Modelli dei Sistemi di Produzione Modelli e Algoritmi della Logistica

Dimensione: px
Iniziare la visualizzazioe della pagina:

Download "Modelli dei Sistemi di Produzione Modelli e Algoritmi della Logistica 2010-11"

Transcript

1 Modelli dei Sistemi di Produzione Modelli e lgoritmi della Logistica 00- Scheduling: Macchina Singola CRLO MNNINO Saienza Università di Roma Diartimento di Informatica e Sistemistica

2 Il roblema /-/ w C Dati n ob,,n e una sola macchina ogni ob è quindi associata un unica oerazione. : temo di rocessamento (oerazione associata al) ob ssunzione > 0 er ogni w : eso del ob. w C : costo di comletamento del ob. s : istante d`inizio (variabile) del ob. I ob non ossono essere interrotti (no-reemtion) C = s + Problema : trovare uno scheduling s che minimizzi il temo di comletamento esato w C = w (s + ) Nella classificazione a tre indici: Problema /-/ w C

3 Formulazione disgiuntiva Job w Per comodità usiamo variabili C = s + min C + 5C + 9C + 6C 4 s.t. C C L =,, 4 (C C i ) (C i C i ) i, i, =,, 4 C L = 0, C R + =,, n Senza erdita di generalità si one C L = 0, che imlica C L Grafo disgiuntivo 9 9 9

4 Formulazione 0, Job w min C + 5C + 9C + 6C4 s.t. C > 6 C > 9 C > C4 > C - C + 00 x > 6 C - C - 00 x > -9 C - C + 00 x > 6 C - C - 00 x > -99 C - C x4 > 6 C4 - C - 00 x4 > -97 C - C + 00 x > 9 C - C - 00 x > -99 C - C x4 > 9 C4 - C - 00 x4 > -97 C - C x4 > C4 - C - 00 x4 > -97 binary x x x4 x x4 x4 end 9 6 File tio l, che uò essere letto dai rinciali solutori commerciali Variabili a sinistra, costanti a destra Il segno > denota il L Grafo disgiuntivo 9 9 9

5 Il roblema /-/ w C OSS: non conviene lasciare la macchina inattiva fra il comletamento di un ob e l`inizio del successivo In ogni soluzione ottima, un ob comincia quindi esattamente quando il recedente termina. Chiamiamo questa soluzione comatta. La sequenza (ermutazione),, n dei ob sulla macchina determina univocamente la soluzione comatta k- k n k k n Obs.: temo di comletamento del k-esimo ob C k r k r Problema /-/ w C : trovare la sequenza dei ob,, n che minimizza il temo di comletamento esato w C

6 La regola di Smith Regola di Smith: ordina er valori non crescenti del raorto w / Quindi, se,, n è una sequenza rodotta dalla regola di Smith: w w OSS. Se alcuni raorti coincidono, esistono iù sequenze che soddisfano la regola di Smith. w n n Th. 6. (Della regola di Smith) La soluzione comatta associata una sequenza,, n rodotta dalla regola di Smith è ottima er il roblema /-/ w C

7 Dimostrazione Regola di Smith Dimostrazione Teorema della regola di Smith Sia una sequenza ottima. Per assurdo suoniamo che non risetti la regola di Smith. Esistono quindi due ob adiacenti, e k, tale che k viene immediatamente doo in e si ha: w / < w k / k Consideriamo la sequenza ` ottenuta da invertendo e k t+ k ` k t t+ k t+ + k OBS. Tutti i temi di comletamento dei ob rimangono invariati tranne quelli del ob e del ob k.

8 Dimostrazione Regola di Smith ` i i t k Sia t il temo di comletamento del ob che recede in (e k in `) Siano C e C` i temi di comletamento in S e S`, risettivamente C` =t+ + k C`k =t+ k C =t+ C k =t+ + k Differenza di costo fra C e C: = wc wc = w (C` -C ) + w k (C`k -C k ) Sostituendo = w (t+ + k - t- ) + w k (t+ k t - - k ) = w ( k ) + w k (- ) t+ k t+ k C` C C`k C k t+ + k Da w / < w k / k w k < w k = w k - w k < 0 e non è ottima, contraddizione.

9 Esemio Job w w / = /, w / = 5/9, w / = 9, w 4 / 4 = Sequenza ottima: (, 4,, ) C = 9 C =, C =, C 4 = 4 w C = 8, w C =65, w C = 9, w 4 C 4 = 4 Costo totale = w C + w C + w C + w 4 C 4 = 6 OBS: il makesan 9 è uguale er ogni sequenza

10 Sequenze equivalenti Lemma. 6. (Sequenze Equivalenti) Se er ogni ob N, il suo eso w è uguale al suo temo di rocessamento, allora ogni sequenza è ottima Per ogni N, si ha w / =. Dal Teorema 6. (della regola di Smith) segue che ogni sequenza è ottima. Lemma. 6. (Valore della soluzione w = ) Se er ogni allora la soluzione ottima vale: f ( N) N N N si ha w = Per il Lemma 6. ogni sequenza è ottima: quindi anche = {,,,n} n n n- C = C = C n = + + n

11 Dimostrazione Lemma 6. Quindi lo schedule: r C r è ottimo e il suo valore f(n) è dato da ) ( ) ( ) ( ) ( n n N N r r N C w C N f i N N i i N n N,, Saendo che i N N i i N N f,, ) ( ) (,, N f i N N i i N N N

12 Poliedro degli schedule ammissibili Descriviamo l insieme S() R N degli scheduling ammissibili C. In altri termini C = (C,, C n ) T sequenza = {,, n} tale che C J C S() se e solo se esiste una C k,, n k k k C = (9,,,4) T S() 4 = {,4,,) 4 9 C = (0,0,,4) T S() = {,4,,)

13 Proiezione delle soluzioni Sia C = (C,, C n ) T R N uno schedule ammissibile, i.e. C S() Sia N un sottoinsieme di ob e sia S ( ) l insieme degli scheduling ammissibili er i soli ob in ( temi dei ob in ) llora la roiezione C di C nello sazio R soddisfa C S ( ) Esemio N = {,,,4}, = {,} C = (9,,,4) T S() = {,4,,)} 4 J C = (,) T = {,} 4 Naturalmente l ottimalità di C risetto a un sistema di esi w non imlica l ottimalità di C in S ( ) risetto w (C è in generale non comatta)

14 Vincoli validi Def. Sia dato un insieme di unti P R n, e siano a R n e b R. Il vincolo a T x b è detto valido er P se e solo se è soddisfatto da tutti i unti di P, ovvero se e solo se non esiste x P tale che a T x < b. P P Lemma. Sia dato un insieme di unti P R n, e sia a R n. Sia b = min{a T x: x P} llora a T x b è un vincolo valido er P. Infatti, se esistesse un unto x P tale che a T x < b si avrebbe min{a T x: x P} a T x < b contraddizione. 4

15 Prorietà degli schedule ammissibili Teorema. 6.4 () Sia N un sottoinsieme di ob e sia f ) ( llora il vincolo C f() è valido er S() Dim. Qual è il valore minimo che uò assumere la quantità? ) (, S C C ) ( * S C Sia C * la soluzione ottima del roblema ) ( : min S C C ) ( : min * S Q Q C ) ( ) ( : min f S Q Q dal Lemma 6. ) ( ) ( : min ) ( : min ) ( : f S Q Q S C C S C C C * roiezione di C nello sazio R

16 Esemio Esemio N = {,,,4}, = {,} J f() = ½ (+9) + ½ ( + 9 ) = 9 C f() 9C + C 9 C = (9,,,4) T S() C soddisfa il vincolo 9C + C = 9 + = 8 9

17 Il oliedro degli schedule ammissibili Per ogni N il vincolo C f() è valido er S() Chiamiamo S c () il oliedro degli scheduling comatti, e cioè l involucro convesso degli scheduling comatti associati a. Si uò far vedere che S c () coincide con S c (): C C f() N N C = f(n) R n Gli schedule comatti coincidono coi vertici Ext(S c ()) di S c ()

18 Esemio: vertici di S c () I vertici Ext(S c ()) di S c () corrisondono agli scheduling comatti. Esemio: C = (9,,,4) T S() = {,4,,)} J C = (7,7,,9) T S() = {,4,,)} Le combinazioni convesse aartengono al oliedro ma non corrisondono a schedule ammissibili Esemio: ½ C + ½ C = (,5,,.5)

19 Il roblema singola macchina Temo di comletamento esato con vincoli di recedenza

20 Il roblema /rec/ w C I questa arte affronteremo una generalizzazione del roblema singola macchina con temo di comletamento esato La generalizzazione revede la resenza di vincoli di recedenza fra ob Il roblema diviene in questo modo sostanzialmente iù difficile E imortante quindi oter disorre di buoni rilassamenti In linea di rinciio è ossibile usare la formulazione 0, associata al rogramma disgiuntivo corrisondente Tuttavia la resenza della big M rende questa formulazione molto debole Introduciamo quindi una tecnica generale er costruire rilassamenti nota come Rilassamento Lagrangiano

21 Il roblema /rec/ w C Dati n ob,,n e una sola macchina : temo di rocessamento (oerazione associata al) ob w : eso del ob. w C : costo di comletamento del ob. I ob non ossono essere interrotti (no-reemtion) C = s + lcuni ob osso iniziare solo doo il comletamento di altri: C C i + er ogni i Problema : trovare uno scheduling comatto C che minimizzi il temo di comletamento esato w C e soddisfi tutti i vincoli di recedenza Nella classificazione a tre indici: Problema /rec/ w C

22 Esemio Job w Grafo disgiuntivo C C + C 4 C + C 4 C +

23 Formulazione 0, Job w min C + 5C + 9C + 6C4 s.t. C > 6 C > 9 C > C4 > C - C + 00 x > 6 C - C - 00 x >= -9 binary x x x4 end C - C + 00 x > 9 C - C - 00 x > -99 C - C x4 > C4 - C - 00 x4 > -97 C - C > C4 - C > C4 - C > 6 9 Sol Ottima C = 6, C = 6, C = 7, C4 = 9. Valore: Grafo disgiuntivo x =x =x 4 =x =x 4 =x 4 = 9 9

24 Comlessità roblema /rec/ w C Il roblema /rec/ w C è in genere difficile comutazionalmente. Per alcune classi di vincoli aggiuntivi il roblema uò essere risolto efficientemente In articolare, se il grafo associato ai vincoli aggiuntivi è serie-arallelo (ad esemio, un cammino o un insieme di cammini assanti er nodi distinti). Si ossono usare tecniche di soluzione tio Branch&Bound Per alicare queste tecniche occorre definire un rilassamento Di seguito illustreremo una tecnica di rilassamento molto studiata, nota col nome di Rilassamento Lagrangiano.

25 Esemio min C + 5C + 9C + 6C 4 C - C u = C 4 - C u = C 4 - C u = C Ext(S c ()) min C + 5C + 9C + 6C 4 + ( - C + C ) + ( C 4 + C ) + ( C 4 + C ) C Ext(S c ()) + min 5C + 7C + 7C + C 4 C Ext(S c ()) Problema residuo risolvibile con il Greedy. J w' w / 5/6 7/ Valore z RL (u) = z RL ((,,) T ) = + 0 = < 69(valore ottimo P(Q) )

26 Teorema del Rilassamento Lagrangiano P(Q): z Q = min x {c T x: x b, x Q }, con Q R n e matrice m n RL(u): z RL (u) = min x {c T x + u T (b- x), x Q}, con u 0 Teorema 6.5 (del rilassamento lagrangiano) Per ogni RL(u) è un rilassamento di P(Q) e si ha z RL (u) z Q u m R Dim. La regione ammissibile Q di RL(u) è ottenuta rimuovendo vincoli da quella di P(Q): R ={x: x b, x Q} R Q x ammissibile er P(Q) x b b- x 0 u 0, b- x 0 u T (b- x ) 0 c T x + u T (b- x ) c T x (er ogni x R, la f.o.di RL(u) è della f.o. di P(Q) ) RL(u) è un rilassamento di P(Q) e z RL (u) z Q

27 Esemio min C + 5C + 9C + 6C 4 C - C u = C 4 - C u = C 4 - C u = C Ext(S c ()) min C + 5C + 9C + 6C 4 + ( - C + C ) + ( C 4 + C ) + ( C 4 + C ) C Ext(S c ()) 6+ min 5C + 8C + 8C + C 4 C Ext(S c ()) J w' w' / 5/6 8/9 8 / Valore z RL (u) = z RL ((,,) T ) = 6+ 0 = 8 < 69 (valore ottimo P(Q) ) OSS z RL ((,,) T ) = 8 > z RL ((,,) T )

28 Duale Lagrangiano Il valore z RL (u) =min x {c T x + u T (b- x), x Q}, u 0 varia con u Per ottenere il miglior lower bound ossibile, siamo interessati al massimo di z RL (u) al variare di u Il roblema DL: z RL =max u {z RL (u) } è detto Duale Lagrangiano. Quindi DL: max u min x {c T x + u T (b- x), x Q, u 0} DL è un robrema di rogrammazione non lineare e uò con varie tecniche (es. il metodo del subgradiente) essere risolto Di seguito mostreremo un aroccio basato sul metodo del simlesso dinamico.

29 Risolvere il duale lagrangiano DL: max u min x { c T x + u T (b- x), x Q, u 0} ssunzione : Q = {x,, x r } è un insieme finito Q} uò essere risolto er enumerazione trovando il minimo delle seguenti quantità Per fissato u = u il roblema min x {c T x + u T (b- x), x v (u ) = c T x + u T (b- x ) v (u ) = c T x + u T (b- x ) v r (u ) = c T x r + u T (b- x r ) OSS: min {v (u ),, v r (u )} = max {v: v v (u ),, v v r (u ), v R} DL uò essere riscritto come max u 0 max v {v: v v (u),, v v r (u), v R}

30 Risolvere il duale lagrangiano Quindi DL = max u min x {c T x + u T (b- x), x Q, u 0} diventa DLv max u max v v = max u,v v v c T x + u T (b- x ) v c T x + u T (b- x ) v c T x r + u T (b- x r ) v R, u R m + Le variabili di DLv sono v R e u R m Ogni vincolo corrisonde a un unto di Q Se Q è grande si uò (si deve!) alicare il metodo del simlesso dinamico. Comonente essenziale: oracolo di searazione.

31 Oracolo di Searazione Riga i Descrizione imlicita di: x ^ R n a i Oracolo di Searazione x^ P ={x R n : x<b} ^x P ^x P a ^ i x > b i vincolo violato b x^ < b i x^ P Oracolo di searazione: algoritmo che, dato un oliedro P ={x R n : x<b} e un unto x * R n stabilisce se x * P oure restituisce un vincolo della descrizione di P violato da x *

32 Oracolo di searazione er DLv Oracolo di Searazione: Data una soluzione (v *, u * ) di DLv trova un vincolo tale che v * > c T x t + (u * ) T (b- x t ) (vincolo violato) o dimostra che tale vincolo non esiste. I vincoli corrisondono ai unti di Q Oracolo di Searazione Trova x t Q che minimizza c T x t + (u * ) T (b- x t ) Se c T x t + u *T (b- x t ) < v * v u T (b- x t ) vincolo violato c x t ltrimenti c T x + u *T (b- x) v * er ogni x Q e non esiste un vincolo violato

33 Oracolo di searazione er /rec/ w C (u * ) T b + min c T x - u *T x x Q Nel caso del roblema /rec/ w C, doo aver rilassato i vincoli di recedenza C b, il roblema residuo è un roblema/-/ w C. Le soluzioni del rilassamento (insieme Q) sono quindi schedule comatti, corrisondenti ai vertici di S c () Il roblema di searazione er (v * u * ) diventa quindi u *T b + min w T C - u *T C C Ext(S c ()) Il roblema qua sora uò essere risolto con la regola di Smith.

34 Metodo del Simlesso Dinamico Risolve un roblema di Programmazione Lineare: max c T x : x P ={x R n : x b, c T x k} ssunzione: roblema non illimitato Due ingredienti: max c T x x b, c T x k x ^ R n Oracolo di Searazione di P Metodo del Simlesso ^x P ^x P ^ a i x > b i x * soluzione ottima roblema illimitato nessuna soluzione (P =

35 Definizione del roblema core D 0 d 0 b D=D 0 ; d=d 0 max c T x x Q = Dx<d, (P Q) c T x k Nuova D e nuovo d D d a T i b i ggiunta del vincolo violato Metodo del Q= Simlesso x * ottima (in Q) Oracolo di Searazione di P x * P a it x>b i x * P P= x * ottima

36 Esemio min C + 5C + 9C + 6C 4 C - C C 4 - C C 4 - C C Ext(S c ()) J w Risolviamo il duale lagrangiano alicando il simlesso dinamico Il roblema core iniziale è costruito a artire da vincoli corrisondenti a un sottoinsieme di schedule comatti. Senza erdita di generalità, ossiamo aggiungere al roblema (e al rimo roblema core) in vincolo v k con k oortuno, in modo da rendere non illimitati i roblemi nella successione. Essendo il valore finale di v un lower bound sul valore ottimo del roblema originario, k uò essere scelto come il valore di una soluzione ammissibile er il roblema originario.

37 Esemio min C + 5C + 9C + 6C 4 C - C C 4 - C C 4 - C C Ext(S c ()) J w La sequenza = {,, 4, } è ammissibile. C( ) = (5,9,9,8) T w T C = = 54 Possiamo orre nel duale lagrangiano v 54

38 Esemio Duale Lagrangiano max v v 54 v R, u R + J w Sol ottima: v * = 54, u * = (0,0,0) Oracolo di searazione u * b + min (w (u * ) T ) C C Ext(S c ()) 0+ min C + 5C + 9C + 6C 4 x Ext(S c ()) = (, 4,, ) C = (9,,, 4) J w w / / 5/9 9 Regola di Smith wc = 6

39 Esemio Duale Lagrangiano max v v 54 v R, u R + J w Sol ottima: v * = 54, u * = (0,0,0) C = (9,,, 4) Test w T C + (u * ) T (b- C ) < v * 6 < 54 Si aggiunge al duale lagrangiano il vincolo v u T (b- C ) w C w C = 6 C = (-8, -5, -9) b - C = (9, 8, ) v - 9u 8u u b

40 Esemio Duale Lagrangiano max v v 54 v - 9u 8u u 6 v R, u R + J w Sol ottima: v * = 54, u * = (.5,0,0) Oracolo di searazione (u * ) T b + min (w - (u * ) T ) C x Ext(S c ()),5+ min,5c + 5C -,5C + 6C 4 x Ext(S c ()) = (,4,, ) C = (6, 8, 9, 9) J w,5 5 -,5 6 w /, 5/9 -,5 Regola di Smith wc = 7

41 Esemio Duale Lagrangiano max v v 54 v - 9u 8u u 6 v R, u R + J w Sol ottima: v * = 54, u * = (.5,0,0) C = (6, 8, 9, 9) Test w T C + (u * ) T (b- C ) < v * Se violato da (v * u * ), si aggiunge al core il vincolo v u T (b- C ) w C w C = C = (,, -9) 0 0 b - C = (-, 0, ) 0 0 v - u + u 7 Il vincolo non è violato da (v * u * ), v * valore soluzione ottima del duale lagrangiano b

Sapienza Università di Roma - Dipartimento di Ingegneria Informatica, Automatica e Gestionale

Sapienza Università di Roma - Dipartimento di Ingegneria Informatica, Automatica e Gestionale Saienza Università di Roma - Diartimento di Ingegneria Informatica, Automatica e Gestionale Scheduling Renato Bruni bruni@dis.uniroma.it Il materiale resentato è derivato da quello dei roff. A. Sassano

Dettagli

Ottimizzazione nella gestione dei progetti Capitolo 4: la gestione dei costi (Programmazione multimodale): formulazioni

Ottimizzazione nella gestione dei progetti Capitolo 4: la gestione dei costi (Programmazione multimodale): formulazioni Ottimizzazione nella gestione dei progetti Capitolo 4: la gestione dei costi (Programmazione multimodale): formulazioni CARLO MANNINO Università di Roma La Sapienza Dipartimento di Informatica e Sistemistica

Dettagli

NUMERI RAZIONALI E REALI

NUMERI RAZIONALI E REALI NUMERI RAZIONALI E REALI CARLANGELO LIVERANI. Numeri Razionali Tutti sanno che i numeri razionali sono numeri del tio q con N e q N. Purtuttavia molte frazioni ossono corrisondere allo stesso numero, er

Dettagli

Sono casi particolari di MCF : SPT (cammini minimi) non vi sono vincoli di capacità superiore (solo x ij > 0) (i, j) A : c ij, costo di percorrenza

Sono casi particolari di MCF : SPT (cammini minimi) non vi sono vincoli di capacità superiore (solo x ij > 0) (i, j) A : c ij, costo di percorrenza Il problema di flusso di costo minimo (MCF) Dati : grafo orientato G = ( N, A ) i N, deficit del nodo i : b i (i, j) A u ij, capacità superiore (max quantità di flusso che può transitare) c ij, costo di

Dettagli

Risposta: 2009 2010 Quantità Prezzo ( ) Quantità Prezzo ( ) Automobili 8.000 15.000 6.500 14.500 Biciclette 80.000 195,52 94.

Risposta: 2009 2010 Quantità Prezzo ( ) Quantità Prezzo ( ) Automobili 8.000 15.000 6.500 14.500 Biciclette 80.000 195,52 94. 1. Domanda Si consideri un sistema economico che roduce solo due beni: automobili e biciclette. È noto che nel 009 sono state rodotte 8.000 automobili che sono state venduto al rezzo di 15.000 e 80.000

Dettagli

Metodi e Modelli per l Ottimizzazione Combinatoria Il problema del flusso di costo minimo

Metodi e Modelli per l Ottimizzazione Combinatoria Il problema del flusso di costo minimo Metodi e Modelli per l Ottimizzazione Combinatoria Il problema del flusso di costo minimo L. De Giovanni G. Zambelli 1 Problema del flusso a costo minimo Il problema del flusso a costo minimo é definito

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

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

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

Ricerca Operativa A.A. 2007/2008. 10. Dualità in Programmazione Lineare

Ricerca Operativa A.A. 2007/2008. 10. Dualità in Programmazione Lineare Ricerca Operativa A.A. 2007/2008 10. Dualità in Programmazione Lineare Luigi De Giovanni - Ricerca Operativa - 10. Dualità in Programmazione Lineare 10.1 Soluzione di un problema di PL: punti di vista

Dettagli

CBM a.s. 2012/2013 PROBLEMA DELL UTILE DEL CONSUMATORE CON IL VINCOLO DEL BILANCIO

CBM a.s. 2012/2013 PROBLEMA DELL UTILE DEL CONSUMATORE CON IL VINCOLO DEL BILANCIO CM a.s. /3 PROLEMA DELL TILE DEL CONSMATORE CON IL VINCOLO DEL ILANCIO Il consumatore è colui che acquista beni er destinarli al rorio consumo. Linsieme dei beni che il consumatore acquista rende il nome

Dettagli

PROVA FINALE V. AULETTA G. PERSIANO ALGORITMI II - -MAGIS INFO

PROVA FINALE V. AULETTA G. PERSIANO ALGORITMI II - -MAGIS INFO PROVA FINALE V. AULETTA G. PERSIANO ALGORITMI II - -MAGIS INFO 1. Load Balancing Un istanza del problema del load balancing consiste di una sequenza p 1,..., p n di interi positivi (pesi dei job) e un

Dettagli

1. Sia dato un poliedro. Dire quali delle seguenti affermazioni sono corrette.

1. Sia dato un poliedro. Dire quali delle seguenti affermazioni sono corrette. . Sia dato un poliedro. (a) Un vettore x R n è un vertice di P se soddisfa alla seguenti condizioni: x P e comunque presi due punti distinti x, x 2 P tali che x x e x x 2 si ha x = ( β)x + βx 2 con β [0,

Dettagli

Una proposizione è una affermazione di cui si possa stabilire con certezza il valore di verità

Una proposizione è una affermazione di cui si possa stabilire con certezza il valore di verità Logica 1. Le roosizioni 1.1 Cosa studia la logica? La logica studia le forme del ragionamento. Si occua cioè di stabilire delle regole che ermettano di assare da un'affermazione vera ad un'altra affermazione

Dettagli

b i 1,1,1 1,1,1 0,1,2 0,3,4

b i 1,1,1 1,1,1 0,1,2 0,3,4 V o Appello // RICERCA OPERATIVA - Corso A (a.a. 9/) Nome Cognome: Corso di Laurea: L C6 LS LM Matricola: ) Si consideri il problema di flusso di costo minimo in figura. Si verifichi se il flusso ammissibile

Dettagli

2 Formulazione dello shortest path come problema di flusso

2 Formulazione dello shortest path come problema di flusso Strumenti della Teoria dei Giochi per l Informatica A.A. 2009/10 Lecture 20: 28 Maggio 2010 Cycle Monotonicity Docente: Vincenzo Auletta Note redatte da: Annibale Panichella Abstract In questa lezione

Dettagli

Introduzione Ordini parziali e Reticoli Punti fissi

Introduzione Ordini parziali e Reticoli Punti fissi Introduzione Ordini parziali e Reticoli Punti fissi By Giulia Costantini (819048) & Giuseppe Maggiore (819050) Table of Contents ORDINE PARZIALE... 3 Insieme parzialmente ordinato... 3 Diagramma di Hasse...

Dettagli

VC-dimension: Esempio

VC-dimension: Esempio VC-dimension: Esempio Quale è la VC-dimension di. y b = 0 f() = 1 f() = 1 iperpiano 20? VC-dimension: Esempio Quale è la VC-dimension di? banale. Vediamo cosa succede con 2 punti: 21 VC-dimension: Esempio

Dettagli

MATEMATICA DEL DISCRETO elementi di teoria dei grafi. anno acc. 2009/2010

MATEMATICA DEL DISCRETO elementi di teoria dei grafi. anno acc. 2009/2010 elementi di teoria dei grafi anno acc. 2009/2010 Grafi semplici Un grafo semplice G è una coppia ordinata (V(G), L(G)), ove V(G) è un insieme finito e non vuoto di elementi detti vertici o nodi di G, mentre

Dettagli

Modelli per la gestione delle scorte

Modelli per la gestione delle scorte Modelli per la gestione delle scorte Claudio Arbib Università di L Aquila Seconda Parte Sommario Sui problemi di gestione aperiodica equazioni di stato Funzioni di costo Un modello convesso formulazione

Dettagli

Ricerca Operativa Esercizi sul metodo del simplesso. Luigi De Giovanni, Laura Brentegani

Ricerca Operativa Esercizi sul metodo del simplesso. Luigi De Giovanni, Laura Brentegani Ricerca Operativa Esercizi sul metodo del simplesso Luigi De Giovanni, Laura Brentegani 1 1) Risolvere il seguente problema di programmazione lineare. ma + + 3 s.t. 2 + + 2 + 2 + 3 5 2 + 2 + 6,, 0 Soluzione.

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

TSP con eliminazione di sottocicli

TSP con eliminazione di sottocicli TSP con eliminazione di sottocicli Un commesso viaggiatore deve visitare 7 clienti in modo da minimizzare la distanza percorsa. Le distanze (in Km) tra ognuno dei clienti sono come segue: 7-8 9 7 9-8 79

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

Sessione live #2 Settimana dal 24 al 30 marzo. Statistica Descrittiva (II): Analisi congiunta, Regressione lineare Quantili.

Sessione live #2 Settimana dal 24 al 30 marzo. Statistica Descrittiva (II): Analisi congiunta, Regressione lineare Quantili. Sessione lie # Settimana dal 4 al 30 marzo Statistica Descrittia (II): Analisi congiunta, Regressione lineare Quantili Lezioni CD: 3 4-5 Analisi congiunta Da un camione di 40 studenti sono stati rileati

Dettagli

Ricerca Operativa e Logistica

Ricerca Operativa e Logistica Ricerca Operativa e Logistica Dott. F.Carrabs e Dott.ssa M.Gentili A.A. 2011/2012 Lezione 10: Variabili e vincoli logici Variabili logiche Spesso nei problemi reali che dobbiamo affrontare ci sono dei

Dettagli

Ricerca Operativa Esercizi risolti sulle condizioni di complementarietà primale-duale. L. De Giovanni, V. Dal Sasso

Ricerca Operativa Esercizi risolti sulle condizioni di complementarietà primale-duale. L. De Giovanni, V. Dal Sasso Ricerca Operativa Esercizi risolti sulle condizioni di complementarietà primale-duale L. De Giovanni, V. Dal Sasso 1 Esercizio 1. Dato il problema min 2x 1 x 2 s.t. x 1 + 2x 2 7 2x 1 x 2 6 3x 1 + 2x 2

Dettagli

Progetto di Reti di Telecomunicazione Modelli in Programmazione Lineare Problemi di flusso

Progetto di Reti di Telecomunicazione Modelli in Programmazione Lineare Problemi di flusso Progetto di Reti di Telecomunicazione Modelli in Programmazione Lineare Problemi di flusso Flusso di costo minimo È dato un grafo direzionato G = (N, A). Ad ogni arco (i, j) A è associato il costo c ij

Dettagli

2.1 Definizione di applicazione lineare. Siano V e W due spazi vettoriali su R. Un applicazione

2.1 Definizione di applicazione lineare. Siano V e W due spazi vettoriali su R. Un applicazione Capitolo 2 MATRICI Fra tutte le applicazioni su uno spazio vettoriale interessa esaminare quelle che mantengono la struttura di spazio vettoriale e che, per questo, vengono dette lineari La loro importanza

Dettagli

Ripasso di microeconomia ECONOMIA E FINANZA PUBBLICA. Teoria del consumatore. Lezione n. 1. Teoria del consumatore. Le preferenze.

Ripasso di microeconomia ECONOMIA E FINANZA PUBBLICA. Teoria del consumatore. Lezione n. 1. Teoria del consumatore. Le preferenze. Università degli Studi di erugia Corso di Laurea Magistrale in Scienze della olitica e dell'mministrazione Lezione n. Riasso di microeconomia CONOMI FINNZ ULIC nza Caruso Le referenze Come i consumatori

Dettagli

Luigi Piroddi piroddi@elet.polimi.it

Luigi Piroddi piroddi@elet.polimi.it Automazione industriale dispense del corso 10. Reti di Petri: analisi strutturale Luigi Piroddi piroddi@elet.polimi.it Analisi strutturale Un alternativa all analisi esaustiva basata sul grafo di raggiungibilità,

Dettagli

Ricerca Operativa (Compito A) Appello del 18/06/2013 Andrea Scozzari

Ricerca Operativa (Compito A) Appello del 18/06/2013 Andrea Scozzari Ricerca Operativa (Compito A) Appello del 18/06/2013 Andrea Scozzari Esercizio n.1 Un azienda intende incrementare il proprio organico per ricoprire alcuni compiti scoperti. I dati relativi ai compiti

Dettagli

1. Classificazione delle risorse

1. Classificazione delle risorse 1. Classificazione delle risorse Classificazione delle risorse in base alla disponibilità. - Risorse rinnovabili Sono risorse utilizzate per l esecuzione di una attività per tutta la sua durata, ma sono

Dettagli

1 Estensione in strategia mista di un gioco

1 Estensione in strategia mista di un gioco AVVERTENZA: Di seguito trovate alcuni appunti, poco ordinati e poco formali, che uso come traccia durante le lezioni. Non sono assolutamente da considerarsi sostitutivi del materiale didattico. Riferimenti:

Dettagli

Dimensione di uno Spazio vettoriale

Dimensione di uno Spazio vettoriale Capitolo 4 Dimensione di uno Spazio vettoriale 4.1 Introduzione Dedichiamo questo capitolo ad un concetto fondamentale in algebra lineare: la dimensione di uno spazio vettoriale. Daremo una definizione

Dettagli

RICERCA OPERATIVA GRUPPO B prova scritta del 22 marzo 2007

RICERCA OPERATIVA GRUPPO B prova scritta del 22 marzo 2007 RICERCA OPERATIVA GRUPPO B prova scritta del 22 marzo 2007 Rispondere alle seguenti domande marcando a penna la lettera corrispondente alla risposta ritenuta corretta (una sola tra quelle riportate). Se

Dettagli

10. Insiemi non misurabili secondo Lebesgue.

10. Insiemi non misurabili secondo Lebesgue. 10. Insiemi non misurabili secondo Lebesgue. Lo scopo principale di questo capitolo è quello di far vedere che esistono sottoinsiemi di R h che non sono misurabili secondo Lebesgue. La costruzione di insiemi

Dettagli

Algoritmi e strutture dati. Codici di Huffman

Algoritmi e strutture dati. Codici di Huffman Algoritmi e strutture dati Codici di Huffman Memorizzazione dei dati Quando un file viene memorizzato, esso va memorizzato in qualche formato binario Modo più semplice: memorizzare il codice ASCII per

Dettagli

APPLICAZIONI LINEARI

APPLICAZIONI LINEARI APPLICAZIONI LINEARI 1. Esercizi Esercizio 1. Date le seguenti applicazioni lineari (1) f : R 2 R 3 definita da f(x, y) = (x 2y, x + y, x + y); (2) g : R 3 R 2 definita da g(x, y, z) = (x + y, x y); (3)

Dettagli

LE SUCCESSIONI 1. COS E UNA SUCCESSIONE

LE SUCCESSIONI 1. COS E UNA SUCCESSIONE LE SUCCESSIONI 1. COS E UNA SUCCESSIONE La sequenza costituisce un esempio di SUCCESSIONE. Ecco un altro esempio di successione: Una successione è dunque una sequenza infinita di numeri reali (ma potrebbe

Dettagli

Esercizi di Ricerca Operativa I

Esercizi di Ricerca Operativa I Esercizi di Ricerca Operativa I Dario Bauso, Raffaele Pesenti May 10, 2006 Domande Programmazione lineare intera 1. Gli algoritmi per la programmazione lineare continua possono essere usati per la soluzione

Dettagli

Ricerca Operativa 2. Introduzione al metodo del Simplesso

Ricerca Operativa 2. Introduzione al metodo del Simplesso Ricerca Operativa 2. Introduzione al metodo del Simplesso Luigi De Giovanni Giacomo Zambelli 1 Problemi di programmazione lineare Un problema di ottimizzazione vincolata è definito dalla massimizzazione

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

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

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 1. Gli Insiemi. La nozione di insieme viene spesso utilizzata nella vita di tutti i giorni; si parla dell insieme:

Lezione 1. Gli Insiemi. La nozione di insieme viene spesso utilizzata nella vita di tutti i giorni; si parla dell insieme: Lezione 1 Gli Insiemi La nozione di insieme viene spesso utilizzata nella vita di tutti i giorni; si parla dell insieme: degli iscritti ad un corso di laurea delle stelle in cielo dei punti di un piano

Dettagli

ALGORITMO DEL SIMPLESSO

ALGORITMO DEL SIMPLESSO ALGORITMO DEL SIMPLESSO ESERCITAZIONI DI RICERCA OPERATIVA 1 ESERCIZIO 1. Risolvere il seguente programma lineare (a) con il metodo del simplesso e (b) con il metodo grafico. (1) min x 1 x () (3) (4) (5)

Dettagli

SIMULAZIONE ESAME di OTTIMIZZAZIONE Corso di Laurea in Ingegneria Gestionale 2 o anno

SIMULAZIONE ESAME di OTTIMIZZAZIONE Corso di Laurea in Ingegneria Gestionale 2 o anno SIMULAZIONE ESAME di OTTIMIZZAZIONE 28 novembre 2005 SIMULAZIONE ESAME di OTTIMIZZAZIONE Corso di Laurea in Ingegneria Gestionale 2 o anno Cognome : XXXXXXXXXXXXXXXXX Nome : XXXXXXXXXXXXXX VALUTAZIONE

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

Modello matematico PROGRAMMAZIONE LINEARE PROGRAMMAZIONE LINEARE

Modello matematico PROGRAMMAZIONE LINEARE PROGRAMMAZIONE LINEARE PRGRMMZIN LINR Problemi di P.L. in due variabili metodo grafico efinizione: la programmazione lineare serve per determinare l allocazione ottimale di risorse disponibili in quantità limitata, per ottimizzare

Dettagli

2) Codici univocamente decifrabili e codici a prefisso.

2) Codici univocamente decifrabili e codici a prefisso. Argomenti della Lezione ) Codici di sorgente 2) Codici univocamente decifrabili e codici a prefisso. 3) Disuguaglianza di Kraft 4) Primo Teorema di Shannon 5) Codifica di Huffman Codifica di sorgente Il

Dettagli

TSP con eliminazione di sottocicli

TSP con eliminazione di sottocicli TSP con eliminazione di sottocicli Un commesso viaggiatore deve visitare 7 clienti in modo da minimizzare la distanza percorsa. Le distanze (in Km) tra ognuno dei clienti sono come segue: 3 5 7-8 9 57

Dettagli

0 A B I C O L M P E Q R F G D H N *

0 A B I C O L M P E Q R F G D H N * UNIVERSITÀ DEGLI STUDI ROMA TRE Corso di Studi in Ingegneria Informatica Modelli di Sistemi di Produzione I scritti d'esame appelli 2004/05 e 2005/06 Esercizio 1 job 3: I (M 1, 3) L (M 2, 4) M (M 3, 11)

Dettagli

Università degli Studi di Milano / Bicocca Facoltà di Economia. Prova scritta del 12 luglio 2011 SOLUZIONI

Università degli Studi di Milano / Bicocca Facoltà di Economia. Prova scritta del 12 luglio 2011 SOLUZIONI Università degli Studi di Milano / Bicocca Facoltà di Economia MATEMATICA FINANZIARIA EcoCom A-Le / Li-Z Prova scritta del luglio SOLUZIONI Per gli studenti immatricolati entro il 7/8 (45cfu): L operazione

Dettagli

1. PRIME PROPRIETÀ 2

1. PRIME PROPRIETÀ 2 RELAZIONI 1. Prime proprietà Il significato comune del concetto di relazione è facilmente intuibile: due elementi sono in relazione se c è un legame tra loro descritto da una certa proprietà; ad esempio,

Dettagli

A intervalli regolari ogni router manda la sua tabella a tutti i vicini, e riceve quelle dei vicini.

A intervalli regolari ogni router manda la sua tabella a tutti i vicini, e riceve quelle dei vicini. Algoritmi di routing dinamici (pag.89) UdA2_L5 Nelle moderne reti si usano algoritmi dinamici, che si adattano automaticamente ai cambiamenti della rete. Questi algoritmi non sono eseguiti solo all'avvio

Dettagli

Esercizi su lineare indipendenza e generatori

Esercizi su lineare indipendenza e generatori Esercizi su lineare indipendenza e generatori Per tutto il seguito, se non specificato esplicitamente K indicherà un campo e V uno spazio vettoriale su K Cose da ricordare Definizione Dei vettori v,,v

Dettagli

Trigonometria (tratto dal sito Compito in classe di Matematica di Gilberto Mao)

Trigonometria (tratto dal sito Compito in classe di Matematica di Gilberto Mao) Trigonometria (tratto dal sito Comito in classe di Matematica di Gilberto Mao) Teoria in sintesi Radiante: angolo al centro di una circonferenza che sottende un arco di lunghezza rettificata uguale al

Dettagli

2 + (σ2 - ρσ 1 ) 2 > 0 [da -1 ρ 1] b = (σ 2. 2 - ρσ1 σ 2 ) = (σ 1

2 + (σ2 - ρσ 1 ) 2 > 0 [da -1 ρ 1] b = (σ 2. 2 - ρσ1 σ 2 ) = (σ 1 1 PORTAFOGLIO Portafoglio Markowitz (2 titoli) (rischiosi) due titoli rendimento/varianza ( μ 1, σ 1 ), ( μ 2, σ 2 ) Si suppone μ 1 > μ 2, σ 1 > σ 2 portafoglio con pesi w 1, w 2 w 1 = w, w 2 = 1- w 1

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

LE FUNZIONI A DUE VARIABILI

LE FUNZIONI A DUE VARIABILI Capitolo I LE FUNZIONI A DUE VARIABILI In questo primo capitolo introduciamo alcune definizioni di base delle funzioni reali a due variabili reali. Nel seguito R denoterà l insieme dei numeri reali mentre

Dettagli

G. Pareschi ALGEBRE DI BOOLE. 1. Algebre di Boole

G. Pareschi ALGEBRE DI BOOLE. 1. Algebre di Boole G. Pareschi ALGEBRE DI BOOLE 1. Algebre di Boole Nel file precedente abbiamo incontrato la definizione di algebra di Boole come reticolo: un algebra di Boole e un reticolo limitato, complementato e distributivo.

Dettagli

e-dva - eni-depth Velocity Analysis

e-dva - eni-depth Velocity Analysis Lo scopo dell Analisi di Velocità di Migrazione (MVA) è quello di ottenere un modello della velocità nel sottosuolo che abbia dei tempi di riflessione compatibili con quelli osservati nei dati. Ciò significa

Dettagli

Iniziamo con un esercizio sul massimo comun divisore: Esercizio 1. Sia d = G.C.D.(a, b), allora:

Iniziamo con un esercizio sul massimo comun divisore: Esercizio 1. Sia d = G.C.D.(a, b), allora: Iniziamo con un esercizio sul massimo comun divisore: Esercizio 1. Sia d = G.C.D.(a, b), allora: G.C.D.( a d, b d ) = 1 Sono state introdotte a lezione due definizioni importanti che ricordiamo: Definizione

Dettagli

(3,4) (1,3) (2,2) (0,2) (3,4) (2,4) t (2,3) (3,5) (2,4) (3,5) (6,8) (3,4) (1,2) 1 (1,3)

(3,4) (1,3) (2,2) (0,2) (3,4) (2,4) t (2,3) (3,5) (2,4) (3,5) (6,8) (3,4) (1,2) 1 (1,3) Prova Scritta di RICERCA OPERATIVA èinformaticiè 2èè98 - Esame æ Cognome: æ Nome:. Una compagnia petrolifera possiede 3 depositi dai quali puço prelevare benzina e trasportarla ai 5 impianti di distribuzione.

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

CONTINUITÀ E DERIVABILITÀ Esercizi proposti. 1. Determinare lim M(sinx) (M(t) denota la mantissa di t)

CONTINUITÀ E DERIVABILITÀ Esercizi proposti. 1. Determinare lim M(sinx) (M(t) denota la mantissa di t) CONTINUITÀ E DERIVABILITÀ Esercizi proposti 1. Determinare lim M(sin) (M(t) denota la mantissa di t) kπ/ al variare di k in Z. Ove tale limite non esista, discutere l esistenza dei limiti laterali. Identificare

Dettagli

CUTPOINTS BRIDGES BLOCKS BLOCK GRAPHS - CUTPOINT GRAPHS

CUTPOINTS BRIDGES BLOCKS BLOCK GRAPHS - CUTPOINT GRAPHS CUTPOINTS BRIDGES BLOCKS BLOCK GRAPHS - CUTPOINT GRAPHS INTRODUZIONE Per conoscere la struttura di un grafo connesso è importante individuare nel grafo la distribuzione di certi punti detti cutpoints (punti

Dettagli

Le equazioni. Diapositive riassemblate e rielaborate da prof. Antonio Manca da materiali offerti dalla rete.

Le equazioni. Diapositive riassemblate e rielaborate da prof. Antonio Manca da materiali offerti dalla rete. Le equazioni Diapositive riassemblate e rielaborate da prof. Antonio Manca da materiali offerti dalla rete. Definizione e caratteristiche Chiamiamo equazione l uguaglianza tra due espressioni algebriche,

Dettagli

Capitolo Ventitrè. Offerta nel breve. Offerta dell industria. Offerta di un industria concorrenziale Offerta impresa 1 Offerta impresa 2 p

Capitolo Ventitrè. Offerta nel breve. Offerta dell industria. Offerta di un industria concorrenziale Offerta impresa 1 Offerta impresa 2 p Caitolo Ventitrè Offerta dell industria Offerta dell industria concorrenziale Come si combinano le decisioni di offerta di molte imrese singole in un industria concorrenziale er costituire l offerta di

Dettagli

Chiusura lineare. N.B. A può essere indifferentemente un insieme, finito o no, o un sistema. Es.1. Es.2

Chiusura lineare. N.B. A può essere indifferentemente un insieme, finito o no, o un sistema. Es.1. Es.2 Chiusura lineare Def. Sia A V (K) con A. Si dice copertura lineare (o chiusura lineare) di A, e si indica con L(A), l insieme dei vettori di V che risultano combinazioni lineari di un numero finito di

Dettagli

1 Applicazioni Lineari tra Spazi Vettoriali

1 Applicazioni Lineari tra Spazi Vettoriali 1 Applicazioni Lineari tra Spazi Vettoriali Definizione 1 (Applicazioni lineari) Si chiama applicazione lineare una applicazione tra uno spazio vettoriale ed uno spazio vettoriale sul campo tale che "!$%!

Dettagli

La funzione è continua nel suo dominio perchè y = f(x) è composizione di funzioni continue. Il punto x = 0 è un punto isolato per D f.

La funzione è continua nel suo dominio perchè y = f(x) è composizione di funzioni continue. Il punto x = 0 è un punto isolato per D f. FUNZIONI CONTINUE - ALCUNI ESERCIZI SVOLTI SIMONE ALGHISI 1. Continuità di una funzione Dati un insieme D R, una funzione f : D R e x 0 R, si è detto che f è continua in x 0 se sono soddisfatte le seguenti

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

Progetto di Reti di Telecomunicazione Modelli in Programmazione Lineare Problemi di Localizzazione

Progetto di Reti di Telecomunicazione Modelli in Programmazione Lineare Problemi di Localizzazione Progetto di Reti di Telecomunicazione Modelli in Programmazione Lineare Problemi di Localizzazione Posizionamento di antenne È dato un insieme A di possibili siti in cui installare antenne, a ciascuno

Dettagli

Esempi di funzione. Scheda Tre

Esempi di funzione. Scheda Tre Scheda Tre Funzioni Consideriamo una legge f che associa ad un elemento di un insieme X al più un elemento di un insieme Y; diciamo che f è una funzione, X è l insieme di partenza e X l insieme di arrivo.

Dettagli

APPLICAZIONI LINEARI

APPLICAZIONI LINEARI APPLICAZIONI LINEARI Esercizi Esercizio 1. Sia f: R 3 R 2 (x, y, z) (x + 2y + z, y + z). (1) Verificare che f è lineare. (2) Determinare una base di ker(f) e stabilire se f è iniettiva. (3) Calcolare w

Dettagli

2 FUNZIONI REALI DI VARIABILE REALE

2 FUNZIONI REALI DI VARIABILE REALE 2 FUNZIONI REALI DI VARIABILE REALE 2.1 CONCETTO DI FUNZIONE Definizione 2.1 Siano A e B due insiemi. Una funzione (o applicazione) f con dominio A a valori in B è una legge che associa ad ogni elemento

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

FUNZIONI CONVESSE. + e x 0

FUNZIONI CONVESSE. + e x 0 FUNZIONI CONVESSE Sia I un intervallo aperto di R (limitato o illimitato) e sia f(x) una funzione definita in I. Dato x 0 I, la retta r passante per il punto P 0 (x 0, f(x 0 )) di equazione y = f(x 0 )

Dettagli

Lezioni di Ricerca Operativa. Corso di Laurea in Informatica Università di Salerno. Lezione n 4

Lezioni di Ricerca Operativa. Corso di Laurea in Informatica Università di Salerno. Lezione n 4 Lezioni di Ricerca Operativa Lezione n 4 - Problemi di Programmazione Matematica - Problemi Lineari e Problemi Lineari Interi - Forma Canonica. Forma Standard Corso di Laurea in Informatica Università

Dettagli

Appunti sulla Macchina di Turing. Macchina di Turing

Appunti sulla Macchina di Turing. Macchina di Turing Macchina di Turing Una macchina di Turing è costituita dai seguenti elementi (vedi fig. 1): a) una unità di memoria, detta memoria esterna, consistente in un nastro illimitato in entrambi i sensi e suddiviso

Dettagli

Logistica (mn) 6 CFU Appello del 22 Luglio 2010

Logistica (mn) 6 CFU Appello del 22 Luglio 2010 Logistica (mn) 6 CFU Aello del Luglio 010 NOME: COGNOME: MATR: Avvertenze ed istruzioni: Il comito dura ore e quindici. Non è ermesso lasciare l'aula senza consegnare il comito o ritirarsi. Se dovessero

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

PROBABILITÀ - SCHEDA N. 2 LE VARIABILI ALEATORIE

PROBABILITÀ - SCHEDA N. 2 LE VARIABILI ALEATORIE Matematica e statistica: dai dati ai modelli alle scelte www.dima.unige/pls_statistica Responsabili scientifici M.P. Rogantin e E. Sasso (Dipartimento di Matematica Università di Genova) PROBABILITÀ -

Dettagli

1. Considerazioni preliminari

1. Considerazioni preliminari 1. Considerazioni preliminari Uno dei principali aspetti decisionali della gestione logistica è decidere dove localizzare nuove facility, come impianti, magazzini, rivenditori. Ad esempio, consideriamo

Dettagli

Sistemi Organizzativi

Sistemi Organizzativi Sistemi Organizzativi Lezione 12/12/2004 Introduzione al corso e definizioni di base Informazioni generali Pre-requisiti: lassi di complessità Metodi enumerativi: - programmazione dinamica - branch-and-bound

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

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

Esercizi sull Association Analysis

Esercizi sull Association Analysis Data Mining: Esercizi sull Association Analysis 1 Esercizi sull Association Analysis 1. Si consideri il mining di association rule da un dataset T di transazioni, rispetto a delle soglie minsup e minconf.

Dettagli

SOLUZIONE DEL PROBLEMA 1 TEMA DI MATEMATICA ESAME DI STATO 2015

SOLUZIONE DEL PROBLEMA 1 TEMA DI MATEMATICA ESAME DI STATO 2015 SOLUZIONE DEL PROBLEMA 1 TEMA DI MATEMATICA ESAME DI STATO 015 1. Indicando con i minuti di conversazione effettuati nel mese considerato, la spesa totale mensile in euro è espressa dalla funzione f()

Dettagli

x u v(p(x, fx) q(u, v)), e poi

x u v(p(x, fx) q(u, v)), e poi 0.1. Skolemizzazione. Ogni enunciato F (o insieme di enunciati Γ) è equisoddisfacibile ad un enunciato universale (o insieme di enunciati universali) in un linguaggio estensione del linguaggio di F (di

Dettagli

Parte 6. Applicazioni lineari

Parte 6. Applicazioni lineari Parte 6 Applicazioni lineari A Savo Appunti del Corso di Geometria 203-4 Indice delle sezioni Applicazioni fra insiemi, 2 Applicazioni lineari tra spazi vettoriali, 2 3 Applicazioni lineari da R n a R

Dettagli

Schedulazione delle attività di un progetto in presenza di multi-calendari e di vincoli sulle risorse

Schedulazione delle attività di un progetto in presenza di multi-calendari e di vincoli sulle risorse Schedulazione delle attività di un progetto in presenza di multi-calendari e di vincoli sulle risorse Maria Silvia Pini Resp. accademico: Prof.ssa Francesca Rossi Università di Padova Attività FSE DGR

Dettagli

Proof. Dimostrazione per assurdo. Consideriamo l insieme complementare di P nell insieme

Proof. Dimostrazione per assurdo. Consideriamo l insieme complementare di P nell insieme G Pareschi Principio di induzione Il Principio di Induzione (che dovreste anche avere incontrato nel Corso di Analisi I) consente di dimostrare Proposizioni il cui enunciato è in funzione di un numero

Dettagli

Prodotto Disponibilità Costo 1 3000 3 2 2000 6 3 4000 4. e rispettando le seguenti regole di composizione delle benzine:

Prodotto Disponibilità Costo 1 3000 3 2 2000 6 3 4000 4. e rispettando le seguenti regole di composizione delle benzine: 1.1 Pianificazione degli investimenti. Una banca deve investire C milioni di Euro, e dispone di due tipi di investimento: (a) con interesse annuo del 15%; (b) con interesse annuo del 25%. Almeno 1 di C

Dettagli

I NUMERI INDICI. Numeri indici indici (misurano il livello di variabilità, concentrazione, dipendenza o interdipendenza, ecc.)

I NUMERI INDICI. Numeri indici indici (misurano il livello di variabilità, concentrazione, dipendenza o interdipendenza, ecc.) NUMER NDC Numeri indici indici (misurano il livello di variabilità, concentrazione, diendenza o interdiendenza, ecc.) si utilizzano er confrontare grandezze nel temo e nello sazio e sono dati dal raorto

Dettagli

- Trovare soluzione ottima primale ( con il simplesso o algoritmo analogo)

- Trovare soluzione ottima primale ( con il simplesso o algoritmo analogo) Se si ha un problema lineare e' possibile risolverlo in piu' modi (equivalenti ) - Trovare soluzione ottima primale ( con il simplesso o algoritmo analogo) - Trovare soluzione ottima duale (con il simplesso

Dettagli

CPM - PERT CPM - PERT. Rappresentazione di un progetto. Gestione di un progetto. Critical Path Method Project Evaluation and Review Technique

CPM - PERT CPM - PERT. Rappresentazione di un progetto. Gestione di un progetto. Critical Path Method Project Evaluation and Review Technique CPM - PERT CPM - PERT CPM e PERT sono metodologie per la gestione di progetti composti da più attività in cui esistano relazioni di precedenza. Critical Path Method Project Evaluation and Review Technique

Dettagli

Ipotesi sulle preferenze

Ipotesi sulle preferenze La teoria delle scelte del consumatore La teoria delle scelte del consumatore Descrive come i consumatori distribuiscono i propri redditi tra differenti beni e servizi per massimizzare il proprio benessere.

Dettagli