Sistemi Organizzativi docente: Stefano Smriglio

Dimensione: px
Iniziare la visualizzazioe della pagina:

Download "Sistemi Organizzativi docente: Stefano Smriglio stefano.smriglio@univaq.it"

Transcript

1 Sistemi Organizzativi docente: Stefano Smriglio Pre-requisiti: Classi di complessità Programmazione Lineare (Intera) Metodo branch-and-bound Cammini minimi su grafi Materiale didattico: M. Pinedo, Scheduling (Systems, Models and Algorithms) Prentice Hall A. Agnetis, dispense Trasparenti dalle lezioni

2 Parte I: Scheduling a macchina singola

3 Indice. Introduzione: esempi, elementi di un problema di scheduling, notazione. Formulazioni PLM, PLB 2. Problemi a macchina singola //Σw C /chain/σw C /prec/h max /r,prmp/l max /r /L max //ΣU //Σh //ΣT //Σw T algoritmo WSPT algoritmo polinomiale algoritmo di Lawler regola preemptive EDD complessità, branch-and-bound algoritmo di Moore Programmazione dinamica algoritmo pseudo-polinomiale branch-and-bound

4 Introduzione problemi di scheduling esempi classificazione

5 Esempio Silvia (S) e Francesca (F) giungono nello stesso momento ad una macchina fotocopiatrice. F deve fare fotocopia, S ne deve fare 00. Il galateo imporrebbe a S di lasciar passare per prima F, che ha un compito molto più breve. È una buona idea? Analisi. Supponiamo che l esecuzione di una fotocopia richieda 3 secondi. Due casi: S precede F F precede S Attesa totale = = Attesa totale = =

6 Esempio E se Francesca F arrivasse all istante r f? S F r 300 r f Attesa totale = r f = = 603 r f Di nuovo, il galateo imporrebbe a Silvia di interrompere le proprie copie in favore di Francesca: r f 3 Attesa totale = = r 303 f

7 Ricapitolando Attività: 2 blocchi di fotocopie (di durata nota) Risorse: una macchina fotocopiatrice Vincoli: Capacità: al più una fotocopia alla volta (caso 2) F non può iniziare prima dell istante r f Misura: attesa complessiva presso la macchina fotocopiatrice Rappresentazione di una soluzione: diagramma di Gantt 303 S F 0 300

8 CPU scheduling Il sistema operativo disciplina l accesso alla CPU dei diversi programmi di calcolo. tecnica time-sharing (Linux): il tempo di CPU è suddiviso in intervalli (definiti dal timer interrupt) e, in ogni intervallo, è possibile eseguire al più un processo. diversi obiettivi: rispondere prontamente a ciascun processo, evitare interruzioni prolungate, evitare ritardi nei processi più urgenti. Linux attribuisce dinamicamente una priorità ai processi. Ad es., la priorità è proporzionale all attesa del processo

9 CPU scheduling Attività: programmi Risorse: CPU Vincoli: Capacità: al più un programma in ciascun intervallo per ciascuna CPU Misure: tempo massimo di attesa di un programma tempo di completamento di tutti i programmi ritardi nei processi urgenti

10 Scheduling dei velivoli in atterraggio La torre di controllo (ATC) ha il compito di assegnare una pista ed un istante di atterraggio a ciascun velivolo nel proprio campo radar (area terminale) Ogni velivolo ha una finestra temporale [r,s] definita da due istanti di atterraggio estremi, a seconda che il velivolo viaggi: - alla sua massima velocità (istante r) - in modalità di minimo consumo (istante s) Un velivolo in atterraggio impegna la pista per un tempo noto ma genera turbolenza: quello successivo deve attendere un tempo di separazione (funzione delle dimensioni dei velivoli)

11 Scheduling dei velivoli in atterraggio Ad ogni velivolo è associato un orario di atterraggio predeterminato (e pubblicato nelle tabelle) L importanza di un velivolo dipende da fattori quali la dimensione, la compagnia, la distanza percorsa Attività: atterraggi Risorse: k piste Vincoli: Capacità: su ogni pista, al più un atterraggio in un certo istante finestre temporali di atterraggio separazione fra atterraggi consecutivi Misura: somma (pesata in base all importanza) dei ritardi rispetto all orario pubblicato

12 Ancora nella vita quotidiana Aldo (A), Bruno (B), Carlo (C), Duilio (D) condividono un appartamento e, ogni mattino, ricevono 4 giornali: Financial Times (FT), Guardian (G), Daily Express (DE), Sun (S). Ognuno ha i propri gusti inizia la lettura ad una certa ora, legge i giornali nella sua sequenza preferita e (ciascuno) per un tempo prefissato: lettore inizio Sequenza giornali (min.) Aldo 8.30 FT(60) G (30) DE (2) S(5) Bruno 8.45 G(75) DE(3) FT(25) S(0) Carlo 8.45 DE(5) G(5) FT(0) S(30) Duilio 9.30 S(90) FT() G() DE()

13 Ancora nella vita quotidiana inoltre, ciascun lettore: rilascia un giornale solo dopo averlo letto completamente. termina la lettura di tutti i giornali prima di uscire. infine, i quattro lettori attendono che tutti abbiano terminato di leggere prima di uscire di casa Problema: A che ora A, B, C, D riescono (finalmente!) ad uscire?

14 Interpretazione lettore inizio Sequenza giornali (min.) Aldo 8.30 FT(60) G (30) DE (2) S(5) Bruno 8.45 G(75) DE(3) FT(25) S(0) Carlo 8.45 DE(5) G(5) FT(0) S(30) Duilio 9.30 S(90) FT() G() DE() A D FT S G DE B C determinare in quale sequenza ciascun giornale accetta i lettori in modo da minimizzare il tempo di lettura totale.

15 Soluzioni lettore inizio Sequenza giornali (min.) Aldo 8.30 FT(60) G (30) DE (2) S(5) Bruno 8.45 G(75) DE(3) FT(25) S(0) Carlo 8.45 DE(5) G(5) FT(0) S(30) Duilio 9.30 S(90) FT() G() DE() una possibile soluzione: giornale Sequenza lettori FT A D C B G B C A D DE C B A D S D A C B ESERCIZIO: valutare l ora in cui A,B,C e D escono di casa

16 ESERCIZIO: data la soluzione in tabella valutare l ora in cui A,B,C e D escono di casa FT G DE S C A B C A D C D D B D A A giornale Sequenza lettori FT A D C B G B C A D DE C B A D S D A C B B C B.5

17 Enumerazione totale Il numero di soluzioni è (4!) 4 = per un problema con n lettori e m giornali diventa (n!) m. esaminando soluzioni al secondo (4 giornali e n lettori): n tempo min giorni

18 In generale Con il termine scheduling si indica l allocazione temporale di risorse scarse ad attività Elementi di un problema di scheduling: ob: attività da svolgere insieme J = {,,n} Fotocopia, esecuzione di un programma di calcolo Un ob può rappresentare una singola attività o un insieme di attività (task) tecnologicamente legate macchine: risorse che eseguono le attività insieme M={,,m} Fotocopiatrice, CPU, giornali

19 Attributi dei ob tempo di processamento p i durata del processamento del ob sulla macchina i release date r tempo in cui arriva nel sistema, rendendosi disponibile al processamento due date d tempo entro il quale si desidera che il ob sia completato (data di consegna) peso w indica l importanza del ob

20 Classificazione Il processamento di un ob su una macchina è detto operazione. I problemi di scheduling si classificano in base alle caratteristiche dei task e all architettura delle macchine Notazione a tre campi: α/β/γ: α descrive il sistema di macchine β rappresenta vincoli e modalità di processamento (0, o più componenti) γ indica l obiettivo

21 Campo α Macchina singola () : ciascun ob richiede una singola operazione da eseguirsi sull unica macchina disponibile Macchine identiche parallele (P m ) : ciascun ob richiede una singola operazione da eseguirsi su una qualunque delle m macchine identiche. 2 m

22 Campo α Flow shop (F m ) : Ciascun ob è composto di m task, ciscuno da eseguirsi su una macchina secondo una sequenza fissata, uguale per tutti i ob. 2 m Job shop (J m ) : Ciascun ob è composto di m() task, ciscuno da eseguirsi su una macchina secondo una sequenza fissata, dipendente da

23 Campo β Release dates (r ): il ob non può iniziare il processamento prima dell istante r Preemption (prmp): è ammesso interrompere un operazione per iniziarne una nuova. Il processamento eseguito prima dell interruzione non va perso: quando l operazione viene ripresa, essa richiede solo il tempo rimanente di processamento ob 2 2 p schedule ammissibile

24 Campo β prec: è dato un grafo G = (N, A) diretto e aciclico che rappresenta una relazione di precedenza fra ob. Un ob può iniziare solo se tutti i suoi predecessori sono stati completati schedule non ammissibile chain: caso speciale in cui ogni componente connessa del grafo è un cammino orientato (catena)

25 Campo β Tempi di set-up (s k ): tempo richiesto per il riattrezzaggio delle macchine fra i ob e k. Se dipende dalla macchina i, si esprime con s i k breakdown (brkdwn): le macchine non sono sempre breakdown (brkdwn): le macchine non sono sempre disponibili, ma hanno periodi fissati di interruzione del servizio

26 Definizioni C L = C d tempo di completamento del ob lateness del ob T = max(l,0) tardiness del ob U = se C >d e 0 altrimenti 2 ob p 7 8 d 9 C = 7 L = 2 T = 0 U = 0 C 2 = 5 L 2 = 4 T 2 = 4 U 2 =

27 Campo γ: funzioni obiettivo Makespan (C max ) : max (C,, C n ) tempo di completamento dell ultimo ob Massima Lateness (L max ) : L max =max (L,, L n ) Tempo totale pesato di completamento (Σw C ) o (weighted flow-time) Tardiness totale pesata (Σw T ) Numero di tardy ob (ΣU ) tutte funzioni obiettivo regolari cioè non-decrescenti in C,, C n

28 Esempio ob 2 w 2 3 p 7 8 d L max = 4 Σw C = 59 Σw T = 2 ΣU =

29 Sequenze e schedule Si definisce sequenza una permutazione dei ob che definisce l ordine con cui i ob sono processati su una certa macchina Si definisce schedule un assegnamento di un istante di inizio a ciascuno dei task di ogni ob (se prmp, istanti di inizio di ciascuna delle parti in cui viene suddiviso un task)

30 Schedule nondelay uno schedule ammissibile è detto nondelay se nessuna macchina è ferma quando esiste un operazione disponibile al processamento In molti casi (sempre se prmp) le soluzioni ottime sono nondelay. Ciò non è vero in generale

31 ESERCIZIO: schedule nondelay dato il seguente problema P 2 /prec/c max 2 ob p costruire uno schedule nondelay e verificarne l ottimalità 6 7 9

32 ESERCIZIO: schedule nondelay Soluzione nondelay: M2 M Soluzione ottima: M2 M fermo macchina forzato 27

33 . Scheduling a macchina singola Formulazioni di Programmazione Lineare Booleana e Mista (PL(0-)-PLM)

34 Formulazione disgiuntiva Variabili decisionali naturali : t R n istante di inizio del ob, =,, n Macchina a capacità unitaria: i precede t ti pi precede i ti t p valgono in alternativa!! Variabili aggiuntive (binarie): y i = 0 se i precede se precede i

35 Formulazione disgiuntiva (PLM) i precede y i = t ti pi precede i y i = 0 ti t p Formulazione disgiuntiva ( y ) M t t p i, i i i J y i M t t p i, i J t 0 J {0, } i, J y i M costante grande (quanto?)

36 Problemi minsum: // w C min J w ( t p ) i i = J w t J w p ( y ) M t t p i, i i i J y i M t t p i, i J t 0 J {0, } i, J y i n 2 n variabili 2n 2 vincoli

37 Esercizio Formulare come problema di PLM la seguente istanza del problema /r / w C ob 2 3 p 3 2 r w 3 2 4

38 Problemi minsum: // w T min J w max{ t p d,0} ( y ) M t t p i, J i i i y i M t t p i, i J t 0 J {0, } i, J y i

39 RICHIAMO: Funzioni convesse lineari a tratti c x d c 3x d 3 T max( c x i =,..., m i d i ) c 2x d 2 è il più piccolo valore z per cui x T z ci x d i i =,..., m min T max( c x i =,..., m Ax b i d i ) min z Ax b c T i x d i z i =,...,m

40 Formulazione PLM max{ t p d,0} 0 d p t min w f min J w max{ t p d,0} f t p d, J f 0

41 Formulazione PLM min w f f t p d, J ( y ) M t t p i, i i i J y i M t t p i, i J t 0 J {0, } i, J y i f 0

42 Problemi min-max: L max min f f t p d, J ( y ) M t t p i, i i i J y i M t t p i, i J t 0 J {0, } i, J y i f 0

43 Formulazioni Time-indexed Orizzonte temporale [0,T] discretizzato in periodi di durata unitaria. Il periodo t concide con l intervallo di [t, t] Variabili binarie: x t = se inizia nel periodo t; 0 altrimenti vincolo (Completezza): ogni ob inizia in un qualche t T p t= x t =, =,..., n T Σp

44 Formulazioni Time-indexed vincolo 2 (Capacità): al più un ob processato nel periodo t un ob occupa il periodo t se inizia nell intervallo [t p, t] t quindi: n = min( s = max( t, T p x ) s, t p ), t =,..., T

45 Formulazione PL(0-) min n = T p t = c t x t c t costo di assegnazione del ob all istante t T p t= n = x t =, =,..., n min( t, T p s = max( x ) s, t p ), t =,..., T x t { 0, }, =,..., n; t =,..., T p nt variabili; n T vincoli

46 Funzioni obiettivo (min-sum) se inizia nel periodo t si ha C = tp t tp tempo totale di completamento: = = = = n n p T t t C w x p t w ) ( c t = w (tp ) = } 0, max{ t d p t w c = = = = n n p T t t T w x d p t w ) 0, max( tempo totale di completamento: tardiness totale:

47 Esercizio Formulare come problema di PL(0-) la seguente istanza del problema /r / w C ob 2 3 p 3 2 r w 3 2 4

48 Vincoli di precedenza vincolo 3 (Precedenza i ): se il ob i non è iniziato nei periodi,2,,t allora il ob non può iniziare nei periodi, 2,, t p i i quindi: t t p i s = x s t r = x ir, t =,..., T p i p

49 .2 Tempo totale pesato di completamento Σw C

50 nondelay schedule Proprietà 0. Dato un problema del tipo //γ con γ funzione obiettivo regolare, esiste uno schedule ottimo in cui la macchina processa ininterrottamente dall istante 0 all istante C max = Σp

51 Tempo totale pesato di completamento // Σw C Definiamo Weighted Shortest Processing Time (WSPT) una regola che ordina i ob per valori non crescenti del rapporto w /p Sussiste il seguente Teorema. La regola WSPT calcola una soluzione ottima del problema //Σw C Dimostrazione. (Per contraddizione) Assumiamo che S sia uno schedule ottimo e che non rispetti WSPT

52 Dimostrazione Allora devono esserci in S due ob adiacenti, diciamo seguito da k tali che w /p < w k /p k Assumiamo che il ob inizi all istante t. Eseguiamo uno scambio dei ob e k ottenendo un nuovo schedule S' S k S t tp k tp k tp p k

53 Dimostrazione S k S k t tp p k Il tempo totale (pesato) di completamento dei ob che precedono e seguono la coppia (,k) non è modificato dallo scambio. Il contributo dei ob e k in S è: (tp )w (tp p k )w k mentre in S' è: (tp k )w k (tp k p )w

54 Dimostrazione in S] in S'] (tp )w (tp p k )w k (tp k )w k (tp k p )w Eliminando i termini uguali: in S] in S'] p w k p k w Quindi, se w /p < w k /p k, risulta p k w < p w k, cioè il tempo totale pesato in S' è strettamente inferiore a quello in S, contraddizione

55 Vincoli di precedenza /prec/ Σw C Nel caso generale il problema è NP-Hard. Consideriamo invece il caso in cui le precedenze sono rappresentate da un insieme di catene in parallelo: /chain/σw C Per questo caso esiste un algoritmo di soluzione polinomiale.

56 Catene non interrompibili Date due catene: 2 k k k2 n Minimizziamo Σw C con il vincolo che i ob di ciascuna catena debbano essere processati consecutivamente. Lemma.2 Se k w = k = p allora la catena,,k precede la catena k,, n > n = k n = k w p

57 Dimostrazione Per la sequenza,2,,k,k,k2,,n (S) il tempo totale di completamento è = = = k n n k k k k p w p p w p w w p ) ( K K Per la sequenza k,k2,,n,,2,,k (S2) il tempo totale di completamento è = = = n k n k n k n k k p w p p w p w p w ) ( K K

58 Semplificando S ) )( ( = = = = = k n k k k n k p w p w p w K S2 = = = = = n k n k k n k k p w p w p w ) )( ( K = = = = k k k Quindi, ricordando l ipotesi: > = = = = n k n k k k p w p w ) )( ( ) )( ( = = = = < n k k k n k p w p w cioè, Smigliore di S2

59 Coefficiente ρ di una catena L idea chiave dell algoritmo è ricondurre /chain/σw C al problema di sequenziare catene non-interrompibili, in modo da utilizzare il Lemma.2. Definizione.3 Data una catena 2 k Definizione.3 Data una catena 2 k definiamo coefficiente ρ della catena il seguente rapporto: = = ρ = = = = l l l l p w k l p w k * * max ),, ( K

60 Esempio ob p w ρ(, K,4) = max l 4 l = l = w p = 0 3 4, ,, 9 5 l* = 3

61 Proprietà del coefficiente ρ Proprietà.4 Se un ob l* determina il coefficiente ρ(,...,k) allora per qualunque <u<l* risulta: u l w w * > = = = = u l u u p w p w *

62 Dimostrazione Per definizione: = = = = > u u l l p w p w * * > u l u l u l w p w p w p w p * * * K K da cui: = = = = > l u w p w p w p w p * K K = = = = > u l u u l u u l u w p w p w p w p * * * K K ) )( ( ) )( ( * * = = = = > u l u l u u w p w p

63 Proprietà dello schedule ottimo Lemma.5 Si consideri una generica catena (,..., k) e sia l* il ob che determina il suo coefficiente ρ(,...,k). Allora esiste uno schedule ottimo che processa i ob,, l* consecutivamente. Dimostrazione. (per contraddizione) Assumiamo che in una sequenza ottima la sequenza,,l* sia interrotta da un ob v (,...,k), cioè, contenga la sottosequenza (S),,u,v,u, l*

64 Proprietà dello schedule ottimo (S),,u,v,u, l*. Consideriamo le sottosequenze: (S') (S'') v,,,u,u,,l*,,u,u, l*,v Mostriamo che per almeno una fra S' e S'' il tempo di completamento è non superiore a quello di S.

65 Dimostrazione Applicando il Lemma.2 alle catene (v) e (,,u) si ha che se il valore ( w C ) di S è inferiore a quello di S', allora: u u v v p p p w w w p w < K K 2 2 v p u p p p K 2 Applicando il Lemma.2 alle catene (v) e (u,,l*) si ha che se il valore ( w C ) di S è inferiore a quello di S'', allora: * 2 * 2 l u u l u u v v p p p w w w p w > K K

66 Dimostrazione Per la Proprietà.4 risulta inoltre: u u l u u l u u p p p w w w p p p w w w > K K K K 2 2 * 2 * 2 Quindi, se S è meglio di S'', allora: Quindi, se S è meglio di S'', allora: u u l u u l u u v v p p p w w w p p p w w w p w > > K K K K 2 2 * 2 * 2 Contraddizione (avendo assunto S meglio di S'). Lo stesso argomento si applica quando la catena è interrotta da molteplici ob.

67 Algoritmo I due lemmi precedenti sono il fondamento di un algoritmo polinomiale: Algoritmo.6 In ogni istante in cui la macchina è libera, seleziona fra le rimanenti catene quella con il massimo coefficiente ρ e la processa senza interruzione fino al ob che definisce ρ (incluso) L algoritmo ha complessità O(n 2 )

68 Esempio ob w p step. ρ(,2,3,4) = (68)/(36) = 24/9, l * =2 ρ(5,6,7) = (87)/(48) = 25/2, l * =6 2

69 Esempio ob w p step2. ρ(3,4) = 2/6, l * =3 ρ(5,6,7) = (87)/(48) = 25/2, l * =

70 Esempio ob w p step3. ρ(3,4) = 2/6, l * =3 ρ(7) = 8/0, l * =

71 Esempio ob w p step4. ρ(4) = 8/5, l * =4 ρ(7) = 8/0, l * =

72 Release date e preemption L introduzione delle release date complica il problema. Nel caso in esame, il problema /r /Σw C è NP-hard. [Ex] Richiamo. Dato un problema di ottimizzazione P =(z,s) (di minimo), si definisce rilassamento di P un nuovo problema RP=(w,Φ) tale che: (i) S Φ (ii) x S risulta w(x) z(x)

73 Rilassamento preemptivo Il problema/r, prmp/σw C si dice rilassamento (perché lo è?) preemptivo. Per esso è interessante valutare il comportamento della naturale estensione della regola WSPT: Preemptive WSPT: in ogni istante (intero) di tempo, si processa il ob disponibile con il massimo rapporto peso / tempo residuo di processamento

74 Esempio ob w p r Z PWSPT =99

75 PWSPT non è ottima per /r,prmp / w C 2 08 ob 2 3 w 9 8 p r Z PWSPT = Z OPT =27 4

76 Complessità PWSPT si esegue in tempo O(n log n) Si mantiene la lista ordinata per valori decrescenti del rapporto w /p (t) e la lista ordinata dei ob per release date crescenti. Gli eventi significativi sono di due tipi: (i) completamento di un ob e (ii) rilascio di un nuovo ob. Quindi, ci sono O(n) eventi. In corrispondenza di ciascun evento si deve: aggiornare la lista, richiede tempo O(log n) calcolare l evento successivo, calcolando min(t p (t), r ), che richiede tempo costante

77 Si ha il seguente: Pesi unitari Nel caso di pesi tutti unitari PWSPT schedula, in ogni istante (intero) di tempo, il ob disponibile con il minimo tempo residuo di processamento (Shortest Remaining Processing Time, SRPT) Lemma.6 La regola SRPT è ottima per /r, prmp/σc Dimostrazione. Mostriamo che, comunque preso uno schedule S che non rispetta SRPT, ne esiste uno S' che la rispetta con un tempo di completamento non peggiore.

78 Dimostrazione Se S non rispetta SRPT, deve esserci un istante t in cui è processata una unità del ob pur esistendo k tale che p (t) > p k (t) Costruiamo un nuovo schedule S' in cui le rimanenti p k (t) unità del ob k sono scambiate con le prime p k (t) del ob. S k S k t t'

79 Dimostrazione S k S k t t' i ob diversi da e k non subiscono alcuna variazione; primo caso: C k (S ) > C (S ) Essendo p (t) > p k (t) si ha che C k (S ) C (S); inoltre, per costruzione, C (S ) = C k (S ); Quindi: C k (S ) C (S ) C k (S ) C (S )

80 Dimostrazione S k S k t t' secondo caso: C k (S) < C (S) C k (S ) C k (S); C (S ) = C (S); Quindi: C k (S ) C (S ) C k (S) C (S )

81 Esercizi

82 Esercizio Dimostrare che la regola SPT non è ottima per il problema /r / C z(spt) = 2 ob 2 r 3 0 p z(opt) =

83 Esercizio 2 Dimostrare che la regola WSPT non è ottima per il problema /brkdwn/ w C z(wspt) = 85 ob 2 w 0 5 p z(opt) =

84 Esercizio 3 Dimostrare o confutare che la regola SPT è ottima per il problema /brkdwn/ C ob 2 3 p z(spt) = z(opt) = 2

85 .3 Problemi min-max (Massima Lateness L max )

86 /prec/h max Forma della funzione obiettivo: h max = max (h (C ),, h n (C n )) h (C ) è una arbitraria funzione non decrescente di C Esempi: h (C )= C d = L h max = L max h (C ) = max (0,L ) = T h max = T max Precedenza: G P generico grafo aciclico. Dato che le soluzioni ottime sono nondelay, l ultimo ob termina all istante C p max = n =

87 Algoritmo di Lawler Costruisce lo schedule a partire dal fondo J ob già schedulati nell intervallo Cmax J p, C J c = {,, n} \ J J ob schedulabili immediatamente prima di J (= tutti i successori sono in J) [ max Inizializzazione: J =, J c = {,, n}, J insieme dei ob privi di successori ] Loop: while (J c ) Schedula in ultima posizione il ob * tale che h ( p ) = min( h * c J J J ( c p )) J := J {*}, J c := J c \{*}, aggiorna J Endloop.

88 Corretezza Teorema.7 L algoritmo di Lawler restituisce uno schedule ottimo per /prec/h max Dimostrazione. (Per contr.) Sia S una sequenza ottima per cui, ad una generica iterazione, è selezionato il ob ** J ma esiste * (schedulabile) tale che h ( p ) < h * *( * c J J c p ) S * ** J Quindi, * è schedulato prima di **

89 Dimostrazione (continua) h ** h ** h * h * * ** ** * S S Consideriamo un nuovo schedule S ottenuto da S spostando il ob ** subito dopo *. [L unico ob che peggiora è *]

90 Dimostrazione (continua) h ** h ** h * h * h * ** ** * S ( p ) < h* *( * c J J c ** in S. Quindi S meglio di S, contraddizione. p ) S costo di * in S inferiore al costo di

91 Esempio ob p h 0 C 2.5 C 3 2 (C 4 /5) Iter. J c p =5 G p 4 2 J J c {,2,3,4} J {,2,3} ob 2 3 costo

92 Esempio ob p h 0 C 2.5 C 3 2 (C4/5) G p 4 2 Iter 2. J c p =2 J {} J c {2, 3,4} J {2,3} ob 2 3 costo

93 Iter 3. = 8 J c p Esempio ob p h 0 C 2.5 C 3 2 (C4/5) J {,2} J c {3,4} J {3,4} ob 3 4 costo S* z(s*) = max(0, 3, 3.03, 3)

94 Algoritmo di Lawler: caso speciale L algoritmo di Lawler si esegue in tempo O(n 2 ) Infatti, assumendo che il calcolo del valore delle funzioni h richieda tempo costante, l algoritmo richiede n passi, ciascuno basato su n confronti Nel caso //L max l algoritmo di Lawler si specializza: h ( C ) = C d min( h J ( J p )) = max( d J c ) Equivale alla regola EDD (Earliest Due Date)

95 Esercizio Dimostrare che la regola EDD non è ottima per il problema // L Controesempio: ob 2 3 p d

96 /r /L max : complessità Teorema.8 /r /L max è NP-hard in senso forte Dimostrazione. Riduzione polinomiale da 3-PARTITION Istanza: interi a,,a 3t,b tali che b/4<a <b/2, = Problema: partizione in t terne tutte di peso b? 3t = a tb Costruiamo la seguente istanza di /r /L max con n = 4t r =b ( ), p =, d =b, =,,t r = 0, p = a t, d =tb (t ), =t,,4t Problema (target): uno schedule di valore z 0?

97 /r /L max : complessità r =b( ), p =, d =b, =,,t schedule con L max z =0 se e solo se ogni ob, =,,t, è processato fra r e d = r p r d r 2 d 2 r 3 d 3 r t 2 d t-2 r t d t b 0 b b 2b 3b2 2b2 3b3 tbt Fissando i primi t ob bloccanti, rimangono t intervalli di lunghezza b

98 /r /L max : complessità r d r 2 d 2 r 3 d 3 r t-2 d t-2 r t-3 d t-3 b 0 b b 2b 3b2 2b2 3b3 tbt schedule con L max 0 se e solo se i restanti 3t ob: r = 0, p =a -t, d =tb (t ), =t,,4t per cui vale: 4t 4t p = = t = t a t = tb possono essere schedulati negli t intervalli di lunghezza b.

99 /r /L max : complessità r = 0, p =a -t, d =tb (t ), =t,,4t r d r 2 d 2 r 3 d 3 r t 2 d t 2 r t 3 d t 3 b 0 b b 2b 3b2 tbt 2b2 3b3 Essendo b/4<a, in ciascun intervallo di lunghezza b non entrano più di tre ob 4t 4t essendo a <b/2 e p = a t = tb = = mettendo meno di tre ob in un intervallo, almeno un ob è schedulato in ritardo

100 /r /L max : complessità r = 0, p =a -t, d =tb (t ), =t,,4t r d r 2 d 2 r 3 d 3 r t-2 d t-2 r t-3 d t-3 b 0 b b 2b 3b2 2b2 3b3 tbt- Quindi, i ob t,, 4t possono essere schedulati negli t intervalli di lunghezza b sse possono essere suddivisi in t terne di lunghezza b, cioè, sse 3-PARTITION ha soluzione

101 Esercizio Risolvere la seguente istanza di 3-partition: A={27,27,29,33,33,33,35,35,35,37,37,39} b=00

102 /r,prmp/l max Preemptive EDD: ad ogni istante t, si processa il ob disponibile con la minima due date R(t) = {: r t} insieme dei ob disponibili al tempo t Teorema.9 La regola PEDD calcola una soluzione ottima del problema /r, prmp/l max. Dimostrazione. Consideriamo uno schedule S che viola PEDD: Al tempo t è schedulato un ob k R(t) per cui esiste un ob R(t) disponibile e non ancora terminato tale che d k > d

103 PEDD - correttezza Poiché non è terminato, istante esecuzione t > t in cui è in S k t t t t d k > d Consideriamo il nuovo schedule S ottenuto da S scambiando e k nei due intervalli di figura: S t t t t Il contributo dei ob diversi da e k non cambia k

104 PEDD - correttezza S S k t t t t t t t t k d k > d Definiamo C e C k i tempi di completamento di e k nello schedule S. Dimostriamo che L max ( ) L max (S). Tre casi: S. C > t, C > t 2. C = t, C > t 3. C t, C < t k k k

105 PEDD - correttezza caso. C > t, C > t k S S k t t t t t t t t k Poiché entrambi i ob terminano dopo t lo scambio non ha alcun effetto: L max ( ) = L max (S) S

106 PEDD - correttezza caso 2. C = t, C > t k S k C = t S t t t t k Essendo C k > t il tempo di completamento di k in S rimane inalterato; al contrario, quello di diminuisce. Quindi, L max ( ) L max (S) S

107 PEDD - correttezza caso 3. C t, C < t k S k S k t t t t Il tempo di completamento di k aumenta fino a t. La lateness di k in S è, quindi, pari a: d k >d t d < t d C d = k L ed è quindi inferiore alla lateness di in S

108 /r /L max Algoritmo branch-and-bound

109 Branch-and-bound: nozioni di base Dato un problema di ottimizzazione combinatoria: P 0 =(z, S) z* = min {z(x) : x S} S ={x,, x m }

110 Algoritmo banale: Enumerazione totale. Enumera tutte le soluzioni ammissibili (sono in numero finito) e calcolane il costo 2. Scegli la soluzione di costo minimo Sfortunatamente questo algoritmo può essere usato solo quando il numero di soluzioni ammissibili non è elevato. Ad esempio, il numero di schedule ammissibili per un problema a macchina singola (senza precedenze) è n! Quindi, per un problema con 20 ob, eseguendo una valutazione in 0 9 sec, impiegheremmo più di 77 giorni

111 Decomposizione Proposizione. Sia {S,,S p }, una decomposizione dell insieme S in sottoinsiemi S i S per i =,, p. i=,..., p S i = S sia z i * il valore ottimo del sottoproblema (S i, c), i =,, p. Allora, z* = min i =,,p z i * Osservazione: i sottoinsiemi non costituiscono necessariamente una partizione di S

112 Albero di enumerazione applichiamo ricorsivamente il procedimento: Esempio: S = {0,} 3 S Nodo radice x =0 x = S 0 S x 2 =0 x 2 = x 2 =0 x 2 = S 00 S 0 S 0 S x 3 =0 x 3 = x 3 =0 x 3 = x 3 =0 x 3 = x 3 =0 x 3 = S 000 S 00 S 00 S 0 S 00 S 0 S 0 S Caso peggiore: 2 n foglie 2 n nodi intermedi

113 Potatura Il metodo branch-and-bound si basa sull idea di ridurre il più possibile il numero di sottoproblemi valutati (= per cui si risolve il rilassamento lineare) Diversi criteri, basati sulla soluzione di un rilassamento, ci permettono di potare un sottoproblema (S i, c), cioè di NON procedere all esplorazione del sottoalbero di radice (S i, c) S i

114 Limitazioni inferiori di z i * Proposizione. Sia S = S S 2 S p una decomposizione della regione ammissibile S in p insiemi. Sia z* i = min {c T x : x S i }. Se z i LB è un lower bound per il valore ottimo z* i Allora, z LB = min i z i LB è un lower bound per z * S z LB = 5 S S 2 S 3 z LB = 0 z 2 LB = 5 z 3 LB = 7

115 Soluzioni ammissibili: limitazioni superiori di z i * Proposizione 2. Sia S = S S 2 S p una decomposizione della regione ammissibile S in p insiemi. Sia z* i = min {c T x : x S i } e naturalmente, Allora, UB i z =c T x i i x S i (soluzione ammissibile) è un upper bound per il valore ottimo z* i z UB = min i z i UB è un upper bound per z * S z UB = 9 S S 2 S 3 z UB = 5 z UB 2 = 9 z UB 3 = 3

116 z Potatura per bound Sia un upper bound del valore ottimo z* Sia z LB i un lower bound per il valore ottimo z* i di (S i, c) Se UB = c T x z LB i z UB z * LB z i UB z allora S i non contiene soluzioni ammissibili migliori di e il sottoproblema (S i, c) è potato x

117 Calcolo di z i LB Dato un problema di ottimizzazione P=(z,S) (di minimo), si definisce rilassamento di P un nuovo problema RP=(w,Φ) tale che: (i) S Φ (ii) x S risulta w(x) z(x) Il calcolo di z LB i si effettua risolvendo in modo esatto un opportuno rilassamento di (z,s i ). La scelta del rilassamento si basa su due esigenze, spesso contrastanti: o Ottenere buone approssimazioni di z i * o Richiedere tempi di calcolo non elevati

118 Potatura per ottimalità Può accadere che risolvendo il rilassamento si ottenga una soluzione ottima del sottoproblema. In questo caso, ovviamente, il sottoproblema non va ulteriormente suddiviso. Se z = w, ogni soluzione ammissibile di RP che sia anche ammissibile per P, è anche ottima per P.

119 Branch-and-bound per /r /L max branching: al livello h dell albero di enumerazione si fissa in tutti i modi possibili il ob in posizione h radice: nessun ob è fissato n - -, 2 - -, n - - n, - - n, n- - - Livello n : n! sottoproblemi

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

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

Alberi binari. Ilaria Castelli castelli@dii.unisi.it A.A. 2009/2010. Università degli Studi di Siena Dipartimento di Ingegneria dell Informazione

Alberi binari. Ilaria Castelli castelli@dii.unisi.it A.A. 2009/2010. Università degli Studi di Siena Dipartimento di Ingegneria dell Informazione Alberi binari Ilaria Castelli castelli@dii.unisi.it Università degli Studi di Siena Dipartimento di Ingegneria dell Informazione A.A. 2009/2010 I. Castelli Alberi binari, A.A. 2009/2010 1/20 Alberi binari

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

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

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

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

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

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

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

Esercizi Capitolo 5 - Alberi

Esercizi Capitolo 5 - Alberi Esercizi Capitolo 5 - Alberi Alberto Montresor 19 Agosto, 2014 Alcuni degli esercizi che seguono sono associati alle rispettive soluzioni. Se il vostro lettore PDF lo consente, è possibile saltare alle

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

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

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

Ricerca non informata in uno spazio di stati

Ricerca non informata in uno spazio di stati Università di Bergamo Facoltà di Ingegneria Intelligenza Artificiale Paolo Salvaneschi A5_2 V2.4 Ricerca non informata in uno spazio di stati Il contenuto del documento è liberamente utilizzabile dagli

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

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

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

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

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

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

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

Dispense del Corso di Algoritmi e Strutture Dati

Dispense del Corso di Algoritmi e Strutture Dati Dispense del Corso di Algoritmi e Strutture Dati Marco Bernardo Edoardo Bontà Università degli Studi di Urbino Carlo Bo Facoltà di Scienze e Tecnologie Corso di Laurea in Informatica Applicata Versione

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

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

Laboratorio di Progettazione Esecutiva dell Architettura 2 Corso di Estimo a.a. 2007-08 Docente Renato Da Re Collaboratore: Barbara Bolognesi

Laboratorio di Progettazione Esecutiva dell Architettura 2 Corso di Estimo a.a. 2007-08 Docente Renato Da Re Collaboratore: Barbara Bolognesi Laboratorio di Progettazione Esecutiva dell Architettura 2 Corso di Estimo a.a. 2007-08 Docente Renato Da Re Collaboratore: Barbara Bolognesi Microeconomia venerdì 29 febbraio 2008 La struttura della lezione

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

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

AA 2006-07 LA RICORSIONE

AA 2006-07 LA RICORSIONE PROGRAMMAZIONE AA 2006-07 LA RICORSIONE AA 2006-07 Prof.ssa A. Lanza - DIB 1/18 LA RICORSIONE Il concetto di ricorsione nasce dalla matematica Una funzione matematica è definita ricorsivamente quando nella

Dettagli

Prof. Caterina Rizzi Dipartimento di Ingegneria Industriale

Prof. Caterina Rizzi Dipartimento di Ingegneria Industriale RUOLO DELLA MODELLAZIONE GEOMETRICA E LIVELLI DI MODELLAZIONE PARTE 2 Prof. Caterina Rizzi... IN QUESTA LEZIONE Modelli 2D/3D Modelli 3D/3D Dimensione delle primitive di modellazione Dimensione dell oggettoy

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

+ / 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

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

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

Da una a più variabili: derivate

Da una a più variabili: derivate Da una a più variabili: derivate ( ) 5 gennaio 2011 Scopo di questo articolo è di evidenziare le analogie e le differenze, relativamente al calcolo differenziale, fra le funzioni di una variabile reale

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

Appunti di Logica Matematica

Appunti di Logica Matematica Appunti di Logica Matematica Francesco Bottacin 1 Logica Proposizionale Una proposizione è un affermazione che esprime un valore di verità, cioè una affermazione che è VERA oppure FALSA. Ad esempio: 5

Dettagli

Minimo sottografo ricoprente. Minimo sottografo ricoprente. Minimo albero ricoprente. Minimo albero ricoprente

Minimo sottografo ricoprente. Minimo sottografo ricoprente. Minimo albero ricoprente. Minimo albero ricoprente Minimo sottografo ricoprente Minimo sottografo ricoprente Dato un grafo connesso G = (V, E) con costi positivi sugli archi c e, un minimo sottografo ricoprente è un insieme di archi E E tale che: G = (V,

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

Il principio di induzione e i numeri naturali.

Il principio di induzione e i numeri naturali. Il principio di induzione e i numeri naturali. Il principio di induzione è un potente strumento di dimostrazione, al quale si ricorre ogni volta che si debba dimostrare una proprietà in un numero infinito

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

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

Indice generale. Modulo 1 Algebra 2

Indice generale. Modulo 1 Algebra 2 Indice generale Modulo 1 Algebra 2 Capitolo 1 Scomposizione in fattori. Equazioni di grado superiore al primo 1.1 La scomposizione in fattori 2 1.2 Raccoglimento a fattor comune 3 1.3 Raccoglimenti successivi

Dettagli

Cristian Secchi Pag. 1

Cristian Secchi Pag. 1 CONTROLLI DIGITALI Laurea Magistrale in Ingegneria Meccatronica SISTEMI A TEMPO DISCRETO Ing. Tel. 0522 522235 e-mail: cristian.secchi@unimore.it http://www.dismi.unimo.it/members/csecchi Richiami di Controlli

Dettagli

Albero semantico. Albero che mette in corrispondenza ogni formula con tutte le sue possibili interpretazioni.

Albero semantico. Albero che mette in corrispondenza ogni formula con tutte le sue possibili interpretazioni. Albero semantico Albero che mette in corrispondenza ogni formula con tutte le sue possibili interpretazioni. A differenza dell albero sintattico (che analizza la formula da un punto di vista puramente

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

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

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

Permutazione degli elementi di una lista

Permutazione degli elementi di una lista Permutazione degli elementi di una lista Luca Padovani padovani@sti.uniurb.it Sommario Prendiamo spunto da un esercizio non banale per fare alcune riflessioni su un approccio strutturato alla risoluzione

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

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

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

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

Dettagli

PROBLEMA DELLA RICERCA DI UN ELEMENTO IN UN ARRAY E ALGORITMI RISOLUTIVI

PROBLEMA DELLA RICERCA DI UN ELEMENTO IN UN ARRAY E ALGORITMI RISOLUTIVI PROBLEMA DELLA RICERCA DI UN ELEMENTO IN UN ARRAY E ALGORITMI RISOLUTIVI PROBLEMA DELLA RICERCA in termini generali: Dati in input un insieme S di elementi (numeri, caratteri, stringhe, ) e un elemento

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

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

IV-1 Funzioni reali di più variabili

IV-1 Funzioni reali di più variabili IV- FUNZIONI REALI DI PIÙ VARIABILI INSIEMI IN R N IV- Funzioni reali di più variabili Indice Insiemi in R n. Simmetrie degli insiemi............................................ 4 2 Funzioni da R n a R

Dettagli

GEOMETRIA I Corso di Geometria I (seconda parte)

GEOMETRIA I Corso di Geometria I (seconda parte) Corso di Geometria I (seconda parte) anno acc. 2009/2010 Cambiamento del sistema di riferimento in E 3 Consideriamo in E 3 due sistemi di riferimento ortonormali R e R, ed un punto P (x, y, z) in R. Lo

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

DESMATRON TEORIA DEI GRAFI

DESMATRON TEORIA DEI GRAFI DESMATRON TEORIA DEI GRAFI 0 Teoria dei Grafi Author: Desmatron Release 1.0.0 Date of Release: October 28, 2004 Author website: http://desmatron.altervista.org Book website: http://desmatron.altervista.org/teoria_dei_grafi/index.php

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

Studente: SANTORO MC. Matricola : 528

Studente: SANTORO MC. Matricola : 528 CORSO di LAUREA in INFORMATICA Corso di CALCOLO NUMERICO a.a. 2004-05 Studente: SANTORO MC. Matricola : 528 PROGETTO PER L ESAME 1. Sviluppare una versione dell algoritmo di Gauss per sistemi con matrice

Dettagli

Alberto Montresor Università di Trento

Alberto Montresor Università di Trento !! Algoritmi e Strutture Dati! Capitolo 1 - Greedy!!! Alberto Montresor Università di Trento!! This work is licensed under the Creative Commons Attribution-NonCommercial-ShareAlike License. To view a copy

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

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

RETTE, PIANI, SFERE, CIRCONFERENZE

RETTE, PIANI, SFERE, CIRCONFERENZE RETTE, PIANI, SFERE, CIRCONFERENZE 1. Esercizi Esercizio 1. Dati i punti A(1, 0, 1) e B(, 1, 1) trovare (1) la loro distanza; () il punto medio del segmento AB; (3) la retta AB sia in forma parametrica,

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

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

Prolog: aritmetica e ricorsione

Prolog: aritmetica e ricorsione Capitolo 13 Prolog: aritmetica e ricorsione Slide: Aritmetica e ricorsione 13.1 Operatori aritmetici In logica non vi è alcun meccanismo per la valutazione di funzioni, che è fondamentale in un linguaggio

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

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

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

Geometria nel piano complesso

Geometria nel piano complesso Geometria nel piano complesso Giorgio Ottaviani Contents Un introduzione formale del piano complesso 2 Il teorema di Napoleone 5 L inversione circolare 6 4 Le trasformazioni di Möbius 7 5 Il birapporto

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

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

Dipendenza dai dati iniziali

Dipendenza dai dati iniziali Dipendenza dai dati iniziali Dopo aver studiato il problema dell esistenza e unicità delle soluzioni dei problemi di Cauchy, il passo successivo è vedere come le traiettorie di queste ultime dipendono

Dettagli

γ (t), e lim γ (t) cioè esistono la tangente destra e sinistra negli estremi t j e t j+1.

γ (t), e lim γ (t) cioè esistono la tangente destra e sinistra negli estremi t j e t j+1. Capitolo 6 Integrali curvilinei In questo capitolo definiamo i concetti di integrali di campi scalari o vettoriali lungo curve. Abbiamo bisogno di precisare le curve e gli insiemi che verranno presi in

Dettagli

Corso di Informatica Generale (C. L. Economia e Commercio) Ing. Valerio Lacagnina Rappresentazione in virgola mobile

Corso di Informatica Generale (C. L. Economia e Commercio) Ing. Valerio Lacagnina Rappresentazione in virgola mobile Problemi connessi all utilizzo di un numero di bit limitato Abbiamo visto quali sono i vantaggi dell utilizzo della rappresentazione in complemento alla base: corrispondenza biunivoca fra rappresentazione

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

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

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

Gli array. Gli array. Gli array. Classi di memorizzazione per array. Inizializzazione esplicita degli array. Array e puntatori

Gli array. Gli array. Gli array. Classi di memorizzazione per array. Inizializzazione esplicita degli array. Array e puntatori Gli array Array e puntatori Laboratorio di Informatica I un array è un insieme di elementi (valori) avente le seguenti caratteristiche: - un array è ordinato: agli elementi dell array è assegnato un ordine

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

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

Elementi di Statistica

Elementi di Statistica Elementi di Statistica Contenuti Contenuti di Statistica nel corso di Data Base Elementi di statistica descrittiva: media, moda, mediana, indici di dispersione Introduzione alle variabili casuali e alle

Dettagli

19. Inclusioni tra spazi L p.

19. Inclusioni tra spazi L p. 19. Inclusioni tra spazi L p. Nel n. 15.1 abbiamo provato (Teorema 15.1.1) che, se la misura µ è finita, allora tra i corispondenti spazi L p (µ) si hanno le seguenti inclusioni: ( ) p, r ]0, + [ : p

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

Esempi di algoritmi. Lezione III

Esempi di algoritmi. Lezione III Esempi di algoritmi Lezione III Scopo della lezione Implementare da zero algoritmi di media complessità. Verificare la correttezza di un algoritmo eseguendolo a mano. Imparare a valutare le prestazioni

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

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

+ 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

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

Rango: Rouchè-Capelli, dimensione e basi di spazi vettoriali.

Rango: Rouchè-Capelli, dimensione e basi di spazi vettoriali. CAPITOLO 7 Rango: Rouchè-Capelli, dimensione e basi di spazi vettoriali. Esercizio 7.1. Determinare il rango delle seguenti matrici al variare del parametro t R. 1 4 2 1 4 2 A 1 = 0 t+1 1 A 2 = 0 t+1 1

Dettagli

PRINCIPI BASILARI DI ELETTROTECNICA

PRINCIPI BASILARI DI ELETTROTECNICA PRINCIPI BASILARI DI ELETTROTECNICA Prerequisiti - Impiego di Multipli e Sottomultipli nelle equazioni - Equazioni lineari di primo grado e capacità di ricavare le formule inverse - nozioni base di fisica

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

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

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

5 Radici primitive dell unità e congruenze del tipo

5 Radici primitive dell unità e congruenze del tipo 5 Radici primitive dell unità e congruenze del tipo X m a (mod n ) Oggetto di questo paragrafo è lo studio della risolubilità di congruenze del tipo: X m a (mod n) con m, n, a Z ed m, n > 0. Per l effettiva

Dettagli

Limiti e forme indeterminate

Limiti e forme indeterminate Limiti e forme indeterminate Edizioni H ALPHA LORENZO ROI c Edizioni H ALPHA. Ottobre 04. H L immagine frattale di copertina rappresenta un particolare dell insieme di Mandelbrot centrato nel punto.5378303507,

Dettagli

UTILIZZO DEI METODI MULTICRITERI O MULTIOBIETTIVI NELL OFFERTA ECONOMICAMENTE PIÙ VANTAGGIOSA. Filippo Romano 1

UTILIZZO DEI METODI MULTICRITERI O MULTIOBIETTIVI NELL OFFERTA ECONOMICAMENTE PIÙ VANTAGGIOSA. Filippo Romano 1 UTILIZZO DEI METODI MULTICRITERI O MULTIOBIETTIVI NELL OFFERTA ECONOMICAMENTE PIÙ VANTAGGIOSA Filippo Romano 1 1. Introduzione 2. Analisi Multicriteri o Multiobiettivi 2.1 Formule per l attribuzione del

Dettagli