Capitolo 3: Ottimizzazione Discreta. E. Amaldi DEI, Politecnico di Milano
|
|
- Orazio Conte
- 5 anni fa
- Visualizzazioni
Transcript
1 Capitolo 3: Ottimizzazione Discreta E. Amaldi DEI, Politecnico di Milano
2 3.1 Modelli di PLI e PLMI Moltissimi problemi decisionali complessi possono essere formulati come problemi di Programmazione Lineare in cui tutte (alcune) variabili sono vincolate ad assumere valori interi. Programmazione Lineare Intera (PLI): min c t x Ax b x 0 intere dove la matrice A è di dimensione m n, i vettori c e b sono di dimensione n e rispettivamente m. Se tutte le variabili devono assumere valori binari si tratta Programmazione Lineare Binaria (PL0 1) Programmazione Lineare Mista-Intera (PLMI): min c t 1x + c t 2y A 1 x + A 2 y b x 0, y 0 intere dove le matrici A 1 e A 2 sono di dimensione m n 1 e rispettivamente m n 2, i vettori c 1, c 2 e b sono di dimensione n 1, n 2 e rispettivamente m. 1
3 1) Problema di Zaino Binario Knapsack Un azienda deve decidere come investire un capitale b. Sono disponibili n investimenti. Sia a i la somma da investire nel caso si scelga di effettuare l i-esimo investimento, con 1 i n. Sia p i il profitto atteso dell i-esimo investimento. Problema: determinare quali investimenti effettuare in modo da massimizzare il profitto atteso totale. 2
4 1) Problema di Zaino Binario Knapsack Un azienda deve decidere come investire un capitale b. Sono disponibili n investimenti. Sia a i la somma da investire nel caso si scelga di effettuare l i-esimo investimento, con 1 i n. Sia p i il profitto atteso dell i-esimo investimento. Problema: determinare quali investimenti effettuare in modo da massimizzare il profitto atteso totale. Formulazione di PLI Variabili di decisione: x i = 1 se si effettua l i-esimo investimento e x i = 0 altrimenti, con 1 i n max n i=1 p ix i n i=1 a ix i b x i {0, 1} i Svariate applicazioni dirette e indirette (come sotto-problema) 3
5 2) Problema di Assegnamento Assignment Dati n progetti (jobs) e n ingegneri (macchine), supponiamo che ogni progetto possa essere eseguito da qualsiasi ingegnere. Sia c ij il costo se i-esimo progetto è eseguito dal j-esimo ingegnere, con 1 i, j n. Ogni progetto deve essere assegnato esattamente ad un ingegnere e ogni ingegnere deve vedersi assegnare esattamente un progetto. Problema: decidere quale progetto assegnare ad ogni ingegnere in modo da minimizzare il costo totale necessario per completare tutti i progetti. Numero di soluzioni ammissibili = n! 4
6 2) Problema di Assegnamento Assignment Dati n progetti (jobs) e n ingegneri (macchine), supponiamo che ogni progetto possa essere eseguito da qualsiasi ingegnere. Sia c ij il costo se i-esimo progetto è eseguito dal j-esimo ingegnere, con 1 i, j n. Ogni progetto deve essere assegnato esattamente ad un ingegnere e ogni ingegnere deve vedersi assegnare esattamente un progetto. Problema: decidere quale progetto assegnare ad ogni ingegnere in modo da minimizzare il costo totale necessario per completare tutti i progetti. Formulazione di PLI Variabili di decisione: x ij = 1 se i-esimo progetto viene assegnato al j-esimo ingegnere e x ij = 0 altrimenti, con 1 i, j n min n n i=1 j=1 c ijx ij s.v. n i=1 x ij = 1 n j=1 x ij = 1 x ij {0, 1} j i i, j 5
7 3) Problema di Copertura di un Insieme Set Covering Siano M = {1, 2,..., m} un insieme di clienti N = {1, 2,..., n} un insieme di siti nei quali si possono localizzare dei centri di servizio M j M il sottoinsieme di clienti serviti adeguatamente se un centro è localizzato in j, con j N c j il costo di localizzare un centro nel sito j determinare dove localizzare i centri in modo da servire ( coprire ) tutti i clienti a costo totale minimo. 6
8 3) Problema di Copertura di un Insieme Set Covering Siano M = {1, 2,..., m} un insieme di clienti N = {1, 2,..., n} un insieme di siti nei quali si possono localizzare dei centri di servizio M j M il sottoinsieme di clienti serviti adeguatamente se un centro è localizzato in j, con j N c j il costo di localizzare un centro nel sito j determinare dove localizzare i centri in modo da servire ( coprire ) tutti i clienti a costo totale minimo. Formulazione di PLI Variabili di decisione: x j = 1 se si localizza un centro nel sito j e x j = 0 altrimenti, con 1 j n min s.v. n j=1 c jx j j:i M j x j 1 i (1) x j {0, 1} j dove i vincoli (1) sono quelli di copertura 7
9 Set covering : min n c j x j : Ax e, x {0, 1} n j=1 dove A = [a ij ] con a ij = 1 se i M j e a ij = 0 altrimenti, ed e = (1, 1,..., 1) t Set packing : max n c j x j : Ax e, x {0, 1} n j=1 dove i parametri c j rappresentano profitti Set partitioning : min o max n c j x j : Ax = e, x {0, 1} n j=1 dove i parametri c j possono rappresentare sia costi che profitti 8
10 4) Problema del Commesso Viaggiatore (asimmetrico) Asymmetric TSP Dato un grafo orientato G = (V, A), dove V = {1, 2,..., n}, con un costo c ij R associato ad ogni arco (i, j) A, determinare un ciclo che visita esattamente una volta ogni nodo (ciclo Hamiltoniano) di costo totale minimo. 9
11 4) Problema del Commesso Viaggiatore (asimmetrico) Asymmetric TSP Dato un grafo orientato G = (V, A), dove V = {1, 2,..., n}, con un costo c ij R associato ad ogni arco (i, j) A, determinare un ciclo che visita esattamente una volta ogni nodo (ciclo Hamiltoniano) di costo totale minimo. Se il grafo G è completo, il numero di cicli Hamiltoniani = (n 1)! Tipico problema di instradamento Molte varianti (grafo orientato e non orientato) con vincoli di precedenza, vincoli temporali, più veicoli da instradare ( Vehicle Routing Problem ),... Molteplici applicazioni: logistica, sequenziamento di operazioni,... Sito web: 10
12 Una formulazione di PLI Variabili di decisione: x ij = 1 se il ciclo Hamiltoniano contiene l arco (i, j) e x ij = 0 altrimenti, per (i, j) A min s.v. (i,j) A c ijx ij i: (i,j) A x ij = 1 j j: (i,j) A x ij = 1 i (i,j) A: i S, j V \S x ij 1 S V, S (2) x ij {0, 1} (i, j) A dove i vincoli (2) sono i cosiddetti vincoli di taglio ( cut-set inequalities ) 11
13 Una formulazione di PLI Variabili di decisione: x ij = 1 se il ciclo Hamiltoniano contiene l arco (i, j) e x ij = 0 altrimenti, per (i, j) A min (i,j) A c ijx ij s.v. i: (i,j) A x ij = 1 j j: (i,j) A x ij = 1 i (i,j) A: i S, j V \S x ij 1 S V, S (3) x ij {0, 1} (i, j) A dove i vincoli (3) sono i cosiddetti vincoli di taglio ( cut-set inequalities ) Formulazione di PLI alternativa contiene, al posto dei vincoli (3), i cosiddetti vincoli di eliminazione dei sottocicli ( subtour elimination inequalities ): (i,j) A: i,j S x ij S 1 S V, 2 S n 1 (4) NB: I vincoli (3) e (4) sono in numero esponenziale rispetto alla dimensione di G 12
14 5) Mix produttivo con costi fissi Un azienda deve decidere quali/quanti articoli produrre il prossimo mese in modo da minimizzare i costi di produzione soddisfacendo la domanda. Per ogni articolo i, con 1 i n, siano c i > 0 il costo unitario e f i > 0 il costo fisso (se si produce). Inoltre, sia k i > 0 la quantità massima di i-esimo articolo che può essere prodotta al mese. 13
15 5) Mix produttivo con costi fissi Un azienda deve decidere quali/quanti articoli produrre il prossimo mese in modo da minimizzare i costi di produzione soddisfacendo la domanda. Per ogni articolo i, con 1 i n, siano c i > 0 il costo unitario e f i > 0 il costo fisso (se si produce). Inoltre, sia k i > 0 la quantità massima di i-esimo articolo che può essere prodotta al mese. Formulazione di PLMI: Variabili di decisione: x i = quantità di articolo i prodotta, con 1 i n y i = 1 se x i > 0 e y i = 0 se x i = 0, con 1 i n min n i=1 (c ix i + f i y i ) s.v. x i k i y i i vincoli di domanda... x i 0 i y i {0, 1} i 14
16 5) Mix produttivo con costi fissi Un azienda deve decidere quali/quanti articoli produrre il prossimo mese in modo da minimizzare i costi di produzione soddisfacendo la domanda. Per ogni articolo i, con 1 i n, siano c i > 0 il costo unitario e f i > 0 il costo fisso (se si produce). Inoltre, sia k i > 0 la quantità massima di i-esimo articolo che può essere prodotta al mese. Formulazione di PLMI: Variabili di decisione: x i = quantità di articolo i prodotta, con 1 i n y i = 1 se x i > 0 e y i = 0 se x i = 0, con 1 i n min n i=1 (c ix i + f i y i ) s.v. x i k i y i i vincoli di domanda... x i 0 i y i {0, 1} i NB: La formulazione non è del tutto esatta, la soluzione x i = 0 e y i = 1 per ogni i è ammissibile per il PLMI, anche se non può essere ottima (minimizzazione e costi fissi f i positivi). 15
17 6) Localizzazione ottima senza vincoli di capacità Uncapacitated Facility Location (UFL) Siano N = {1, 2,..., n} un insieme di siti nei quali si possono localizzare dei depositi M = {1, 2,..., m} un insieme di clienti f j il costo fisso di utilizzo del deposito in j c ij il costo di trasporto se tutta la domanda del cliente i è soddisfatta dal deposito j, determinare dove localizzare i depositi in modo da soddisfare la domanda di tutti i clienti minimizzando i costi (costi di trasporto e costi di utilizzo). 16
18 Formulazione di PLMI Variabili di decisione: x ij = frazione della domanda del cliente i soddisfatta dal deposito j, con 1 i m e 1 j n y j = 1 se si utilizza il deposito j e y j = 0 altrimenti, con 1 j n min i M s.v. j N c ijx ij + j N f jy j j N x ij = 1 i M i M x ij my j j N (5) y j {0, 1} j N 0 x ij 1 i M, j N con n vincoli (5) che legano le variabili x ij e y j NB: Se d i indica la domanda del cliente i e k j la capacità del deposito j, gli eventuali vincoli di capacità: d i x ij k j y j j N i M 17
19 7) Pianificazione della produzione Uncapacitated Lot-Sizing (ULS) Un impresa deve pianificare la produzione di un solo tipo di prodotto per i prossimi n mesi. Si suppone che il magazzino sia vuoto all inizio del periodo di pianificazione e che alla fine del periodo debbano rimanere in magazzino 50 unità. Siano f t il costo fisso di produzione durante il periodo t p t il costo unitario di produzione durante il periodo t h t il costo unitario di immagazzinamento durante il periodo t d t domanda per il periodo t determinare un piano di produzione per i prossimi n mesi che permetta di minimizzare i costi (produzione e magazzino) soddisfacendo la domanda ad ogni periodo. Formulare il problema come un PLMI. 18
20 Formulazione di PLMI Variabili di decisione: x t = quantità prodotta durante il periodo t, con 1 t n s t = quantità in magazzino alla fine del periodo t, con 0 t n y t = 1 se si attiva la produzione durante il periodo t e y j = 0 altrimenti, con 1 t n min n t=1 p tx t + n t=1 h ts t + n t=1 f ty t s.v. s t = s t 1 + x t d t t x t My t s 0 = 0, s n = 50, s t, x t 0 y t {0, 1} dove M > 0 un limite superiore sulla massima quantità prodotta durante ogni periodo. NB: Se s n = 0, anche x t ( n t d t)y t. Inoltre è possibile sostituire s t = t i x i t i d i t t t 19
21 3.2 Formulazioni alternative ed ideali In Programmazione Lineare (PL) le migliori formulazioni sono le più compatte (con il minor numero di variabili/vincoli) visto che la complessità computazionale dei problemi cresce polinomialmente con n e m. La scelta della formulazione non determina la possibilità di risolvere o meno il problema. La situazione è molto diversa per i problemi di PLI e PLMI: estese campagne computazionali indicano che la scelta della formulazione è cruciale. Per capire cosa caratterizza le buone formulazioni, partiamo dal concetto di rilassamento continuo (lineare) di un PLI o PLMI. 20
22 Definizione: Dato un qualsiasi problema di PLMI (PLI) z P LMI = min c t 1x + c t 2y s.v. A 1 x + A 2 y b (6) x 0, y 0 intere (7) il suo rilassamento continuo (lineare) è il seguente problema di PL: z P L = min c t 1 + c t 2y s.v. A 1 x + A 2 y b (8) x 0, y 0 (9) dove il vincolo di interezza sulle variabili y j è omesso. Se una variabile intera y j nel PLMI è tale che 0 y j u j, nel rilassamento continuo y j [0, u j ]. Sia X P LMI la regione ammissibile del PLMI definita da (6)-(7) e X P L quella del rilassamento continuo definita da (8)-(9). Conseguenze: Poiché X P LMI X P L e i problemi sono di minimizzazione, abbiamo: z P L z P LMI, ovvero z P L è un limite inferiore rispetto a z P LMI ; se una soluzione ottima x P L del rilassamento continuo è ammissibile per il PLI/PLMI di partenza, è anche ottima per quest ultimo. Se il PLMI è di massimizzazione, chiaramente z P LMI z P L. 21
23 Qualsiasi problema di PLI/PLMI ammette un numero infinito di formulazioni corrette alternative con regioni ammissibili del rilassamento continuo diverse. Definizione: Un poliedro P R n+p (sottoinsieme definito da un numero finito di vincoli lineari) è una formulazione di un insieme X R n Z p se e solo se X = P (R n Z p ). NB: Nel caso dei costi fissi, non abbiamo considerato l insieme X = {(0, 0), (x i, 1) per 0 < x k i } ma X {(0, 1)}. Esempi: 1) Due formulazioni alternative per il TSP con vincoli di taglio o di eliminazione di sotto-cicli. 2) Formulazione di PLMI alternativa per il problema UFL: min i M j N c ijx ij + j N f jy j s.v. j N x ij = 1 i M x ij y j i M, j N (10) y j {0, 1} j N 0 x ij 1 i M, j N con mn vincoli (10) che legano le variabili x ij e y j. 22
24 Le formulazioni alternative possono adoperare variabili aggiuntive o variabili diverse. Nel primo caso si parla di formulazioni estese. Esempio: Formulazione di PLMI estesa per il problema ULS Variabili di decisione: w it = quantità prodotta durante il periodo i e venduta durante il periodo t, con 1 i t n y t = 1 se si attiva la produzione durante il periodo t e y j = 0 altrimenti, con 1 t n min n n i=1 t=i c itw it + n t=1 f ty t s.v. t i=1 w it = d t t w it d t y i i, t, i t x i = n t=i w it i (11) w it 0 i, t, i t y t {0, 1} t con i costi aggregati (produzione e magazzino) c it = p i + h i h t 1. NB: I vincoli (12) esprimono le vecchie variabili x i in funzione delle nuove w it. 23
25 Definizione: Dato un insieme convesso C R n, x C è un un punto estremo se non può essere espresso come combinazione convessa di due punti distinti di C. Sia X = {x 1,..., x k } l insieme delle soluzioni ammissibili di un PLI. Supponiamo che X sia limitato e quindi un insieme finito. Teorema: conv(x) è un poliedro e i punti estremi di conv(x) appartengono a X. Questo risultato, che vale anche per insiemi X illimitati di punti interi e di punti misti interi, implica: min{c t x : x X} = min{c t x : x conv(x)} In teoria, il problema di PLI/PLMI si può ricondurre ad un singolo problema di PL! In pratica, anche per X limitato, la formulazione ideale è spesso di dimensione esponenziale o difficile da determinare. Chiaramente la regione ammissibile P di qualsiasi rilassamento continuo soddisfa: conv(x) P. Definizione: La formulazione ideale di un insieme X R n è il poliedro conv(x). Dato un insieme X R n e due formulazioni P 1 e P 2 di X, la formulazione P 1 domina (è più stringente di) quella P 2 se P 1 P 2. 24
26 1) Localizzazione ottima senza vincoli di capacità Uncapacitated Facility Location (UFL) Proprietà: Il rilassamento continuo della formulazione di PLMI alternativa (con i vincoli x ij y j ) domina quello della prima formulazione di PLMI (con i vincoli aggregati i M x ij my j ). Siano P 1 = e P 2 = { (x, y) R nm+n : { (x, y) R nm+n : } j N x ij = 1 i, x ij y j i, j, 0 x ij 1 i, j, 0 y j 1 j j N x ij = 1 i, } i M x ij my j j, 0 x ij 1 i, j, 0 y j 1 j, chiaramente P 1 P 2 (sommando gli m vincoli x ij y j per un dato j si ottiene i M x ij my j per quel j). Inoltre è facile esibire un (x, y) che appartiene a P 2 ma non appartiene a P 1 2) TSP simmetrico Confronto tra le due formulazioni alternative nella prima serie di esercizi 25
27 Confronto tra formulazioni con variabili diverse Consideriamo una prima formulazione con tutte variabili intere (PLI) min{c t x : x P 1 Z n 1 } con P 1 R n 1, e una formulazione estesa min{c t (x, w) : (x, w) P 2 (Z n 1 R n 2 )} con P 2 R n 1 R n 2. Definizione: Dato un insieme convesso P R n 1 R n 2, la proiezione di P sul sottospazio R n 1 è Π x (P ) = {(x R n 1 : (x, w) P per qualche w R n 2 } Per confrontare una formulazione P 1 R n 1 e una formulazione estesa P 2 R n 1 R n 2, si confrontando quindi P e Π x (P 2 ). 26
28 Come determinare le proiezioni dei poliedri sui sottospazi di R n? Metodo di eliminazione di Fourier-Motzkin (inizio 800): Prima procedura per risolvere sistemi di disuguaglianze lineari Descrizione Ad ogni iterazione viene eliminata una variable, combinando in tutti i modi possibili le disuguaglianze correnti (complessità esponenziale). Esempio 27
29 Confronto con formulazione estesa: Pianificazione della produzione (ULS) Confrontiamo la formulazione P 1 descritta da e Π x,s,y (P 2 ), con P 2 descritto da s t = s t 1 + x t d t x t My t s 0 = 0, s t, x t 0 t t t 0 y t 1 t t i=1 w it = d t t w it d t y i i, t, i t x i = n t=i w it i (12) w it 0 i, t, i t 0 y t 1 t E facile verificare che Π x,s,y (P 2 ) P 1. Ad esempio, il punto x t = d t, y t = d t /M per ogni t è un punto estremo di P 1 che non appartiene a Π x,s,y (P 2 ). Inoltre P 2 è la formulazione ideale, ovvero descrive il guscio convesso di tutte le soluzioni ammissibili di ULS. 28
Capitolo 3: Ottimizzazione Discreta. E. Amaldi DEIB, Politecnico di Milano
Capitolo 3: Ottimizzazione Discreta E. Amaldi DEIB, Politecnico di Milano 3.1 Modelli di PLI e PLMI Moltissimi problemi decisionali complessi possono essere formulati o approssimati come problemi di Programmazione
DettagliCapitolo 5: Ottimizzazione Discreta. E. Amaldi DEI, Politecnico di Milano
Capitolo 5: Ottimizzazione Discreta E. Amaldi DEI, Politecnico di Milano 5.1 Modelli di PLI, formulazioni equivalenti ed ideali Il modello matematico di un problema di Ottimizzazione Discreta è molto spesso
Dettagli3.3 Problemi di PLI facili
3.3 Problemi di PLI facili Consideriamo un generico problema di PLI espresso in forma standard min{c t x : Ax = b, x Z n +} (1) dove A Z m n con n m, e b Z m. Supponiamo che A sia di rango pieno. Sia P
Dettagli5.3 Metodo dei piani di taglio
5.3 Metodo dei piani di taglio (PLI) min s.v. c T x Ax b x interi X Ipotesi: a ij, c j e b i interi Osservazione: La regione ammissibile di un PLI può essere descritta mediante dei vincoli più o meno stringenti
Dettagli3.2 Rilassamenti lineari/combinatori e bounds
3.2 Rilassamenti lineari/combinatori e bounds Consideriamo un problema di Ottimizzazione Discreta min{f(x) : x X} e sia z il valore di una soluzione ottima x X. Metodi di risoluzione spesso generano una
DettagliOTTIMIZZAZIONE in unione con OTTIMIZZAZIONE DISCRETA e COMPLEMENTI DI RICERCA OPERATIVA
Corsi di Laurea in Ingegneria Matematica, Informatica, dell Automazione e Telecomunicazioni OTTIMIZZAZIONE in unione con OTTIMIZZAZIONE DISCRETA e COMPLEMENTI DI RICERCA OPERATIVA Edoardo Amaldi DEIB -
DettagliProblemi di Ottimizzazione
Problemi di Ottimizzazione Obiettivo: misura della qualità di una soluzione. Vincoli: condizioni che devono essere soddisfatte per ottenere una soluzione ammissibile. Problema di Ottimizzazione: determina
DettagliProgrammazione Lineare Intera: Piani di Taglio
Programmazione Lineare Intera: Piani di Taglio Andrea Scozzari a.a. 2014-2015 April 22, 2015 Andrea Scozzari (a.a. 2014-2015) Programmazione Lineare Intera: Piani di Taglio April 22, 2015 1 / 23 Programmazione
Dettagli3.6 Metodi basati sui piani di taglio
3.6 Metodi basati sui piani di taglio Problema generale di Programmazione Lineare Intera (PLI) con A matrice m n e b vettore n 1 razionali min{ c t x : x X = {x Z n + : Ax b} } Sappiamo che esiste una
DettagliALGORITMI DI OTTIMIZZAZIONE M Esercizi Parte I
ALGORITMI DI OTTIMIZZAZIONE M Esercizi Parte I Esercizio 1 Dati n oggetti ed un contenitore, ad ogni oggetto j (j = 1,, n) sono associati un peso p j ed un costo c j (con p j e c j interi positivi). Si
DettagliPer formalizzare il concetto sono necessarie alcune nozioni relative ai poliedri e alla loro descrizione.
3.7.4 Disuguaglianze valide forti Cerchiamo disuguaglianze valide forti, ovvero disuguaglianze valide che forniscano migliori formulazioni (più stringenti). Per formalizzare il concetto sono necessarie
DettagliProblemi di localizzazione di servizi (Facility Location Problems)
9. Problemi di Localizzazione di Servizi 1 Problemi di localizzazione di servizi (Facility Location Problems) Dato un insieme di clienti richiedenti una data domanda di merce e dato un insieme di possibili
Dettagli3 CENNI DI TEORIA DELLA COMPLESSITA COMPUTAZIONALE. E. Amaldi Fondamenti di R.O. Politecnico di Milano 1
3 CENNI DI TEORIA DELLA COMPLESSITA COMPUTAZIONALE E. Amaldi Fondamenti di R.O. Politecnico di Milano 1 Scopo: Stimare l onere computazionale per risolvere problemi di ottimizzazione e di altra natura
DettagliRicerca Operativa A.A. 2007/ Esercitazione di laboratorio: Branch and Bound.
Ricerca Operativa A.A. 2007/2008 17. Esercitazione di laboratorio: Branch and Bound. Luigi De Giovanni - Ricerca Operativa - 17. Esercitazione di laboratorio: Branch and Bound 17.1 . Luigi De Giovanni
DettagliSIMULAZIONE ESAME di OTTIMIZZAZIONE Corso di Laurea in Ingegneria Gestionale 2 o anno
SIMULAZIONE ESAME 3 dicembre 2004 SIMULAZIONE ESAME di OTTIMIZZAZIONE Corso di Laurea in Ingegneria Gestionale 2 o anno Cognome : Nome : ANONIMO VALUTAZIONE Per gli esercizi 1,3,5 le risposte CORRETTE
DettagliProgrammazione Lineare Intera
Programmazione Lineare Intera Andrea Scozzari a.a. 2012-2013 May 10, 2013 Andrea Scozzari (a.a. 2012-2013) Programmazione Lineare Intera May 10, 2013 1 / 16 Programmazione Lineare Intera: Metodo dei Piani
DettagliIl problema del commesso viaggiatore e problemi di vehicle routing
Il problema del commesso viaggiatore e problemi di vehicle routing Laura Galli Dipartimento di Informatica Largo B. Pontecorvo 3, 56127 Pisa laura.galli@unipi.it http://www.di.unipi.it/~galli 2 Dicembre
Dettagli3.6 Rilassamento Lagrangiano
3.6 Rilassamento Lagrangiano Consideriamo un generico problema di Programmazione Lineare Intera min {c t x : Ax b, Dx d, x Z n } con tutti i coefficienti interi, dei vincoli Ax b facili e altri Dx d difficili.
DettagliFormulazioni. Consideriamo il seguente problema di Knapsack 0-1. max (5x x 2. ) st 3x x 2. < 6 x {0,1} 2
Formulazioni Consideriamo il seguente problema di Knapsack 0-1 max (5x 1 + 2x 2 ) st 3x 1 + 4x 2 < 6 x {0,1} 2 Insiemi ammissibili F = {(0, 0), (0, 1), (1, 0)} Rappresentiamo sul piano gli insiemi ammissibili.
DettagliProblemi di localizzazione
Problemi di localizzazione Claudio Arbib Università di L Aquila Prima Parte (marzo 200): problemi con singolo decisore . Introduzione Un problema di localizzazione consiste in generale nel decidere dove
DettagliMetodi e Modelli per l Ottimizzazione Combinatoria Problema dell assegnamento e matrici totalmente unimodulari
Metodi e Modelli per l Ottimizzazione Combinatoria Problema dell assegnamento e matrici totalmente unimodulari L. De Giovanni G. Zambelli 1 Problema dell assegnamento Sia dato un grafo non orientato bipartito
Dettagli4.1 Localizzazione e pianificazione delle base station per le reti UMTS
esercitazione Ottimizzazione Prof E Amaldi Localizzazione e pianificazione delle base station per le reti UMTS Consideriamo il problema di localizzare un insieme di stazioni radio base, base station (BS),
DettagliI Appello Ricerca Operativa 2 bis Compito A
I Appello Ricerca Operativa 2 bis Compito A Cognome e nome:. Esercizio 1. Si consideri il problema del matching di cardinalità massima in un grafo G ed il suo problema di decisione associato: esiste un
DettagliParte V: Rilassamento Lagrangiano
Parte V: Rilassamento Lagrangiano Tecnica Lagrangiana Consideriamo il seguente problema di Programmazione Lineare Intera: P 1 min c T x L I Ax > b Cx > d x > 0, intera in cui A = matrice m x n C = matrice
DettagliRICERCA OPERATIVA (a.a. 2016/17) Nome: Cognome: Matricola:
Secondo appello //0 RICERCA OPERATIVA (a.a. 0/) Nome: Cognome: Matricola: ) Si risolva il seguente problema di PL max x x x x x + x x x per via algebrica, mediante l algoritmo del Simplesso Primale a partire
DettagliI appello Ricerca operativa
I appello Ricerca operativa 0.0.014 1. Formulare in termini di programmazione lineare (intera) il seguente problema. Una Società gestisce una squadra di calcio adottando una politica di massimizzare il
DettagliMetodi e Modelli per l Ottimizzazione Combinatoria Metodi Risolutivi per la Programmazione Lineare Intera
Metodi e Modelli per l Ottimizzazione Combinatoria Metodi Risolutivi per la Programmazione Lineare Intera L. De Giovanni G. Zambelli Un problema di programmazione lineare intera é una problema della forma
DettagliProblema Determinare la miscelazione ottimale delle materie prime in modo da massimizzare il profitto complessivo
Mix Produttivo Si dispone di i=1,...,m risorse produttive (ad esempio, materie prime) in quantità limitata. La massima disponibilità delle risorse è b 1,...,b m Si possono produrre j=1,...,n diversi prodotti
DettagliParte IV: Matrici totalmente unimodulari
Parte IV: Matrici totalmente unimodulari Formulazioni Consideriamo il seguente problema di Knapsack 0-1 max (5x 1 + 2x 2 ) st 3x 1 + 4x 2 < 6 x {0,1} 2 Insiemi ammissibili F = {(0, 0), (0, 1), (1, 0)}
Dettagli5.5 Metodi dei piani di taglio
5.5 Metodi dei piani di taglio Problema generale di Programmazione Lineare Intera (PLI) max{c t x : x X} dove X = {x Z n + : Ax b}, con A matrice m n e b vettore n 1 razionali Proposizione: conv(x) = {x
DettagliMatrici unimodulari e totalmente unimodulari
Matrici unimodulari e totalmente unimodulari Sia una matrice intera di dimensione con, si dice unimodulare se presa una qualsiasi sottomatrice di ordine massimo (di dimensione ) vale det = 1, +1, 0. Una
Dettagli3.1 Progetto di rete con capacità
.1 Progetto di rete con capacità Un azienda deve progettare la propria rete di telecomunicazioni per permettere l invio di una quantità di dati d k 0 per ogni coppia origine-destinazione di nodi (s k,t
DettagliTeoria della Programmazione Lineare Intera
Teoria della Programmazione Lineare Intera Laura Galli Dipartimento di Informatica Largo B. Pontecorvo, 567 Pisa laura.galli@unipi.it http://www.di.unipi.it/~galli 7 Ottobre 0 Ricerca Operativa Laurea
DettagliAlgoritmi esatti. La teoria ci dice che per problemi difficili (come il
p. 1/4 Algoritmi esatti La teoria ci dice che per problemi difficili (come il KNAPSACK o, ancora di più, il TSP ) i tempi di risoluzione delle istanze, calcolati tramite analisi worst-case, tendono a crescere
DettagliSoluzione dei problemi di Programmazione Lineare Intera
Fondamenti di Ricerca Operativa T-A a.a. 2014-2015 Soluzione dei problemi di Programmazione Lineare Intera Andrea Lodi, Enrico Malaguti, Daniele Vigo rev. 1.1.a ottobre 2014 Fondamenti di Ricerca Operativa
DettagliFONDAMENTI DI RICERCA OPERATIVA Prof. M.Trubian a.a. 2008/09 Prima prova in itinere: 25/11/08
FONDAMENTI DI RICERCA OPERATIVA Prof. M.Trubian a.a. 2008/09 Prima prova in itinere: 25/11/08 Nome studente:... Matricola:...... Esercizio 3 4 5 6 Valore % 0.25 0.15 0.15 0.15 0.15 0.15 Valutazione A [1]
DettagliCorso di Ricerca Operativa Prova in itinere del 06/11/2015
Corso di Ricerca Operativa Prova in itinere del 6/11/215 (Cognome) (Nome) (Matricola) Esercizio 1. Un personal trainer deve preparare un piano di allenamento settimanale di 8 ore combinando diverse attività
Dettagli5.3 Tagli di Chvàtal-Gomory per il problema della massima clique
5.1 Posizionamento di aeroporti hub Nel trasporto aereo non ci sono connessioni dirette tra ogni coppia di aeroporti. Ad esempio, i passeggeri dei viaggi intercontinentali in partenza da aeroporti minori
DettagliRICERCA OPERATIVA. Tema d esame del 04/12/2008 (Simulazione 1)
RICERCA OPERATIVA Tema d esame del 04/12/2008 (Simulazione 1) COGNOME: NOME: MATRICOLA: 1. Un azienda meccanica deve pianificare il lavoro delle sue tre macchine per un dato giorno. I lotti che è possibile
DettagliLezioni di Ricerca Operativa
Lezioni di Ricerca Operativa Estratto per la parte di programmazione lineare e ottimizzazione sui grafi Corso di Metodi di Ottimizzazione per l'ingegneria della Sicurezza Laurea Magistrale in Ingegneria
DettagliProgrammazione Matematica: Modelli di Programmazione Intera
Programmazione Matematica: Modelli di Programmazione Intera Daniele Vigo D.E.I.S. Università di Bologna dvigo@deis.unibo.it rev. 2.0 Aprile 2004 Indagine di Mercato Mix di utenti da intervistare telefonicamente:
DettagliPreappello di metodi matematici per le decisioni economiche e aziendali A
UNIVERSITÀ DEGLI STUDI ROMA TRE Preappello di metodi matematici per le decisioni economiche e aziendali 11-12-2018 A Candidato (cognome e nome)......... Matricola o CF...... Esercizio 1 1) Data la matrice
DettagliStime dell ottimo - Rilassamenti. PRTLC - Rilassamenti
Stime dell ottimo - Rilassamenti PRTLC - Rilassamenti Schema delle esercitazioni Come ricavare la soluzione ottima Modelli Solver commerciali Come ricavare una stima dell ottimo: rilassamenti Rilassamento
DettagliEsame di Ricerca Operativa del 11/02/2015
Esame di Ricerca Operativa del /0/0 (Cognome) (Nome) (Matricola) Esercizio. Un azienda produce tipi di TV (, 0, 0 e pollici) ed è divisa in stabilimenti (A e B). L azienda dispone di 0 operai in A e 0
DettagliDomini di funzioni di due variabili. Determinare i domini delle seguenti funzioni di due variabili (le soluzioni sono alla fine del fascicolo):
UNIVERSITA DEGLI STUDI DI SALERNO C.d.L. in INGEGNERIA GESTIONALE Esercizi di Ricerca Operativa Prof. Saverio Salerno Corso tenuto nell anno solare 2009 I seguenti esercizi sono da ritenersi di preparazione
DettagliCertificati dei problemi in NP
Certificati dei problemi in NP La stringa y viene in genere denominata un certificato Un Certificato è una informazione ausiliaria che può essere utilizzata per verificare in tempo polinomiale nella dimensione
DettagliEsame di Ricerca Operativa del 20/02/18
Esame di Ricerca Operativa del //8 (Cognome) (Nome) (Numero di Matricola) Esercizio. (a) Risolvere mediante l algoritmo del simplesso duale il seguente problema di programmazione lineare: min x x +x x
DettagliOttimizzazione e Controllo 2015/2016 ESERCITAZIONE
Ottimizzazione e Controllo 2015/2016 ESERCITAZIONE Esercizio 1. Sono dati 6 job da processare su un centro di lavorazione automatizzato che può eseguire una sola lavorazione alla volta. Di ciascun job
Dettagli1) Data la seguente istanza di TSP (grafo completo con 5 nodi): c 12 = 52; c 13 = 51; c 14 = 40; c 15 = 53; c 23 = 44;
1) Data la seguente istanza di TSP (grafo completo con 5 nodi): c 12 = 52; c 13 = 51; c 14 = 40; c 15 = 53; c 23 = 44; c 24 = 15; c 25 = 12; c 34 = 32; c 35 = 55; c 45 = 24 Si calcoli l ottimo duale (formulazione
Dettagli4.4 Programmazione quadratica
4.4 Programmazione quadratica Minimizzare una funzione quadratica soggetta a vincoli lineari: min 1 2 xt Qx + c t x s.v. a t i x b i i D (P) a t i x = b i i U x R n dove Q matrice n n, D e U sono gli insiemi
Dettagli4 PROGRAMMAZIONE LINEARE (PL) E. Amaldi -- Fondamenti di R.O. -- Politecnico di Milano 1
4 PROGRAMMAZIONE LINEARE (PL) E. Amaldi -- Fondamenti di R.O. -- Politecnico di Milano 1 Problemi di programmazione matematica: min f () s.v. X n insieme delle soluzioni ammissibili con funzione obiettivo
DettagliProblemi di Flusso: Il modello del Trasporto
Problemi di Flusso: Il modello del rasporto Andrea Scozzari a.a. 2014-2015 April 27, 2015 Andrea Scozzari (a.a. 2014-2015) Problemi di Flusso: Il modello del rasporto April 27, 2015 1 / 25 Problemi su
DettagliMetodi e Modelli per l Ottimizzazione Combinatoria Cover inequalities
Metodi e Modelli per l Ottimizzazione Combinatoria Cover inequalities L. De Giovanni M. Di Summa In questa lezione introdurremo una classe di disuguaglianze, dette cover inequalities, che permettono di
DettagliLA PROGRAMMAZIONE MATEMATICA (p.m.)
LA PROGRAMMAZIONE MATEMATICA (p.m.) Un problema di programmazione matematica è un problema di ottimizzazione riconducibile alla seguente espressione generale: ricercare i valori delle variabili x 1, x
DettagliFlusso a Costo Minimo
Sapienza Università di Roma - Dipartimento di Ingegneria Informatica, Automatica e Gestionale Flusso a Costo Minimo Docente: Renato Bruni bruni@dis.uniroma.it Corso di: Ottimizzazione Combinatoria Dal
DettagliMassimo flusso e matching
Capitolo Massimo flusso e matching. Problema del massimo matching. Nel problema del massimo matching è dato un grafo non orientato G(V, A); un matching in G è un insieme di archi M A tale che nessuna coppia
DettagliESERCIZIO 1: Punto 1
ESERCIZIO : Punto La seguente matrice è una matrice delle distanze di un istanza del problema del Commesso Viaggiatore. - - - - - - - Calcolare.Il valore del rilassamento che si ottiene determinando l
DettagliSoluzione dei problemi di Programmazione Lineare Intera
Fondamenti di Ricerca Operativa T-A a.a. 2015-2016 Soluzione dei problemi di Programmazione Lineare Intera Andrea Lodi, Enrico Malaguti, Paolo Tubertini, Daniele Vigo rev. 2. ottobre 2016 Fondamenti di
DettagliWeek #9 Assessment. Practice makes perfect... November 23, 2016
Week #9 Assessment Practice makes perfect... November 23, 2016 Esercizio 1 Un azienda di trasporto deve caricare m camion {1,..., m} in modo da servire giornalmente un dato insieme di clienti. Nei camion
DettagliA-2 a PI. Esercizio 2. Domanda 3
A-2 a PI Ricerca Operativa 1 Seconda prova intermedia È dato il problema di PL in figura. 1. Facendo uso delle condizioni di ortogonalità, dimostrare o confutare l ottimalità della soluzione x = 1; x =
Dettagli5.5 Programmazione quadratica (PQ)
5.5 Programmazione quadratica (PQ Minimizzare una funzione quadratica soggetta a vincoli lineari: 1 min x t Qx + c t x 2 s.v. a t i x b i i D (P a t i x = b i i U x R n dove Q matrice n n, D e U sono gli
DettagliRICERCA OPERATIVA (a.a. 2011/12) Nome: Cognome: Matricola:
5 o Appello 8/0/0 RICERCA OPERATIVA (a.a. 0/) Nome: Cognome: Matricola: ) Si individui un albero dei cammini minimi di radice sul grafo in figura, utilizzando l algoritmo più appropriato dal punto di vista
DettagliRichiami di Teoria dei Grafi. Paolo Detti Dipartimento di Ingegneria dell Informazione Università di Siena
Richiami di Teoria dei Grafi Paolo Detti Dipartimento di Ingegneria dell Informazione Università di Siena Teoria dei grafi La Teoria dei Grafi costituisce, al pari della Programmazione Matematica, un corpo
DettagliFigura 1: 1) Si scriva la formulazione del problema come problema di PLI (con un numero minimo di vincoli) e la matrice dei vincoli.
ESERCIZIO 1 Sia dato il grafo orientato in Figura 1. Si consideri il problema di flusso a 1 2 4 Figura 1: costo minimo su tale grafo con b 1 = 4 b 2 = 2 b = b 4 = e c 12 = 2 c 1 = 4 c 14 = 1 c 2 = 1 c
DettagliTecniche di Decomposizione per Programmazione Lineare Intera (Mista)
Tecniche di Decomposizione per Programmazione Lineare Intera (Mista) Domenico Salvagnin 2011-06-12 1 Introduzione Dato un problema di programmazione lineare intera (mista), non è sempre possibile (o conveniente)
DettagliIntroduzione al Column Generation Caso di Studio: il Bin Packing Problem
Introduzione al Column Generation Caso di Studio: il Bin Packing Problem November 15, 2014 1 / 26 Introduzione Il column generation è una metodologia che può essere usata per risolvere problemi di ottimizzazione
DettagliFONDAMENTI DI RICERCA OPERATIVA
Laurea Magistrale in Ingegneria Informatica FONDAMENTI DI RICERCA OPERATIVA Edoardo Amaldi DEI - Politecnico di Milano edoardo.amaldi@polimi.it Pagina web del corso: http://home.dei.polimi.it/amaldi/fro-mi-13-14.html
DettagliRicerca Operativa. G. Liuzzi. Lunedí 20 Aprile 2015
1 Lunedí 20 Aprile 2015 1 Istituto di Analisi dei Sistemi ed Informatica IASI - CNR Rilassamento di un problema Rilassare un problema di Programmazione Matematica vuol dire trascurare alcuni (tutti i)
DettagliRilassamento Lagrangiano
RILASSAMENTO LAGRANGIANO 1 Rilassamento Lagrangiano Tecnica più usata e conosciuta in ottimizzazione combinatoria per il calcolo di lower/upper bounds (Held and Karp (1970)). Si consideri il seguente problema
DettagliEsercizio 1. Soluzione
A UNIVERSITÀ DEGLI STUDI ROMA TRE Corso di Studi in Ingegneria Informatica Ricerca Operativa 1 Prima prova intermedia 21 aprile 2018 Esercizio 1 Una fabbrica di schede elettroniche deve allocare operai
DettagliProblemi di Localizzazione Impianti
Sapienza Sapienza Università di Roma - Dipartimento di Ingegneria Informatica, Automatica e Gestionale Problemi di Localizzazione Impianti Renato Bruni bruni@dis.uniroma1.it Il materiale presentato è derivato
DettagliMETODI DELLA RICERCA OPERATIVA
Università degli Studi di Cagliari FACOLTA' DI INGEGNERIA CORSO DI METODI DELLA RICERCA OPERATIVA Dott.ing. Massimo Di Francesco (mdifrance@unica.it) i i Dott.ing. Maria Ilaria Lunesu (ilaria.lunesu@unica.it)
Dettagli5.1 Metodo Branch and Bound
5. Metodo Branch and Bound Si consideri il problema min{ c(x) : x X } Idea: Ricondurre la risoluzione di un problema difficile a quella di sottoproblemi più semplici effettuando una partizione (ricorsiva)
DettagliPossibile applicazione
p. 1/4 Assegnamento Siano dati due insiemi A e B entrambi di cardinalità n. Ad ogni coppia (a i,b j ) A B è associato un valore d ij 0 che misura la "incompatibilità" tra a i e b j, anche interpretabile
Dettaglimax z = c T x s.t. Ax b
3 PROGRAMMAZIONE LINEARE A NUMERI INTERI 51 3 Programmazione lineare a numeri interi 3.1 Problemi lineari interi Dato il problema lineare ordinario (PLO): aggiungendo la condizione di integrità: max z
DettagliRicerca Operativa A.A. 2017/2018
Ricerca Operativa A.A. 2017/2018 Esercizi su modelli di programmazione lineare intera - Soluzioni Nota Vengono fornite delle possibili soluzioni. Potrebbero esserci soluzioni alternative altrettanto valide.
DettagliRICERCA OPERATIVA (a.a. 2015/16) Nome: Cognome: Matricola:
o Appello // RICERCA OPERATIVA (a.a. /) Nome: Cognome: Matricola: ) Si consideri il seguente problema di PL: max x + x x x x x x + x x Si applichi l algoritmo del Simplesso Duale, per via algebrica, a
DettagliStruttura del Corso. Durata
Manuel Iori Dipartimento di Scienze e Metodi dell Ingegneria (DISMI) Università degli studi di Modena e Reggio Emilia Via Amendola 2, Pad. Buccola, 42122 Reggio Emilia web: www.or.unimore.it/iori/iori.htm
DettagliFac-simile dell esame di Ricerca Operativa. max 7 x 1 2 x 2 3 x 1 +x 2 2 x 1 2 x 2 3 x x 1 +x x 1 x 2 5
Fac-simile dell esame di Ricerca Operativa (Cognome) (Nome) (Numero di Matricola) Esercizio. Completare la seguente tabella considerando il problema di programmazione lineare: max x x x +x x x x x +x x
DettagliProgrammazione Non Lineare
Capitolo 1 Programmazione Non Lineare 1.1 Introduzione Un problema di ottimizzazione viene definito come la minimizzazione o la massimizzazione di una funzione a valori reali su un insieme specificato.
DettagliFondamenti di Ricerca Operativa TA Corso di Laurea in Ingegneria Gestionale Esercizi Modellazione
Fondamenti di Ricerca Operativa TA Corso di Laurea in Ingegneria Gestionale Esercizi Modellazione Esercizio 1 In un supermercato si vuole disporre un insieme {1,...,n} di prodotti su m sca ali. Ogni prodotto
DettagliPROGRAMMAZIONE LINEARE E DUALITA'
PROGRAMMAZIONE LINEARE E DUALITA' 1) Dati i punti di R 2 (1, 2), (1, 4), (2, 3), (3, 5), (4, 1), (4, 2), (5, 5), (6, 2), (6, 5). Determinare graficamente: A - L'involucro convesso di tali punti. B - Quali
DettagliSoluzione dei Problemi di Programmazione Lineare
Soluzione dei Problemi di Programmazione Lineare Consideriamo un problema di Programmazione Lineare (PL) con m vincoli ed n variabili in Forma Standard dove: ma 0 c A b ( ) 0 ( 2) R è il vettore n delle
DettagliEsercizi di PLI. a cura di A. Agnetis. Risolvere il seguente problema di PLI con l algoritmo dei piani di Gomory:
Esercizi di PLI a cura di A. Agnetis Risolvere il seguente problema di PLI con l algoritmo dei piani di Gomory: max z = 40x + 24x 2 + 5x + 8x 4 8x + 6x 2 + 5x + 4x 4 22 x i 0 x i intero Si tratta di un
DettagliRicerca Operativa. Programmazione Lineare. Università Mediterranea di Reggio Calabria Decisions Lab
Ricerca Operativa Programmazione Lineare Università Mediterranea di Reggio Calabria Decisions Lab Ottimizzazione In un problema di ottimizzazione si cerca di massimizzare o minimizzare una quantità specifica,
DettagliRicerca Operativa. G. Liuzzi. Lunedí 9 Marzo Programmazione Matematica Geometria di R n Esempi Teoria della PL Forma Standard. logo.
1 Lunedí 9 Marzo 2015 1 Istituto di Analisi dei Sistemi ed Informatica IASI - CNR Problema di Ottimizzazione min(o max) f (x) con la restrizione x S dove f (x) : R n R è detta funzione obiettivo S R n
DettagliProva Scritta di Ricerca Operativa Prof. Facchinei 02/07/2002
Cognome: Nome: Prova Scritta di Ricerca Operativa Prof. Facchinei 02/07/2002 1. (Punti 7) Enunciare e dimostrare il teorema dell adualità debole (Scrivere esplicitamente a quale coppia primale/duale si
Dettagli2.3.3 Cammini ottimi nei grafi senza circuiti
.. Cammini ottimi nei grafi senza circuiti Sia un grafo G = (N, A) orientato senza circuiti e una funzione di costo che assegna un valore c ij R ad ogni arco (i, j) A circuito Proprietà I nodi di un grafo
DettagliCOMPITO DI RICERCA OPERATIVA. max 5 2x 1 + 3x 2 x 3 = 2 + x 1 5x 2 x 4 = 5 + x 2. x 5 = 1 + x 1 x 2
COMPITO DI RICERCA OPERATIVA ESERCIZIO. ( punti) La riformulazione di un problema di PL rispetto alla base B = {x, x, x } è la seguente: max 2x + x 2 x = 2 + x x 2 x = + x 2 x = 2 + x + x 2 x, x 2, x,
Dettagli4.3 Esempio metodo del simplesso
4.3 Esempio metodo del simplesso (P ) min -5x 4x 2 3x 3 s.v. 2x + 3x 2 + x 3 5 4x + x 2 + 2x 3 3x + 4x 2 + 2x 3 8 x, x 2, x 3 Per mettere il problema in forma standard si introducono le variabili di scarto
DettagliTeoria della Complessità Computazionale
Teoria della Complessità Computazionale Daniele Vigo D.E.I.S. - Università di Bologna dvigo@deis.unibo.it Rev. 1.3, 11/00 rev. 1.3 - Novembre 2000 Teoria della Complessità Studia la difficoltà dei problemi
DettagliMacchine parallele M 1 M 2 M 3 J 1 J 2 LAVORI J 3 J 4
Macchine parallele M 1 J 1 J 2 LAVORI M 2 J 3 J 4 M 3 Macchine parallele Scheduling su macchine parallele scorrelate R C max Descrizione del problema n lavori devono essere processati da m macchine diverse
Dettagli3.4 Metodo di Branch and Bound
3.4 Metodo di Branch and Bound Consideriamo un generico problema di Ottimizzazione Discreta dove X è la regione ammissibile. (P ) z = max{c(x) : x X} Metodologia generale di enumerazione implicita (Land
DettagliSi consideri la seguente istanza del problema delineato: Π =
Esercizio 1 Una società che gestisce dei distributori di carburante decide di prevedere l attivazione di altri punti vendita. Si individuano 6 diversi bacini d utenza e 5 possibili siti in ciascuno dei
Dettagli