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

Dimensione: px
Iniziare la visualizzazioe della pagina:

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

Transcript

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

2 Programmazione Multimodale Esistono diverse modalità di esecuzione di un attività; a ciascuna di queste modalità è associata una durata e un costo (Programmazione Multimodale) Analizzeremo le relazioni fra possibili piani, durate delle attività e costo complessivo del progetto. In particolare, considereremo il problema di scelta della durata per soddisfare vincoli di deadline, per minimizzare i costi complessivi quando i costi delle attività crescono al diminuire delle durate Tratteremo quindi i casi di andamenti dei costi lineari, concavi e convessi.

3 Crash time: costi lineari IPOTESI: Per qualche attività i, esistono infinite modalità d esecuzione. Sono note due durate: la durata massima u i (spesso detta semplicemente durata) la durata minima l i detta crash time. Caso lineare: il costo dell attività varia linearmente con la durata Costo Crash point l i Tempo di completamento dell attività u i

4 j Prec durata durata di costo costo di costo massima crahs minimo crash marginale , , (6,4) 2 (2,1) (3,3) (4,2) (2,2) 7 Un esempio (6,3) 8 9 Rete semplice La durata (massima) è di 24 settimane. Il costo (minimo) del progetto è pari a 500. Che fare se voglio diminuire di un unità il tempo di completamento? (3,2) 12 Devo diminuire la durata di un attività sul cammino critico. Mi conviene accelerare l attività 9 che ha costo marginale minimo e pari a 20. Il costo di completamento cresce (520). La durata complessiva diventa

5 Bozza algoritmo di crashing In generale: per ridurre di un unità il tempo di completamento posso ridurre di un unità la durata di un attività i tale che 1. i sia sul cammino critico 2. la durata di i non sia al suo crash time 3. il costo marginale sia minimo Il passo base può essere ripetuto finché: 1. Non posso più ridurre il tempo di alcuna attività 2. Ci sono 2 o più cammini critici Nel caso 2. potrei ancora applicare il passo base ma non ho più la certezza che sto operando la riduzione più economica.

6 L esempio (6,4) 2 1 (2,1) 3 (3,3) (4,2) 4 6 (2,2) 5 7 (6,3) (3,2) j Prec durata durata di costo di costo costo crahs crash marginale , , Diminuisco 9 di tre unità: il cammino critico non varia Costo: 560 Tempo: 21 sett. (6,4) 2 (2,1) (2,2) 5 (3,3) (4,2) 7 10 (3,2) (3,3) Diminuisco 10 di un unità: il cammino critico non varia Costo: 600 Tempo: 20 sett. (6,4) 2 (2,1) (2,2) 5 (3,3) (4,2) 7 10 (2,2) (3,3)

7 1 (6,4) 2 (2,1) 3 (3,3) (4,2) 4 6 (2,2) 5 7 (6,3) L esempio (3,2) j Prec durata durata di costo di costo costo crahs crash marginale , , Diminuisco 6 di due unità: il cammino critico non varia Costo: 680 Tempo: 18 sett. (6,4) 2 (2,1) (2,2) 5 (3,3) (2,2) 7 10 (2,2) (3,3) Diminuisco 2 di due unità: il cammino critico non varia Costo: 820 Tempo: 16 sett. (4,4) 2 (2,1) (2,2) 5 (3,3) (2,2) 7 10 (2,2) (3,3)

8 Cammini critici multipli costo Costo di completamento tempo OSS. Forma convessa della funzione di costo del progetto in funzione del suo tempo di completamento. Che succede se ho più cammini critici? 1 (4,1) (4,2) 3 2 (3,1) 4 5 j Prec durata durata di costo massima crahs marginale , Se scelgo di decrementare l attività con minimo costo marginale minimo non riduco il tempo di completamento. Come si può risolvere il problema in presenza di cammini critici multipli? Devo ridurre la durata di qualche attività su tutti i cammini critici.

9 Formulazione calcolo costo di completamento Il problema del calcolo del costo di completamento in presenza di deadline può essere formulato come problema di programmazione lineare (se costi lineari). G = (V, A) rete di precedenze di tipo FS min (0) senza time-lag (ASSUNZIONE) c i il costo marginale di riduzione della durata dell attività i V. l i,u i durata minima e massima i V. s i R + istante d inizio dell attività i V d i R + durata dell attività i V y i R + riduzione (rispetto u i ) della durata dell attività i V Vincoli Durata effettiva attività i s j -s i d i = u i y i per ogni ij A s n T y i u i l i per ogni i V y i, s i 0 per ogni i V Variabili di decisione Crash(G,T) Funzione Obiettivo min c T y = min c 1 y c n y n

10 La curva del costo di completamento Strumento utile per il project manager Andamento della funzione di costo di completamento al variare di T Programmazione parametrica 1. Calcola upper bound T u e lower bound T l per T a. Lower bound T l : makespan quando tutte le attività hanno durata di crash b. Upper bound T u : makespan quando tutte le attività hanno durata massima 2. Risolvi sequenza di problemi Crash(G,T) variando T nell intervallo [T l, T u ]. 3. Disegna il grafico delle soluzioni (curva di costo). costo Curva di costo di completamento tempo

11 Problema generale OSS. In genere la funzione di costo c (d) = c (u-y) = c(y) non è una funzione lineare. Il problema generico di trovare le durate ottime (mincostcrash time problem) si scrive (relazione FS min (0)) vincolo di precedenza min c(y) min cost crash time problem s j -s i d i = u i y i s n T y i u i l i y i, s i 0 OSS. La formulazione può essere estesa al caso reti generalizzate modificando la parte costante del vincolo di precedenza Esempio: relazione START/FINISH (max) per ogni ij A per ogni i V per ogni i V s i + SF ij max f j s i + SF ij max s j + d j s i - s j + u j y j SF ij max = K ij y j

12 Costi convessi Un tipico andamento della funzione di costo avrà forma convessa (tanto più diminuisco la durata dell attività, tanto maggiore sarà il costo incrementale.) Se i costi sono convessi (concavi) per ogni attività, anche la funzione di costo del progetto (somma dei costi delle singole attività) sarà convessa (concava). Esistono metodi efficienti per la minimizzazione di funzioni convesse su politopi Approccio alternativo: approssimare funzione di costo con curva lineare a tratti durata costo costo marginale 2.5 c1 7.5 c c3 Se la curva del costo dell attività i è approssimata da k i tratti di retta, avremo associati i k i costi marginali c i1,, c ik, con c i1 < < c ik.

13 Formulazione con costi convessi Chiamiamo u i0, u i1,, u ik le ascisse degli estremi di ciascun tratto (breakpoint). attività A Per ogni i V, t k(i), la variabile y it misura la riduzione della durata dell attività i (rispetto alla sua durata massima) a costo marginale pari a c it u durata costo ua ua ua costo marginale 2.5 ca1 10 ca2 k(i) + 1 numero di breakpoint Introduciamo variabili y i1,, y ik(i), per ogni i. y ya1 ya2 Informalmente: quanto riduco la durata di i nell intervallo compreso fra u it-1 e u it. La riduzione di durata a costo c it non può eccedere l intervallo corrispondente y iq u iq-1 u iq = T iq per ogni i V, q = 1,,k(i) La riduzione complessiva è pari alla somma delle riduzioni ai vari costi y i = y i1 + + y ik(i) per ogni i V

14 Formulazione con costi convessi attività A u durata costo ua ua ua T A1 = u A0 - u A1 = 4 T A2 = u A1 u A2 = 8 costo marginale 2.5 ca1 10 ca2 Nell esempio, se l attività A dura 14 settimane si ha una riduzione di 10 unità. una riduzione di 4 unità a costo 2.5: y A1 = 4 una riduzione di 6 settimane a costo 10: y A2 = 6 incremento di costo complessivo: c A1 y A1 + c A2 y A2 = 70 ritardo complessivo: y A1 + y A2 = 10 y ya1 ya2 Si osservi che y A1 < T A1 y A2 = 0 vincolo di continuità

15 Formulazione (non lineare) con costi convessi min c y it i V t= 1,..., k ( i) Vincoli s j -s i u i y i s n T it Funzione Obiettivo ij A y i = y i1 + + y ik(i) i V y iq u iq-1 u iq i V, q = 1,,k(i) y iq < T iq y iq+1 = 0 i V, q = 1,,k(i)-1 vincolo di continuità y, s 0 Problema: come esprimere il vincolo di continuità? E possibile semplicemente rimuoverlo?

16 Formulazione con costi convessi:esempio attività A u durata costo ua ua ua costo marginale 2.5 ca1 10 ca2 y ya1 ya min 2.5 y A y A2 + M y A =y A1 + y A2 y A y A y A1 < T A1 y A2 = 0 OSS: se si rimuove il vincolo di continuità sono ammissibili soluzioni per cui y iq < u iq-1 u iq e y iq+1 > 0 Es. y A1 = 3 y A2 = 2. Non ha significato in pratica!

17 Struttura delle soluzioni ottime Fortunatamente, tutte le soluzioni ottime soddisfano necessariamente il vincolo di continuità. Infatti: Th. 4.1(Realizzabilità delle soluzioni ottime)sia (s *,y * ) ottima. Allora y * iq < u iq-1 u iq implica y * iq+1 = 0. Dim. Per assurdo. Sia y * iq+1 > 0 e y * iq < u iq-1 u iq. Poni ε = min(y * iq+1, u iq-1 u iq -y * iq ). Si ha ε > 0. Costruisco nuova soluzione ammissibile y ponendo y iq = y * iq + ε e y iq+1 = y * iq+1 - ε. Tutte le altre componenti restano inalterate. Variazione di costo: c iq y iq + c iq+1 y iq+1 - c iq y * iq c iq+1 y * iq+1 = c iq (y iq - y * iq ) + c iq+1 (y iq+1 - y * iq+1) = c iq (ε) + c iq+1 (- ε) Ovvero ε (c iq c iq+1 ) < 0. Quindi la nuova soluzione y costa meno di quella ottima y *, contraddizione.

18 Formulazione lineare con costi convessi Il Teorema 4.1 ci permette di trascurare il vincolo di continuità. Si ottiene in tal modo la seguente formulazione di PL del problema di Programmazione Multimodale con costi convessi (lineari a tratti) min c y it i V t= 1,..., k ( i) it Funzione Obiettivo Vincoli s j -s i u i y i s n T y i = y i1 + + y ik(i) y iq u iq-1 u iq y, s 0 ij A i V i V, q = 1,,k(i)

19 Costi concavi La funzione si può approssimare con una spezzata dai costi marginali decrescenti c i1,, c ik, con c i1 > >c ik. La formulazione con costi concavi è come nel caso convesso Funzione Obiettivo Vincoli s j -s i u i y i s n T y i = y i1 + + y ik(i) min c y it i V t= 1,..., k ( i) ij A i V it u A u durata costo ua ua ua u A1 attività A costo marginale 10 ca1 4 ca2 u A0 y ya1 ya2 y iq u iq-1 u iq = T iq i V, q = 1,, k(i) come nel caso di costi convessi y iq < T iq y iq+1 = 0 i V, q = 1,, k(i)-1 Ma non vale il Teorema 4.1 y, s 0 Come imporre con vinvoli lineari y iq+1 = 0 quando y iq < T iq?

20 Formulazione PL01 con costi concavi Problema: date due variabili reali y 1, y 2 che soddisfano y 1 u 1, y 2 u 2, definire un modello di PL01 tale che ogni soluzione ammissibile soddisfi: y 1 < u 1 y 2 =0 Introduciamo una variabile binaria x {0,1} Introduciamo due vincoli lineari u 1 x y 1 (A) (se y 1 < u 1 allora x = 0) u 2 x y 2 (B) (se y 2 > 0 allora x = 1) y 1 minore stretto del suo upper bound implica y 2 = 0 (non si può avere contemporaneamente y 1 < u 1 e y 2 >0) Non esiste una soluzione x, y 1, y ) tale che 1 Infatti, y y 1 < u1 x = 2 > 0 x = ( per il vincolo (A) per il vincolo (B) y < y 2 > 0 1 u e

21 Formulazione PL01 con costi concavi Per imporre y iq+1 = 0 se y iq < u iq-1 u iq = T iq bisogna introdurre variabili 0,1 x iq per ogni i V, q = 1,,k(i) 0 se y iq <T iq =u iq-1 u iq x iq = 1 se y iq+1 > 0 Vincoli aggiuntivi T iq x iq y iq, i V, q = 1,,k(i) T iq+1 x iq y iq+1, i V, q = 1,,k(i) u A2 4x A1 y A1 8x A1 y A2 attività attivitàa A u u A1 durata costo ua ua ua u A0 costo marginale 10 ca1 4 ca2 y ya1 ya2 Non esiste una soluzione con y iq <T iq =u iq-1 u iq vincoli aggiuntivi! e y iq+1 > 0 che soddisfa i

22 Formulazione costi concavi min c y it i V t= 1,..., k ( i) it s j -s i u i y i per ogni ij A s n T y i = y i1 + + y ik(i) per ogni i V y iq u iq-1 u iq = T iq per ogni i V, q = 1,,k(i) (Q) T iq x iq y iq, i V, q = 1,,k(i) T iq+1 x iq y iq+1, i V, q = 1,,k(i)-1 y, s 0, x vettore binario Algoritmo naturale di soluzione: per ogni attività, approssima la funzione di costo con una spezzata applica il metodo del branch and bound utilizzando la formulazione Q Come cambia la formulazione se il costo è lineare a tratti (né concavo, né convesso)?

Dimensionamento dei lotti di produzione: il caso con variabilità nota

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

Dettagli

Ottimizzazione Multi Obiettivo

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

Dettagli

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

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

Dettagli

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

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

Dettagli

Esercizi e complementi di Ottimizzazione nella Gestione dei Progetti

Esercizi e complementi di Ottimizzazione nella Gestione dei Progetti Esercizi e complementi di Ottimizzazione nella Gestione dei Progetti Marco Pranzo 16 Aprile 009 1 Organizzazione concerto rock I promotori di un evento rock devono svolgere le attività (Tabella 1) per

Dettagli

Note di matematica per microeconomia

Note di matematica per microeconomia Note di matematica per microeconomia Luigi Balletta Funzioni di una variabile (richiami) Una funzione di variabile reale ha come insieme di partenza un sottoinsieme di R e come insieme di arrivo un sottoinsieme

Dettagli

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

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

Dettagli

Capitolo 4: Ottimizzazione non lineare non vincolata parte II. E. Amaldi DEIB, Politecnico di Milano

Capitolo 4: Ottimizzazione non lineare non vincolata parte II. E. Amaldi DEIB, Politecnico di Milano Capitolo 4: Ottimizzazione non lineare non vincolata parte II E. Amaldi DEIB, Politecnico di Milano 4.3 Algoritmi iterativi e convergenza Programma non lineare (PNL): min f(x) s.v. g i (x) 0 1 i m x S

Dettagli

Formulazioni PLI di problemi di decisione. 1 Introduzione: La formulazione dei problemi di ottimizzazione combinatoria

Formulazioni PLI di problemi di decisione. 1 Introduzione: La formulazione dei problemi di ottimizzazione combinatoria Formulazioni PLI di problemi di decisione Dispensa per il modulo di Analisi e Ottimizzazione dei Processi di Produzione Università di Roma Tor Vergata a cura di Andrea Pacifici, Claudio Cavalletti, Daniela

Dettagli

Ricerca Operativa 2. Introduzione al metodo del Simplesso

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

Dettagli

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

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

Dettagli

1. Classificazione delle risorse

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

Dettagli

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

Modelli dei Sistemi di Produzione Modelli e Algoritmi della Logistica 2010-11 Modelli dei Sistemi di Produzione Modelli e lgoritmi della Logistica 00- Scheduling: Macchina Singola CRLO MNNINO Saienza Università di Roma Diartimento di Informatica e Sistemistica Il roblema /-/ w C

Dettagli

APPUNTI SUI METODI PERT-C.P.M.

APPUNTI SUI METODI PERT-C.P.M. APPUNTI SUI METODI PERT-C.P.M. (corso di ricerca operativa) A cura di: Antonio Scalera 1 PERT/C.P.M. I metodi Pert e C.P.M. studiano lo sviluppo di un progetto attraverso la programmazione delle attività

Dettagli

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

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

Dettagli

La Programmazione Lineare

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

Dettagli

Basi di matematica per il corso di micro

Basi di matematica per il corso di micro Basi di matematica per il corso di micro Microeconomia (anno accademico 2006-2007) Lezione del 21 Marzo 2007 Marianna Belloc 1 Le funzioni 1.1 Definizione Una funzione è una regola che descrive una relazione

Dettagli

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

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

Dettagli

Ottimizzazione nella gestione dei progetti

Ottimizzazione nella gestione dei progetti Ottimizzazione nella gestione dei progetti Capitolo 2: Reti di attività CARLO MANNINO Università di Roma La Sapienza Dipartimento di Informatica e Sistemistica Definizioni di ase Il Progetto è costituito

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

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

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

Dettagli

Schedulazione di attività in presenza di attività interrompibili

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

Dettagli

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

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

Dettagli

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

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

Dettagli

Parte 3: Gestione dei progetti, Shop scheduling

Parte 3: Gestione dei progetti, Shop scheduling Parte : Gestione dei progetti, Shop scheduling Rappresentazione reticolare di un progetto Insieme di attività {,...,n} p i durata (nota e deterministica dell attività i) relazione di precedenza fra attività:

Dettagli

Ottimizzazione non Vincolata

Ottimizzazione non Vincolata Dipartimento di Informatica e Sitemistica Università di Roma Corso Dottorato Ingegneria dei Sistemi 15/02/2010, Roma Outline Ottimizzazione Non Vincolata Introduzione Ottimizzazione Non Vincolata Algoritmi

Dettagli

VARIABILI ALEATORIE MULTIPLE E TEOREMI ASSOCIATI. Dopo aver trattato delle distribuzioni di probabilità di una variabile aleatoria, che

VARIABILI ALEATORIE MULTIPLE E TEOREMI ASSOCIATI. Dopo aver trattato delle distribuzioni di probabilità di una variabile aleatoria, che VARIABILI ALATORI MULTIPL TORMI ASSOCIATI Fonti: Cicchitelli Dall Aglio Mood-Grabill. Moduli 6 9 0 del programma. VARIABILI ALATORI DOPPI Dopo aver trattato delle distribuzioni di probabilità di una variabile

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

Modelli di Ottimizzazione

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

Dettagli

u 1 u k che rappresenta formalmente la somma degli infiniti numeri (14.1), ordinati al crescere del loro indice. I numeri u k

u 1 u k che rappresenta formalmente la somma degli infiniti numeri (14.1), ordinati al crescere del loro indice. I numeri u k Capitolo 4 Serie numeriche 4. Serie convergenti, divergenti, indeterminate Data una successione di numeri reali si chiama serie ad essa relativa il simbolo u +... + u +... u, u 2,..., u,..., (4.) oppure

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

Capitolo 3: Ottimizzazione Discreta. E. Amaldi DEIB, Politecnico di Milano

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

Dettagli

Esercizi di Ricerca Operativa I

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

Dettagli

Modello matematico PROGRAMMAZIONE LINEARE PROGRAMMAZIONE LINEARE

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

Dettagli

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

APPLICAZIONI DELLA RICERCA OPERATIVA

APPLICAZIONI DELLA RICERCA OPERATIVA Università degli Studi della Calabria Laurea in Informatica A.A. 2004/2005 Appunti di supporto didattico al corso di APPLICAZIONI DELLA RICERCA OPERATIVA Indice 1 Introduzione alla teoria dello Scheduling

Dettagli

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

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

Dettagli

IL PROCESSO TECNICO DI SCHEDULAZIONE: TEMPI E COSTI DI UN PROJECT LABORATORIO INTEGRATO DI COSTRUZIONE E PRODUZIONE LEZIONE 4

IL PROCESSO TECNICO DI SCHEDULAZIONE: TEMPI E COSTI DI UN PROJECT LABORATORIO INTEGRATO DI COSTRUZIONE E PRODUZIONE LEZIONE 4 IL PROCESSO TECNICO DI SCHEDULAZIONE: TEMPI E COSTI DI UN PROJECT UNA VOLTA CREATA LA WBS E, QUINDI, INDIVIDUATA CIASCUNA PARTE ELEMENTARE DEL PROJECT, SI PASSA ALLA SCHEDULAZIONE CHE CONSISTE NELL ASSEGNARE

Dettagli

PROBLEMI DI SCELTA. Problemi di. Scelta. Modello Matematico. Effetti Differiti. A Carattere Continuo. A più variabili d azione (Programmazione

PROBLEMI DI SCELTA. Problemi di. Scelta. Modello Matematico. Effetti Differiti. A Carattere Continuo. A più variabili d azione (Programmazione 1 PROBLEMI DI SCELTA Problemi di Scelta Campo di Scelta Funzione Obiettivo Modello Matematico Scelte in condizioni di Certezza Scelte in condizioni di Incertezza Effetti Immediati Effetti Differiti Effetti

Dettagli

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

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

Dettagli

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

Bibliografia. Gestione operativa della produzione. Terminologia. Schedulazione. Schedulazione operativa della produzione Bibliografia Gestione operativa della produzione Schedulazione operativa della produzione 14/12/2001 11.54 E.L. Lawler, J.K. Lenstra, A.G.H. Rinnoy Kan, D.B. Shmoys, Sequencing and Scheduling: Algorithms

Dettagli

Funzioni in due variabili Raccolta di FAQ by Andrea Prevete

Funzioni in due variabili Raccolta di FAQ by Andrea Prevete Funzioni in due variabili Raccolta di FAQ by Andrea Prevete 1) Cosa intendiamo, esattamente, quando parliamo di funzione reale di due variabili reali? Quando esiste una relazione fra tre variabili reali

Dettagli

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

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

Dettagli

Ottimizazione vincolata

Ottimizazione vincolata Ottimizazione vincolata Ricordiamo alcuni risultati provati nella scheda sulla Teoria di Dini per una funzione F : R N+M R M di classe C 1 con (x 0, y 0 ) F 1 (a), a = (a 1,, a M ), punto in cui vale l

Dettagli

1. Considerazioni generali

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

Dettagli

ESEMPIO P.L. : PIANIFICAZIONE DI INVESTIMENTI

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

Dettagli

Corso di Analisi Matematica. Successioni e serie numeriche

Corso di Analisi Matematica. Successioni e serie numeriche a.a. 2011/12 Laurea triennale in Informatica Corso di Analisi Matematica Successioni e serie numeriche Avvertenza Questi sono appunti informali delle lezioni, che vengono resi disponibili per comodità

Dettagli

L EQUILIBRIO DEL MERCATO CONCORRENZIALE

L EQUILIBRIO DEL MERCATO CONCORRENZIALE L EQUILIBRIO EL MERCATO CONCORRENZIALE Un mercato concorrenziale è in equilibrio quando la domanda di mercato è uguale all offerta di mercato: p (p) p* (p) q* Il prezzo di equilibrio è tale che ( p* )

Dettagli

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

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

Dettagli

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

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

Dettagli

sezioni incluso Espandi tutto 0. Elementi di matematica elementare (parzialmente incluso) Sezione 0.1: I numeri reali Sezione 0.2: Regole algebriche.

sezioni incluso Espandi tutto 0. Elementi di matematica elementare (parzialmente incluso) Sezione 0.1: I numeri reali Sezione 0.2: Regole algebriche. sezioni incluso Espandi tutto 0. Elementi di matematica elementare (parzialmente incluso) Sezione 0.1: I numeri reali Sezione 0.2: Regole algebriche. Potenze e percentuali Sezione 0.3: Disuguaglianze Sezione

Dettagli

Problemi di Programmazione Lineare Intera

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

Dettagli

I mercati dei beni e i mercati finanziari: il modello IS-LM. Assunzione da rimuovere. Investimenti, I

I mercati dei beni e i mercati finanziari: il modello IS-LM. Assunzione da rimuovere. Investimenti, I I mercati dei beni e i mercati finanziari: il modello IS-LM Assunzione da rimuovere Rimuoviamo l ipotesi che gli Investimenti sono una variabile esogena. Investimenti, I Gli investimenti delle imprese

Dettagli

Approcci esatti per il job shop

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

Dettagli

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

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

Dettagli

Scelte in condizioni di rischio e incertezza

Scelte in condizioni di rischio e incertezza CAPITOLO 5 Scelte in condizioni di rischio e incertezza Esercizio 5.1. Tizio ha risparmiato nel corso dell anno 500 euro; può investirli in obbligazioni che rendono, in modo certo, il 10% oppure in azioni

Dettagli

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

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

Dettagli

RICERCA OPERATIVA GRUPPO B prova scritta del 22 marzo 2007

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

Dettagli

Ricerca Operativa (Compito A) Appello del 16/06/2014 Andrea Scozzari

Ricerca Operativa (Compito A) Appello del 16/06/2014 Andrea Scozzari Ricerca Operativa (Compito A) Appello del 16/06/2014 Andrea Scozzari Esercizio n.1 Un agenzia finanziaria deve investire 1000000 di euro di un suo cliente in fondi di investimento. Il mercato offre cinque

Dettagli

8 marzo 2013. Petya G. Garalova. Assistenza studenti Venerdì dalle 18 alle 19

8 marzo 2013. Petya G. Garalova. Assistenza studenti Venerdì dalle 18 alle 19 1 Esercitazione 8 marzo 2013 Petya G. Garalova petya.garalova@hotmail.com Assistenza studenti Venerdì dalle 18 alle 19 Scopo delle esercitazioni Gli obiettivi delle esercitazioni sono: Ripassare/rafforzare

Dettagli

ALGORITMO DEL SIMPLESSO

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

Dettagli

METODI MATEMATICI PER LE DECISIONI ECONOMICHE E AZIENDALI 12 CANDIDATO.. VOTO

METODI MATEMATICI PER LE DECISIONI ECONOMICHE E AZIENDALI 12 CANDIDATO.. VOTO METODI MATEMATICI PER LE DECISIONI ECONOMICHE E AZIENDALI 12 1) In un problema multiattributo i pesi assegnati ai vari obiettivi ed i risultati che essi assumono in corrispondenza alle varie alternative

Dettagli

Ipotesi sulle preferenze

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

Dettagli

Corso di Analisi Numerica - AN1. Parte 2: metodi diretti per sistemi lineari. Roberto Ferretti

Corso di Analisi Numerica - AN1. Parte 2: metodi diretti per sistemi lineari. Roberto Ferretti Corso di Analisi Numerica - AN1 Parte 2: metodi diretti per sistemi lineari Roberto Ferretti Richiami sulle norme e sui sistemi lineari Il Metodo di Eliminazione di Gauss Il Metodo di Eliminazione con

Dettagli

Gestione delle Scorte

Gestione delle Scorte Sapienza Università di Roma - Dipartimento di Ingegneria Informatica, Automatica e Gestionale Gestione delle Scorte Renato Bruni bruni@dis.uniroma.it Il materiale presentato è derivato da quello dei proff.

Dettagli

I COSTI NEL BREVE PERIODO

I COSTI NEL BREVE PERIODO Capitolo 10 Costi COSTI Occorre collegare la produzione dell impresa ai costi sostenuti per realizzarla, sia nel breve, sia nel lungo periodo Si tratta di scegliere la combinazione ottimale dei fattori

Dettagli

I costi. Costi economici vs. costi contabili

I costi. Costi economici vs. costi contabili I costi Costi economici vs. costi contabili I costi economici connessi alla produzione di una certa quantità di output Y includono tutte le spese per i fattori produttivi. In altre parole, i costi economici

Dettagli

Giochi ed equilibri di Nash. Marco Sciandrone Dipartimento di Ingegneria dell Informazione Università di Firenze E-mail: marco.sciandrone@unifi.

Giochi ed equilibri di Nash. Marco Sciandrone Dipartimento di Ingegneria dell Informazione Università di Firenze E-mail: marco.sciandrone@unifi. Giochi ed equilibri di Nash Marco Sciandrone Dipartimento di Ingegneria dell Informazione Università di Firenze E-mail: marco.sciandrone@unifi.it 1 1 Notazione e definizione di equilibrio di Nash Si supponga

Dettagli

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

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

Dettagli

Indice. Nota degli autori. 1 Capitolo 1 Introduzione alla ricerca operativa

Indice. Nota degli autori. 1 Capitolo 1 Introduzione alla ricerca operativa XI Nota degli autori 1 Capitolo 1 Introduzione alla ricerca operativa 1 1.1 Premessa 1 1.2 Problemi di ottimizzazione 6 1.3 Primi approcci ai modelli di ottimizzazione 13 1.4 Uso del risolutore della Microsoft

Dettagli

Introduzione al MATLAB c Parte 2

Introduzione al MATLAB c Parte 2 Introduzione al MATLAB c Parte 2 Lucia Gastaldi Dipartimento di Matematica, http://dm.ing.unibs.it/gastaldi/ 18 gennaio 2008 Outline 1 M-file di tipo Script e Function Script Function 2 Costrutti di programmazione

Dettagli

CIRCUITI INTELLIGENTI Parte 5: PCA e ICA

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

Dettagli

Modelli di scheduling su macchina singola. relazione alle macchine che devono eseguire le varie operazioni, allora ogni singola macchina nello shop è

Modelli di scheduling su macchina singola. relazione alle macchine che devono eseguire le varie operazioni, allora ogni singola macchina nello shop è . Modello base Consideriamo il caso in cui ogni job consiste di una sola operazione. Poiché un insieme di job è partizionato in relazione alle macchine che devono eseguire le varie operazioni, allora ogni

Dettagli

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

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

Dettagli

LABORATORIO DI ANALISI DEI SISTEMI

LABORATORIO DI ANALISI DEI SISTEMI LABORATORIO DI ANALISI DEI SISTEMI Si utilizzerà, come strumento di lavoro, un foglio elettronico, il più diffuso Excel o anche quello gratuito di OpenOffice (www.openoffice.org). Tale scelta, pur non

Dettagli

min 4x 1 +x 2 +x 3 2x 1 +x 2 +2x 3 = 4 3x 1 +3x 2 +x 3 = 3 x 1 +x 2 3x 3 = 5 Innanzitutto scriviamo il problema in forma standard: x 1 x 2 +3x 3 = 5

min 4x 1 +x 2 +x 3 2x 1 +x 2 +2x 3 = 4 3x 1 +3x 2 +x 3 = 3 x 1 +x 2 3x 3 = 5 Innanzitutto scriviamo il problema in forma standard: x 1 x 2 +3x 3 = 5 IL METODO DEL SIMPLESSO 65 Esercizio 7.4.4 Risolvere utilizzando il metodo del simplesso il seguente problema di PL: min 4 + + + + = 4 + + = + = 5 Innanzitutto scriviamo il problema in forma standard:

Dettagli

5. Problemi di Ottimizzazione e Programmazione Matematica

5. Problemi di Ottimizzazione e Programmazione Matematica Dispense del corso di Ottimizzazione Combinatoria (IN440) 5. Problemi di Ottimizzazione e Programmazione Matematica Marco Liverani Università degli Studi Roma Tre Dipartimento di Matematica e Fisica Corso

Dettagli

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

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

Dettagli

Il Metodo Branch and Bound

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

Dettagli

Modelli per la gestione delle scorte

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

Dettagli

LA FUNZIONE DI TRASFERIMENTO

LA FUNZIONE DI TRASFERIMENTO LA FUNZIONE DI TRASFERIMENTO Può essere espressa sia nel dominio della s che nel dominio della j Definizione nel dominio della s. è riferita ai soli sistemi con un ingresso ed un uscita 2. ha per oggetto

Dettagli

Appunti delle esercitazioni di Ricerca Operativa

Appunti delle esercitazioni di Ricerca Operativa Appunti delle esercitazioni di Ricerca Operativa a cura di P. Detti e G. Ciaschetti 1 Esercizi sulle condizioni di ottimalità per problemi di ottimizzazione non vincolata Esempio 1 Sia data la funzione

Dettagli

Schedulazione delle attività di un progetto in presenza di multi-calendari

Schedulazione delle attività di un progetto in presenza di multi-calendari Schedulazione delle attività di un progetto in presenza di multi-calendari Maria Silvia Pini Resp. accademico: Prof.ssa Francesca Rossi Università di Padova Attività FSE DGR 1102/2010 La gestione dell

Dettagli

SVM. Veronica Piccialli. Roma 11 gennaio 2010. Università degli Studi di Roma Tor Vergata 1 / 14

SVM. Veronica Piccialli. Roma 11 gennaio 2010. Università degli Studi di Roma Tor Vergata 1 / 14 SVM Veronica Piccialli Roma 11 gennaio 2010 Università degli Studi di Roma Tor Vergata 1 / 14 SVM Le Support Vector Machines (SVM) sono una classe di macchine di che derivano da concetti riguardanti la

Dettagli

b. Che cosa succede alla frazione di reddito nazionale che viene risparmiata?

b. Che cosa succede alla frazione di reddito nazionale che viene risparmiata? Esercitazione 7 Domande 1. L investimento programmato è pari a 100. Le famiglie decidono di risparmiare una frazione maggiore del proprio reddito e la funzione del consumo passa da C = 0,8Y a C = 0,5Y.

Dettagli

Un problema di Capital Budgeting

Un problema di Capital Budgeting LABORATORIO RICERCA OPERATIVA Un problema di Capital Budgeting Laura Palagi Dipartimento di Ingegneria informatica automatica e gestionale A. Ruberti Sapienza Universita` di Roma Capital Budgeting (Pianificazione

Dettagli

Problema del trasporto

Problema del trasporto p. 1/1 Problema del trasporto Supponiamo di avere m depositi in cui è immagazzinato un prodotto e n negozi che richiedono tale prodotto. Nel deposito i è immagazzinata la quantità a i di prodotto. Nel

Dettagli

Modelli dei Sistemi di Produzione Modelli e Algoritmi della Logistica 20010-11

Modelli dei Sistemi di Produzione Modelli e Algoritmi della Logistica 20010-11 Modelli dei Sistemi di Produzione Modelli e Algoritmi della Logistica 20010-11 Project Scheduling: Reti di attività CARLO MANNINO Sapienza Università di Roma Dipartimento di Informatica e Sistemistica

Dettagli

MRP. Pianificazione della produzione. Distinta base Bill Of Materials (BOM) MPS vs. MRP. Materials Requirements Planning (MRP)

MRP. Pianificazione della produzione. Distinta base Bill Of Materials (BOM) MPS vs. MRP. Materials Requirements Planning (MRP) MRP Pianificazione della produzione Materials Requirements Planning (MRP) 15/11/2002 16.58 Con l MRP si decide la tempificazione delle disponibilità dei materiali, delle risorse e delle lavorazioni. MRP

Dettagli

Economia Pubblica il Monopolio Naturale

Economia Pubblica il Monopolio Naturale Economia Pubblica il Monopolio Naturale Giuseppe De Feo Università degli Studi di Pavia email: giuseppe.defeo@unipv.it Secondo Semestre 2011-12 Outline il Monopolio Naturale Il problema del Monopolio Naturale

Dettagli

Modelli di Programmazione Lineare e Programmazione Lineare Intera

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

Dettagli

Computational Game Theory

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

Dettagli

Logistica - Il problema del trasporto

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

Dettagli

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

Ricerca Operativa e Logistica

Ricerca Operativa e Logistica Ricerca Operativa e Logistica Dott. F.Carrabs e Dott.ssa M.Gentili A.A. 20/202 Lezione 6-8 Rappresentazione di funzioni non lineari: - Costi fissi - Funzioni lineari a tratti Funzioni obiettivo non lineari:

Dettagli

Modelli di Programmazione Lineare Intera

Modelli di Programmazione Lineare Intera 8 Modelli di Programmazione Lineare Intera Come è stato già osservato in precedenza, quando tutte le variabili di un problema di Programmazione Lineare sono vincolate ad assumere valori interi, si parla

Dettagli

Lezione 5. Argomenti. Premessa Vincolo di bilancio La scelta ottima del consumatore

Lezione 5. Argomenti. Premessa Vincolo di bilancio La scelta ottima del consumatore Lezione 5 Argomenti Premessa Vincolo di bilancio La scelta ottima del consumatore 5.1 PREESSA Nonostante le preferenze portino a desiderare quantità crescenti di beni, nella realtà gli individui non sono

Dettagli

l insieme Y è detto codominio (è l insieme di tutti i valori che la funzione può assumere)

l insieme Y è detto codominio (è l insieme di tutti i valori che la funzione può assumere) Che cos è una funzione? Assegnati due insiemi X e Y si ha una funzione elemento di X uno e un solo elemento di Y. f : X Y se esiste una corrispondenza che associa ad ogni Osservazioni: l insieme X è detto

Dettagli

PROGRAMMAZIONE LINEARE IN DUE VARIABILI

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

Dettagli

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

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

Dettagli