se x* e punto di minimo (locale) per la funzione nell insieme Ω, Ω = { x / g i (x) 0 i I, h j (x)= 0 j J } lo e anche per F(x) = f o (x) + c x x 2 NLP -OPT 1 CONDIZION DI OTTIMO [ Come ricavare le condizioni di ottimo. ] Si suppone x* sia punto di ottimo (minimo) per il problema min f o (x) con vincoli g i (x) 0 i I h j (x) = 0 j J la condizione

Dettagli

Lezione 9: Cambio di base

Lezione 9: Cambio di base Lezione 9: Cambio di base In questa lezione vogliamo affrontare uno degli argomenti piu ostici per lo studente e cioè il cambio di base all interno di uno spazio vettoriale, inoltre cercheremo di capire

Dettagli

3 Il problema dell impacchettamento come problema

3 Il problema dell impacchettamento come problema 3 Il problema dell impacchettamento come problema NP - Le partizioni di numeri e i Taxicab come possibili esempi di soluzione Francesco Di Noto, Michele Nardelli, Pierfrancesco Roggero Abstract In this

Dettagli

La Programmazione Lineare

La Programmazione Lineare 4 La Programmazione Lineare 4.1 INTERPRETAZIONE GEOMETRICA DI UN PROBLEMA DI PROGRAMMAZIONE LINEARE Esercizio 4.1.1 Fornire una rappresentazione geometrica e risolvere graficamente i seguenti problemi

Dettagli

Dimensionamento dei lotti di produzione: il caso con variabilità nota

Dimensionamento dei lotti di produzione: il caso con variabilità nota Dimensionamento dei lotti di produzione: il caso con variabilità nota A. Agnetis In questi appunti studieremo alcuni modelli per il problema del lot sizing, vale a dire il problema di programmare la dimensione

Dettagli

Sequenziamento a minimo costo di commutazione in macchine o celle con costo lineare e posizione home (In generale il metodo di ottimizzazione

Sequenziamento a minimo costo di commutazione in macchine o celle con costo lineare e posizione home (In generale il metodo di ottimizzazione Sequenziamento a minimo costo di commutazione in macchine o celle con costo lineare e posizione home (In generale il metodo di ottimizzazione presentato in questo file trova la seq. a costo minimo per

Dettagli