Ottimizzazione Combinatoria
|
|
- Renata Bianchi
- 6 anni fa
- Visualizzazioni
Transcript
1 Ottimizzazione Combinatoria Esercitazione AMPL A.A Esercitazione a cura di Silvia Canale contatto canale@dis.uniroma.it Università i di Roma La Sapienza Dipartimento di Informatica e Sistemistica Corso di Laurea in Ingegneria Gestionale
2 Grafo Esercitazione AMPL 2
3 Problema Problema Il grafo Il grafo Sia dato il grafo orientato G(N,A) in figura N = {A, B, C, D, E} A = {AB AC BC BE CD DB DE} A = {AB, AC, BC, BE, CD, DB, DE} B A E C D C D Matrice di incidenza M di G(N,A) matrice 5 x 7 a valori {,, -} M = 3
4 Flusso di costo minimo (MCF) Esercitazione AMPL A.A
5 Problema Flusso su grafo orientato Sia dato il vettore c di capacità definito sull insieme A degli archi del grafo G(N,A) c = { 6,, 4,, 2,, 7,, 8,, 4,, 5 } A = {AB, AC, BC, BE, CD, DB, DE} 6 B A 2 4 E 4 4 C -5 Sia dato il vettore d di domande definito sull insieme N dei nodi del grafo G(N,A) d = {-5, 6, -5,, 4} N = {A, B, C, D, E } 8 D 5 5
6 Problema Flusso su grafo orientato Sia w il vettore di costi definito sull insieme A degli archi del grafo G(N,A) w = { 2, 3,, 5,, 2, 4 } A = {AB, AC, BC, BE, CD, DB, DE} 6 B A 2 E C D -5 Vogliamo risolvere il problema di flusso a costo minimo (MCF) sul grafo orientato G(N,A) rispetto al vettore w di costi (MCF) min wt x M x = d A x c 6
7 Problema di Flusso di Costo Minimo Vogliamo determinare un flusso x di (G, c, d) di costo minimo (x AB, 6) 6 B (x BE, 7) -5 A (x BC, 2) (x DB, 4) E 4 (x AC, 4) (x CD, 8) (x DE, 5) C D -5 costo(x) = w T x = 2 x AB + 3 x AC + x BC + 5 x BE + x CD + 2 x DB + 4 x CD (MCF) min w T x M x = d A x c Modelliamo il problema tramite AMPL 7
8 Modellazione con AMPL (MCF) min wt x M x = d A x c Modelliamo il problema tramite AMPL creando due file: - file.mod contenente: - la dichiarazione dei parametri: insiemi N, A; vettori w, d, c e M; - la dichiarazione delle variabili: vettore x; - la struttura e la definizione della funzione obiettivo: w T x; - la struttura e la descrizione dei vincoli: M x = d, A x c. - file.dat contenente i valori numerici dei parametri - N = {A, B, C, D, E} - A = {AB, AC, BC, BE, CD, DB, DE} - w = { 2, 3,, 5,, 2, 4 } M = - d = {-5, 6, -5,, 4} - c = { 6, 4, 2, 7, 8, 4, 5 } 8
9 File modello File modello MCF.mod - dichiarazione dei parametri: dichiariamo gli insiemi dei nodi N e degli archi A che identifichiamo con insieme NODI e insieme ARCHI: set NODI; (N) set ARCHI; (A) dichiariamo i vettori a una (w, d, c) e a due dimensioni (M): param costo {ARCHI}; (w) param domanda {NODI}; (d) param capacita {ARCHI}; (c) param M {NODI, ARCHI}; (M) 9
10 File modello File modello MCF.mod - dichiarazione delle variabili x positive e soggette a vincoli di capacità: var x {j in ARCHI} >=, <= capacita[j]; (x) A x c - la struttura e la definizione della funzione obiettivo w T x minimize Costo_Totale: sum {j in ARCHI} costo[j] * x[j]; etichetta etichetta - la struttura e la descrizione dei vincoli M x = d parametrizzata subject to Incidenza {i in NODI}: sum {j in ARCHI} M[i,j] * x[j] = domanda[i];
11 File dati MFC.dat File dati - definizione dei parametri: definiamo gli insiemi NODI e ARCHI: set NODI := A B C D E ; set ARCHI := AB AC BC BE CD DB DE ; definiamo i vettori a una dimensione (w, d, c): param domanda := A -5 B 6 C -5 D E 4 ; param: capacita costo := AB 6 2 AC 4 3 BC 2 il simbolo : BE 7 5 indica che stiamo CD 8 definendo più di un vettore DB 4 2 DE 5 4 ;
12 File dati File dati MFC.dat - definizione dei parametri: definiamo i vettori a due dimensioni (M): param M : AB AC BC BE CD DB DE := A - - B - - C - D - - E ; 2
13 Interprete AMPL ampl: reset; // cancelliamo i modelli e/o i dati precedentemente caricati // (obbligatorio se abbiamo già caricato un problema) ampl: model MCF.mod; // carichiamo prima il modello del problema ampl: data MCF.dat; // carichiamo successivamente i dati del problema 3
14 Soluzione del problema (MCF) ampl: option solver cplex; // scegliamo il solutore di Programmazione Matematica con cui // risolvere il problema: CPLEX (attualmente vers..2.) ampl: solve; // risolviamo il problema caricato valore ottimo // output ottenuto: CPLEX.2.: optimal solution; objective 33 dual simplex iterations ( in phase I) informazioni sul metodo di soluzione soluzione disponibile 4
15 Soluzione del problema (MCF) ampl: display x; // chiediamo i valori della soluzione ottenuta (componenti di x) // output ottenuto: x [*] := AB 5 AC BC soluzione a BE componenti CD 5 intere DB M DE 4 M ; I Totalmente unimodulare 5
16 Soluzione del problema (MCF) Abbiamo determinato il flusso x* ottimo di (G, c, d) 6 B (5, 6) (, 7) -5 A (, 2) (, 4) E 4 (, 4) (5, 8) (4, 5) C D -5 x* soddisfa sia i vincoli di capacità che i vincoli di domanda: M x* = d A x* c. costo(x*) = 2 x 5 + x x + 4 x 4 = 33 valore ottimo 6
17 Cammino di costo minimo (CM) Esercitazione AMPL A.A
18 Problema Cammino di costo minimo Siano s = A e t = E due nodi speciali del grafo G(N,A). Sia w il vettore di costi definito sull insieme A degli archi del grafo G(N,A) w = { 2, 3,, 5,, 2, 4 } A = {AB, AC, BC, BE, CD, DB, DE} B 2 5 A 2 E 3 C D 4 Vogliamo risolvere il problema di cammino di costo minimo (CM) da s a t sul grafo orientato G(N,A) rispetto al vettore w di costi. 8
19 Problema Cammino di costo minimo Consideriamo il vettore c di capacità infinite definito sull insieme A degli archi del grafo G(N,A) c = {,,,,,, } A = {AB, AC, BC, BE, CD, DB, DE} B A - E C Sia dato il vettore d di domande definito sull insieme N dei nodi del grafo G(N,A) d = {-,,,, } N = {A, B, C, D, E} D 9
20 Problema Cammino di costo minimo Il problema di cammino di costo minimo (CM) da s a t sul grafo orientato G(N,A) rispetto al vettore w di costi è un caso particolare di problema (MCF) T (CM) min w T x M x = d A x c Modelliamo il problema tramite AMPL Vogliamo determinare un cammino x di (G, c, d) di costo minimo B (x AB, ) (x BE, ) - A (x BC, ) (x DB, ) E (x AC, ) (x CD, ) (x DE, ) C D 2 costo(x) = w T x = 2 x + 3 x + x + 5 x + x + 2 x + 4 x
21 Modellazione con AMPL (CM) min w T x M x = d A x c Modelliamo il problema tramite AMPL creando due file: - file.mod contenente: - la dichiarazione dei parametri: insiemi N, A; vettori w, d, c e M; - la dichiarazione delle variabili: vettore x; - la struttura e la definizione della funzione obiettivo: w T x; - la struttura e la descrizione dei vincoli: M x = d, A x c. - file.dat contenente i valori numerici dei parametri - N = { A, B, C, D, E} - A = {AB, AC, BC, BE, CD, DB, DE} - w = { 2, 3,, 5,, 2, 4 } M = - d = {-,,,, } - c = {,,,,,, } 2
22 File modello CM.mod = MCF.mod File dati CM.dat File modello e dati - definizione dei parametri come per il file MCF.dat tranne i vettori a una dimensione (d, c): definiamo i vettori a una dimensione (w, d, c): param domanda := A - B C D E ; param: capacita costo := AB Infinity 2 AC Infinity 3 BC Infinity BE Infinity 5 CD Infinity DB Infinity i 2 DE Infinity 4 ; 22
23 Interprete AMPL ampl: reset; // cancelliamo i modelli e/o i dati precedentemente caricati // (obbligatorio se abbiamo già caricato un problema) ampl: model MCF.mod; // carichiamo prima il modello del problema Stesso file.mod di (MCF) ampl: data CM.dat; // carichiamo successivamente i dati del problema 23
24 Soluzione del problema ampl: option solver cplex; // scegliamo il solutore di Programmazione Matematica con cui // risolvere il problema: CPLEX (attualmente vers..2.) ampl: solve; // risolviamo il problema caricato valore ottimo // output ottenuto: CPLEX.2.: optimal solution; objective 7 dual simplex iterations ( in phase I) informazioni sul metodo di soluzione soluzione disponibile 24
25 Soluzione del problema ampl: display x; // chiediamo i valori della soluzione ottenuta (componenti di x) // output ottenuto: x [*] := AB AC BC soluzione a BE componenti CD intere DB M DE M ; I Totalmente unimodulare 25
26 Soluzione del problema (CM) Abbiamo determinato il cammino x* ottimo di (G, c, d) (, ) B (, ) - A (, ) ) (, ) ) E (, ) (, ) (, ) C D x* soddisfa sia i vincoli di capacità che i vincoli di domanda: M x* = d A x* c. valore costo(x*) = 2 x + 5 x = 7 ottimo 26
27 Flusso massimo (MF) Esercitazione AMPL A.A
28 Problema Massimo flusso Siano s = A e t = E due nodi speciali del grafo G(N,A). Sia dato il vettore c di capacità definito sull insieme A degli archi del grafo G(N,A) c = { 6, 4, 2, 7, 8, 4, 5 } A = {AB, AC, BC, BE, CD, DB, DE} B 6 7 A 2 4 E 4 C 8 D 5 Vogliamo risolvere il problema di massimo flusso (MF) da s a t sul grafo orientato G(N,A) rispetto al vettore c di capacità. 28
29 à Problema Problema Massimo flusso Massimo flusso Aggiungiamo l arco ts (e quindi una colonna alla matrice M) di capacità infinita. c = { 6, 4, 2, 7, 8, 4, 5, } A ={AB, AC, BC, BE, CD, DB, DE, EA} M= B A E C D
30 Problema Massimo flusso Sia w il vettore di costi definito sull insieme A degli archi del grafo G(N,A) w = {,,,,,,, } A = {AB, AC, BC, BE, CD, DB, DE, EA} 6 B 7 2 A 4 E 4 8 C D Sia dato il vettore d di domande definito sull insieme N dei nodi del grafo G(N,A) d ={ {,,,, } N = {A, B, C, D, E} 5 3
31 Problema Massimo flusso Il problema di massimo flusso (MF) da s a t sul grafo orientato G(N,A) rispetto al vettore c di capacità è un caso particolare di problema (MCF) (MF) max w T x M x = d A x c Modelliamo il problema tramite AMPL Vogliamo determinare un flusso x di (G, c, d) di valore massimo B (x AB,6) (x BE, 7) A (x BC, 2) (x DB, 4) E (x AC, 4) ) (x DE, 5) (x CD, 8) C D (x EA, ) 3
32 Modellazione con AMPL (MF) max w T x M x = d A x c Modelliamo il problema tramite AMPL creando due file: - file.mod contenente: - la dichiarazione dei parametri: insiemi N, A; vettori w, d, c e M; - la dichiarazione delle variabili: vettore x; - la struttura e la definizione della funzione obiettivo: w T x; - la struttura e la descrizione dei vincoli: M x = d, A x c. - file.dat contenente i valori numerici dei parametri - N = { A, B, C, D, E} - A = {AB, AC, BC, BE, CD, DB, DE,EA} EA} - w = {,,,,,,, } M= - d = {,,,, } - c = {6, 4, 2, 7, 8, 4, 5, } 32
33 File modello I possibilità File modello MF.mod Trasformiamo il problema di minimizzazione in uno di massimizzazione maximize Costo_Totale: sum {j in ARCHI} costo[j] * x[j]; Scriviamo esplicitamente i vincoli di capacità subject to Capacita {j in ARCHI}: x[j] <= capacita[j]; eliminandoli dalla dichiarazione delle variabili x var x {j in ARCHI} >= ; 33
34 File dati MF.dat File dati I possibilità - definizione dei parametri come per il file MCF.dat tranne: l insieme linsieme degli archi A e i vettori a una dimensione (w, d, c): set ARCHI := AB AC BC BE CD DB DE EA; param domanda := A B C D E ; param: capacita costo := AB 6 AC 4 BC 2 BE 7 CD 8 DB 4 DE 5 EA Infinity ; 34
35 File dati MF.dat File dati I possibilità - definizione dei parametri: definiamo i vettori a due dimensioni (M): param M : AB AC BC BE CD DB DE EA := A - - B - - C - D - - E -; 35
36 Interprete AMPL I possibilità ampl: reset; // cancelliamo i modelli e/o i dati precedentemente caricati // (obbligatorio se abbiamo già caricato un problema) ampl: model MF.mod; // carichiamo prima il modello del problema ampl: data MF.dat; // carichiamo successivamente i dati del problema 36
37 Soluzione del problema I possibilità ampl: option solver cplex; // scegliamo il solutore di Programmazione Matematica con cui // risolvere il problema: CPLEX (attualmente vers..2.) ampl: solve; // risolviamo il problema caricato valore ottimo // output ottenuto: CPLEX.2.: optimal solution; objective dual simplex iterations ( in phase I) informazioni sul metodo di soluzione soluzione disponibile 37
38 Soluzione del problema I possibilità ampl: display x; // chiediamo i valori della soluzione ottenuta (componenti di x) // output ottenuto: x [*] := AB 6 AC 4 BC BE 7 CD 4 DB DE 3 EA ; soluzione a componenti intere M M I Totalmente unimodulare 38
39 Soluzione del problema (MF) Abbiamo determinato il flusso x* ottimo di (G, c, d) B (6,6) (7, 7) A (, 2) (, 4) E (4, 4) (3, 5) (4, 8) C D (, ) ) x* soddisfa sia i vincoli di capacità che i vincoli di domanda: M x* = d A x* c. valore costo(x*) = x = ottimo 39
40 (MF) z R N ) y R A ) Duale del Massimo Flusso max x ts Mx bx = I A x x A c ; ts x ts N B A 4 E C D DUALE del Massimo Flusso (DMF) x R A x ts ) A ) M z min t T z c y T T + (DMF) min c y I A y A z z + y uv A z s z u t z v s uv A y A y 4
41 Soluzione duale I possibilità ampl: display Incidenza; // chiediamo i valori della soluzione duale ottenuta (componenti di z di (DMF)) // output ottenuto: Incidenza [*] := A B C D E ; 4
42 Soluzione duale I possibilità ampl: display Capacita; // chiediamo i valori della soluzione duale ottenuta (componenti di y di (DMF)) // output ottenuto: Capacita [*] := AB AC BC BE CD DB DE EA ; TEOREMA F5: Il duale del massimo flusso N A soluzione ottima {, } ammette una soluzione ottima z + y 42
43 Soluzione duale del problema (MF) Abbiamo determinato - il flusso x* ottimo di (G, c, d) - il taglio s-t δ + (X) di (G,c) di capacità minima B (6,6) (7, 7) ) A (, 2) (, 4) E (4, 4) (3, 5) (4, 8) C D (, ) TAGLIO s-t di (G,c) - Taglio che separa s da t - z vettore di incidenza di X X ={A} - y vettore di incidenza di δ + (X) valore massimo flusso capacità c T y = = δ + (X) = {AB,AC} 43
44 File modello e dati II possibilità File modello MF.mod = MCF.mod File dati MF.min.dat - definizione dei parametri come per il file MCF.dat tranne: l insieme degli archi A e i vettori a una dimensione (w, d, c): set ARCHI := AB AC BC BE CD DB DE EA; param domanda := A B C D E ; param: capacita costo := AB 6 AC 4 BC 2 BE 7 CD 8 DB 4 DE 5 EA Infinity - ; max w T x = -min (-w) T x 44
45 File dati II possibilità File dati MF.min.dat - definizione dei parametri: definiamo i vettori a due dimensioni (M): param M : AB AC BC BE CD DB DE EA := A - - B - - C - D - - E -; 45
46 Interprete AMPL II possibilità ampl: reset; // cancelliamo i modelli e/o i dati precedentemente caricati // (obbligatorio se abbiamo già caricato un problema) ampl: model MCF.mod; // carichiamo prima il modello del problema Stesso file.mod di (MCF) ampl: data MF.min.dat; // carichiamo successivamente i dati del problema 46
47 Soluzione del problema II possibilità ampl: option solver cplex; // scegliamo il solutore di Programmazione Matematica con cui // risolvere il problema: CPLEX (attualmente vers..2.) ampl: solve; // risolviamo il problema caricato valore ottimo // output ottenuto: CPLEX.2.: optimal solution; objective - dual simplex iterations ( in phase I) informazioni sul metodo di soluzione soluzione disponibile 47
48 Soluzione del problema II possibilità ampl: display x; // chiediamo i valori della soluzione ottenuta (componenti di x) // output ottenuto: x [*] := AB 6 AC 4 BC BE 7 CD 4 DB DE 3 EA ; soluzione a componenti intere M M I Totalmente unimodulare 48
49 Restrizioni sulle variabili Le variabili sono le grandezze che descrivono la soluzione del problema. Le variabili vengono dichiarate nel file del.mod. L identificativo della variabile viene preceduto dalla parola chiave var e, eventualmente, viene seguito da restrizioni al suo valore. In AMPL le restrizioni sulle variabili possono essere descritte da espressioni logiche oppure dalle parole chiave integer e binary per indicare che la variabile è di tipo intero oppure binario. ampl: :var x >= ; ampl: var y binary; ampl: var z integer; 49
50 Stampa del modello A volte può essere utile stampare il modello che è stato precedentemente dichiarato nel file.mod e definito in tutte le sue componenti nel file.dat. AMPL permette di interrogare il solutore chiamato per risolvere il modello e di richiedergli la stampa del modello da risolvere. Se viene utilizzato il solutore CPLEX, il formato in cui viene stampato il modello è il formato LP. Il comando CPLEX per la stampa di un modello è writeprob seguito dal nome del file sul quale stampare il modello. In AMPL per dare il comando writeprob a CPLEX si usa l istruzione option con argomento cplex_option seguito dal comando writeprob ampl: option cplex_options 'writeprob problem.lp'; 5
51 Stampa del modello Esempio Stampa del modello MCF.mod ampl: model MCF.mod; ampl: data MCF.dat; ampl: option solver cplex; ampl: option cplex_options 'writeprob MCF.lp'; ampl: solve; CPLEX.2.: writeprob MCF.lp CPLEX.2.: optimal solution; objective 33 dual simplex iterations ( in phase I) 5
52 Stampa del modello Esempio Stampa del modello MCF.mod: file MCF.lp \Problem name: c7v5io7 Minimize obj: 2 x + 3 x2 + x3 + 5 x4 + x5 + 2 x6 + 4 x7 Subject To c: - x - x2 = -5 c2: x - x3 - x4 + x6 = 6 c3: x2 + x3 -x5 = -5 c4: x5 - x6 - x7 = tutti i nomi delle c5: x4 + x7 = 4 variabili e dei vincoli Bounds sono stati ti sostituiti iti <= x <= 6 da etichette generiche <= x2 <= 4 <=x3<=2 questo può <= x4 <= 7 rendere il <= x5 <= 8 modello di <= x6 <= 4 <= x7 <= 5 End difficile lettura 52
53 Stampa del modello Per indicare al solutore CPLEX che le etichette delle diverse componenti del modello devono essere quelle dichiarate nel file.mod utilizziamo il comando CPLEX rc prima del comando writeprob. In AMPL per dare il comando rc a CPLEX si usa l istruzione option con argomento cplex _ auxfiles seguito dal comando rc ampl: option cplex_auxfiles 'rc'; ampl: option cplex_options 'writeprob problem.lp'; 53
54 Stampa del modello Esempio Stampa del modello MCF.mod con etichette originali ampl: model MCF.mod; ampl: data MCF.dat; ampl: option solver cplex; ampl: option cplex_auxfiles 'rc'; ampl: option cplex_options 'writeprob MCF_names.lp'; ampl: solve; CPLEX.2.: writeprob MFC_names.lp CPLEX.2.:.: optimal solution; o objective 33 simplex iterations ( in phase I) 54
55 Stampa del modello Esempio Stampa del modello MCF.mod: file MCF_names.lp \Problem name: c7v5io7 Minimize obj: 2 x('ab') + 3 x('ac') + x('bc') + 5 x('be') + x('cd') + 2 x('db') + 4 x('de') Subject To Incidenza('A'): - x('ab') - x('ac') = -5 Incidenza('B'): x('ab') - x('bc') - x('be') + x('db') = 6 Incidenza('C'): x('ac')+x('bc') ) - x('cd') =-5 Incidenza('D'): x('cd') - x('db') - x('de') = Incidenza('E'): x('be') + x('de') = 4 Bounds <= x('ab') <= 6 <= x('ac') <= 4 <= x('bc') <= 2 <= x('be') <= 7 <= x('cd') <= 8 <= x('db') <= 4 <= x('de') <= 5 End
56 Modalità dati Il comando dt data dice all interprete che segue la definizione delle entità precedentemente dichiarate. ampl: data MCF.dat; // carichiamo successivamente i dati del problema Il comando data può essere anche utilizzato per porre l interprete in modalità dati e può essere utilizzato direttamente da riga di comando. ampl: model MCF.mod; ampl: data; ampl data: set NODI := A; ampl data: display NODI; set NODI := A; ampl: Per uscire dalla modalità dati occorre digitare una parola chiave diversa da quelle che identificano i dati (set, param, etc.) 56
57 Modalità dati Quando assegniamo valori dopo il comando data, l interprete verifica che ad un entità non venga assegnato più di un valore. ampl: model MCF.mod; ampl: data; ampl ldata: set tnodi := A; ampl data: display NODI; set NODI := A; ampl: data; ampl data: set NODI := B; dt data for NODI already read context: set >>> NODI <<< := B; 57
58 Modalità dati Per aggiornare il valore assegnato ad un entità abbiamo due modi: ) Con l istruzione reset // cancella tutte le assegnazioni reset data; reset data <lista_entità>; // cancella le assegnazioni delle entità nella lista <lista_entità> ampl: model MCF.mod; ampl: data; ampl data: set NODI := A; ampl data: display NODI; set NODI := A; ampl: reset data NODI; ampl: display NODI; Error executing "display" command: no data for set NODI ampl: data; ampl data: set NODI := B; ampl data: display NODI; set NODI := B; 58
59 2) Con l istruzione update Modalità dati update data; // aggiorna tutte le assegnazioni update data <lista_ entità>; // aggiorna le assegnazioni delle ampl: model MCF.mod; ampl: data; ampl data: set NODI := A; ampl data: display NODI; set NODI := A; ampl: update data NODI; ampl: display NODI; set NODI := A; entitànella lista <lista_entità> ampl: data; ampl data: set NODI := B; ampldata: display NODI; set NODI := B; 59
60 Modalità dati Per aggiornare il valore di un singolo dato, ad esempio di un parametro, possiamo utilizzare l istruzione let ampl: param P; ampl: data; ampldata: paramp := 3; ampl data: display P; P = 3 L istruzione Listruzione let può essere utilizzata senza entrare in modalità dati ampl: let P := 2 * P; ampl: display P; P = 6 Il valore del singolo dato da aggiornare può essere letto anche da un file.dat 6
61 Insiemi a più dimensioni Come per i parametri, anche gli insiemi (parola chiave set) possono essere a più dimensioni. In AMPL il comando dimen nella dichiarazione di un insieme specifica la dimensione dell insieme. ampl: set COPPIE dimen 2; ampl: data; ampl data: set COPPIE := (A,B) (A,C) (B,C); ampl data: display COPPIE; set COPPIE := (A,B) (A,C) (B,C); Oltre a definire insiemi e operazioni tra insiemi, il comando setof permette di creare insiemi proiezione di insiemi precedentemente dichiarati. ampl: set PROIEZIONE := setof { (i,j) in COPPIE } i; ampl: display PROIEZIONE; set PROIEZIONE := A B; 6
62 Materiale Oltre alle slide di questa esercitazione, è possibile trovare ulteriore materiale alla pagina relativamente a: gestione di canali di input/output p in AMPL stringhe di caratteri in AMPL istruzioni iterative e if then html script in AMPL
Ottimizzazione Combinatoria
Ottimizzazione Combinatoria Esercitazione AMPL A.A. 2009-2010 Esercitazione a cura di Silvia Canale contatto e-mail: canale@dis.uniroma1.it Università di Roma La Sapienza Dipartimento di Informatica e
DettagliProgetto e ottimizzazione di reti 2
Progetto e ottimizzazione di reti 2 Esercitazione AMPL A.A. 29-2 Esercitazione a cura di Silvia Canale contatto e-mail: canale@dis.uniroma.it Università di Roma La Sapienza Dipartimento di Informatica
DettagliScopo del laboratorio
p. 1/1 Scopo del laboratorio Imparare ad usare programmi che implementino metodi di ottimizzazione: simplesso, branch and bound ecc. utilizzarli per risolvere un problema proposto Modellatori Solver p.
DettagliMiscelazione di benzine
Miscelazione di benzine Una raffineria deve miscelare 4 tipi di petrolio grezzo per ottenere 3 tipi di benzina. La tabella seguente mostra la massima quantità disponibile per ogni tipo di petrolio grezzo
DettagliIntroduzione. AMPL Introduzione. F. Rinaldi. Dipartimento di Matematica Università di Padova. Corso di Laurea Matematica. F. Rinaldi AMPL Introduzione
Dipartimento di Matematica Università di Padova Corso di Laurea Matematica Outline Introduzione Utilizzo di un Solver Definizione Un solver (o risolutore) è un software che riceve in input una descrizione
DettagliAMPL Problemi su Reti
Dipartimento di Matematica Università di Padova Corso di Laurea Informatica Outline Problemi su Reti Cammino Minimo Molti problemi di ottimizzazione combinatoria possono essere modellati ricorrendo ai
DettagliFlusso a Costo Minimo
Sapienza Università di Roma - Dipartimento di Ingegneria Informatica, Automatica e Gestionale Flusso a Costo Minimo Docente: Renato Bruni bruni@dis.uniroma.it Corso di: Ottimizzazione Combinatoria Dal
DettagliTSP con eliminazione di sottocicli
TSP con eliminazione di sottocicli Un commesso viaggiatore deve visitare 7 clienti in modo da minimizzare la distanza percorsa. Le distanze (in Km) tra ognuno dei clienti sono come segue: 3 5 7-8 9 57
DettagliUNIVERSITÀ DEGLI STUDI ROMA TRE Collegio Didattico in Ingegneria Informatica corso di Ricerca operativa 2. Esercizi sul problema dell assegnamento
UNIVERSITÀ DEGLI STUDI ROMA TRE Collegio Didattico in Ingegneria Informatica corso di Ricerca operativa Esercizi sul problema dell assegnamento Richiami di Teoria Ricordiamo che, dato un grafo G=(N,A),
DettagliTSP con eliminazione di sottocicli
TSP con eliminazione di sottocicli Un commesso viaggiatore deve visitare 7 clienti in modo da minimizzare la distanza percorsa. Le distanze (in Km) tra ognuno dei clienti sono come segue: 7-8 9 7 9-8 79
DettagliGestione Impresa. Mese 1 2 3 4 5 6 Unità richieste 700 600 500 800 900 800
Gestione Impresa Un impresa di produzione produce un solo tipo di merce. Ci sono 40 operai, ciascuno dei quali produce 20 unità di merce al mese. La domanda fluttua nel corso di un semestre secondo la
DettagliAMPL: Risoluzione di Problemi Nonlineari
Dipartimento di Matematica Università di Padova Corso di Laurea Matematica Outline Risoluzione Problemi Non Lineari Generazione Sequenza Randomica investimenti2.run # cancella eventuali dati memorizzati
DettagliAMPL: Esempi. F. Rinaldi. Corso di Laurea Matematica. Dipartimento di Matematica Università di Padova. Esempi di Modellazione in AMPL
Dipartimento di Matematica Università di Padova Corso di Laurea Matematica Outline Esempi di Modellazione in AMPL Esempio 2 Problema della Dieta In questo problema é data una lista di cibi, a ciascuno
DettagliTeoria della Programmazione Lineare Intera
Teoria della Programmazione Lineare Intera Laura Galli Dipartimento di Informatica Largo B. Pontecorvo, 567 Pisa laura.galli@unipi.it http://www.di.unipi.it/~galli 7 Ottobre 0 Ricerca Operativa Laurea
DettagliUso del linguaggio di modellazione AMPL
Sapienza Sapienza Universitàdi Roma - Dipartimento di Ingegneria Informatica, Automatica e Gestionale Uso del linguaggio di modellazione AMPL Renato Bruni bruni@dis.uniroma1.it www.dis.uniroma1.it/~bruni
DettagliFigura 1: 1) Si scriva la formulazione del problema come problema di PLI (con un numero minimo di vincoli) e la matrice dei vincoli.
ESERCIZIO 1 Sia dato il grafo orientato in Figura 1. Si consideri il problema di flusso a 1 2 4 Figura 1: costo minimo su tale grafo con b 1 = 4 b 2 = 2 b = b 4 = e c 12 = 2 c 1 = 4 c 14 = 1 c 2 = 1 c
DettagliOttimizzazione dei Sistemi Complessi
1 Martedì 17 Maggio 2016 1 Istituto di Analisi dei Sistemi ed Informatica IASI - CNR Programmazione con incertezza Una società di autonoleggio dispone (attualmente, oggi) di 50 macchine tutte dislocate
Dettagli126 APPROFONDIMENTI SUI PARAMETRI. SCRIPT IN AMPL
126 APPROFONDIMENTI SUI PARAMETRI. SCRIPT IN AMPL Esempio 8.3.2 Una fabbrica produce divani in tessuto acquistando da un magazzino all ingrosso i quantitativi di tessuto che gli occorrono settimanalmente.
DettagliLinguaggi di modellizzazione
p. 1/5 Linguaggi di modellizzazione Come visto, il primo passo per risolvere un problema di decisione consiste nel formularne il modello matematico. Una volta definito il modello matematico lo dobbiamo
DettagliRicerca Operativa. G. Liuzzi. Lunedí 20 Aprile 2015
1 Lunedí 20 Aprile 2015 1 Istituto di Analisi dei Sistemi ed Informatica IASI - CNR Rilassamento di un problema Rilassare un problema di Programmazione Matematica vuol dire trascurare alcuni (tutti i)
DettagliOttimizzazione Combinatoria
Ottimizzazione Combinatoria Esercitazione AMPL A.A. 2010-20112011 Esercitazione a cura di Silvia Canale contatto e-mail: canale@dis.uniroma1.it Università i di Roma La Sapienza Dipartimento di Informatica
DettagliPianificazione di Produzione in DEC
Pianificazione di Produzione in DEC L esempio considerato qui è un problema reale che la Digital Equipment Corporation (DEC) ha dovuto affrontare nell autunno del 1988 per preparare la pianificazione di
DettagliAppunti delle Esercitazione di Ricerca Operativa AMPL Plus v1.6
Appunti delle Esercitazione di Ricerca Operativa AMPL Plus v1.6 acuradig.liuzzi a.a. 2001-2002 1 Uso di variabili e parametri a 3 o più dimensioni: un modello di pianificazione Negli esempi precedenti
DettagliIntroduzione ai grafi. Introduzione ai grafi p. 1/2
Introduzione ai grafi Introduzione ai grafi p. 1/2 Grafi Un grafo G é costituito da una coppia di insiemi (V,A) dove V é detto insieme dei nodi e A é detto insieme di archi ed é un sottinsieme di tutte
DettagliOttimizzazione nella Gestione dei Progetti - Esercitazione 1: calcolo degli schedule ottimi
Università degli Studi di Roma La Sapienza Ottimizzazione nella Gestione dei Progetti - Esercitazione : calcolo degli schedule ottimi di FABIO D ANDREAGIOVANNI Dipartimento di Informatica e Sistemistica
DettagliAMPL Sintassi ed Esempi
Dipartimento di Matematica Università di Padova Corso di Laurea Informatica Outline Sintassi Elementi di un problema Insiemi Parametri Variabili Funzione Obiettivo Vincoli Dati Insiemi Gli insiemi definiscono
DettagliProblema del Trasporto. Container vuoti Verona 10 Perugia 12 Roma 20 Pescara 24 Taranto 18 Lamezia 40
Problema del Trasporto Una ditta di trasporto deve trasferire container vuoti dai propri 6 Magazzini, situati a Verona, Perugia, Roma, Pescara, Taranto e Lamezia, ai principali Porti nazionali (Genova,
Dettagli1 Breve introduzione ad AMPL
1 Breve introduzione ad AMPL Il primo passo per risolvere un problema reale attraverso strumenti matematici consiste nel passare dalla descrizione a parole del problema al modello matematico dello stesso.
DettagliGRAFI. Cosa sono Grafi non orientati Grafi orientati Grafi pesati Alberi Automi!
G R A F I 1 GRAFI Cosa sono Grafi non orientati Grafi orientati Grafi pesati Alberi Automi! 2 cip: cip: Pallogrammi Pallogrammi GRAFI: cosa sono I grafi sono una struttura matematica fondamentale: servono
DettagliAppunti delle Esercitazioni di Ottimizzazione V.O. AMPL: A Mathematical Programming Language
Appunti delle Esercitazioni di Ottimizzazione V.O. AMPL: A Mathematical Programming Language a cura di G. Liuzzi and V. Piccialli a.a. 2004-2005 liuzzi@dis.uniroma1.it, http://www.dis.uniroma1.it/ liuzzi
DettagliTraccia 1. Nome Cognome Matricola Firma. Spazio Riservato alla Commissione. Esercizio 1 Esercizio 2 Esercizio 3 Esercizio 4 Esercizio 5 Totale
Nome Cognome Matricola Firma Traccia 1 Spazio Riservato alla Commissione Esercizio 1 Esercizio 2 Esercizio 3 Esercizio 4 Esercizio 5 Totale Appello di Fondamenti di Informatica 12/09/2017 POSSIBILI SOLUZIONI
DettagliAMPL: Esempi e Comandi Avanzati
Dipartimento di Matematica Università di Padova Corso di Laurea Matematica Outline Comandi Avanzati Script per Operazioni Complesse Ciclo For for {e in INSIEME}{... } Ciclo Repeat While (termina se espressione
DettagliDomini di funzioni di due variabili. Determinare i domini delle seguenti funzioni di due variabili (le soluzioni sono alla fine del fascicolo):
UNIVERSITA DEGLI STUDI DI SALERNO C.d.L. in INGEGNERIA GESTIONALE Esercizi di Ricerca Operativa Prof. Saverio Salerno Corso tenuto nell anno solare 2009 I seguenti esercizi sono da ritenersi di preparazione
DettagliCorso di Perfezionamento
Programmazione Dinamica 1 1 Dipartimento di Matematica e Informatica Università di Camerino 15 febbraio 2009 Tecniche di Programmazione Tecniche di progettazione di algoritmi: 1 Divide et Impera 2 Programmazione
DettagliManagement Sanitario. Modulo di Ricerca Operativa
Management Sanitario per il corso di Laurea Magistrale SCIENZE RIABILITATIVE DELLE PROFESSIONI SANITARIE Modulo di Ricerca Operativa Prof. Laura Palagi http://www.dis.uniroma1.it/ palagi Dipartimento di
DettagliProva Scritta di Ricerca Operativa
Prova Scritta di Ricerca Operativa (Prof. Fasano Giovanni) Università Ca Foscari Venezia - Sede di via Torino 12 gennaio 2017 Regole per l esame: la violazione delle seguenti regole comporta il ritiro
DettagliOttimizzazione su grafi: massimo flusso (parte 1) Ottimizzazione su grafi:massimo flusso (parte 1) p. 1/33
Ottimizzazione su grafi: massimo flusso (parte 1) Ottimizzazione su grafi:massimo flusso (parte 1) p. 1/33 Ottimizzazione su grafi:massimo flusso (parte 1) p. 2/33 Reti di flusso Una rete di flusso è una
Dettagli2. ALGORITMO DEL SIMPLESSO
. ALGORITMO DEL SIMPLESSO R. Tadei Una piccola introduzione R. Tadei SIMPLESSO L obiettivo del capitolo è quello di fornire un algoritmo, l algoritmo del simplesso, che risolve qualsiasi problema di programmazione
Dettaglix 1 x 2 x 3 x 5 La base iniziale è B 0 = I e risulta x B 0 = , x N 0 = Iterazione 0. Calcolo dei costi ridotti. γ 0 = c N 0 (N 0 ) T c B 0 =
56 IL METODO DEL SIMPLESSO 7.4 IL METODO DEL SIMPLESSO In questo paragrafo sono riportati alcuni esercizi risolti sul metodo del simplesso. Alcuni sono risolti utilizzando la procedura di pivot per determinare,
DettagliParte V: Rilassamento Lagrangiano
Parte V: Rilassamento Lagrangiano Tecnica Lagrangiana Consideriamo il seguente problema di Programmazione Lineare Intera: P 1 min c T x L I Ax > b Cx > d x > 0, intera in cui A = matrice m x n C = matrice
DettagliMetodi e Modelli per l Ottimizzazione Combinatoria Metodi Risolutivi per la Programmazione Lineare Intera
Metodi e Modelli per l Ottimizzazione Combinatoria Metodi Risolutivi per la Programmazione Lineare Intera L. De Giovanni G. Zambelli Un problema di programmazione lineare intera é una problema della forma
DettagliIntroduzione al Metodo del Simplesso. 1 Soluzioni di base e problemi in forma standard
Introduzione al Metodo del Simplesso Giacomo Zambelli 1 Soluzioni di base e problemi in forma standard Consideriamo il seguente problema di programmazione lineare (PL), relativo all esempio di produzione
DettagliProblemi, istanze, soluzioni
lgoritmi e Strutture di Dati II 2 Problemi, istanze, soluzioni Un problema specifica una relazione matematica tra dati di ingresso e dati di uscita. Una istanza di un problema è formata dai dati di un
DettagliProblemi di Flusso e Applicazioni
Problemi di Flusso e Applicazioni Andrea Scozzari a.a. 2013-2014 May 20, 2014 Andrea Scozzari (a.a. 2013-2014) Problemi di Flusso e Applicazioni May 20, 2014 1 / 5 Flussi Multiprodotto I problemi presi
DettagliGrafi e Funzioni di Costo ESERCIZI
Grafi e Funzioni di Costo ESERCIZI Esercizio1 Si determini la matrice di incidenza archi-percorsi ed i costi di percorso per la rete di trasporto rappresentata in figura. 1 4 2 3 5 Ramo Costo Ramo Costo
DettagliModelli di Programmazione Matematica e introduzione ad AMPL
1 Modelli di Programmazione Matematica e introduzione ad AMPL Come accennato nell introduzione, all interno della Ricerca Operativa, un ruolo di fondamentale importanza è svolto dalla Programmazione Matematica
DettagliIntroduzione ai grafi
TFA A048 Anno Accademico 2012-13 Outline Cenni storici sui grafi Nozioni introduttive: cammini, connessione, alberi, cicli Cammini di costo minimo Origini storiche La nascita della teoria dei grafi risale
DettagliFondamenti di Informatica 6. Algoritmi e pseudocodifica
Vettori e matrici #1 Fondamenti di Informatica 6. Algoritmi e pseudocodifica Corso di Laurea in Ingegneria Civile A.A. 2010-2011 1 Semestre Prof. Giovanni Pascoschi Le variabili definite come coppie
DettagliModelli di programmazione lineare. Il metodo grafico è basato su linearità della funzione obiettivo linearità dei vincoli
Ricerca Operativa 2. Modelli di Programmazione Lineare Modelli di programmazione lineare Il metodo grafico è basato su linearità della funzione obiettivo linearità dei vincoli Sotto queste ipotesi (come
DettagliSoluzione di problemi di Programmazione Lineare Intera
10 Soluzione di problemi di Programmazione Lineare Intera 10.1 ESERCIZI SULLA SOLUZIONE DI PROBLEMI DI PROGRAMMAZIONE LINEARE INTERA Esercizio 10.1.1 Risolvere con il metodo del Branch and Bound il seguente
DettagliRicerca Operativa e Logistica Dott. F.Carrabs e Dott.ssa M.Gentili
Ricerca Operativa e Logistica Dott. F.Carrabs e Dott.ssa M.Gentili Modelli per la Logistica Distributiva: Single Commodity Minimum Cost Flow Problem Multi Commodity Minimum Cost Flow Problem Fixed Charge
Dettagli4.1 Localizzazione e pianificazione delle base station per le reti UMTS
esercitazione Ottimizzazione Prof E Amaldi Localizzazione e pianificazione delle base station per le reti UMTS Consideriamo il problema di localizzare un insieme di stazioni radio base, base station (BS),
DettagliCorso di Matematica per la Chimica
Corso di Matematica per la Chimica Dott.ssa Maria Carmela De Bonis Dipartimento di Matematica, Informatica e Economia Università della Basilicata a.a. 2014-15 Propagazione degli errori introdotti nei dati
DettagliPossibile applicazione
p. 1/4 Assegnamento Siano dati due insiemi A e B entrambi di cardinalità n. Ad ogni coppia (a i,b j ) A B è associato un valore d ij 0 che misura la "incompatibilità" tra a i e b j, anche interpretabile
DettagliALGORITMI DI OTTIMIZZAZIONE M Esercizi Parte I
ALGORITMI DI OTTIMIZZAZIONE M Esercizi Parte I Esercizio 1 Dati n oggetti ed un contenitore, ad ogni oggetto j (j = 1,, n) sono associati un peso p j ed un costo c j (con p j e c j interi positivi). Si
DettagliMetodi di Analisi dei Dati Sperimentali. AA 2009/2010 Pier Luca Maffettone. Elementi di Matlab
Metodi di Analisi dei Dati Sperimentali AA /2010 Pier Luca Maffettone Elementi di Matlab Sommario Introduzione Variabili Manipolazione di elementi Creazione di vettori/matrici Operazioni elementari Funzioni
DettagliRilassamento Lagrangiano
RILASSAMENTO LAGRANGIANO 1 Rilassamento Lagrangiano Tecnica più usata e conosciuta in ottimizzazione combinatoria per il calcolo di lower/upper bounds (Held and Karp (1970)). Si consideri il seguente problema
DettagliRicerca Operativa. Analisi della sensitività in AMPL. Andrea Raiconi
Ricerca Operativa Analisi della sensitività in AMPL Andrea Raiconi araiconi@unisa.it Corso di Laurea Magistrale in Ingegneria Informatica Università degli Studi di Cassino e del Lazio Meridionale Esempio
DettagliComplementi di Matematica e Calcolo Numerico A.A Laboratorio 11 - Metodi numerici per equazioni differenziali ordinarie
Complementi di Matematica e Calcolo Numerico A.A. 2013-2014 Laboratorio 11 - Metodi numerici per equazioni differenziali ordinarie Cosideriamo il Problema di Cauchy: y (t) = f(t,y(t)) t I, y(t 0 ) = y
DettagliClaudio Arbib Università di L Aquila. Ricerca Operativa. Reti di flusso
Claudio Arbib Università di L Aquila Ricerca Operativa Reti di flusso Sommario Definizioni di base Flusso di un campo vettoriale Divergenza Integrale di Gauss-Greene Flusso in una rete Sorgenti, pozzi
DettagliElementi di un modello di Programmazione Matematica
1 Ricerca Operativa Laboratorio: utilizzo di solver per programmazione matematica Elementi di un modello di Programmazione Matematica Insiemi: elementi del sistema; Parametri: dati del problema; Variabili
DettagliAltri esempi e introduzione alla Programmazione Lineare Intera
5 Altri esempi e introduzione alla Programmazione Lineare Intera Prima di introdurre i modelli di Programmazione Lineare Intera, vediamo un altro esempio di implementazione in AMPL di un modello di Programmazione
DettagliEsercitazione 6 Ancora sul Network Flow
Esercitazione 6 Ancora sul Network Flow Problema 14 (appello 28/09/2015) Un importante azienda di sviluppo software ha n progetti da portare a termine entro la fine dell anno. Il manager dell azienda stima
Dettagli2.3.3 Cammini ottimi nei grafi senza circuiti
.. Cammini ottimi nei grafi senza circuiti Sia un grafo G = (N, A) orientato senza circuiti e una funzione di costo che assegna un valore c ij R ad ogni arco (i, j) A circuito Proprietà I nodi di un grafo
DettagliProblemi di Flusso: Il modello del Trasporto
Problemi di Flusso: Il modello del rasporto Andrea Scozzari a.a. 2014-2015 April 27, 2015 Andrea Scozzari (a.a. 2014-2015) Problemi di Flusso: Il modello del rasporto April 27, 2015 1 / 25 Problemi su
Dettagli5.5 Metodi generali per la soluzione di problemi
5.5 Metodi generali per la soluzione di problemi di PLI I problemi di PLI hanno caratteristiche molto diverse dai problemi di PL. In alcuni casi, la soluzione del problema lineare rilassato, ottenuto cioè
DettagliUNIVERSITÀ DEGLI STUDI ROMA TRE Corso di Studi in Ingegneria Informatica Ricerca Operativa 1 Seconda prova intermedia 17 giugno 2013
A UNIVERSITÀ DEGLI STUDI ROMA TRE Corso di Studi in Ingegneria Informatica Ricerca Operativa Seconda prova intermedia 7 giugno 0 Nome: Cognome: Matricola: Orale /06/0 ore aula N Orale 0/07/0 ore aula N
DettagliArray in Fortran 90. Ing. Luca De Santis. Anno accademico 2006/2007. DIS - Dipartimento di informatica e sistemistica
Array in Fortran 90 Ing. Luca De Santis DIS - Dipartimento di informatica e sistemistica Anno accademico 2006/2007 Fortran 90: array DIS - Dipartimento di informatica e sistemistica 1 / 25 Cosa vedremo
DettagliALGEBRA E GEOMETRIA Esercizi Corso di Laurea in Chimica - anno acc. 2015/2016 docente: Elena Polastri,
ALGEBRA E GEOMETRIA Esercizi Corso di Laurea in Chimica - anno acc. 05/06 docente: Elena Polastri, plslne@unife.it Esercizi 3: SPAZI VETTORIALI e MATRICI Combinazioni lineari di vettori.. Scrivere il vettore
DettagliAUTOMA A STATI FINITI
Gli Automi Un Automa è un dispositivo, o un suo modello in forma di macchina sequenziale, creato per eseguire un particolare compito, che può trovarsi in diverse configurazioni più o meno complesse caratterizzate
DettagliAnalisi interazione domanda/offerta: modelli di assegnazione
Corso di Laurea Ingegneria Civile e Ambientale - AA Corso di: Fondamenti di Trasporti Lezione: Analisi interazione domanda/offerta: modelli di assegnazione Giuseppe Inturri Università di Catania Dipartimento
DettagliProva scritta di Matematica Discreta e Logica del giorno 3 luglio 2017 Soluzione degli esercizi FILA D
ˆ ˆ ƒˆ ˆ ƒ ˆ ˆ Œ ˆ.. 2016-2017 Prova scritta di Matematica Discreta e Logica del giorno 3 luglio 2017 Soluzione degli esercizi FILA D Esercizio 1 Nell insieme delle coppie ordinate di numeri naturali,
DettagliRicerca Operativa e Logistica
Ricerca Operativa e Logistica Dott. F.Carrabs e Dott.ssa M.Gentili A.A. 2011/2012 Lezione 7: Analisi di Sensitività con AMPL Esempio : Il caseificio Un caseificio vuole pianificare la produzione giornaliera
Dettagli3.6 Metodi basati sui piani di taglio
3.6 Metodi basati sui piani di taglio Problema generale di Programmazione Lineare Intera (PLI) con A matrice m n e b vettore n 1 razionali min{ c t x : x X = {x Z n + : Ax b} } Sappiamo che esiste una
DettagliMETODI DELLA RICERCA OPERATIVA
Università degli Studi di Cagliari FACOLTA' DI INGEGNERIA CORSO DI METODI DELLA RICERCA OPERATIVA Dott.ing. Massimo Di Francesco (mdifrance@unica.it) i i Dott.ing. Maria Ilaria Lunesu (ilaria.lunesu@unica.it)
DettagliLaboratorio di Ricerca Operativa Cad Ingegneria Gestionale (BGER3 - I semestre) a.a Homework n 26. Docente: Laura Palagi
Laboratorio di Ricerca Operativa Cad Ingegneria Gestionale (BGER3 - I semestre) a.a. 2012-13 Homework n 26 Docente: Laura Palagi Modello di distribuzione Cardillo Raffaele Di Paola Catherine Trano Marco
DettagliProcessi di cost management - Programmazione multiperiodale
Processi di cost management - Programmazione multiperiodale Queste slide (scrte da Carlo Mannino) riguardano il problema di gestione delle attivà di un progetto allorché i costi di esecuzione sono legati
DettagliSintesi Sequenziale Sincrona Sintesi Comportamentale di reti Sequenziali Sincrone
Sintesi Sequenziale Sincrona Sintesi Comportamentale di reti Sequenziali Sincrone Il problema dell assegnamento degli stati versione del 9/1/03 Sintesi: Assegnamento degli stati La riduzione del numero
DettagliIntroduzione al MATLAB c Parte 3 Script e function
Introduzione al MATLAB c Parte 3 Script e function Lucia Gastaldi DICATAM - Sezione di Matematica, http://lucia-gastaldi.unibs.it Indice 1 M-file di tipo Script e Function Script Function 2 Gestione dell
DettagliEsercizi per il corso di. Logistica I. a.a Daniela Favaretto. Dipartimento di Matematica Applicata Università Ca Foscari di Venezia
sercizi per il corso di Logistica I a.a. - aniela avaretto ipartimento di Matematica pplicata Università a oscari di Venezia sercizio Individuare un albero di supporto di lunghezza minima (SST) sul seguente
DettagliAnalisi interazione domanda/offerta: modelli di assegnazione
Corso di Laurea Ingegneria Civile - AA 1112 Corso di: Fondamenti di Trasporti Lezione: Analisi interazione domanda/offerta: modelli di assegnazione Giuseppe Inturri Università di Catania Dipartimento di
DettagliSIMULAZIONE ESAME di OTTIMIZZAZIONE Corso di Laurea in Ingegneria Gestionale 2 o anno
SIMULAZIONE ESAME di OTTIMIZZAZIONE 28 novembre 2005 SIMULAZIONE ESAME di OTTIMIZZAZIONE Corso di Laurea in Ingegneria Gestionale 2 o anno Cognome : XXXXXXXXXXXXXXXXX Nome : XXXXXXXXXXXXXX VALUTAZIONE
DettagliGestione della produzione e della supply chain Logistica distributiva
Gestione della produzione e della supply chain Logistica distributiva Paolo Detti Dipartimento di Ingegneria dell Informazione e Scienze Matematiche Università di Siena Convergenza dell algoritmo Se non
DettagliAlgoritmo basato su cancellazione di cicli
Algoritmo basato su cancellazione di cicli Dato un flusso ammissibile iniziale, si costruisce una sequenza di flussi ammissibili di costo decrescente. Ciascun flusso è ottenuto dal precedente flusso ammissibile
DettagliInformatica ALGORITMI E LINGUAGGI DI PROGRAMMAZIONE. Francesco Tura. F. Tura
Informatica ALGORITMI E LINGUAGGI DI PROGRAMMAZIONE Francesco Tura francesco.tura@unibo.it 1 Lo strumento dell informatico: ELABORATORE ELETTRONICO [= calcolatore = computer] Macchina multifunzionale Macchina
DettagliRicerca Operativa A.A. 2007/ Esercitazione di laboratorio: analisi di sensitività
Ricerca Operativa A.A. 2007/2008 14. Esercitazione di laboratorio: analisi di sensitività Luigi De Giovanni - Ricerca Operativa - 14. Laboratorio: analisi di sensitività 14.1 Problema di mix della produzione
DettagliSperimentazioni di Fisica I mod. A Statistica - Lezione 3
Sperimentazioni di Fisica I mod. A Statistica - Lezione 3 A Garfagnini, M Mazzocco, C Sada Dipartimento di Fisica G. Galilei, Università di Padova AA 2014/2015 Elementi di Teoria della Probabilità L ineliminabile
DettagliCorso di Matematica e Statistica 3 Algebra delle matrici. Una tabella rettangolare: la matrice. Una tabella rettangolare: la matrice
Pordenone Corso di Matematica e Statistica 3 Algebra delle UNIVERSITAS STUDIORUM UTINENSIS Giorgio T. Bagni Facoltà di Scienze della Formazione Dipartimento di Matematica e Informatica Università di Udine
DettagliAlgebra di Boole: minimizzazione di funzioni booleane
Corso di Calcolatori Elettronici I A.A. 200-20 Algebra di Boole: minimizzazione di funzioni booleane Lezione 8 Università degli Studi di Napoli Federico II Facoltà di Ingegneria Forme Ridotte p Vantaggi
Dettagli2.3 Cammini ottimi. E. Amaldi Fondamenti di R.O. Politecnico di Milano 1
. Cammini ottimi E. Amaldi Fondamenti di R.O. Politecnico di Milano .. Cammini minimi e algoritmo di Dijkstra Dato un grafo orientato G = (N, A) con una funzione di costo c : A c ij R e due nodi s e t,
DettagliOperazioni tra matrici e n-uple
CAPITOLO Operazioni tra matrici e n-uple Esercizio.. Date le matrici 0 4 e dati λ = 5, µ =, si calcoli AB, BA, A+B, B A, λa+µb. Esercizio.. Per ognuna delle seguenti coppie di matrici A, B e scalari λ,
DettagliAlberi di copertura. Mauro Passacantando. Dipartimento di Informatica Largo B. Pontecorvo 3, Pisa
Alberi di copertura Mauro Passacantando Dipartimento di Informatica Largo B. Pontecorvo, Pisa mpassacantando@di.unipi.it M. Passacantando TFA 0/ - Corso di Ricerca Operativa Università di Pisa / 9 Definizioni
DettagliCognome e Nome : Corso e Anno di Immatricolazione: Modalità di Laboratorio (Progetto/Prova) :
PROGRAMMAZIONE (Corsi B e C) Pre-appello di Gennaio 2004 (A.A. 2003/2004) PROGRAMMAZIONE (B e C) S. Straordinaria - Appello di Gennaio (A.A. 2002/2003) 22 Gennaio 2004 ore 11 Aula II di Facoltà (Durata:
DettagliExcel: una piattaforma facile per l ottimizzazione. Excel ha un toolbox di ottimizzazione: Risolutore
Excel: una piattaforma facile per l ottimizzazione Excel ha un toolbox di ottimizzazione: Risolutore Il problema di produzione con Excel Consideriamo il foglio Excel Variabili di decisione reali c8,d8
Dettagliproblemi di assegnazione
problemi di assegnazione I problemi di assegnazione fanno parte dei problemi lineari. I problemi di assegnazione (o problemi di assegnamento) sono quei problemi di ricerca operativa in cui bisogna assegnare
DettagliLaboratorio di Programmazione Laurea in Ingegneria Civile e Ambientale
Dipartimento di Ingegneria dell Informazione Università degli Studi di Parma Laboratorio di Programmazione Laurea in Ingegneria Civile e Ambientale Algebra di Boole Stefano Cagnoni Algebra di Boole L algebra
DettagliMATLAB c. Lucia Gastaldi Dipartimento di Matematica Lezione 4 (15 ottobre 2003)
MATLAB c M-file. Lucia Gastaldi Dipartimento di Matematica http://dm.ing.unibs.it/gastaldi/ Lezione 4 (15 ottobre 2003) Esercizio Problema 3: la successione di funzioni f n (x) = (x 2 x) n per 0 x 1 è
DettagliFortran in pillole : prima parte
Fortran in pillole : prima parte Annamaria Mazzia Dipartimento di Metodi e Modelli Matematici per le Scienze Applicate Corso di Metodi Numerici per l Ingegneria Introduzione al Fortran Un libro consigliato
Dettaglii completi l'esecuzione dell'algoritmo di programmazione dinamica per questo problema restituendo il valore ottimo e una soluzione ottima del problema
Compito di Ricerca Operativa II Esercizio ( punti). ia dato il problema di flusso massimo sulla rete in figura (le capacit a degli archi sono riportate sopra di essi). 0 8 i consideri il seguente flusso
DettagliRicerca Operativa e Logistica Dott. F.Carrabs e Dott.ssa M.Gentili. Lezione 6: Ampl e comandi principali
Ricerca Operativa e Logistica Dott. F.Carrabs e Dott.ssa M.Gentili Lezione 6: Ampl e comandi principali Ampl: download and install http://www.ampl.com/downloads/details.html#winstd Download amplcml.zip
Dettagli