Ricerca non informata in uno spazio di stati

Dimensione: px
Iniziare la visualizzazioe della pagina:

Download "Ricerca non informata in uno spazio di stati"

Transcript

1 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 studenti, per studio personale e per supporto a lezioni universitarie. Ogni altro uso è riservato, e deve essere preventivamente autorizzato dall autore. Sono graditi commenti o suggerimenti per il miglioramento del materiale Nota: è utilizzato in parte il materiale didattico associato al testo di Stuart J. Russell, Peter Norvig A5 Ricerca non inform Paolo Salvaneschi 1

2 INDICE Algoritmi di ricerca non informati Breadth-first Uniform-cost Depth-first Depth-limited Iterative-Deepening Depth-first Search Bidirectional Search Il problema degli stati ripetuti Ricerca con informazioni parziali Esempio A5 Ricerca non inform Paolo Salvaneschi 2 A5 Ricerca non inform Paolo Salvaneschi 2

3 Algoritmi di ricerca non informati Strategie di ricerca non informata La ricerca utilizza solo le informazioni disponibili dalla definizione del problema Vari algoritmi di ricerca Breadth-first Uniform-cost Depth-first Depth-limited Iterative-Deepening Depth-first Search Bidirectional Search A5 Ricerca non inform Paolo Salvaneschi 3 A5 Ricerca non inform Paolo Salvaneschi 3

4 Breadth-first A5 Ricerca non inform Paolo Salvaneschi 4 A5 Ricerca non inform Paolo Salvaneschi 4

5 Breadth-first Nodi espansi Nodi generati ma non ancora espansi A Implementazione della ricerca con una coda FIFO (contiene i nodi da espandere - fringe) A5 Ricerca non inform Paolo Salvaneschi 5 A5 Ricerca non inform Paolo Salvaneschi 5

6 Breadth-first CB A5 Ricerca non inform Paolo Salvaneschi 6 A5 Ricerca non inform Paolo Salvaneschi 6

7 Breadth-first EDC A5 Ricerca non inform Paolo Salvaneschi 7 A5 Ricerca non inform Paolo Salvaneschi 7

8 Breadth-first Prossimo nodo da espandere GFED A5 Ricerca non inform Paolo Salvaneschi 8 A5 Ricerca non inform Paolo Salvaneschi 8

9 Breadth-first shallowest goal node A5 Ricerca non inform Paolo Salvaneschi 9 A5 Ricerca non inform Paolo Salvaneschi 9

10 Breadth-first Nota: Completezza Se il nodo obiettivo più superficiale nell albero di ricerca è a profondità d, alla fine la ricerca lo troverà dopo avere espanso tutti i nodi più superficiali (se il branching factor b è finito) A5 Ricerca non inform Paolo Salvaneschi 10 A5 Ricerca non inform Paolo Salvaneschi 10

11 Breadth-first Nota: Ottimalità In presenza di più nodi obiettivo nell albero di ricerca, il nodo obiettivo più superficiale non è necessariamente quello ottimo Lo è se costo = 1 per ogni step (o più precisamente se il path cost del nodo obiettivo è una funzione non decrescente della profondità del nodo obiettivo. (Ciò, come caso particolare, si ottiene quando tutte le azioni hanno lo stesso costo) A5 Ricerca non inform Paolo Salvaneschi 11 A5 Ricerca non inform Paolo Salvaneschi 11

12 Breadth-first NB Più nodi obiettivo nell albero di ricerca corrispondono allo stesso stato obiettivo nello spazio degli stati 10 B 30 Passo appenninico Stato iniziale: città A A E D C 10 Stato obiettivo: città E Costo (km stradali) Path cost A5 Ricerca non inform Paolo Salvaneschi 12 A5 Ricerca non inform Paolo Salvaneschi Il goal node più superficiale non è ottimo Path cost del nodo obiettivo B E 40 A C D E Depth 1 Depth 2 Depth 3 funzione decrescente Profondità del nodo obiettivo

13 Breadth-first Step cost costante 10 B 10 Stato iniziale: città A A E D C 10 Stato obiettivo: città E Costo (km stradali) Path cost A5 Ricerca non inform Paolo Salvaneschi 13 A5 Ricerca non inform Paolo Salvaneschi Il goal node più superficiale è ottimo Path cost del nodo obiettivo B E A C D E Depth 1 Depth 2 Depth 3 funzione non decrescente Profondità del nodo obiettivo

14 Breadth-first Nota: Spazio e tempo Ogni nodo generato deve restare in memoria (o è parte del fringe o è un predecessore) La memoria e il tempo sono un problema La tecnica può essere utilizzata solo per problemi limitati Problema generale per tutti gli algoritmi di ricerca non informati A5 Ricerca non inform Paolo Salvaneschi 14 A5 Ricerca non inform Paolo Salvaneschi 14

15 Breadth-first Including the expanded nodes at the depth level. NB1 NB2 N.B. A5 Ricerca non inform Paolo Salvaneschi 15 A5 Ricerca non inform Paolo Salvaneschi 15

16 Uniform-cost A5 Ricerca non inform Paolo Salvaneschi 16 A5 Ricerca non inform Paolo Salvaneschi 16

17 Uniform-cost Nota: complete if step cost >= ε (piccola costante positiva) Path Cost. costo g(x) dallo stato iniziale al nodo che si considera la ricerca considera il costo totale del percorso eseguito + il costo del passo successivo ε Ricerca non completa loop Ricerca completa No loop (sommando ε si supererà 1) A5 Ricerca non inform Paolo Salvaneschi 17 A5 Ricerca non inform Paolo Salvaneschi 17

18 Depth-first A5 Ricerca non inform Paolo Salvaneschi 18 A5 Ricerca non inform Paolo Salvaneschi 18

19 Depth-first La ricerca procede al livello più profondo dell albero, fino a che i nodi non hanno successori Quando un nodo è espanso completamente, viene rimosso da fringe E la ricerca torna indietro al nodo successivo più superficiale che ha ancora successori non esplorati A5 Ricerca non inform Paolo Salvaneschi 19 A5 Ricerca non inform Paolo Salvaneschi 19

20 Depth-first A Implementazione della ricerca con uno stack (contiene i nodi da espandere - fringe) A5 Ricerca non inform Paolo Salvaneschi 20 A5 Ricerca non inform Paolo Salvaneschi 20

21 Depth-first B C A5 Ricerca non inform Paolo Salvaneschi 21 A5 Ricerca non inform Paolo Salvaneschi 21

22 Depth-first D E C A5 Ricerca non inform Paolo Salvaneschi 22 A5 Ricerca non inform Paolo Salvaneschi 22

23 Depth-first H I E C A5 Ricerca non inform Paolo Salvaneschi 23 A5 Ricerca non inform Paolo Salvaneschi 23

24 Depth-first I E C I nodi che sono stati espansi e non hanno discendenti in fringe possono essere eliminati dalla memoria A5 Ricerca non inform Paolo Salvaneschi 24 A5 Ricerca non inform Paolo Salvaneschi 24

25 Depth-first La ricerca torna indietro al nodo successivo più superficiale che ha ancora successori non esplorati E C I nodi che sono stati espansi e non hanno discendenti in fringe possono essere eliminati dalla memoria A5 Ricerca non inform Paolo Salvaneschi 25 A5 Ricerca non inform Paolo Salvaneschi 25

26 Depth-first A5 Ricerca non inform Paolo Salvaneschi 26 A5 Ricerca non inform Paolo Salvaneschi 26

27 Depth-first A5 Ricerca non inform Paolo Salvaneschi 27 A5 Ricerca non inform Paolo Salvaneschi 27

28 Depth-first A5 Ricerca non inform Paolo Salvaneschi 28 A5 Ricerca non inform Paolo Salvaneschi 28

29 Depth-first A5 Ricerca non inform Paolo Salvaneschi 29 A5 Ricerca non inform Paolo Salvaneschi 29

30 Depth-first A5 Ricerca non inform Paolo Salvaneschi 30 A5 Ricerca non inform Paolo Salvaneschi 30

31 Depth-first Goal node A5 Ricerca non inform Paolo Salvaneschi 31 A5 Ricerca non inform Paolo Salvaneschi 31

32 Depth-first shallowest goal node A5 Ricerca non inform Paolo Salvaneschi 32 A5 Ricerca non inform Paolo Salvaneschi 32

33 Depth-first Nota: completezza Rischio di esplorare in profondità (anche infinita) una parte dell albero, mentre la soluzione era più superficiale altrove Es. nell albero precedente se una soluzione è C, la parte sinistra dell albero è totalmente esplorata inutilmente A5 Ricerca non inform Paolo Salvaneschi 33 A5 Ricerca non inform Paolo Salvaneschi 33

34 Depth-first Nota: ottimalità Non ottimo Esplorando in profondità può trovare una soluzione (es. J) mentre esiste un altra soluzione (es. C) più superficiale che non è considerata A5 Ricerca non inform Paolo Salvaneschi 34 A5 Ricerca non inform Paolo Salvaneschi 34

35 Depth-first Nota: Spazio Deve restare in memoria il singolo percorso dalla radice alla foglia con i nodi parenti non ancora espansi Quando tutti i discendenti di un nodo sono stati esplorati il nodo può essere rimosso dalla memoria A5 Ricerca non inform Paolo Salvaneschi 35 A5 Ricerca non inform Paolo Salvaneschi 35

36 Depth-first Variante: backtracking search Non sono generati tutti i successori di un nodo ma uno solo alla volta Ogni nodo espanso parzialmente ricorda il nodo successivo da espandere Se, nelle espansioni derivanti dal nodo in considerazione non è raggiunto l obiettivo, si torna indietro e si espande il nodo successivo ricordato Risparmia memoria A5 Ricerca non inform Paolo Salvaneschi 36 A5 Ricerca non inform Paolo Salvaneschi 36

37 Depth-limited Introduce una causa ulteriore di incompletezza A5 Ricerca non inform Paolo Salvaneschi 37 A5 Ricerca non inform Paolo Salvaneschi 37

38 Depth-limited A5 Ricerca non inform Paolo Salvaneschi 38 A5 Ricerca non inform Paolo Salvaneschi 38

39 Iterative-Deepening Depth-first Search Esegue una ricerca depth-limited incrementando gradualmente la profondità A5 Ricerca non inform Paolo Salvaneschi 39 A5 Ricerca non inform Paolo Salvaneschi 39

40 Iterative-Deepening Depth-first Search A5 Ricerca non inform Paolo Salvaneschi 40 A5 Ricerca non inform Paolo Salvaneschi 40

41 Iterative-Deepening Depth-first Search Combina i vantaggi della ricerca breadth-first e depth-first Depth-first: requisiti modesti di memoria Come breadth-first: E completa (se branching factor finito) E ottima se path cost del nodo obiettivo è funzione non decrescente della profondità del nodo obiettivo (ad es costo = 1 per ogni step). In generale non è ottima Nota: l iterazione sui livelli consuma tempo ma le iterazioni all interno dei livelli alti usano poco tempo (se branching factor simile per tutti i livelli) A5 Ricerca non inform Paolo Salvaneschi 41 A5 Ricerca non inform Paolo Salvaneschi 41

42 Iterative-Deepening Depth-first Search In generale è il metodo preferito con Larghi spazi di ricerca Profondità della soluzione non nota A5 Ricerca non inform Paolo Salvaneschi 42 A5 Ricerca non inform Paolo Salvaneschi 42

43 Iterative-Deepening Depth-first Search A5 Ricerca non inform Paolo Salvaneschi 43 A5 Ricerca non inform Paolo Salvaneschi 43

44 Iterative-Deepening Depth-first Search A5 Ricerca non inform Paolo Salvaneschi 44 A5 Ricerca non inform Paolo Salvaneschi 44

45 Iterative-Deepening Depth-first Search shallowest goal node A5 Ricerca non inform Paolo Salvaneschi 45 A5 Ricerca non inform Paolo Salvaneschi 45

46 Bidirectional Search Bidirectional Search Sono eseguite due ricerche simultanee Una forward dallo stato iniziale L altra backward dall obiettivo Stop quando le due ricerche si trovano Problema: quando l obiettivo è dato come definizione implicita di un largo insieme di stati A5 Ricerca non inform Paolo Salvaneschi 46 A5 Ricerca non inform Paolo Salvaneschi 46

47 Sintesi degli algoritmi Algoritmi di ricerca A5 Ricerca non inform Paolo Salvaneschi 47 A5 Ricerca non inform Paolo Salvaneschi 47

48 Il problema degli stati ripetuti Se lo spazio degli stati è un albero ogni stato è incontrato ed espanso una sola volta durante la ricerca Se lo spazio è un grafo è possibile perdere tempo espandendo stati già espansi (problema degli stati ripetuti) Uno spazio finito di stati può diventare un albero di ricerca infinito A5 Ricerca non inform Paolo Salvaneschi 48 A5 Ricerca non inform Paolo Salvaneschi 48

49 Il problema degli stati ripetuti Il problema degli stati ripetuti si pone per tutti problemi applicativi in cui le azioni sono reversibili (es. trovare la strada su un grafo stradale) Soluzione:implementazione di un algoritmo di ricerca che mantiene in una struttura dati tutti i nodi espansi. Se il nodo corrente coincide con un nodo già espanso allora è scaricato A5 Ricerca non inform Paolo Salvaneschi 49 A5 Ricerca non inform Paolo Salvaneschi 49

50 Il problema degli stati ripetuti GENERAL GRAPH SEARCH ALGORITHM Se è la prima volta che lo stato relativo al nodo è considerato, allora inserisci lo stato in closed ed espandi il nodo, altrimenti non considerare il nodo Closed-list nodi già espansi Open-list (fringe) nodi da espandere A5 Ricerca non inform Paolo Salvaneschi 50 A5 Ricerca non inform Paolo Salvaneschi 50

51 Algoritmi di ricerca GENERAL TREE SEARCH ALGORITHM Confronta con GRAPH SEARCH Per ogni possibile effetto di ogni possibile azione della funzione successore (insieme di coppie azione-stato) del nodo corrente Costruisci la struttura di dati del nuovo nodo espanso A5 Ricerca non inform Paolo Salvaneschi 51 A5 Ricerca non inform Paolo Salvaneschi 51

52 Il problema degli stati ripetuti Complessità nel tempo e nello spazio di GENERAL GRAPH SEARCH ALGORITHM Proporzionale alla dimensione dello spazio degli stati A5 Ricerca non inform Paolo Salvaneschi 52 A5 Ricerca non inform Paolo Salvaneschi 52

53 Il problema degli stati ripetuti Ottimalità di GENERAL GRAPH SEARCH ALGORITHM Quando più percorsi passano dallo stesso stato, l algoritmo considera il primo ed elimina i successivi. E se un successivo percorso è a costo minore del primo percorso? L algoritmo può perdere un percorso ottimo? Si dimostra che ciò non può accadere per uniform-cost search e breadth-first search con step cost costante, mentre può accadere per Iterative deepening search A5 Ricerca non inform Paolo Salvaneschi 53 A5 Ricerca non inform Paolo Salvaneschi 53

54 Ricerca con informazioni parziali Assunzione: ambiente completamente osservabile e deterministico. L agente conosce le conseguenze delle proprie azioni e conosce sempre in quale stato è Che succede se la conoscenza degli stati o delle azioni è incompleta? A5 Ricerca non inform Paolo Salvaneschi 54 A5 Ricerca non inform Paolo Salvaneschi 54

55 Ricerca con informazioni parziali Agente privo di sensori. Non conosce il suo stato iniziale Ricerca in uno spazio di stati in cui ogni stato è un insieme di stati reali in cui l agente può credere di essere (belief state) Lo stato obiettivo è un belif state i cui stati reali sono tutti obiettivi La ricerca avviene nello spazio dei belief states A5 Ricerca non inform Paolo Salvaneschi 55 A5 Ricerca non inform Paolo Salvaneschi 55

56 Ricerca con informazioni parziali L ambiente è parzialmente osservabile o il risultato delle azioni è incerto L agente ottiene nuove percezioni dopo ogni azione L agente non cerca prima ed esegue il percorso trovato successivamente, ma interfoglia ricerca ed esecuzione considerando ad ogni passo l eventuale nuova informazione Algoritmi di pianificazione in ambienti reali A5 Ricerca non inform Paolo Salvaneschi 56 A5 Ricerca non inform Paolo Salvaneschi 56

57 Esempio Gioco dell otto Partendo da una disposizione assegnata di tessere, raggiungere una disposizione finale attraverso una successione di mosse A5 Ricerca non inform Paolo Salvaneschi 57 A5 Ricerca non inform Paolo Salvaneschi 57

58 Esempio Stato: Configurazione di tessere Rappresentazione dello stato: tabella 3x3 contenente i numeri 1,2,..8; 0 rappresenta lo spazio vuoto A5 Ricerca non inform Paolo Salvaneschi 58 A5 Ricerca non inform Paolo Salvaneschi 58

59 Esempio Azioni : Scorrimento della posizione vuota Azioni possibili: A5 Ricerca non inform Paolo Salvaneschi 59 A5 Ricerca non inform Paolo Salvaneschi 59

60 Esempio Stato iniziale e stato finale A5 Ricerca non inform Paolo Salvaneschi 60 A5 Ricerca non inform Paolo Salvaneschi 60

61 Porzione dello spazio degli stati che contiene una soluzione Esempio A5 Ricerca non inform Paolo Salvaneschi 61 A5 Ricerca non inform Paolo Salvaneschi 61

62 Esempio Schema di ricerca di una soluzione S stato attuale Si stato iniziale Sf stato finale A5 Ricerca non inform Paolo Salvaneschi 62 A5 Ricerca non inform Paolo Salvaneschi 62

63 Esempio Ricerca in profondità Si applicano gli operatori (applicabili) nell ordine SINISTRA, ALTO, DESTRA, BASSO Si seleziona lo stato generato più di recente Si eliminano gli stati ripetuti SINISTRA non è applicabile Stati iniziale e finale A5 Ricerca non inform Paolo Salvaneschi 63 A5 Ricerca non inform Paolo Salvaneschi 63

64 Esempio Ricerca in ampiezza A5 Ricerca non inform Paolo Salvaneschi 64 A5 Ricerca non inform Paolo Salvaneschi 64

65 Esempio A5 Ricerca non inform Paolo Salvaneschi 65 A5 Ricerca non inform Paolo Salvaneschi 65

66 Esempio A5 Ricerca non inform Paolo Salvaneschi 66 A5 Ricerca non inform Paolo Salvaneschi 66

Università di Bergamo Facoltà di Ingegneria INGEGNERIA DEL SOFTWARE. Paolo Salvaneschi A2_3 V2.0. Processi. Scelta dei processi adeguati

Università di Bergamo Facoltà di Ingegneria INGEGNERIA DEL SOFTWARE. Paolo Salvaneschi A2_3 V2.0. Processi. Scelta dei processi adeguati Università di Bergamo Facoltà di Ingegneria INGEGNERIA DEL SOFTWARE Paolo Salvaneschi A2_3 V2.0 Processi Scelta dei processi adeguati Il contenuto del documento è liberamente utilizzabile dagli studenti,

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

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

Logica del primo ordine

Logica del primo ordine Università di Bergamo Facoltà di Ingegneria Intelligenza Artificiale Paolo Salvaneschi A7_4 V1.3 Logica del primo ordine Il contenuto del documento è liberamente utilizzabile dagli studenti, per studio

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

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

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

Si basano sul seguente Teorema: S = A sse S { A} è insoddisfacibile.

Si basano sul seguente Teorema: S = A sse S { A} è insoddisfacibile. Deduzione automatica La maggior parte dei metodi di deduzione automatica sono metodi di refutazione: anziché dimostrare direttamente che S A, si dimostra che S { A} è un insieme insoddisfacibile (cioè

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

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

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

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

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

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

Ricorsione. Rosario Culmone. - p. 1/13

Ricorsione. Rosario Culmone. - p. 1/13 Ricorsione Rosario Culmone - p. 1/13 Induzione e Ricorsione Spesso utilizzeremo le definizioni induttive. Sono forme di definizione compatte che descrivono un numero infinito di elementi. I contesti di

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

Anno di corso: 2004/2005. Istruzioni. Istruzioni per lo svolgimento dei progetti didattici. versione 1.1

Anno di corso: 2004/2005. Istruzioni. Istruzioni per lo svolgimento dei progetti didattici. versione 1.1 versione 1.1 per lo svolgimento dei progetti didattici Corso di Laboratorio di Programmazione II Prof. Luca Forlizzi Anno Accademico 2004-2005 GENERALITÀ...3 Scopo del documento...3 Struttura del documento...3

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

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

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

Analisi dei requisiti e casi d uso

Analisi dei requisiti e casi d uso Analisi dei requisiti e casi d uso Indice 1 Introduzione 2 1.1 Terminologia........................... 2 2 Modello del sistema 4 2.1 Requisiti hardware........................ 4 2.2 Requisiti software.........................

Dettagli

Attività 9. La città fangosa Minimal Spanning Trees

Attività 9. La città fangosa Minimal Spanning Trees Attività 9 La città fangosa Minimal Spanning Trees Sommario la nostra società ha molti collegamenti in rete: la rete telefonica, la rete energetica, la rete stradale. Per una rete in particolare, ci sono

Dettagli

Sistemi Operativi 1. Mattia Monga. a.a. 2008/09. Dip. di Informatica e Comunicazione Università degli Studi di Milano, Italia mattia.monga@unimi.

Sistemi Operativi 1. Mattia Monga. a.a. 2008/09. Dip. di Informatica e Comunicazione Università degli Studi di Milano, Italia mattia.monga@unimi. 1 Mattia Dip. di Informatica e Comunicazione Università degli Studi di Milano, Italia mattia.monga@unimi.it a.a. 2008/09 1 c 2009 M.. Creative Commons Attribuzione-Condividi allo stesso modo 2.5 Italia

Dettagli

Limiti e continuità di funzioni reali di una variabile

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

Dettagli

EQUAZIONI non LINEARI

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

Dettagli

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

Teoria dei giochi Gioco Interdipendenza strategica

Teoria dei giochi Gioco Interdipendenza strategica Teoria dei giochi Gioco Interdipendenza strategica soggetti decisionali autonomi con obiettivi (almeno parzialmente) contrapposti guadagno di ognuno dipende dalle scelte sue e degli altri Giocatori razionali

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

Intelligenza Artificiale. Pianificazione. Intelligenza Artificiale Daniele Nardi, 2003 Pianificazione 0

Intelligenza Artificiale. Pianificazione. Intelligenza Artificiale Daniele Nardi, 2003 Pianificazione 0 Intelligenza Artificiale Pianificazione Intelligenza Artificiale Daniele Nardi, 2003 Pianificazione 0 Pianificazione automatica (Capitolo 12 del R& N) Estensioni di POP: Partial Order Planning Applicazioni

Dettagli

Il concetto di valore medio in generale

Il concetto di valore medio in generale Il concetto di valore medio in generale Nella statistica descrittiva si distinguono solitamente due tipi di medie: - le medie analitiche, che soddisfano ad una condizione di invarianza e si calcolano tenendo

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

Lezione su Informatica di Base

Lezione su Informatica di Base Lezione su Informatica di Base Esplora Risorse, Gestione Cartelle, Alcuni tasti di scelta Rapida Domenico Capano D.C. Viterbo: Lunedì 21 Novembre 2005 Indice Una nota su questa lezione...4 Introduzione:

Dettagli

I file di dati. Unità didattica D1 1

I file di dati. Unità didattica D1 1 I file di dati Unità didattica D1 1 1) I file sequenziali Utili per la memorizzazione di informazioni testuali Si tratta di strutture organizzate per righe e non per record Non sono adatte per grandi quantità

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

Realizzazione di Politiche di Gestione delle Risorse: i Semafori Privati

Realizzazione di Politiche di Gestione delle Risorse: i Semafori Privati Realizzazione di Politiche di Gestione delle Risorse: i Semafori Privati Condizione di sincronizzazione Qualora si voglia realizzare una determinata politica di gestione delle risorse,la decisione se ad

Dettagli

Strutture. Strutture e Unioni. Definizione di strutture (2) Definizione di strutture (1)

Strutture. Strutture e Unioni. Definizione di strutture (2) Definizione di strutture (1) Strutture Strutture e Unioni DD cap.10 pp.379-391, 405-406 KP cap. 9 pp.361-379 Strutture Collezioni di variabili correlate (aggregati) sotto un unico nome Possono contenere variabili con diversi nomi

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

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

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

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

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

DNS (Domain Name System) Gruppo Linux

DNS (Domain Name System) Gruppo Linux DNS (Domain Name System) Gruppo Linux Luca Sozio Matteo Giordano Vincenzo Sgaramella Enrico Palmerini DNS (Domain Name System) Ci sono due modi per identificare un host nella rete: - Attraverso un hostname

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

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

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

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

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

Sistema Qualità di Ateneo Modello di Ateneo MODELLO DI ATENEO PER L ACCREDITAMENTO INTERNO IN QUALITÀ DEI CORSI DI STUDIO UNIVERSITARI

Sistema Qualità di Ateneo Modello di Ateneo MODELLO DI ATENEO PER L ACCREDITAMENTO INTERNO IN QUALITÀ DEI CORSI DI STUDIO UNIVERSITARI MODELLO DI ATENEO PER L ACCREDITAMENTO INTERNO IN QUALITÀ DEI CORSI DI STUDIO UNIVERSITARI Requisiti di valutazione per un percorso di Ateneo finalizzato all accreditamento in qualità dei Corsi di Studio:

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

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

Sistemi Operativi. Interfaccia del File System FILE SYSTEM : INTERFACCIA. Concetto di File. Metodi di Accesso. Struttura delle Directory

Sistemi Operativi. Interfaccia del File System FILE SYSTEM : INTERFACCIA. Concetto di File. Metodi di Accesso. Struttura delle Directory FILE SYSTEM : INTERFACCIA 8.1 Interfaccia del File System Concetto di File Metodi di Accesso Struttura delle Directory Montaggio del File System Condivisione di File Protezione 8.2 Concetto di File File

Dettagli

Ricorsione. Corso di Fondamenti di Informatica

Ricorsione. Corso di Fondamenti di Informatica Dipartimento di Informatica e Sistemistica Antonio Ruberti Sapienza Università di Roma Ricorsione Corso di Fondamenti di Informatica Laurea in Ingegneria Informatica (Canale di Ingegneria delle Reti e

Dettagli

Il Modello AS-AD. Determiniamo l equilibrio determinato dall incontro tra domanda e offerta

Il Modello AS-AD. Determiniamo l equilibrio determinato dall incontro tra domanda e offerta Il Modello AS-AD In questa lezione: Deriviamo la curva di offerta aggregata Determiniamo l equilibrio determinato dall incontro tra domanda e offerta Studiamo il meccanismo di aggiustamento verso l equilibrio

Dettagli

Sistemi avanzati di gestione dei Sistemi Informativi

Sistemi avanzati di gestione dei Sistemi Informativi Esperti nella gestione dei sistemi informativi e tecnologie informatiche Sistemi avanzati di gestione dei Sistemi Informativi Docente: Email: Sito: Eduard Roccatello eduard@roccatello.it http://www.roccatello.it/teaching/gsi/

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

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

Processi (di sviluppo del) software. Fase di Analisi dei Requisiti. Esempi di Feature e Requisiti. Progettazione ed implementazione

Processi (di sviluppo del) software. Fase di Analisi dei Requisiti. Esempi di Feature e Requisiti. Progettazione ed implementazione Processi (di sviluppo del) software Fase di Analisi dei Requisiti Un processo software descrive le attività (o task) necessarie allo sviluppo di un prodotto software e come queste attività sono collegate

Dettagli

IL GIOCO DEL 15. OVVERO: 1000$ PER SPOSTARE DUE BLOCCHETTI

IL GIOCO DEL 15. OVVERO: 1000$ PER SPOSTARE DUE BLOCCHETTI IL GIOCO DEL. OVVERO: 000$ PER SPOSTARE DUE BLOCCHETTI EMANUELE DELUCCHI, GIOVANNI GAIFFI, LUDOVICO PERNAZZA Molti fra i lettori si saranno divertiti a giocare al gioco del, uno dei più celebri fra i giochi

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

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

1. Si consideri uno spazio di indirizzamento logico di otto pagine di 1024 parole ognuna, mappate su una memoria fisica di 32 frame.

1. Si consideri uno spazio di indirizzamento logico di otto pagine di 1024 parole ognuna, mappate su una memoria fisica di 32 frame. 1. Si consideri uno spazio di indirizzamento logico di otto pagine di 1024 parole ognuna, mappate su una memoria fisica di 32 frame. (a) Da quanti bit è costituito l indirizzo logico? (b) Da quanti bit

Dettagli

INTERPUMP GROUP SPA-VIA E. FERMI 25 42040 S.ILARIO (RE) http: //www.interpumpgroup.it

INTERPUMP GROUP SPA-VIA E. FERMI 25 42040 S.ILARIO (RE) http: //www.interpumpgroup.it PROCEDURA E-COMMERCE BUSINESS TO BUSINESS Guida alla Compilazione di un ordine INTERPUMP GROUP SPA-VIA E. FERMI 25 42040 S.ILARIO (RE) http: //www.interpumpgroup.it INDICE 1. Autenticazione del nome utente

Dettagli

Inter Process Communication. Laboratorio Software 2008-2009 C. Brandolese

Inter Process Communication. Laboratorio Software 2008-2009 C. Brandolese Inter Process Communication Laboratorio Software 2008-2009 C. Brandolese Introduzione Più processi o thread Concorrono alla relaizzazione di una funzione applicativa Devono poter realizzare Sincronizzazione

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

C è solo un acca tra pi e phi ing. Rosario Turco, prof. Maria Colonnese

C è solo un acca tra pi e phi ing. Rosario Turco, prof. Maria Colonnese C è solo un acca tra pi e phi ing. Rosario Turco, prof. Maria Colonnese Introduzione Nell articolo vengono mostrate vari possibili legami tra la costante di Archimede (pi greco) e la sezione aurea (phi).

Dettagli

MONITORARE IL TERRITORIO CON SISTEMI RADAR SATELLITARI

MONITORARE IL TERRITORIO CON SISTEMI RADAR SATELLITARI MONITORARE IL TERRITORIO CON SISTEMI RADAR SATELLITARI Dalla tecnica PSInSAR al nuovo algoritmo SqueeSAR : Principi, approfondimenti e applicazioni 30 Novembre - 1 Dicembre 2010 Milano Il corso è accreditato

Dettagli

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

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

Dettagli

Procedura corretta per mappare con ECM Titanium

Procedura corretta per mappare con ECM Titanium Procedura corretta per mappare con ECM Titanium Introduzione: In questo documento troverete tutte le informazioni utili per mappare correttamente con il software ECM Titanium, partendo dalla lettura del

Dettagli

Ricapitoliamo. Ricapitoliamo

Ricapitoliamo. Ricapitoliamo Ricapitoliamo Finora ci siamo concentrati sui processi computazionali e sul ruolo che giocano le procedure nella progettazione dei programmi In particolare, abbiamo visto: Come usare dati primitivi (numeri)

Dettagli

Alberto Bartoli Presidente Corso di Studi Ingegneria Informatica Coordinatore Dottorato di Ricerca Ingegneria dell Informazione

Alberto Bartoli Presidente Corso di Studi Ingegneria Informatica Coordinatore Dottorato di Ricerca Ingegneria dell Informazione Alberto Bartoli Presidente Corso di Studi Ingegneria Informatica Coordinatore Dottorato di Ricerca Ingegneria dell Informazione Dipartimento di Elettrotecnica, Elettronica, Informatica Università di Trieste

Dettagli

di4g: Uno strumento di clustering per l analisi integrata di dati geologici

di4g: Uno strumento di clustering per l analisi integrata di dati geologici di4g: Uno strumento di clustering per l analisi integrata di dati geologici Alice Piva 1, Giacomo Gamberoni 1, Denis Ferraretti 1, Evelina Lamma 2 1 intelliware snc, via J.F.Kennedy 15, 44122 Ferrara,

Dettagli

Guida alla sicurezza e alle prestazioni di un impianto frenante

Guida alla sicurezza e alle prestazioni di un impianto frenante trasporto pesante Guida alla sicurezza e alle prestazioni di un impianto frenante www.brembo.com trasporto pesante L i m p i a n t o f r e n a n t e d i u n v e i c ol o pesante per trasporto d i m e r

Dettagli

Visualizzatore Pagamenti F24 per RC AUTO - istruzioni

Visualizzatore Pagamenti F24 per RC AUTO - istruzioni Visualizzatore Pagamenti F24 per RC AUTO - istruzioni Il programma consente di visualizzare il contenuto dei files scaricabili da SIATEL 2.0 (PUNTOFISCO), relativi ai versamenti, eseguiti tramite modello

Dettagli

Analisi dei requisiti e casi d uso

Analisi dei requisiti e casi d uso Analisi dei requisiti e casi d uso Indice 1 Introduzione 2 1.1 Terminologia........................... 2 2 Modello della Web Application 5 3 Struttura della web Application 6 4 Casi di utilizzo della Web

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

Strato di rete. Argomenti: Obiettivi:

Strato di rete. Argomenti: Obiettivi: Strato di rete Obiettivi: Principi e servizi dello strato di rete: Routing (selezione del cammino da host sorg. (. dest a host Problemi di scala Come funziona un router Implementazione in Internet Argomenti:

Dettagli

Che cosa e come valutano le prove di matematica e con quali risultati. nell A.S. 2008 2009

Che cosa e come valutano le prove di matematica e con quali risultati. nell A.S. 2008 2009 Che cosa e come valutano le prove di matematica e con quali risultati nell A.S. 2008 2009 Presentazione a cura di Roberta Michelini Casalpusterlengo, 8 gennaio 2010 http://www.invalsi.it/esamidistato0809/

Dettagli

Esistenza di funzioni continue non differenziabili in alcun punto

Esistenza di funzioni continue non differenziabili in alcun punto UNIVERSITÀ DEGLI STUDI DI CAGLIARI FACOLTÀ DI SCIENZE MATEMATICHE, FISICHE E NATURALI CORSO DI LAUREA IN MATEMATICA Esistenza di funzioni continue non differenziabili in alcun punto Relatore Prof. Andrea

Dettagli

Accuratezza di uno strumento

Accuratezza di uno strumento Accuratezza di uno strumento Come abbiamo già accennato la volta scora, il risultato della misurazione di una grandezza fisica, qualsiasi sia lo strumento utilizzato, non è mai un valore numerico X univocamente

Dettagli

ELASTICITÀ. Sarebbe conveniente per il produttore aumentare ulteriormente il prezzo nella stessa misura del caso

ELASTICITÀ. Sarebbe conveniente per il produttore aumentare ulteriormente il prezzo nella stessa misura del caso Esercizio 1 Data la funzione di domanda: ELASTICITÀ Dire se partendo da un livello di prezzo p 1 = 1.5, al produttore converrà aumentare il prezzo fino al livello p 2 = 2. Sarebbe conveniente per il produttore

Dettagli

Articolo. Dieci buoni motivi per acquistare una telecamere di rete Ovvero, quello che il vostro fornitore di telecamere analogiche non vi dirà mai

Articolo. Dieci buoni motivi per acquistare una telecamere di rete Ovvero, quello che il vostro fornitore di telecamere analogiche non vi dirà mai Articolo Dieci buoni motivi per acquistare una telecamere di rete Ovvero, quello che il vostro fornitore di telecamere analogiche non vi dirà mai INDICE Introduzione 3 Dieci cose che il vostro fornitore

Dettagli

DEFINIZIONE DEL CONCEPT DI PRODOTTO

DEFINIZIONE DEL CONCEPT DI PRODOTTO DEFINIZIONE DEL CONCEPT DI PRODOTTO 92 Generazione dei concetti di prodotto Individuazione dei bisogni dei clienti Eseguire l analisi economica Analizzare i prodotti della concorrenza Costruire e collaudare

Dettagli

Progetto Didattico di Informatica Multimediale

Progetto Didattico di Informatica Multimediale Progetto Didattico di Informatica Multimediale VRAI - Vision, Robotics and Artificial Intelligence 20 aprile 2015 Rev. 18+ Introduzione Le videocamere di riconoscimento sono strumenti sempre più utilizzati

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

GeoGebra 4.2 Introduzione all utilizzo della Vista CAS per il secondo biennio e il quinto anno

GeoGebra 4.2 Introduzione all utilizzo della Vista CAS per il secondo biennio e il quinto anno GeoGebra 4.2 Introduzione all utilizzo della Vista CAS per il secondo biennio e il quinto anno La Vista CAS L ambiente di lavoro Le celle Assegnazione di una variabile o di una funzione / visualizzazione

Dettagli

Laboratorio di Calcolatori 1 Corso di Laurea in Fisica A.A. 2006/2007

Laboratorio di Calcolatori 1 Corso di Laurea in Fisica A.A. 2006/2007 Laboratorio di Calcolatori 1 Corso di Laurea in Fisica A.A. 2006/2007 Dott.Davide Di Ruscio Dipartimento di Informatica Università degli Studi di L Aquila Lezione del 08/03/07 Nota Questi lucidi sono tratti

Dettagli

Gli uni e gli altri. Strategie in contesti di massa

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

Dettagli

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

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

ALGORITMI 1 a Parte. di Ippolito Perlasca. Algoritmo:

ALGORITMI 1 a Parte. di Ippolito Perlasca. Algoritmo: ALGORITMI 1 a Parte di Ippolito Perlasca Algoritmo: Insieme di regole che forniscono una sequenza di operazioni atte a risolvere un particolare problema (De Mauro) Procedimento che consente di ottenere

Dettagli

IDENTIFICAZIONE dei MODELLI e ANALISI dei DATI. Lezione 40: Filtro di Kalman - introduzione. Struttura ricorsiva della soluzione.

IDENTIFICAZIONE dei MODELLI e ANALISI dei DATI. Lezione 40: Filtro di Kalman - introduzione. Struttura ricorsiva della soluzione. IDENTIFICAZIONE dei MODELLI e ANALISI dei DATI Lezione 40: Filtro di Kalman - introduzione Cenni storici Filtro di Kalman e filtro di Wiener Formulazione del problema Struttura ricorsiva della soluzione

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

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

Esercizi e Problemi di Termodinamica.

Esercizi e Problemi di Termodinamica. Esercizi e Problemi di Termodinamica. Dr. Yves Gaspar March 18, 2009 1 Problemi sulla termologia e sull equilibrio termico. Problema 1. Un pezzetto di ghiaccio di massa m e alla temperatura di = 250K viene

Dettagli

REGOLAMENTO DIDATTICO DEL CORSO DI LAUREA SPECIALISTICA IN INGEGNERIA ELETTRICA Second level degree in electrical engineering

REGOLAMENTO DIDATTICO DEL CORSO DI LAUREA SPECIALISTICA IN INGEGNERIA ELETTRICA Second level degree in electrical engineering REGOLAMENTO DIDATTICO DEL CORSO DI LAUREA SPECIALISTICA IN INGEGNERIA ELETTRICA Second level degree in electrical engineering ( MODIFICATO IL 29 giugno 2009) Classe 31/S Politecnico di Bari I A Facoltà

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

9. Urti e conservazione della quantità di moto.

9. Urti e conservazione della quantità di moto. 9. Urti e conservazione della quantità di moto. 1 Conservazione dell impulso m1 v1 v2 m2 Prima Consideriamo due punti materiali di massa m 1 e m 2 che si muovono in una dimensione. Supponiamo che i due

Dettagli

Macchine rotanti. Premessa

Macchine rotanti. Premessa Macchine rotanti Premessa Sincrono, asincrono, a corrente continua, brushless sono parecchi i tipi di motori elettrici. Per ognuno teoria e formule diverse. Eppure la loro matrice fisica è comune. Unificare

Dettagli

Esploro le fonti energetiche di tutto il mondo. Proteggo l ambiente. Sono il futuro. Sono un ingegnere petrolifero.

Esploro le fonti energetiche di tutto il mondo. Proteggo l ambiente. Sono il futuro. Sono un ingegnere petrolifero. Esploro le fonti energetiche di tutto il mondo. Proteggo l ambiente. Sono il futuro. Sono un ingegnere petrolifero. Cosa fa un ingegnere petrolifero? Gli ingegneri petroliferi individuano, estraggono e

Dettagli