Bibliografia. Gestione operativa della produzione. Terminologia. Schedulazione. Schedulazione operativa della produzione

Dimensione: px
Iniziare la visualizzazioe della pagina:

Download "Bibliografia. Gestione operativa della produzione. Terminologia. Schedulazione. Schedulazione operativa della produzione"

Transcript

1 Bibliografia Gestione operativa della produzione Schedulazione operativa della produzione 14/12/ E.L. Lawler, J.K. Lenstra, A.G.H. Rinnoy Kan, D.B. Shmoys, Sequencing and Scheduling: Algorithms and Complexity, in S.C. Graves, A.H.G. Rinnooy Kan, P.H. Zipkin, (Eds.), Handbooks of Operations Research and Management Science vol. 4, Logistics of Production and Inventory, North Holland, Amsterdam, NL, J. Blazewicz, K.H. Ecker, G. Schmidt, J. Weglarz, Scheduling in Computer and Manufacturing System, Springer-Verlag, Berlin, D, Schedulazione Terminologia L MRP ha fissato i tempi di disponibilità dei materiali, delle risorse e delle lavorazioni (tipicamente giorno per giorno). Con la schedulazione si devono fissare (tipicamente all interno della giornata) la sequenza e i tempi delle operazioni che compongono le lavorazioni da eseguire. task: operazione elementare di lavorazione; job: insieme parzialmente ordinato di task che descrivono una lavorazione complessa; machine: (macchina) una risorsa che può eseguire al massimo una attività (task) alla volta. Se una risorsa può essere utilizzata da più attività e/o un attività utilizza più risorse si parla di problemi resource-constrained project. Nel caso di più macchine si possono avere diverse disposizioni tra cui macchine in parallelo, in serie e a bucket-brigade 3 4

2 Il problema della schedulazione Il problema della schedulazione Dati uno o più job, si pone un problema di schedulazione quando i task che devono essere eseguiti competono per un insieme di risorse limitate. Una soluzione di un problema di schedulazione è detta scheduling. Uno scheduling è detto ammissibile (feasible) se rispetta tutti vincoli (e.g., non sovrapposizione, rispetto release time, etc..), è ottimo se minimizza un dato criterio. Tipicamente i problemi di schedulazione sono NP-hard e vengono risolti con euristiche. Dato un problema di schedulazione sia γ * il valore ottimo γ (A) un approssimazione fornita dall algoritmo A. L algoritmo A è detto c-approssimante se per qualunque istanza del problema γ (A) /γ * c. 5 6 Obiettivi della schedulazione Obiettivi della schedulazione Minimizzare i costi si traduce operativamente nell ottimizzare i seguenti, a volte contrastanti, obiettivi: massimizzare il rispetto delle date di consegna (due date); minimizzare le parti in attesa di lavorazione (work-in-process inventory WIP ); minimizzare il tempo di attraversamento del sistema (flow time); massimizzare il numero parti lavorate per unità di tempo (throughput); massimizzare l utilizzazione delle risorse (anche umane); minimizzare i tempi di allestimento, regolazione, ecc. dei macchinari (set-up); massimizzare la correttezza dell informazione disponibile;... Minimizzazione del WIP e massimizzazione del throughput sono obiettivi contrastanti. Il throughput risulta essere massimo quando vi è sempre disponibilità di parti da lavorare, viceversa il WIP è minimo quando non vi sono parti in attesa di essere lavorate. A meno di un coordinamento perfetto tra tutti tempi di lavorazione in modo che una nuova parte si renda immediatamente disponibile appena viene terminata una lavorazione, cosa che in pratica non avviene mai, le due condizioni precedenti sono incompatibili. 7 8

3 Vincoli della schedulazione Stocasticità nella schedulazione disponibilità dei job da eseguire (i vari job sono lanciati in diversi istanti temporali); compatibilità task-risorse (alcuni task possono essere eseguiti solo da determinate risorse); sequenze di lavorazione (alcuni task devono essere eseguiti rispettando un preciso ordine e specifici intervalli temporali tra la fine di uno e l inizio dell altro; disponibilità delle risorse (alcune risorse potrebbero non essere sempre disponibili, e.g., a causa di manutenzione periodica); capacità delle risorse;... disponibilità job disponibilità risorse tempi di lavorazione Leve decisionali nella schedulazione assegnazione dei task alle risorse che devono eseguirli; sequenziazione dei task; tempificazione dell inizio/fine dell esecuzione dei task*. * N.B.: non sempre è conveniente eseguire un task il prima possibile e quindi la sequenziazione non implica la tempificazione. 11 Terminologia job shop: problema di schedulazione di n job su m macchine; flow shop: problema di schedulazione di n job di m task su m macchine, tutti i job devono subire, nella stessa sequenza, una e una sola lavorazione (task) su ogni macchina; parallel/sequential: situazione in cui più macchine identiche/ una sola macchina possono eseguire i task; preemption: situazione in cui l esecuzione di un task può essere interrotta per essere ripresa in seguito; static/dynamic: situazione in cui sono/non sono noti i tempi di lancio di tutti job da eseguire prima della schedulazione ed esecuzione del primo task; 12

4 Terminologia flow time: tempo di permanenza/attraversamento del sistema, intervallo di tempo che intercorre tra l istante iniziale di disponibilità di un job e l istante di completamento dell ultimo task; makespan: intervallo di tempo richiesto dalla schedulazione effettuata per completare tutti i job; tardiness, lateness: differenza, se positiva nel caso della tardiness, tra il tempo di completamento di un job e la sua data di consegna. Un job è tardy (in ritardo) se completato dopo la data di consegna; earliness:differenza, se positiva, tra la data di consegna di un job e il suo tempo di completamento. Un job è early (in anticipo) se completato prima della data di consegna. Schedulazione casi più semplici Si considerano inizialmente job composti di un unico task da schedulare su un unica macchina in problemi di schedulazione statica Modello Modello Ogni job i degli n da eseguire si ritiene caratterizzato da: parametri p i : tempo di esecuzione (processing time) r i : tempo di rilascio/lancio (release time) d i : data di consegna (due date) D i : data di recesso (deadline) variabili decisionali (caso senza preemption) C i : tempo completamento job (completion time) di solito variabile principale t i = C i -p i : tempo inizio esecuzione (starting time) W i = t i -r i : tempo attesa (waiting time) F i = C i -r i : tempo permanenza/attraversamento del sistema (flow time) L i = C i -d i : tempo di ritardo (lateness) T i = (C i -d i ) + : ritardo (tardiness) U i = 1{C i > D i }: violazione della deadline (tardy) E i = (d i -C i ) + : anticipo (earliness) 15 16

5 Modello vincoli (caso senza preemption) per qualunque job i r i t i C i D i... per qualunque coppia di job (i,j) Modello Possibili misure (obiettivi da ottimizzare) per la schedulazione: C = Σ i C i /n: tempo medio completamento dei job C max = max{c i }: tempo max completamento dei job (makespan) W, W max, F, F max, ecc... U = Σ i u i : numero di job tardy C i t j oppure C j t i Misure equivalenti Le misure sono equivalenti se ottimizzare una equivale ad ottimizzare le altre: C, F, W, L :poiché, e.g., F = W + Σ i p i /n = W +cost, L max implica T max (non viceversa): poiché L max = T max, se L max >0 e T max = 0 altrimenti; Misure regolari uno schedule è detto semi-attivo se non è possibile anticipare l esecuzione di un job senza alterare la sequenza degli stessi (la macchina non è lasciata inutilizzata (idle) se è possibile eseguire un job senza modificare la schedulazione degli altri); uno schedule è detto attivo se non è possibile anticipare l esecuzione di un job anche alterando la sequenza degli stessi (la macchina non è mai lasciata inutilizzata (idle) se è possibile eseguire un job); una misura è regolare se è nondecrescente nei completion time dei job, che implica che esiste sempre una soluzione ottima semi-attiva: C, C max, T max, U sono regolari, E, E max non sono regolari (può convenire ritardare l esecuzione di un job); 19 20

6 Due job J 1 e J 2 t.c.: J 1 : r 1 =1, p 1 =1, J 2 : r 2 =0, p 2 =10; due possibili scheduling semiattivi* {J 1,J 2 } e {J 2,J 1 } e uno solo attivo {J 2,J 1 }: C (J 1,J 2 ) = (2+12)/2 = 7 C max (J 1,J 2 ) = max{2,12} = 12 C (J 2,J 1 ) = (10+11)/2 = 10.5 C max (J 2,J 1 ) = max{10,11} = 11 * quando uno scheduling è semi-attivo il sequenziamento definisce anche la tempificazione. : diagrammi di Gantt J 1 J J 2 J Notazione Notazione Per i problemi di scheduling si usa una notazione a tre campi: ad esempio tipo problema / caratteristiche job o task/ obiettivo tipo problema: 1: singola macchina P m: macchine parallele (generico) F n: flow shop di n task su n macchine J n job shop (ordine diverso per ogni job) su n macchine O open shop (non vi è ordine nelle operazioni di un job),... 1 / r i /T max 23 24

7 Notazione caratteristiche job: pmtn: è ammessa la preemption prec: esistono precedenze tra i task dei job o tra i job r i : i job hanno release time diverso da zero, D i : i job hanno deadline diversa da infinito, p i =1: tutti i job hanno tempo di esecuzione / /Σ i C i (1/ /Σ i L i, 1/ /Σ i F i, 1/ /Σ i W i ) Problema: minimizzare il tempo medio di completamento su singola macchina di job con identica release time. obiettivo: T max, : minimizzare tardiness massima Σ i T i : minimizzare tardiness media Σ i w i C i : minimizzare tempi di completamento pesati Teorema: la politica Shortest Processing Time first (SPT) determina la soluzione ottima. Si eseguono per prima i job con tempo di esecuzione minore / /Σ i C i Prova: la misura è regolare e dato che i tempi di rilascio sono tutti uguali la macchina non deve rimanere mai inutilizzata (affermazioni provabili facilmente per assurdo), i job devono essere eseguiti in sequenza senza interruzione; sia c (k) il tempo di completamento del k-mo job nella sequenza: c (k) = p (1) + p (2) p (k) il tempo medio di completamento risulta quindi essere: Σ i c (i) /n = Σ k c (k) /n =(np (1) + (n-1)p (2) p (n) )/n la somma np (1) + (n-1)p (2) p (n) è minima se Schedule iniziale Job p i (posiz.) C i j 1 6 (1) 6 j 2 4 (2) 10 j 3 7 (3) 17 j 4 3 (4) 20 j 5 5 (5) 25 j 6 9 (6) 34 Σ i C i /n = Σ i W i /n = quindi SPT è ottima. p (1) p (2)... p (n) j 1 j 2 j 3 j 4 j 5 j

8 Schedule ottimo (SPT) Job p i (posiz.) C i j 1 6 (4) 18 j 2 4 (2) 7 j 3 7 (5) 25 j 4 3 (1) 3 j 5 5 (3) 12 j 6 9 (6) 34 Σ i C i /n = Σ i W i /n = / /Σ i w i C i l algoritmo SPT è O(nlog n) o comunque legato ai tempi di un ordinamento; si generalizza al caso 1/ /Σ i w i C i (con w i pesi) ordinando per rapporti tempi di esecuzione su pesi crescenti (regola di Smith) p (1) / w (1) p (2) / w (2)... p (n) / w (n) rimane ottimo anche nel caso di tempi di esecuzione stocastici se si ordina in base ai tempi attesi di esecuzione e si vuole ottimizzare il valore atteso della misura. j 4 j 3 j 2 j 5 j 1 j Schedule ottimo (regola di Smith) Job p i w i (posiz.) C i j (1) 6 j (2) 10 j (6) 34 j (3) 13 j (5) 27 j (4) 22 Σ i w i C i /n = j 1 j 2 j 4 j 6 j 5 j 3 Σ i C i /n = (Σ i w i C i /n )/(Σ i w i /n ) = / /Σ i w i C i In generale quando, dato un criterio f(.), è possibile definire una relazione di ordine totale del tipo a b se e solo se f(..ab..) f(..ba..) lo scheduling ottimo è banalmente ottenuto ordinando i job in base a. (dimostrazione per assurdo su scambi tra job adiacenti). Questo criterio può essere generalizzato ad a e b stringhe ed è utile per produrre algoritmi polinomiali quando si abbiano delle precedenze serie parallelo

9 1/... /Σ i w i C i La regola di Smith può essere generalizzata permettendo di sviluppare buoni metodi enumerativi per il problema NP-hard 1/prec/Σ i w i C i. Per 1/tree/Σ i w i C i, 1/serie-parall/Σ i w i C i si possono sviluppare algoritmi polinomiali (regola di Sidney): devono essere schedulati prima i task del set U (U è un set di job iniziali, i.e., che non hanno predecessori al di fuori di U) t.c. sia minimo il rapporto ρ (U) = Σ i U p i / Σ i U w i. 1/... /Σ i w i C i Con variazioni della regola di Smith si risolvono polinomialmente: 1/D i /Σ i C i e 1/ pmtn,r i,d i / Σ i C i ma sono NP-hard 1/r i /Σ i C i e 1/D i /Σ i w i C i e 1/ pmtn,r i,d i / Σ i w i C i. Metodi di Branch and Bound (B&B) sono utilizzati per il problema generale, si usa in genere il rilassamento lagrangiano dualizzando il vincolo C j D j o C j r j +d j / / L max Problema: minimizzare la lateness massima (e quindi anche della tardiness massima ) su singola macchina di job con identica release time ma due date diverse*. Teorema: la politica Earliest Due Date first (EDD - regola di Jackson) determina la soluzione ottima. Si eseguono per prima i job con due date più ravvicinata. Prova: per assurdo supporre una sequenziazione che non soddisfi tale condizione e invertire le posizioni di due dei job adiacenti che la violano. Il risultato è valido anche nel caso stocastico. * d i omesse nella notazione perché implicite in L max. Schedule ottimo (EDD) Job p i d i (posiz.) C i L i j (4) 20-1 j (2) 7-4 j (3) 14 1 j (1) 3-7 j (5) 25-1 j (6) 34 4 j 4 j 2 j 3 j 1 j 5 j 6 L max = 4 Σ i L i /n = con SPT L max = 12 Σ i L i /n =

10 1/... / L max 1/r i /L max è in generale NP-hard. Casi polinomiali particolari sono: 1/ r i =r /L max (r i è uguale per tutti i job) con EDD; 1/r i, d i =d /L max (d i uguali) con Earliest Release Time; 1/r i, p i =1 /L max (p i unitari) e 1/pmtn, r i /L max con extended Jackson s rule (EJR), ad ogni istante si assegna il job disponibile con minima due-date; 1/r i, p i =p/l max (p i costante) vedi lucido seguente; i casi con r i possono essere generalizzati nel caso di prec (si impone r j <r k e d j <d k se j precede k) e nel caso di pmtn. Schedule ottimo per p i =1 (EJR) Job r i d i (posiz.) C i L i j (4) 4 0 j (1) 1 0 j (2) 2-1 j (3) 3 0 j (5) 5 1 j (6) 6 2 j 2 j 3 j 4 j 1 j 5 j 6 L max = 2 Σ i L i /n = Schedule ottimo con pmtn (EJR) Job p i r i d i (posiz.) C i L i j (2,4) 17 4 j (1) 4-3 j (3) 14 5 j (5,8) 34 3 j (6) 23-4 j (7) 32 3 j 2 j 1a j 3 j 1b j 4a j 5 j 6 j 4b L max = 5 1/r i, p i =p/l max Algoritmo risolutivo: si esegue una ricerca per bisezione sul valore di L max, che quando è fissato può considerarsi come una deadline comune a tutti i job, per ogni valore di tentativo: si applica EJR, se la deadline corrente L max non è violata ok se la deadline corrente è violata, a partire dall ultimo job z si cerca il primo job k con due date maggiore di d z. Se tale job non esiste non è possibile rispettare L max. Altrimenti si forza k a dare la precedenza ad altri job spostando la sua r k al valore della release date del job che lo segue e riapplicando la EJR (questa operazione di verifica può essere eseguita in O(nlogn))

11 Tutti i job p i =4, tentativo per L max = 3 Job r i d i (posiz.) D i C i j (1) 17 4 j (2) 10 8 j (3) j (4) j (5) j (6) Spostando fittiziamente r 1 a 3 si ottiene uno schedule ammissibile rispetto alle deadline fissate e con L max = 3 Job r i d i (posiz.) D i C i j (4) j (1) 10 5 j (2) 12 9 j (3) j (5) j (6) j 1 j 2 j 3 j 4 j 5 j 6 j 2 j 3 j 4 j 1 j 5 j Tentativo per L max = 2 Job r i d i (posiz.) D i C i j (1) 16 4 j (2) 9 8 j (3) j (4) j (5) j (6) j 1 j 2 j 3 j 4 j 5 j 6 Spostando fittiziamente r 1 a 3 non si riesce comunque ad ottenere uno schedule ammissibile rispetto alle deadline fissate e con L max = 2. Job r i d i (posiz.) D i C i j (4) j (1) 9 5 j (2) 11 9 j (3) j (5) j (6) Lo schedule per L max = 3 è quindi ottimo

12 1/... / L max Nel caso generale si devono enumerare gli scheduling semiattivi. Si possono avere enumerazioni più efficienti (v. Carlier) utilizzando il concetto di q i (delivery time) che ha caratteristiche simmetriche a r i. Algoritmi approssimanti che sfruttano questa simmetria e iterazioni dell EJR si provano essere 4/3-approssimanti (EJR da solo è 2-approssimato) esistono però anche algoritmi più complessi che formano uno schema di approssimazione polinomiale. 1/ / Σ i U i Problema: minimizzare il numero di job tardy su singola macchina di job con identica release time ma deadline diverse. Teorema: la politica definita dall algoritmo di Moore determina la soluzione ottima. Prova: per assurdo / /Σ i U i Algoritmo di Moore passo 1) ordinare i job per EDD; passo 2) determinare il primo job, sia in k-ma posizione, che è tardy, se nessun job tardy esiste va al passo 4); passo 3) eliminare il job con massimo tempo di esecuzione tra quelli che si trovano tra la prima e la k-ma posizione inclusa, vai al passo 2); passo 4) i job ordinati secondo EDD formano una sequenza ottima, i rimanenti possono o meno essere eseguiti in qualunque sequenza. primo job con deadline violata job da eliminare Primo tentativo (EDD) Job p i D i (posiz.) C i j (3) 17 j (1) 4 j (2) 11 j (5) 25 j (4) 22 j (6) 34 j 2 j 3 j 1 j 5 j 4 j

13 primo job con deadline violata job da eliminare Secondo tentativo Job p i D i (posiz.) C i j (2) 10 j (1) 4 j (-) - j (4) 18 j (3) 15 j (5) 27 Schedule ottimo Job p i D i (posiz.) C i j (2) 10 j (1) 4 j (-) - j (4) 18 j (3) 15 j (-) - j 2 j 1 j 5 j 4 j 6 j 2 j 1 j 5 j /.../Σ i w i U i 1/.../Σ i w i T i 1//Σ i w i U i è NP-hard, ma risolvibile con algoritmi pseudopolinomiali (attraverso programmazione dinamica); 1//Σ i U i è polinomiale, ma... 1/.../Σ i U i diventa NP-hard con i release time o precedenze. Rimane polinomiale con r i se è ammessa la preemption; i lower bound da usare nel B&B vengono calcolati ponendo costanti i processing time o i pesi (si verifica così l ordine inverso). Danno buoni risultati anche rilassamenti di qualche formulazione intera naturale. Esistono schemi completamente polinomiali per questi problemi. Problema: minimizzare la tardiness su singola macchina di job con due date diverse. Il problema 1//Σ i T i si può risolvere pseudopolinomialmente (la programmazione dinamica si risolvono problemi dell ordine di 50 job ), esistono anche schemi completamente polinomiali; 1/p i =1 /Σ i w i T i e 1/r i,p i =1 /Σ i T i, si risolvono con weighted bipartite matching problem poiché il costo di schedulare il kmo job non dipende dall ordinamento dei precedenti e dei successivi 1/prec, p i =1 /Σ i T i è NP-hard

14 1/ prec / max i g i (c i ) Problema: sia la misura di ogni job una funzione (anche diversa da job a job) non decrescente nel tempo di completamento (e.g., g i (C i )= C i -d i = L i oppure g i (C i )= (C i -d i ) + = T i ); minimizzare il valore massimo assunto da tali misure, per job su singola macchina con identica release time ma in presenza di precedenze. Teorema: la politica definita dall algoritmo di Lawler determina la soluzione ottima. Prova: per assurdo. 1/ prec / max i g i (c i ) Algoritmo di Lawler passo 1) dall insieme J dei job determina l insieme V dei job che non precedono altri job non già schedulati; passo 2) determinare il job k in V t.c.: g k (τ) = min k V g k (τ) con τ=σ i J p i passo 3) poni J = J\{k}, J > 0 vai al passo 1) altrimenti stop determinato schedule ottimo. L algoritmo procede ricorsivamente all indietro determinando ad ogni passo il job che ha costo minimo se sequenziato per ultimo j 1 1/ prec / T max j 3 j 4 j 6 j 2 j 5 1/ prec / T max Schedule ottimo T max =8 Job p i d i (posiz.) C i T i j (1) 6 0 j (2) 10 3 j (3) 17 8 j (5) 25 4 j (4) 22 4 j (6) 34 6 Job confrontati nelle ricorsioni dell algoritmo: 1) j 5 j 6 2) j 4 j 5 3) j 3 j 5 4) j 2 j 3 5) j 2 6) j 1 j 1 j 2 j 3 j 5 j 4 j

15 1/ D i =D / Σ i E i Problema: minimizzare l earliness media su singola macchina di job con identica release time e identica deadline*. Teorema: la politica Longest Processing Time first (LPT) determina la soluzione ottima. Si eseguono per prima i job con tempo di esecuzione maggiore. Prova: simmetrica del caso SPT, D deve però essere non inferiore alla somma dei tempi di processamento, altrimenti il problema non ammette schedule ammissibili. *N.B.: si pone deadline e non due date, altrimenti il problema è banale si ritarda tutto Schedule ottimo Job p i D i (posiz.) C i E i j (3) j (5) 31 3 j (2) j (6) 34 0 j (4) 27 7 j (1) 9 25 j 6 j 3 j 1 j 5 j 2 j 4 Σ i E i /n = Σ i C i /n = Σ i W i /n = / d i =d / Σ i (E i +T i ) Problema: minimizzazare l earliness e tardiness media su singola macchina di job con identica release time e identica due date. Teorema: la politica V-shaped determina la soluzione ottima se d sufficientemente grande, altrimenti problema NP-hard. Prova: misto SPT e LPT. 1/ d i =d / Σ i (E i +T i ) Algoritmo di V-shaped passo 1) ordinare i job per LPT; passo 2) porre i job in posizione dispari, ordinati per LPT, prima della due date in modo che il completion time dell ultimo tra questi job coincida con la due date stessa; passo 3) porre i job in posizione pari, ordinati per SPT, dopo la due date in modo che lo starting time del primo tra questi job coincida con la due date stessa

16 Schedule ottimo Job p i d i (posiz.) C i E i / T i j (2d) 22 4 / 0 j (3d) 31 0 / 0 j (3s) 16 0 / 15 j (1s) 34 0 / 3 j (2s) 27 0 / 8 j (1d) 9 10 / 0 Σ i (Ei+T i )/n = 6.67 Set-up Time Problema: minimizzare i costi di set-up su singola macchina di job con identica release time. Problema NP-hard. Si risolve come un TSP, per determinate strutture di set-up è polinomiale. j 6 j 1 j 2 j 4 j 5 j Regole euristiche Quando il problema non è tra quelli facilmente risolvibile tipicamente si applicano regole euristiche*: FCFS SPT EDD Critical Ratio Critical Ratio L euristica Critical Ratio ad ogni istante schedula in base all urgenza dei task, dove per urgenza si intende il rapporto: tempo esecuzione /(due date - tempo corrente) = p i / (d i -t) se vi sono rapporti negativi e positivi, si preferiscono i negativi e si schedulano i job associati a tali valori secondo SPT. *N.B.: se applicate in ambiente dinamico queste devono essere fair, garantire cioè che nessun job sia posposto all infinito. SPT non è fair

17 Schedule basato su critical ratio Job p i r i d i (posiz.) C i L i j (2) 10-3 j (1) 4-3 j (3) 17 8 j (5) 25 4 j (4) 22 4 j (6) 34 6 Job confrontati: t=0) j 1 j 2 t=4) j 1 t=10) j 3 j 4 t=17) j 4 j j 5 6 t=22) j 4 j 6 t=25) j 6 j 2 j 1 j 3 j 5 j 4 j 6 65

Massimo Paolucci (paolucci@dist.unige.it) DIST Università di Genova. Metodi per supportare le decisioni relative alla gestione di progetti

Massimo Paolucci (paolucci@dist.unige.it) DIST Università di Genova. Metodi per supportare le decisioni relative alla gestione di progetti Project Management Massimo Paolucci (paolucci@dist.unige.it) DIST Università di Genova Project Management 2 Metodi per supportare le decisioni relative alla gestione di progetti esempi sono progetti nell

Dettagli

Ricerca Operativa Branch-and-Bound per problemi di Programmazione Lineare Intera

Ricerca Operativa Branch-and-Bound per problemi di Programmazione Lineare Intera Ricerca Operativa Branch-and-Bound per problemi di Programmazione Lineare Intera L. De Giovanni AVVERTENZA: le note presentate di seguito non hanno alcuna pretesa di completezza, né hanno lo scopo di sostituirsi

Dettagli

Modelli di Sistemi di Produzione

Modelli di Sistemi di Produzione Modelli di Sistemi di Produzione 2 Indice 1 I sistemi di produzione 1 1.1 Generalità............................. 1 1.2 I principi dei sistemi manifatturieri............... 4 1.3 Descrizione dei principali

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

Convessità e derivabilità

Convessità e derivabilità Convessità e derivabilità Definizione 1 (convessità per funzioni derivabili) Sia f : (a, b) R derivabile su (a, b). Diremo che f è convessa o concava su (a, b) se per ogni 0 (a,b) il grafico di f sta tutto

Dettagli

Seconda Prova di Ricerca Operativa. Cognome Nome Numero Matricola A 1/12 A 2/12

Seconda Prova di Ricerca Operativa. Cognome Nome Numero Matricola A 1/12 A 2/12 A / A / Seconda Prova di Ricerca Operativa Cognome Nome Numero Matricola Nota: LA RISOLUZIONE CORRETTA DEGLI ESERCIZI CONTRADDISTINTI DA UN ASTERISCO È CONDIZIONE NECESSARIA PER IL RAGGIUNGIMENTO DELLA

Dettagli

Equazioni non lineari

Equazioni non lineari Dipartimento di Matematica tel. 011 0907503 stefano.berrone@polito.it http://calvino.polito.it/~sberrone Laboratorio di modellazione e progettazione materiali Trovare il valore x R tale che f (x) = 0,

Dettagli

Calcolo differenziale Test di autovalutazione

Calcolo differenziale Test di autovalutazione Test di autovalutazione 1. Sia f : R R iniettiva, derivabile e tale che f(1) = 3, f (1) = 2, f (3) = 5. Allora (a) (f 1 ) (3) = 1 5 (b) (f 1 ) (3) = 1 2 (c) (f 1 ) (1) = 1 2 (d) (f 1 ) (1) = 1 3 2. Sia

Dettagli

Flusso a costo minimo e simplesso su reti

Flusso a costo minimo e simplesso su reti Flusso a costo minimo e simplesso su reti La particolare struttura di alcuni problemi di PL può essere talvolta utilizzata per la progettazione di tecniche risolutive molto più efficienti dell algoritmo

Dettagli

1 Numeri Complessi, Formula di Eulero, Decomposizioni Notevoli,... ecc.

1 Numeri Complessi, Formula di Eulero, Decomposizioni Notevoli,... ecc. Classi Numeriche 1 1 Numeri Complessi, Formula di Eulero, Decomposizioni Notevoli,... ecc. In questo breve capitolo richiamiamo le definizioni delle classi numeriche fondamentali, già note al lettore,

Dettagli

Esame di Ricerca Operativa del 20/12/13. Esercizio 1. Completare la seguente tabella considerando il problema di programmazione lineare:

Esame di Ricerca Operativa del 20/12/13. Esercizio 1. Completare la seguente tabella considerando il problema di programmazione lineare: Esame di Ricerca Operativa del 0// (Cognome) (Nome) (Corso di laurea) Esercizio. Completare la seguente tabella considerando il problema di programmazione lineare: max x x x + x x +x x x x x x x 0 x x

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

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

Sulla monotonia delle funzioni reali di una variabile reale

Sulla monotonia delle funzioni reali di una variabile reale Liceo G. B. Vico - Napoli Sulla monotonia delle funzioni reali di una variabile reale Prof. Giuseppe Caputo Premetto due teoremi come prerequisiti necessari per la comprensione di quanto verrà esposto

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

Programmazione Non Lineare Ottimizzazione vincolata

Programmazione Non Lineare Ottimizzazione vincolata DINFO-Università di Palermo Programmazione Non Lineare Ottimizzazione vincolata D. Bauso, R. Pesenti Dipartimento di Ingegneria Informatica Università di Palermo DINFO-Università di Palermo 1 Sommario

Dettagli

LIVELLO STRATEGICO E TATTICO

LIVELLO STRATEGICO E TATTICO Corso di Laurea Triennale in INGEGNERIA GESTIONALE Anno Accademico 2012/13 Prof. Davide GIGLIO 1 ESEMPI DI PROBLEMI DECISIONALI LIVELLO STRATEGICO Capacity growth planning LIVELLO TATTICO Aggregate planning

Dettagli

Middleware Laboratory. Dai sistemi concorrenti ai sistemi distribuiti

Middleware Laboratory. Dai sistemi concorrenti ai sistemi distribuiti Dai sistemi concorrenti ai sistemi distribuiti Problemi nei sistemi concorrenti e distribuiti I sistemi concorrenti e distribuiti hanno in comune l ovvio problema di coordinare le varie attività dei differenti

Dettagli

Risolvere un problema significa individuare un procedimento che permetta di arrivare al risultato partendo dai dati

Risolvere un problema significa individuare un procedimento che permetta di arrivare al risultato partendo dai dati Algoritmi Algoritmi Risolvere un problema significa individuare un procedimento che permetta di arrivare al risultato partendo dai dati Il procedimento (chiamato algoritmo) è composto da passi elementari

Dettagli

Quando A e B coincidono una coppia ordinata é determinata anche dalla loro posizione.

Quando A e B coincidono una coppia ordinata é determinata anche dalla loro posizione. Grafi ed Alberi Pag. /26 Grafi ed Alberi In questo capitolo richiameremo i principali concetti di due ADT che ricorreranno puntualmente nel corso della nostra trattazione: i grafi e gli alberi. Naturale

Dettagli

ALGEBRA I: NUMERI INTERI, DIVISIBILITÀ E IL TEOREMA FONDAMENTALE DELL ARITMETICA

ALGEBRA I: NUMERI INTERI, DIVISIBILITÀ E IL TEOREMA FONDAMENTALE DELL ARITMETICA ALGEBRA I: NUMERI INTERI, DIVISIBILITÀ E IL TEOREMA FONDAMENTALE DELL ARITMETICA 1. RICHIAMI SULLE PROPRIETÀ DEI NUMERI NATURALI Ho mostrato in un altra dispensa come ricavare a partire dagli assiomi di

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

ESAME DI STATO DI LICEO SCIENTIFICO CORSO DI ORDINAMENTO 2004

ESAME DI STATO DI LICEO SCIENTIFICO CORSO DI ORDINAMENTO 2004 ESAME DI STATO DI LICEO SCIENTIFICO CORSO DI ORDINAMENTO 004 Il candidato risolva uno dei due problemi e 5 dei 10 quesiti in cui si articola il questionario. PROBLEMA 1 Sia f la funzione definita da: f

Dettagli

Esame di Ricerca Operativa del 18/12/12. Esercizio 1. Completare la seguente tabella considerando il problema di programmazione lineare:

Esame di Ricerca Operativa del 18/12/12. Esercizio 1. Completare la seguente tabella considerando il problema di programmazione lineare: Esame di Ricerca Operativa del 8// (Cognome) (Nome) (Corso di laurea) Esercizio. Completare la seguente tabella considerando il problema di programmazione lineare: max x x x x x x x + x x x + x 8 x Base

Dettagli

STUDIO DI UNA FUNZIONE

STUDIO DI UNA FUNZIONE STUDIO DI UNA FUNZIONE OBIETTIVO: Data l equazione Y = f(x) di una funzione a variabili reali (X R e Y R), studiare l andamento del suo grafico. PROCEDIMENTO 1. STUDIO DEL DOMINIO (CAMPO DI ESISTENZA)

Dettagli

DAL PROBLEMA AL PROGRAMMA

DAL PROBLEMA AL PROGRAMMA 1. I PROBLEMI E LA LORO SOLUZIONE DAL PROBLEMA AL PROGRAMMA L'uomo, per affrontare gli innumerevoli problemi postigli dallo sviluppo della civiltà, si è avvalso della scienza e della tecnica, i cui destini

Dettagli

Minimizzazione di Reti Logiche Combinatorie Multi-livello

Minimizzazione di Reti Logiche Combinatorie Multi-livello Minimizzazione di Reti Logiche Combinatorie Multi-livello Maurizio Palesi Maurizio Palesi 1 Introduzione Obiettivo della sintesi logica: ottimizzazione delle cifre di merito area e prestazioni Prestazioni:

Dettagli

1. Intorni di un punto. Punti di accumulazione.

1. Intorni di un punto. Punti di accumulazione. 1. Intorni di un punto. Punti di accumulazione. 1.1. Intorni circolari. Assumiamo come distanza di due numeri reali x e y il numero non negativo x y (che, come sappiamo, esprime la distanza tra i punti

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

L impresa che non fa il prezzo

L impresa che non fa il prezzo L offerta nei mercati dei prodotti L impresa che non fa il prezzo L impresa che non fa il prezzo (KR 10 + NS 6) Dipartimento di Economia Politica Università di Milano Bicocca Outline L offerta nei mercati

Dettagli

ESAME DI STATO 2002 SECONDA PROVA SCRITTA PER IL LICEO SCIENTIFICO DI ORDINAMENTO

ESAME DI STATO 2002 SECONDA PROVA SCRITTA PER IL LICEO SCIENTIFICO DI ORDINAMENTO ARCHIMEDE 4/ 97 ESAME DI STATO SECONDA PROVA SCRITTA PER IL LICEO SCIENTIFICO DI ORDINAMENTO Il candidato risolva uno dei due problemi e 5 dei quesiti in cui si articola il questionario. PROBLEMA In un

Dettagli

Matematica B - a.a 2006/07 p. 1

Matematica B - a.a 2006/07 p. 1 Matematica B - a.a 2006/07 p. 1 Definizione 1. Un sistema lineare di m equazioni in n incognite, in forma normale, è del tipo a 11 x 1 + + a 1n x n = b 1 a 21 x 1 + + a 2n x n = b 2 (1) = a m1 x 1 + +

Dettagli

Elementi di informatica

Elementi di informatica Elementi di informatica Sistemi di numerazione posizionali Rappresentazione dei numeri Rappresentazione dei numeri nei calcolatori rappresentazioni finalizzate ad algoritmi efficienti per le operazioni

Dettagli

Gli algoritmi. Gli algoritmi. Analisi e programmazione

Gli algoritmi. Gli algoritmi. Analisi e programmazione Gli algoritmi Analisi e programmazione Gli algoritmi Proprietà ed esempi Costanti e variabili, assegnazione, istruzioni, proposizioni e predicati Vettori e matrici I diagrammi a blocchi Analisi strutturata

Dettagli

CAPITOLO PRIMO IL CONCETTO DI ALGORITMO 1

CAPITOLO PRIMO IL CONCETTO DI ALGORITMO 1 1.1 Che cos è un algoritmo CAPITOLO PRIMO IL CONCETTO DI ALGORITMO 1 Gli algoritmi sono metodi per la soluzione di problemi. Possiamo caratterizzare un problema mediante i dati di cui si dispone all inizio

Dettagli

Limiti e continuità di funzioni reali di una variabile

Limiti e continuità di funzioni reali di una variabile di funzioni reali di una variabile Corso di Analisi Matematica - capitolo VI Facoltà di Economia, UER Maria Caterina Bramati Université Libre de Bruxelles ECARES 22 Novembre 2006 Intuizione di ite di funzione

Dettagli

EQUAZIONI non LINEARI

EQUAZIONI non LINEARI EQUAZIONI non LINEARI Francesca Pelosi Dipartimento di Matematica, Università di Roma Tor Vergata CALCOLO NUMERICO e PROGRAMMAZIONE http://www.mat.uniroma2.it/ pelosi/ EQUAZIONI non LINEARI p.1/44 EQUAZIONI

Dettagli

SISTEMI LINEARI QUADRATI: METODI ITERATIVI

SISTEMI LINEARI QUADRATI: METODI ITERATIVI SISTEMI LINEARI QUADRATI: METODI ITERATIVI CALCOLO NUMERICO e PROGRAMMAZIONE SISTEMI LINEARI QUADRATI:METODI ITERATIVI p./54 RICHIAMI di ALGEBRA LINEARE DEFINIZIONI A R n n simmetrica se A = A T ; A C

Dettagli

A i è un aperto in E. i=1

A i è un aperto in E. i=1 Proposizione 1. A è aperto se e solo se A c è chiuso. Dimostrazione. = : se x o A c, allora x o A = A o e quindi esiste r > 0 tale che B(x o, r) A; allora x o non può essere di accumulazione per A c. Dunque

Dettagli

+ P a n n=1 + X. a n = a m 3. n=1. m=4. Per poter dare un significato alla somma (formale) di infiniti termini, ricorriamo al seguente procedimento:

+ P a n n=1 + X. a n = a m 3. n=1. m=4. Per poter dare un significato alla somma (formale) di infiniti termini, ricorriamo al seguente procedimento: Capitolo 3 Serie 3. Definizione Sia { } una successione di numeri reali. Ci proponiamo di dare significato, quando possibile, alla somma a + a 2 +... + +... di tutti i termini della successione. Questa

Dettagli

EQUAZIONI E DISEQUAZIONI POLINOMIALI E COLLEGAMENTI CON LA GEOMETRIA ELEMENTARE

EQUAZIONI E DISEQUAZIONI POLINOMIALI E COLLEGAMENTI CON LA GEOMETRIA ELEMENTARE EQUAZIONI E DISEQUAZIONI POLINOMIALI E COLLEGAMENTI CON LA GEOMETRIA ELEMENTARE 1. EQUAZIONI Definizione: un equazione è un uguaglianza tra due espressioni letterali (cioè in cui compaiono numeri, lettere

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

Il Concetto di Processo

Il Concetto di Processo Processi e Thread Il Concetto di Processo Il processo è un programma in esecuzione. È l unità di esecuzione all interno del S.O. Solitamente, l esecuzione di un processo è sequenziale (le istruzioni vengono

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

METODO DEI MINIMI QUADRATI. Quest articolo discende soprattutto dai lavori di Deming, Press et al. (Numerical Recipes) e Jefferys.

METODO DEI MINIMI QUADRATI. Quest articolo discende soprattutto dai lavori di Deming, Press et al. (Numerical Recipes) e Jefferys. METODO DEI MINIMI QUADRATI GIUSEPPE GIUDICE Sommario Il metodo dei minimi quadrati è trattato in tutti i testi di statistica e di elaborazione dei dati sperimentali, ma non sempre col rigore necessario

Dettagli

ESAME DI STATO 2010 SECONDA PROVA SCRITTA PER IL LICEO SCIENTIFICO DI ORDINAMENTO

ESAME DI STATO 2010 SECONDA PROVA SCRITTA PER IL LICEO SCIENTIFICO DI ORDINAMENTO Archimede ESAME DI STATO SECONDA PROVA SCRITTA PER IL LICEO SCIENTIFICO DI ORDINAMENTO ARTICOLO Il candidato risolva uno dei due problemi e risponda a 5 quesiti del questionario. Sia ABCD un quadrato di

Dettagli

Il piano principale di produzione

Il piano principale di produzione Il piano principale di produzione Piano principale di produzione 1 Piano principale di produzione (Master Production Schedule) MPS pianifica le consegne di prodotto finito in termini di quantità e di data

Dettagli

Fondamenti dell Informatica Ricorsione e Iterazione Simona Ronchi Della Rocca (dal testo: Kfoury, Moll and Arbib, cap.5.2)

Fondamenti dell Informatica Ricorsione e Iterazione Simona Ronchi Della Rocca (dal testo: Kfoury, Moll and Arbib, cap.5.2) Fondamenti dell Informatica Ricorsione e Iterazione Simona Ronchi Della Rocca (dal testo: Kfoury, Moll and Arbib, cap.5.2) Definiamo innanzitutto una relazione d ordine tra le funzioni. Siano φ e ψ funzioni

Dettagli

DI D AGRA R MM M I M A BLOCC C H C I TEORI R A E D D E SERC R I C ZI 1 1

DI D AGRA R MM M I M A BLOCC C H C I TEORI R A E D D E SERC R I C ZI 1 1 DIAGRAMMI A BLOCCHI TEORIA ED ESERCIZI 1 1 Il linguaggio dei diagrammi a blocchi è un possibile formalismo per la descrizione di algoritmi Il diagramma a blocchi, o flowchart, è una rappresentazione grafica

Dettagli

razionali Figura 1. Rappresentazione degli insiemi numerici Numeri reali algebrici trascendenti frazionari decimali finiti

razionali Figura 1. Rappresentazione degli insiemi numerici Numeri reali algebrici trascendenti frazionari decimali finiti 4. Insiemi numerici 4.1 Insiemi numerici Insieme dei numeri naturali = {0,1,,3,,} Insieme dei numeri interi relativi = {..., 3,, 1,0, + 1, +, + 3, } Insieme dei numeri razionali n 1 1 1 1 = : n, m \{0}

Dettagli

F (x) = f(x) per ogni x I. Per esempio:

F (x) = f(x) per ogni x I. Per esempio: Funzioni Primitive (Integrali Indefiniti) (l.v.) Pur essendo un argomento che fa parte del Calcolo Differenziale, molti autori inseriscono funzioni primitive nel capitolo sul Calcolo Integrale, in quanto

Dettagli

METODO DELLE FORZE 1. METODO DELLE FORZE PER LA SOLUZIONE DI STRUTTURE IPERSTATICHE. 1.1 Introduzione

METODO DELLE FORZE 1. METODO DELLE FORZE PER LA SOLUZIONE DI STRUTTURE IPERSTATICHE. 1.1 Introduzione METODO DELLE FORZE CORSO DI PROGETTZIONE STRUTTURLE a.a. 010/011 Prof. G. Salerno ppunti elaborati da rch. C. Provenzano 1. METODO DELLE FORZE PER L SOLUZIONE DI STRUTTURE IPERSTTICHE 1.1 Introduzione

Dettagli

1 Definizione: lunghezza di una curva.

1 Definizione: lunghezza di una curva. Abstract Qui viene affrontato lo studio delle curve nel piano e nello spazio, con particolare interesse verso due invarianti: la curvatura e la torsione Il primo ci dice quanto la curva si allontana dall

Dettagli

Funzioni di più variabili. Ottimizzazione libera e vincolata

Funzioni di più variabili. Ottimizzazione libera e vincolata libera e vincolata Generalità. Limiti e continuità per funzioni di 2 o Piano tangente. Derivate successive Formula di Taylor libera vincolata Lo ordinario è in corrispondenza biunivoca con i vettori di

Dettagli

Approssimazione polinomiale di funzioni e dati

Approssimazione polinomiale di funzioni e dati Approssimazione polinomiale di funzioni e dati Approssimare una funzione f significa trovare una funzione f di forma più semplice che possa essere usata al posto di f. Questa strategia è utilizzata nell

Dettagli

ALGEBRA I: CARDINALITÀ DI INSIEMI

ALGEBRA I: CARDINALITÀ DI INSIEMI ALGEBRA I: CARDINALITÀ DI INSIEMI 1. CONFRONTO DI CARDINALITÀ E chiaro a tutti che esistono insiemi finiti cioè con un numero finito di elementi) ed insiemi infiniti. E anche chiaro che ogni insieme infinito

Dettagli

I Numeri Complessi. Si verifica facilmente che, per l operazione di somma in definita dalla (1), valgono le seguenti

I Numeri Complessi. Si verifica facilmente che, per l operazione di somma in definita dalla (1), valgono le seguenti Y T T I Numeri Complessi Operazioni di somma e prodotto su Consideriamo, insieme delle coppie ordinate di numeri reali, per cui si ha!"# $&% '( e )("+* Introduciamo in tale insieme una operazione di somma,/0"#123045"#

Dettagli

esame di stato 2012 seconda prova scritta per il liceo scientifico di ordinamento

esame di stato 2012 seconda prova scritta per il liceo scientifico di ordinamento RTICL rchimede 4 esame di stato seconda prova scritta per il liceo scientifico di ordinamento Il candidato risolva uno dei due problemi e risponda a 5 quesiti del questionario PRBLEM Siano f e g le funzioni

Dettagli

Applicazioni dell'analisi in più variabili a problemi di economia

Applicazioni dell'analisi in più variabili a problemi di economia Applicazioni dell'analisi in più variabili a problemi di economia La diversità tra gli agenti economici è alla base della nascita dell attività economica e, in generale, lo scambio di beni e servizi ha

Dettagli

Studio grafico-analitico delle funzioni reali a variabile reale

Studio grafico-analitico delle funzioni reali a variabile reale Studio grafico-analitico delle funzioni reali a variabile reale Sequenza dei passi Classificazione In pratica Classifica il tipo di funzione: Funzione razionale: intera / fratta Funzione irrazionale: intera

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

Per lo svolgimento del corso risulta particolarmente utile considerare l insieme

Per lo svolgimento del corso risulta particolarmente utile considerare l insieme 1. L insieme R. Per lo svolgimento del corso risulta particolarmente utile considerare l insieme R = R {, + }, detto anche retta reale estesa, che si ottiene aggiungendo all insieme dei numeri reali R

Dettagli

RAPPRESENTAZIONE BINARIA DEI NUMERI. Andrea Bobbio Anno Accademico 1996-1997

RAPPRESENTAZIONE BINARIA DEI NUMERI. Andrea Bobbio Anno Accademico 1996-1997 1 RAPPRESENTAZIONE BINARIA DEI NUMERI Andrea Bobbio Anno Accademico 1996-1997 Numeri Binari 2 Sistemi di Numerazione Il valore di un numero può essere espresso con diverse rappresentazioni. non posizionali:

Dettagli

ALCUNE APPLICAZIONI DEL CALCOLO DIFFERENZIALE

ALCUNE APPLICAZIONI DEL CALCOLO DIFFERENZIALE ALCUNE APPLICAZIONI DEL CALCOLO DIFFERENZIALE Sia I un intervallo di R e siano a = inf(i) R { } e b = sup(i) R {+ }; i punti di I diversi dagli estremi a e b, ( e quindi appartenenti all intervallo aperto

Dettagli

ALGEBRA: LEZIONI DAL 13 OTTOBRE AL 3 NOVEMBRE

ALGEBRA: LEZIONI DAL 13 OTTOBRE AL 3 NOVEMBRE ALGEBRA: LEZIONI DAL 13 OTTOBRE AL 3 NOVEMBRE 1 DIPENDENZA E INDIPENDENZA LINEARE Se ho alcuni vettori v 1, v 2,, v n in uno spazio vettoriale V, il sottospazio 1 W = v 1,, v n di V da loro generato è

Dettagli

LA FUNZIONE ESPONENZIALE E IL LOGARITMO

LA FUNZIONE ESPONENZIALE E IL LOGARITMO LA FUNZIONE ESPONENZIALE E IL LOGARITMO APPUNTI PER IL CORSO DI ANALISI MATEMATICA I G. MAUCERI Indice 1. Introduzione 1 2. La funzione esponenziale 2 3. Il numero e di Nepero 9 4. L irrazionalità di e

Dettagli

Corso di Analisi Matematica. Polinomi e serie di Taylor

Corso di Analisi Matematica. Polinomi e serie di Taylor a.a. 2013/14 Laurea triennale in Informatica Corso di Analisi Matematica Polinomi e serie di Taylor Avvertenza Questi sono appunti informali delle lezioni, che vengono resi disponibili per comodità degli

Dettagli

Il problema del massimo flusso. Preflow-push e augmenting path: un approccio unificante

Il problema del massimo flusso. Preflow-push e augmenting path: un approccio unificante Introduzione Il problema del massimo flusso. Preflow-push e augmenting path: un approccio unificante Il problema del massimo flusso è uno dei fondamentali problemi nell ottimizzazione su rete. Esso è presente

Dettagli

LATCH E FLIP-FLOP. Fig. 1 D-latch trasparente per ck=1

LATCH E FLIP-FLOP. Fig. 1 D-latch trasparente per ck=1 LATCH E FLIPFLOP. I latch ed i flipflop sono gli elementi fondamentali per la realizzazione di sistemi sequenziali. In entrambi i circuiti la temporizzazione è affidata ad un opportuno segnale di cadenza

Dettagli

METODI ITERATIVI PER SISTEMI LINEARI

METODI ITERATIVI PER SISTEMI LINEARI METODI ITERATIVI PER SISTEMI LINEARI LUCIA GASTALDI 1. Metodi iterativi classici Sia A R n n una matrice non singolare e sia b R n. Consideriamo il sistema (1) Ax = b. Un metodo iterativo per la soluzione

Dettagli

INTEGRALI DEFINITI. Tale superficie viene detta trapezoide e la misura della sua area si ottiene utilizzando il calcolo di un integrale definito.

INTEGRALI DEFINITI. Tale superficie viene detta trapezoide e la misura della sua area si ottiene utilizzando il calcolo di un integrale definito. INTEGRALI DEFINITI Sia nel campo scientifico che in quello tecnico si presentano spesso situazioni per affrontare le quali è necessario ricorrere al calcolo dell integrale definito. Vi sono infatti svariati

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

Funzione reale di variabile reale

Funzione reale di variabile reale Funzione reale di variabile reale Siano A e B due sottoinsiemi non vuoti di. Si chiama funzione reale di variabile reale, di A in B, una qualsiasi legge che faccia corrispondere, a ogni elemento A x A

Dettagli

Tipologie di pianificatori. Pianificazione. Partial Order Planning. E compiti diversi. Pianificazione gerarchica. Approcci integrati

Tipologie di pianificatori. Pianificazione. Partial Order Planning. E compiti diversi. Pianificazione gerarchica. Approcci integrati Tipologie di pianificatori Pianificazione Intelligenza Artificiale e Agenti II modulo Pianificazione a ordinamento parziale (POP) (HTN) pianificazione logica (SatPlan) Pianificazione come ricerca su grafi

Dettagli

Problema n. 1: CURVA NORD

Problema n. 1: CURVA NORD Problema n. 1: CURVA NORD Sei il responsabile della gestione del settore Curva Nord dell impianto sportivo della tua città e devi organizzare tutti i servizi relativi all ingresso e all uscita degli spettatori,

Dettagli

Configurazione avanzata di IBM SPSS Modeler Entity Analytics

Configurazione avanzata di IBM SPSS Modeler Entity Analytics Configurazione avanzata di IBM SPSS Modeler Entity Analytics Introduzione I destinatari di questa guida sono gli amministratori di sistema che configurano IBM SPSS Modeler Entity Analytics (EA) in modo

Dettagli

QUADERNI DI DIDATTICA

QUADERNI DI DIDATTICA Department of Applied Mathematics, University of Venice QUADERNI DI DIDATTICA Tatiana Bassetto, Marco Corazza, Riccardo Gusso, Martina Nardon Esercizi sulle funzioni di più variabili reali con applicazioni

Dettagli

Classificazioni dei sistemi di produzione

Classificazioni dei sistemi di produzione Classificazioni dei sistemi di produzione Sistemi di produzione 1 Premessa Sono possibili diverse modalità di classificazione dei sistemi di produzione. Esse dipendono dallo scopo per cui tale classificazione

Dettagli

IL PROBLEMA DELLO SHORTEST SPANNING TREE

IL PROBLEMA DELLO SHORTEST SPANNING TREE IL PROBLEMA DELLO SHORTEST SPANNING TREE n. 1 - Formulazione del problema Consideriamo il seguente problema: Abbiamo un certo numero di città a cui deve essere fornito un servizio, quale può essere l energia

Dettagli

Travature reticolari piane : esercizi svolti De Domenico D., Fuschi P., Pisano A., Sofi A.

Travature reticolari piane : esercizi svolti De Domenico D., Fuschi P., Pisano A., Sofi A. Travature reticolari piane : esercizi svolti e omenico., Fuschi., isano., Sofi. SRZO n. ata la travatura reticolare piana triangolata semplice illustrata in Figura, determinare gli sforzi normali nelle

Dettagli

Business Process Modeling and Notation e WebML

Business Process Modeling and Notation e WebML Business Process Modeling and Notation e WebML 24 Introduzione I Web Service e BPMN sono standard de facto per l interoperabilità in rete a servizio delle imprese moderne I Web Service sono utilizzati

Dettagli

+ / operatori di confronto (espressioni logiche/predicati) / + 5 3 9 = > < Pseudo codice. Pseudo codice

+ / operatori di confronto (espressioni logiche/predicati) / + 5 3 9 = > < Pseudo codice. Pseudo codice Pseudo codice Pseudo codice Paolo Bison Fondamenti di Informatica A.A. 2006/07 Università di Padova linguaggio testuale mix di linguaggio naturale ed elementi linguistici con sintassi ben definita e semantica

Dettagli

2/4 OPERATORI NEGLI SPAZI DI HILBERT INFINITODIMENSIONALI 08/09 1 INTRODUZIONE

2/4 OPERATORI NEGLI SPAZI DI HILBERT INFINITODIMENSIONALI 08/09 1 INTRODUZIONE 2/4 OPERATORI NEGLI SPAZI DI HILBERT INFINITODIMENSIONALI 08/09 INTRODUZIONE Il problema agli autovalori di un operatore La trattazione del problema agli autovalori di un operatore fatta negli spazi finitodimensionali

Dettagli

MATEMATICA. { 2 x =12 y 3 y +8 x =0, si pone il problema di trovare, se esistono, un numero x ed un numero y che risolvano entrambe le equazioni.

MATEMATICA. { 2 x =12 y 3 y +8 x =0, si pone il problema di trovare, se esistono, un numero x ed un numero y che risolvano entrambe le equazioni. MATEMATICA. Sistemi lineari in due equazioni due incognite. Date due equazioni lineari nelle due incognite x, y come ad esempio { 2 x =12 y 3 y +8 x =0, si pone il problema di trovare, se esistono, un

Dettagli

Descrizioni VHDL Behavioral

Descrizioni VHDL Behavioral 1 Descrizioni VHDL Behavioral In questo capitolo vedremo come la struttura di un sistema digitale è descritto in VHDL utilizzando descrizioni di tipo comportamentale. Outline: process wait statements,

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

F S V F? Soluzione. Durante la spinta, F S =ma (I legge di Newton) con m=40 Kg.

F S V F? Soluzione. Durante la spinta, F S =ma (I legge di Newton) con m=40 Kg. Spingete per 4 secondi una slitta dove si trova seduta la vostra sorellina. Il peso di slitta+sorella è di 40 kg. La spinta che applicate F S è in modulo pari a 60 Newton. La slitta inizialmente è ferma,

Dettagli

PROGRAMMAZIONE LINEARE IN DUE VARIABILI

PROGRAMMAZIONE LINEARE IN DUE VARIABILI 1 PROGRAMMAZIONE LINEARE IN DUE VARIABILI La ricerca operativa nata durante la seconda guerra mondiale ed utilizzata in ambito militare, oggi viene applicata all industria, nel settore pubblico e nell

Dettagli

Consideriamo due polinomi

Consideriamo due polinomi Capitolo 3 Il luogo delle radici Consideriamo due polinomi N(z) = (z z 1 )(z z 2 )... (z z m ) D(z) = (z p 1 )(z p 2 )... (z p n ) della variabile complessa z con m < n. Nelle problematiche connesse al

Dettagli

Cenni su algoritmi, diagrammi di flusso, strutture di controllo

Cenni su algoritmi, diagrammi di flusso, strutture di controllo Cenni su algoritmi, diagrammi di flusso, strutture di controllo Algoritmo Spesso, nel nostro vivere quotidiano, ci troviamo nella necessità di risolvere problemi. La descrizione della successione di operazioni

Dettagli

Numeri reali. Funzioni e loro grafici

Numeri reali. Funzioni e loro grafici Argomento Numeri reali. Funzioni e loro grafici Parte B - Funzioni e loro grafici Funzioni reali di variabile reale Definizioni. Supponiamo che A sia un sottoinsieme di R e che esista una legge che ad

Dettagli

x 1 + x 2 3x 4 = 0 x1 + x 2 + x 3 = 0 x 1 + x 2 3x 4 = 0.

x 1 + x 2 3x 4 = 0 x1 + x 2 + x 3 = 0 x 1 + x 2 3x 4 = 0. Problema. Sia W il sottospazio dello spazio vettoriale R 4 dato da tutte le soluzioni dell equazione x + x 2 + x = 0. (a. Sia U R 4 il sottospazio dato da tutte le soluzioni dell equazione Si determini

Dettagli

Appunti dalle lezioni di

Appunti dalle lezioni di Università di Roma La Sapienza Sede di Latina (Università Pontina) Corso di Laurea in Ingegneria Informatica Appunti dalle lezioni di Ricerca Operativa Anno Accademico 2003-2004 Indice Introduzione 5 Che

Dettagli

Modelli Binomiali per la valutazione di opzioni

Modelli Binomiali per la valutazione di opzioni Modelli Binomiali per la valutazione di opzioni Rosa Maria Mininni a.a. 2014-2015 1 Introduzione ai modelli binomiali La valutazione degli strumenti finanziari derivati e, in particolare, la valutazione

Dettagli

Gli uni e gli altri. Strategie in contesti di massa

Gli uni e gli altri. Strategie in contesti di massa Gli uni e gli altri. Strategie in contesti di massa Alessio Porretta Universita di Roma Tor Vergata Gli elementi tipici di un gioco: -un numero di agenti (o giocatori): 1,..., N -Un insieme di strategie

Dettagli

Esponenziali elogaritmi

Esponenziali elogaritmi Esponenziali elogaritmi Potenze ad esponente reale Ricordiamo che per un qualsiasi numero razionale m n prendere n>0) si pone a m n = n a m (in cui si può sempre a patto che a sia un numero reale positivo.

Dettagli

Rappresentazione dei numeri in un calcolatore

Rappresentazione dei numeri in un calcolatore Corso di Calcolatori Elettronici I A.A. 2010-2011 Rappresentazione dei numeri in un calcolatore Lezione 2 Università degli Studi di Napoli Federico II Facoltà di Ingegneria Rappresentazione dei numeri

Dettagli

Così come le macchine meccaniche trasformano

Così come le macchine meccaniche trasformano DENTRO LA SCATOLA Rubrica a cura di Fabio A. Schreiber Il Consiglio Scientifico della rivista ha pensato di attuare un iniziativa culturalmente utile presentando in ogni numero di Mondo Digitale un argomento

Dettagli

FUNZIONI REALI DI VARIABILE REALE e CONTINUITA Roberto Argiolas

FUNZIONI REALI DI VARIABILE REALE e CONTINUITA Roberto Argiolas FUNZIONI REALI DI VARIABILE REALE e CONTINUITA Roberto Argiolas.8.6.. - -.5.5 -. In questa dispensa ricordiamo la classificazione delle funzioni elementari e il dominio di esistenza delle stesse. Inoltre

Dettagli

MINIMI QUADRATI. REGRESSIONE LINEARE

MINIMI QUADRATI. REGRESSIONE LINEARE MINIMI QUADRATI. REGRESSIONE LINEARE Se il coefficiente di correlazione r è prossimo a 1 o a -1 e se il diagramma di dispersione suggerisce una relazione di tipo lineare, ha senso determinare l equazione

Dettagli