UN CASO DI STUDIO PER CLP(FD): ROSTERING OSPEDALIERO
|
|
|
- Giuseppe Rossa
- 8 anni fa
- Visualizzazioni
Transcript
1 Seminario per il corso di Linguaggi di nuova concezione UN CASO DI STUDIO PER CLP(FD): ROSTERING OSPEDALIERO RAFFAELE CIPRIANO 22 Maggio 2007
2 Struttura del seminario 2 Il problema reale Modello decisionale in CLP(FD) Funzione obiettivo in CLP(FD) Miglioriamo ancora: La Ricerca Locale Alcuni accorgimenti pratici Sviluppi futuri Domande
3 Il problema reale 3 Il rostering ospedaliero
4 Il problema reale 3 Il rostering ospedaliero Il self-scheduling...
5 Il problema reale 3 Il rostering ospedaliero Il self-scheduling... Requisiti del sistema Input: caratteristiche del mese struttura del mese ferie turni particolari
6 Il problema reale 3 Il rostering ospedaliero Il self-scheduling... Requisiti del sistema Input: caratteristiche del mese struttura del mese ferie turni particolari Modello: conoscenza dell organizzazione del reparto suddivisione dei turni esigenze di servizio regole contrattuali caratteristiche del personale
7 Il problema reale 4 Output: orario con le seguenti caratteristiche copertura dei turni competenze corrette ferie soddisfatte norme lavorative rispettate lavoro bilanciato nel reparto lavoro bilanciato per ciascun medico
8 Il problema reale 4 Output: orario con le seguenti caratteristiche copertura dei turni competenze corrette ferie soddisfatte norme lavorative rispettate lavoro bilanciato nel reparto lavoro bilanciato per ciascun medico Obiettivi trovare soluzione ammissibile (CSP)
9 Il problema reale 4 Output: orario con le seguenti caratteristiche copertura dei turni competenze corrette ferie soddisfatte norme lavorative rispettate lavoro bilanciato nel reparto lavoro bilanciato per ciascun medico Obiettivi trovare soluzione ammissibile (CSP) trovare soluzione ammissibile buona (COP)
10 Il problema reale 4 Output: orario con le seguenti caratteristiche copertura dei turni competenze corrette ferie soddisfatte norme lavorative rispettate lavoro bilanciato nel reparto lavoro bilanciato per ciascun medico Obiettivi trovare soluzione ammissibile (CSP) trovare soluzione ammissibile buona (COP) trovare soluzione ammissibile buona in poco tempo!
11 Modello decisionale CLP(FD) Costruiamo un modello per il Constrain Satisfaction Problem (CSP) relativo alle esigenze del reparto. Useremo:
12 Modello decisionale CLP(FD) Costruiamo un modello per il Constrain Satisfaction Problem (CSP) relativo alle esigenze del reparto. Useremo: SICStus Prolog in particolare la libreria CLP(FD)
13 Modello decisionale CLP(FD) Costruiamo un modello per il Constrain Satisfaction Problem (CSP) relativo alle esigenze del reparto. Useremo: SICStus Prolog in particolare la libreria CLP(FD) La filosofia Constraint & Generate: Scelta delle variabili Impostazione dei domini delle variabili Impostazione dei vincoli sulle variabili Assegnamento dei valori alle variabili
14 Modello decisionale CLP(FD) Scelta delle variabili Supponiamo di avere... 7 giorni da coprire (1-7) 5 medici a disposizione (dr. Jekill, dr. Jones, dr. House, dr. Freud, dr. Watson) 3 turni possibili (U, R, E) Idee?
15 Modello decisionale CLP(FD) Scelta delle variabili Supponiamo di avere... 7 giorni da coprire (1-7) 5 medici a disposizione (dr. Jekill, dr. Jones, dr. House, dr. Freud, dr. Watson) 3 turni possibili (U, R, E) Idee? DOM: Dr U R E
16 Modello decisionale CLP(FD) DOM: Turno Dr. Jekill Dr. Jones Dr. House Dr. Freud Dr. Watson
17 Modello decisionale CLP(FD) DOM: Turno Dr. Jekill Dr. Jones Dr. House Dr. Freud Dr. Watson DOM: bool U R E U R E U R E U R E U R E U R E U R Dr. Jekill Dr. Jones Dr. House Dr. Freud Dr. Watson
18 Modello decisionale CLP(FD) /1 T 1 T 2... T k T 1 T 2... T k... T 1 T 2... T k MedicoA... MedicoB X B,k,1 X B,k, MedicoM...
19 Modello decisionale CLP(FD) /1 T 1 T 2... T k T 1 T 2... T k... T 1 T 2... T k MedicoA... MedicoB X B,k,1 X B,k, MedicoM... Impostazione dei domini delle variabili Variabili booleane
20 Modello decisionale CLP(FD) /1 T 1 T 2... T k T 1 T 2... T k... T 1 T 2... T k MedicoA... MedicoB X B,k,1 X B,k, MedicoM... Impostazione dei domini delle variabili Variabili booleane Le variabili vengono impostate a 0 per medici non competenti sul turno o in ferie
21 Modello decisionale CLP(FD) Impostazione dei vincoli sulle variabili T 1 T 2... T k T 1 T 2... T k... T 1 T 2... T k MedicoA... MedicoB X B,k,1 X B,k, MedicoM...
22 Modello decisionale CLP(FD) Impostazione dei vincoli sulle variabili T 1 T 2... T k T 1 T 2... T k... T 1 T 2... T k MedicoA... MedicoB X B,k,1 X B,k, MedicoM... copertura dei turni - per colonna
23 Modello decisionale CLP(FD) Impostazione dei vincoli sulle variabili T 1 T 2... T k T 1 T 2... T k... T 1 T 2... T k MedicoA... MedicoB X B,k,1 X B,k, MedicoM... copertura dei turni - per colonna norme lavorative rispettate - per porzioni di riga
24 Modello decisionale CLP(FD) Impostazione dei vincoli sulle variabili T 1 T 2... T k T 1 T 2... T k... T 1 T 2... T k MedicoA... MedicoB X B,k,1 X B,k, MedicoM... copertura dei turni - per colonna norme lavorative rispettate - per porzioni di riga lavoro bilanciato per ciascun medico - per riga
25 Modello decisionale CLP(FD) Assegnamento dei valori alle variabili
26 Modello decisionale CLP(FD) Assegnamento dei valori alle variabili Ordine di assegnamento
27 Modello decisionale CLP(FD) Assegnamento dei valori alle variabili Ordine di assegnamento Concateniamo le liste... cosa succederà?
28 Modello decisionale CLP(FD) Assegnamento dei valori alle variabili Ordine di assegnamento Concateniamo le liste... cosa succederà? idee?
29 Modello decisionale CLP(FD) Assegnamento dei valori alle variabili Ordine di assegnamento Concateniamo le liste... cosa succederà? idee? Andiamo in diagonale con i dovuti accorgimenti...
30 Modello decisionale CLP(FD) Assegnamento dei valori alle variabili Ordine di assegnamento Concateniamo le liste... cosa succederà? idee? Andiamo in diagonale con i dovuti accorgimenti... Valore da assegnare (proviamo prima 0 o prima 1?)
31 Modello decisionale CLP(FD) Assegnamento dei valori alle variabili Ordine di assegnamento Concateniamo le liste... cosa succederà? idee? Andiamo in diagonale con i dovuti accorgimenti... Valore da assegnare (proviamo prima 0 o prima 1?) Se partiamo prima da 0...
32 Modello decisionale CLP(FD) Assegnamento dei valori alle variabili Ordine di assegnamento Concateniamo le liste... cosa succederà? idee? Andiamo in diagonale con i dovuti accorgimenti... Valore da assegnare (proviamo prima 0 o prima 1?) Se partiamo prima da 0... Se partiamo prima da 1...
33 Modello decisionale CLP(FD) Abbiamo il nostro modello in CLP(FD) per il CSP, lo lanciamo...
34 Modello decisionale CLP(FD) Abbiamo il nostro modello in CLP(FD) per il CSP, lo lanciamo... Il programma dà errore mentre pone dei vincoli... vincoli troppo restrittivi!
35 Modello decisionale CLP(FD) Abbiamo il nostro modello in CLP(FD) per il CSP, lo lanciamo... Il programma dà errore mentre pone dei vincoli... vincoli troppo restrittivi! Il programma trova una soluzione in pochi secondi... ok!
36 Modello decisionale CLP(FD) Abbiamo il nostro modello in CLP(FD) per il CSP, lo lanciamo... Il programma dà errore mentre pone dei vincoli... vincoli troppo restrittivi! Il programma trova una soluzione in pochi secondi... ok! Il labeling diverge... concludiamo che non esiste soluzione e il sistema non è in grado di accorgersene in tempi umani... continuerà ad esplorare lo spazio delle soluzioni!
37 Modello decisionale CLP(FD) Abbiamo il nostro modello in CLP(FD) per il CSP, lo lanciamo... Il programma dà errore mentre pone dei vincoli... vincoli troppo restrittivi! Il programma trova una soluzione in pochi secondi... ok! Il labeling diverge... concludiamo che non esiste soluzione e il sistema non è in grado di accorgersene in tempi umani... continuerà ad esplorare lo spazio delle soluzioni! Com è la soluzione?
38 Funzione obiettivo CLP(FD) 10 Arricchiamo il modello con una FObj per i soft-constraint per: Equilibrare tra i medici i turni sgraditi Evitare turni doppi (mattina e pomeriggio) Evitare turni uguali consecutivi
39 Funzione obiettivo CLP(FD) 10 Arricchiamo il modello con una FObj per i soft-constraint per: Equilibrare tra i medici i turni sgraditi Evitare turni doppi (mattina e pomeriggio) Evitare turni uguali consecutivi Cosa ne facciamo?
40 Funzione obiettivo CLP(FD) 10 Arricchiamo il modello con una FObj per i soft-constraint per: Equilibrare tra i medici i turni sgraditi Evitare turni doppi (mattina e pomeriggio) Evitare turni uguali consecutivi Cosa ne facciamo? labeling( [down, minimize(fobj)], Vars ).
41 Funzione obiettivo CLP(FD) 10 Arricchiamo il modello con una FObj per i soft-constraint per: Equilibrare tra i medici i turni sgraditi Evitare turni doppi (mattina e pomeriggio) Evitare turni uguali consecutivi Cosa ne facciamo? labeling( [down, minimize(fobj)], Vars ). Inizia ad esplorare tutto lo spazio delle soluzioni...diverge!
42 Funzione obiettivo CLP(FD) 11 Cerchiamo soluzioni progressivamente migliori: while( not timeout ) { labeling( [ff,down], Lista ), save( Lista ); f := valueofobjectivefunction( Lista ); addconstraint( FObj #< f ); deletevalue( Lista ) } load( Lista )
43 Funzione obiettivo CLP(FD) 11 Cerchiamo soluzioni progressivamente migliori: while( not timeout ) { labeling( [ff,down], Lista ), save( Lista ); f := valueofobjectivefunction( Lista ); addconstraint( FObj #< f ); deletevalue( Lista ) } load( Lista ) Migliora di poco! Da gestire con assert + retract + fail!:(
44 Funzione obiettivo CLP(FD) 11 Cerchiamo soluzioni progressivamente migliori: while( not timeout ) { labeling( [ff,down], Lista ), save( Lista ); f := valueofobjectivefunction( Lista ); addconstraint( FObj #< f ); deletevalue( Lista ) } load( Lista ) Migliora di poco! Da gestire con assert + retract + fail!:( Per la FObj conviene Local Search
45 Local Search 12 Famiglia di metodi incompleti:
46 Local Search 12 Famiglia di metodi incompleti: si basano sull uso di euristiche,
47 Local Search 12 Famiglia di metodi incompleti: si basano sull uso di euristiche, esplorano solo alcune aree dello SDS
48 Local Search 12 Famiglia di metodi incompleti: si basano sull uso di euristiche, esplorano solo alcune aree dello SDS lo scopo è trovare una soluzione ammissibile/buona.
49 Local Search 12 Famiglia di metodi incompleti: si basano sull uso di euristiche, esplorano solo alcune aree dello SDS lo scopo è trovare una soluzione ammissibile/buona. Concetti fondamentali Stato
50 Local Search 12 Famiglia di metodi incompleti: si basano sull uso di euristiche, esplorano solo alcune aree dello SDS lo scopo è trovare una soluzione ammissibile/buona. Concetti fondamentali Stato Funzione obiettivo
51 Local Search 12 Famiglia di metodi incompleti: si basano sull uso di euristiche, esplorano solo alcune aree dello SDS lo scopo è trovare una soluzione ammissibile/buona. Concetti fondamentali Stato Funzione obiettivo Mossa
52 Local Search 12 Famiglia di metodi incompleti: si basano sull uso di euristiche, esplorano solo alcune aree dello SDS lo scopo è trovare una soluzione ammissibile/buona. Concetti fondamentali Stato Funzione obiettivo Mossa Vicinato
53 Local Search 12 Famiglia di metodi incompleti: si basano sull uso di euristiche, esplorano solo alcune aree dello SDS lo scopo è trovare una soluzione ammissibile/buona. Concetti fondamentali Stato Funzione obiettivo Mossa Vicinato Esplorazione del vicinato
54 Local Search 12 Famiglia di metodi incompleti: si basano sull uso di euristiche, esplorano solo alcune aree dello SDS lo scopo è trovare una soluzione ammissibile/buona. Concetti fondamentali Stato Funzione obiettivo Mossa Vicinato Esplorazione del vicinato Varie strategie...
55 Approcci ibridi 13 Due tipi di approcci che fondono Constraint Programming e Local Search:
56 Approcci ibridi 13 Due tipi di approcci che fondono Constraint Programming e Local Search: Algoritmi di CP con all interno procedure di LS che possono intervenire nell albero di ricerca: migliorare la soluzione relativa a foglie o nodi; restringere la lista dei figli di un nodo; generare in modo greedy un cammino;
57 Approcci ibridi 13 Due tipi di approcci che fondono Constraint Programming e Local Search: Algoritmi di CP con all interno procedure di LS che possono intervenire nell albero di ricerca: migliorare la soluzione relativa a foglie o nodi; restringere la lista dei figli di un nodo; generare in modo greedy un cammino; Algoritmi LS con all interno procedure di CP che possono scartare i vicini che violano vincoli del problema; esplorare una porzione di vicinato; definire la ricerca del miglior vicino come un problema di ottimizzazione con vincoli.
58 Approcci ibridi 13 Due tipi di approcci che fondono Constraint Programming e Local Search: Algoritmi di CP con all interno procedure di LS che possono intervenire nell albero di ricerca: migliorare la soluzione relativa a foglie o nodi; restringere la lista dei figli di un nodo; generare in modo greedy un cammino; Algoritmi LS con all interno procedure di CP che possono scartare i vicini che violano vincoli del problema; esplorare una porzione di vicinato; definire la ricerca del miglior vicino come un problema di ottimizzazione con vincoli.
59 La Ricerca Locale 14 Per implementare gli algoritmi di ricerca locale usiamo il framework JEasyLocal [Schaerf, Di Gaspero]
60 La Ricerca Locale 14 Per implementare gli algoritmi di ricerca locale usiamo il framework JEasyLocal [Schaerf, Di Gaspero] Dobbiamo definire: Input Mese e anno, giorni festivi, ferie richieste,...
61 La Ricerca Locale 15 State Una soluzione, ovvero un orario: Dott MedicoA Mat UM UN... MedicoA Pom RM... UN MedicoB Mat ED... MedicoB Pom SU MedicoB Mat SU ED... MedicoB Pom ED UN...
62 La Ricerca Locale 15 State Una soluzione, ovvero un orario: Dott MedicoA Mat UM UN... MedicoA Pom RM... UN MedicoB Mat ED... MedicoB Pom SU MedicoB Mat SU ED... MedicoB Pom ED UN... Una FObj associata allo stato Usiamo la stessa formula usata per CLP(FD)
63 La Ricerca Locale 16 Move Mossa di scambio: Scambiare i turni di due medici relativi allo stesso giorno e alla stessa fascia oraria Dott Jones... DH Freud UM = Dott Jones... UM Freud DH
64 La Ricerca Locale 16 Move Mossa di scambio: Scambiare i turni di due medici relativi allo stesso giorno e alla stessa fascia oraria Dott Jones... DH Freud UM = Stato iniziale Quello restituito da CLP(FD) Dott Jones... UM Freud DH
65 La Ricerca Locale 16 Move Mossa di scambio: Scambiare i turni di due medici relativi allo stesso giorno e alla stessa fascia oraria Dott Jones... DH Freud UM = Stato iniziale Quello restituito da CLP(FD) Dott Jones... UM Freud DH Strategia di esplorazione del vicinato Random - Hill Climbing Esaustiva - Steepest Descent Esaustiva con TabuSearch
66 Eplorazione ibrida 17 Due tipi di approcci che fondono Constraint Programming e Local Search: Algoritmi di CP con all interno procedure di LS che possono intervenire nell albero di ricerca: migliorare la soluzione relativa a foglie o nodi; restringere la lista dei figli di un nodo; generare in modo greedy un cammino; Algoritmi LS con all interno procedure di CP che possono scartare i vicini che violano vincoli del problema; esplorare una porzione di vicinato; definire la ricerca del miglior vicino come un problema di ottimizzazione con vincoli.
67 La Ricerca Locale 18 Lanciamo Ricerca Locale
68 La Ricerca Locale 18 Lanciamo Ricerca Locale La FObj viene notevolmente migliorata Hill climbing più veloce e più efficace
69 Alcuni accorgimenti pratici 19 JEasyLocal in Java, CLP(FD) in SIC- Stus Prolog! Come fare?
70 Alcuni accorgimenti pratici 19 JEasyLocal in Java, CLP(FD) in SIC- Stus Prolog! Come fare? Master - slave? Master Java o SICStus?
71 Alcuni accorgimenti pratici 19 JEasyLocal in Java, CLP(FD) in SIC- Stus Prolog! Come fare? Master - slave? Master Java o SICStus? Come far comunicare i linguaggi per lo scambio di informazioni?
72 Alcuni accorgimenti pratici 19 JEasyLocal in Java, CLP(FD) in SIC- Stus Prolog! Come fare? Master - slave? Master Java o SICStus? Come far comunicare i linguaggi per lo scambio di informazioni? Jasper?...
73 Alcuni accorgimenti pratici 19 JEasyLocal in Java, CLP(FD) in SIC- Stus Prolog! Come fare? Master - slave? Master Java o SICStus? Come far comunicare i linguaggi per lo scambio di informazioni? Jasper?... File di testo?
74 Alcuni accorgimenti pratici 19 JEasyLocal in Java, CLP(FD) in SIC- Stus Prolog! Come fare? Master - slave? Master Java o SICStus? Come far comunicare i linguaggi per lo scambio di informazioni? Jasper?... File di testo? File XML?
75 Alcuni accorgimenti pratici 20 L orario generato come lo restituiamo?
76 Alcuni accorgimenti pratici 20 L orario generato come lo restituiamo? Deve poter essere visualizzabile - stampabile...
77 Alcuni accorgimenti pratici 20 L orario generato come lo restituiamo? Deve poter essere visualizzabile - stampabile... In ospedale usano un foglio excel che compilano a mano...
78 Alcuni accorgimenti pratici 20 L orario generato come lo restituiamo? Deve poter essere visualizzabile - stampabile... In ospedale usano un foglio excel che compilano a mano... Salviamo l orario in un formato ricosciuto da excel per poterlo caricare comodamente!
79 Alcuni accorgimenti pratici 20 L orario generato come lo restituiamo? Deve poter essere visualizzabile - stampabile... In ospedale usano un foglio excel che compilano a mano... Salviamo l orario in un formato ricosciuto da excel per poterlo caricare comodamente! Dobbiamo dare il tool in mano a qualcuno che non sa niente di ricerca locale o programmazione logica... GUI!
80 Sviluppi futuri 21 Non si finisce mai! :)
81 Sviluppi futuri 21 Non si finisce mai! :) Migliorare la fusione di CLP(FD)-LS
82 Sviluppi futuri 21 Non si finisce mai! :) Migliorare la fusione di CLP(FD)-LS Uso di GECODE per CLP(FD), scritto in C++
83 Sviluppi futuri 21 Non si finisce mai! :) Migliorare la fusione di CLP(FD)-LS Uso di GECODE per CLP(FD), scritto in C++ Uso di EasyLocal++, versione C++ di JEasyLocal
84 Sviluppi futuri 21 Non si finisce mai! :) Migliorare la fusione di CLP(FD)-LS Uso di GECODE per CLP(FD), scritto in C++ Uso di EasyLocal++, versione C++ di JEasyLocal Fusione dei due framework in un unico ambiente di sviluppo
85 Sviluppi futuri 21 Non si finisce mai! :) Migliorare la fusione di CLP(FD)-LS Uso di GECODE per CLP(FD), scritto in C++ Uso di EasyLocal++, versione C++ di JEasyLocal Fusione dei due framework in un unico ambiente di sviluppo Vantaggi possibili
86 Sviluppi futuri 21 Non si finisce mai! :) Migliorare la fusione di CLP(FD)-LS Uso di GECODE per CLP(FD), scritto in C++ Uso di EasyLocal++, versione C++ di JEasyLocal Fusione dei due framework in un unico ambiente di sviluppo Vantaggi possibili Modellare problemi ad alto livello: GECODE è pacchetto CLP(FD) completo;
87 Sviluppi futuri 21 Non si finisce mai! :) Migliorare la fusione di CLP(FD)-LS Uso di GECODE per CLP(FD), scritto in C++ Uso di EasyLocal++, versione C++ di JEasyLocal Fusione dei due framework in un unico ambiente di sviluppo Vantaggi possibili Modellare problemi ad alto livello: GECODE è pacchetto CLP(FD) completo; Algoritmi di ricerca locale già pronti
88 Sviluppi futuri 21 Non si finisce mai! :) Migliorare la fusione di CLP(FD)-LS Uso di GECODE per CLP(FD), scritto in C++ Uso di EasyLocal++, versione C++ di JEasyLocal Fusione dei due framework in un unico ambiente di sviluppo Vantaggi possibili Modellare problemi ad alto livello: GECODE è pacchetto CLP(FD) completo; Algoritmi di ricerca locale già pronti Manipolare strutture dati e flusso di controllo: C++
89 Sviluppi futuri 21 Non si finisce mai! :) Migliorare la fusione di CLP(FD)-LS Uso di GECODE per CLP(FD), scritto in C++ Uso di EasyLocal++, versione C++ di JEasyLocal Fusione dei due framework in un unico ambiente di sviluppo Vantaggi possibili Modellare problemi ad alto livello: GECODE è pacchetto CLP(FD) completo; Algoritmi di ricerca locale già pronti Manipolare strutture dati e flusso di controllo: C++ Ditribuire le elaborazioni su più processori
90 Sviluppi futuri 22 Difficoltà
91 Sviluppi futuri 22 Difficoltà Entrare nei dettagli implementativi di software scritto da altri
92 Sviluppi futuri 22 Difficoltà Entrare nei dettagli implementativi di software scritto da altri Trovare strutture dati agili per far comunicare i due framework con facilità
93 Sviluppi futuri 22 Difficoltà Entrare nei dettagli implementativi di software scritto da altri Trovare strutture dati agili per far comunicare i due framework con facilità Trade-off: efficienza computazionale VS facilità di modellazione
94 Parentesi: il GECODE 23 GEneric COnstraint Development Environment
95 Parentesi: il GECODE 23 GEneric COnstraint Development Environment Ambiente free in C++ per la programmazione con vincoli
96 Parentesi: il GECODE 23 GEneric COnstraint Development Environment Ambiente free in C++ per la programmazione con vincoli Stabile
97 Parentesi: il GECODE 23 GEneric COnstraint Development Environment Ambiente free in C++ per la programmazione con vincoli Stabile Completo
98 Parentesi: il GECODE 23 GEneric COnstraint Development Environment Ambiente free in C++ per la programmazione con vincoli Stabile Completo Efficiente (più di SICStus)
99 Parentesi: il GECODE 23 GEneric COnstraint Development Environment Ambiente free in C++ per la programmazione con vincoli Stabile Completo Efficiente (più di SICStus) Codice sorgente a disposizione
100 Parentesi: il GECODE 23 GEneric COnstraint Development Environment Ambiente free in C++ per la programmazione con vincoli Stabile Completo Efficiente (più di SICStus) Codice sorgente a disposizione No vincoli di allocazione della memoria
101 Parentesi: il GECODE 23 GEneric COnstraint Development Environment Ambiente free in C++ per la programmazione con vincoli Stabile Completo Efficiente (più di SICStus) Codice sorgente a disposizione No vincoli di allocazione della memoria Sta diventando uno standard...
102 Parentesi: il GECODE 23 GEneric COnstraint Development Environment Ambiente free in C++ per la programmazione con vincoli Stabile Completo Efficiente (più di SICStus) Codice sorgente a disposizione No vincoli di allocazione della memoria Sta diventando uno standard... Documentato... male!!!
103 Parentesi: il GECODE 23 GEneric COnstraint Development Environment Ambiente free in C++ per la programmazione con vincoli Stabile Completo Efficiente (più di SICStus) Codice sorgente a disposizione No vincoli di allocazione della memoria Sta diventando uno standard... Documentato... male!!!
104 Domande? 24?
105 Bibliografia 25 E. K. Burke, P. De Causmaecker, G. Vanden Berghe, H. Van Landeghem The State of the Art of Nurse Rostering, Journal of Scheduling, 7, pp , L. Di Gaspero, A. Schaerf, EasyLocal++: an object-oriented framework for the flexible design of local-search algorithms, Software- Practice and Experience, 33: , A. Dovier, Linguaggi e Tecniche Speciali di Programmazione, F. Focacci, F. Laburthe, A. Lodi, Local search and constraint programming, Handbook of Metaheuristic, N. Jussien, O. Lhomme, Local search with constraint propagation and conflict-based heuristic, Artificial Intelligence, 139(1), pp , E. Monfroy, F. Saubion, T. Lambert On hybridization of local search and constraint propagation, In proceedings of ICLP 2004, volume 3132 of LNCS, pp , Springer Verlag, 2004.
106 Bibliografia 26 R. Cipriano, A. Dovier, L. Di Gaspero Un tool integrato per il rostering ospedaliero, Università degli Studi di Udine, Tesi di Laurea Specialistica in Informatica, A.A R. Cipriano, L. Di Gaspero, A. Dovier Hybrid Approaches for Rostering: A Case Study in the Integration of Constraint Programming and Local Search, Hybrid Metaheuristics, Third International Workshop, HM 2006, Gran Canaria, Spain, October 13-15, 2006, Proceedings. raffaele.cipriano@dimi.uniud.com
107 Bibliografia 26 R. Cipriano, A. Dovier, L. Di Gaspero Un tool integrato per il rostering ospedaliero, Università degli Studi di Udine, Tesi di Laurea Specialistica in Informatica, A.A R. Cipriano, L. Di Gaspero, A. Dovier Hybrid Approaches for Rostering: A Case Study in the Integration of Constraint Programming and Local Search, Hybrid Metaheuristics, Third International Workshop, HM 2006, Gran Canaria, Spain, October 13-15, 2006, Proceedings. raffaele.cipriano@dimi.uniud.com Grazie per l attenzione
L informatica INTRODUZIONE. L informatica. Tassonomia: criteri. È la disciplina scientifica che studia
L informatica È la disciplina scientifica che studia INTRODUZIONE I calcolatori, nati in risposta all esigenza di eseguire meccanicamente operazioni ripetitive Gli algoritmi, nati in risposta all esigenza
RISOLUTORE AUTOMATICO PER SUDOKU
RISOLUTORE AUTOMATICO PER SUDOKU Progetto Prolog - Pierluigi Tresoldi 609618 INDICE 1.STORIA DEL SUDOKU 2.REGOLE DEL GIOCO 3.PROGRAMMAZIONE CON VINCOLI 4.COMANDI DEL PROGRAMMA 5.ESEMPI 1. STORIA DEL SUDOKU
PROVA FINALE V. AULETTA G. PERSIANO ALGORITMI II - -MAGIS INFO
PROVA FINALE V. AULETTA G. PERSIANO ALGORITMI II - -MAGIS INFO 1. Load Balancing Un istanza del problema del load balancing consiste di una sequenza p 1,..., p n di interi positivi (pesi dei job) e un
INFORMATICA 1 L. Mezzalira
INFORMATICA 1 L. Mezzalira Possibili domande 1 --- Caratteristiche delle macchine tipiche dell informatica Componenti hardware del modello funzionale di sistema informatico Componenti software del modello
GUIDA ALLA PROGRAMMAZIONE GRAFICA IN C
GUIDA ALLA PROGRAMMAZIONE GRAFICA IN C.:luxx:. PREMESSE In questa guida non verranno trattati i costrutti di flusso, le funzioni, o comunque le caratteristiche del linguaggio, che si danno come presupposte.
FONDAMENTI di INFORMATICA L. Mezzalira
FONDAMENTI di INFORMATICA L. Mezzalira Possibili domande 1 --- Caratteristiche delle macchine tipiche dell informatica Componenti hardware del modello funzionale di sistema informatico Componenti software
JAIL: Javacard Abstract Interpretation-based Lifeguard
JAIL: Javacard Abstract Interpretation-based Lifeguard Pietro Ferrara Università Ca Foscari di Venezia Dipartimento di Informatica Ecole Polytechnique, Paris Pisa, 16 febbraio 2006 Obiettivi Abbiamo implementato
Algoritmi euristici per il caricamento e l instradamento di una flotta di bisarche
Università degli Studi di Modena e Reggio Emilia Ingegneria di Reggio Emilia Estratto della Tesi di Laurea di Simone Falavigna Algoritmi euristici per il caricamento e l instradamento di una flotta di
PROTOTIPAZIONE DI UN TRADUTTORE DA SORGENTE PLC AD ASSEMBLY DI UNA MACCHINA VIRTUALE
PROTOTIPAZIONE DI UN TRADUTTORE DA SORGENTE PLC AD ASSEMBLY DI UNA MACCHINA VIRTUALE Relatore: prof. Michele Moro Laureando: Marco Beggio Corso di laurea in Ingegneria Informatica Anno Accademico 2006-2007
Basi di Dati Relazionali
Corso di Laurea in Informatica Basi di Dati Relazionali a.a. 2009-2010 PROGETTAZIONE DI UNA BASE DI DATI Raccolta e Analisi dei requisiti Progettazione concettuale Schema concettuale Progettazione logica
Informatica 3. LEZIONE 23: Indicizzazione. Modulo 1: Indicizzazione lineare, ISAM e ad albero Modulo 2: 2-3 trees, B-trees e B + -trees
Informatica 3 LEZIONE 23: Indicizzazione Modulo 1: Indicizzazione lineare, ISAM e ad albero Modulo 2: 2-3 trees, B-trees e B + -trees Informatica 3 Lezione 23 - Modulo 1 Indicizzazione lineare, ISAM e
Corso di Informatica
Corso di Informatica Modulo T2 3-Compilatori e interpreti 1 Prerequisiti Principi di programmazione Utilizzo di un compilatore 2 1 Introduzione Una volta progettato un algoritmo codificato in un linguaggio
Modulo 4 Il pannello amministrativo dell'hosting e il database per Wordpress
Copyright Andrea Giavara wppratico.com Modulo 4 Il pannello amministrativo dell'hosting e il database per Wordpress 1. Il pannello amministrativo 2. I dati importanti 3. Creare il database - Cpanel - Plesk
PrometeoQualità. Manuale Documenti
PrometeoQualità Manuale Documenti Questo manuale, si pone l obiettivo di rendere l utente subito operativo all utilizzo del software PrometeoQualità modulo Documenti. Vengono per tanto indicati i passaggi
EXCEL FUNZIONI PRINCIPALI
EXCEL FUNZIONI PRINCIPALI Funzione SE() Sintassi: SE(VERIFICA, VALORE SE VERO, VALORE SE FALSO): verifica un valore e ritorna una risposta in base al risultato vero/falso Esempio: =SE(A2=15; "OK"; "NO")
TECNOLOGIE INFORMATICHE DELLA COMUNICAZIONE ORE SETTIMANALI 2 TIPO DI PROVA PER GIUDIZIO SOSPESO PROVA DI LABORATORIO
CLASSE DISCIPLINA MODULO Conoscenze Abilità e competenze Argomento 1 Concetti di base Argomento 2 Sistema di elaborazione Significato dei termini informazione, elaborazione, comunicazione, interfaccia,
LINGUAGGI DI PROGRAMMAZIONE
LINGUAGGI DI PROGRAMMAZIONE Il potere espressivo di un linguaggio è caratterizzato da: quali tipi di dati consente di rappresentare (direttamente o tramite definizione dell utente) quali istruzioni di
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)
12. Implementazione di un File System. 12.1.1 Struttura a livelli. 12.2.1 Allocazione contigua
12. Implementazione di un File System 1 Struttura del file system Metodi di allocazione Gestione dello spazio libero Implementazione delle directory Prestazioni ed efficienza 2 Utente 12.1.1 Struttura
Raggruppamenti Conti Movimenti
ESERCITAZIONE PIANO DEI CONTI Vogliamo creare un programma che ci permetta di gestire, in un DB, il Piano dei conti di un azienda. Nel corso della gestione d esercizio, si potranno registrare gli articoli
Esercitazioni di Progettazione del Software. Esercitazione (Prova al calcolatore del 17 settembre 2010)
Sapienza - Università di Roma Facoltà di Ingegneria dell Informazione, Informatica e Statistica Corso di Laurea in Ingegneria Informatica ed Automatica, Ingegneria dei Sistemi Informatici Esercitazioni
Laboratorio di Programmazione 1. Docente: dr. Damiano Macedonio Lezione 18 31/03/2014
Laboratorio di Programmazione 1 1 Docente: dr. Damiano Macedonio Lezione 18 31/03/2014 Funzioni: Dichiarazione e Definizione La dichiarazione di una funzione serve a comunicare al compilatore quali sono
Appunti del corso di Informatica 1 (IN110 Fondamenti) 4 Linguaggi di programmazione
Università Roma Tre Dipartimento di Matematica e Fisica Corso di Laurea in Matematica Appunti del corso di Informatica 1 (IN110 Fondamenti) 4 Linguaggi di programmazione Marco Liverani (liverani@mat.uniroma3.it)
IN COLLABORAZIONE CON OPTA SRL
PROGRAMMARE LA PRODUZIONE IN MODO SEMPLICE ED EFFICACE IN COLLABORAZIONE CON OPTA SRL SOMMARIO 1. L AZIENDA E IL PRODOTTO 2. IL PROBLEMA 3. DATI DI INPUT 4. VERIFICA CARICO DI LAVORO SETTIMANALE 5. VERIFICA
I servizi per tutti SOCCER MANAGER SOCCER MANAGER. I nuovi strumenti on- line, per uno servizio sempre migliore
SOCCER MAN AGER 1 I nuovi strumenti on- line, per uno servizio sempre migliore SOCCER MANAGER contiene servizi in grado di migliorare la gestione del campionati Home page www.calcioa5.net SHOPPING Per
Scopo della lezione. Informatica. Informatica - def. 1. Informatica
Scopo della lezione Informatica per le lauree triennali LEZIONE 1 - Che cos è l informatica Introdurre i concetti base della materia Definire le differenze tra hardware e software Individuare le applicazioni
Allegato) all art.4 punto 5 Informatizzazione del Magazzino
Allegato) all art.4 punto 5 Informatizzazione del Magazzino PREMESSA L integrazione in oggetto ha lo scopo di sostituire la soluzione attualmente in essere, basata sullo scambio di file di testo, con una
Università degli Studi di Parma Facoltà di Scienze MM. FF. NN. Corso di Laurea in Informatica. Ingegneria del Software. La fase di Analisi
Università degli Studi di Parma Facoltà di Scienze MM. FF. NN. Corso di Laurea in Informatica Ingegneria del Software La fase di Analisi Giulio Destri Ing. del software: Analisi - 1 Scopo del modulo Definire
DSCube. L analisi dei dati come strumento per i processi decisionali
DSCube L analisi dei dati come strumento per i processi decisionali Analisi multi-dimensionale dei dati e reportistica per l azienda: DSCube Introduzione alla suite di programmi Analyzer Query Builder
PROGRAMMA GESTIONE TURNI MANUALE UTENTE. Programma Gestione Turni Manuale Utente versione 1.1
PROGRAMMA GESTIONE TURNI MANUALE UTENTE INDICE 1 PREMESSA 3 2 COMANDI COMUNI 3 3 SEDI 3 4 FESTIVITÀ 4 5 PERIODI TURNI 4 6 COD. TURNI 6 7 TURNI SPORTIVI 9 8 COD. EQUIPAGGI 9 9 DISPONIBILITÀ 10 10 INDISPONIBILITÀ
Algoritmo proposto. Maria Silvia Pini, Francesca Rossi, K. Brent Venable. Dipartimento di Matematica Pura e Applicata Università di Padova
Algoritmo proposto Maria Silvia Pini, Francesca Rossi, K. Brent Venable Dipartimento di Matematica Pura e Applicata Università di Padova Algoritmo proposto L agoritmo che proponiamo Parte da una soluzione
Programmazione in Java e gestione della grafica (I modulo) Lezione 1: Presentazione corso
Programmazione in Java e gestione della grafica (I modulo) Lezione 1: Presentazione corso Informazioni generali Docente: Prof.ssa Dora Giammarresi: giammarr@mat.uniroma2.it Tutor:??? Informazioni generali
Corso di Laurea Triennale in Ingegneria Informatica. Corso di Ingegneria del software A. A. 2004-2005. Marina Mongiello
Corso di Laurea Triennale in Ingegneria Informatica Corso di Ingegneria del A. A. 2004-2005 1 La progettazione È applicata indipendentemente dal modello di processo utilizzato. Parte dal punto in cui sono
FONDAMENTI DI INTELLIGENZA ARTIFICIALE-M
FONDAMENTI DI INTELLIGENZA ARTIFICIALE-M A.A. 2014/2015 Gioco del "Mulino" Prof. Paola Mello, Ing. Federico Chesani 1 Il gioco del Mulino Stimolare la comprensione e la discussione sugli algoritmi di base
Disegni di Ricerca e Analisi dei Dati in Psicologia Clinica. Rcmdr
Disegni di Ricerca e Analisi dei Dati in Psicologia Clinica Rcmdr http://www.r-project.org http://qplab.psy.unipd.it Che cos è Rcmdr? Rcmdr è un pacchetto che possiamo scaricare dal CRAN e installare su
Progetto di RHS MicroAODV per Reti di Sensori A.A. 2007/2008
Progetto di RHS MicroAODV per Reti di Sensori A.A. 2007/2008 Si consideri una rete di sensori MicaZ con sistema operativo TinyOS, dove ogni nodo è identificato da un ID unico e dove è presente un solo
Obiettivi dell esercitazione. Requisiti (cont.) Requisiti. Università di Roma La Sapienza A.A. 2008-2009. Facoltà di Ingegneria Sede di Latina
Università di Roma La Sapienza A.A. 2008-2009 Facoltà di Ingegneria Sede di Latina Laurea in Ingegneria Informatica ed Ingegneria dell Informazione Corso di PROGETTAZIONE DEL SOFTWARE Esercitazione sulla
FONDAMENTI DI INTELLIGENZA ARTIFICIALE (8 CFU)
FONDAMENTI DI INTELLIGENZA ARTIFICIALE (8 CFU) 13 Febbraio 2015 Tempo a disposizione: 2 h Risultato: 32/32 punti Esercizio 1 (punti 6) Si esprimano in logica dei predicati del I ordine le seguenti frasi:
Il sistema operativo TinyOS
tesi di laurea Anno Accademico 2005/2006 relatore Ch.mo prof. Domenico Cotroneo candidato Giovanni Chierchia Matr. 534 / 804 ::. Obiettivi del lavoro di tesi Studio del sistema operativo TinyOS Studio
Equilibrio bayesiano perfetto. Giochi di segnalazione
Equilibrio bayesiano perfetto. Giochi di segnalazione Appunti a cura di Stefano Moretti, Silvia VILLA e Fioravante PATRONE versione del 26 maggio 2006 Indice 1 Equilibrio bayesiano perfetto 2 2 Giochi
Introduzione alla Programmazione
Introduzione alla Programmazione Lorenzo Bettini Corso di Laurea in Scienze dell'educazione 2014/2015 Cosa è un programma Costituito da tante istruzioni Una lista di cose da fare Che il processore esegue
Sommario. Prefazione...9. Introduzione...11
Sommario Prefazione...9 Introduzione...11 1. L interfaccia utente e le operazioni più comuni...13 La scheda File... 20 Ridurre la barra multifunzione... 24 Personalizzare la barra multifunzione... 25 La
Organizzare le risorse umane con ricerca obiettivo
Organizzare le risorse umane con ricerca obiettivo Tra i tanti esempi che si possono ipotizzare, proviamo ad affrontare un problema che si verifica frequentemente nella gestione di una Struttura Operativa,
ALGEBRA DELLE PROPOSIZIONI
Università di Salerno Fondamenti di Informatica Corso di Laurea Ingegneria Corso B Docente: Ing. Giovanni Secondulfo Anno Accademico 2010-2011 ALGEBRA DELLE PROPOSIZIONI Fondamenti di Informatica Algebra
BMSO1001. Orchestrator. Istruzioni d uso 02/10-01 PC
BMSO1001 Orchestrator Istruzioni d uso 02/10-01 PC 2 Orchestrator Istruzioni d uso Indice 1. Requisiti Hardware e Software 4 1.1 Requisiti Hardware 4 1.2 Requisiti Software 4 2. Concetti fondamentali 4
Eclipse - Nozioni Base
Eclipse - Nozioni Base Programmazione e analisi di dati Modulo A: Programmazione in Java Paolo Milazzo Dipartimento di Informatica, Università di Pisa http://www.di.unipi.it/ milazzo milazzo di.unipi.it
Ottimizzazione Multi Obiettivo
Ottimizzazione Multi Obiettivo 1 Ottimizzazione Multi Obiettivo I problemi affrontati fino ad ora erano caratterizzati da una unica (e ben definita) funzione obiettivo. I problemi di ottimizzazione reali
Il foglio elettronico. Excel 2013 3 PARTE
Il foglio elettronico Excel 2013 3 PARTE Versione 15/10/2013 Le tabelle PIVOT Tabelle PIVOT Le tabelle pivot sono tabelle interattive che consentono all'utente di raggruppare e riassumere grandi quantità
MATLAB. Caratteristiche. Dati. Esempio di programma MATLAB. a = [1 2 3; 4 5 6; 7 8 9]; b = [1 2 3] ; c = a*b; c
![MATLAB. Caratteristiche. Dati. Esempio di programma MATLAB. a = [1 2 3; 4 5 6; 7 8 9]; b = [1 2 3] ; c = a*b; c](/thumbs/25/4541811.jpg "MATLAB. Caratteristiche. Dati. Esempio di programma MATLAB. a = [1 2 3; 4 5 6; 7 8 9]; b = [1 2 3] ; c = a*b; c")
Caratteristiche MATLAB Linguaggio di programmazione orientato all elaborazione di matrici (MATLAB=MATrix LABoratory) Le variabili sono matrici (una variabile scalare equivale ad una matrice di dimensione
Altri metodi di indicizzazione
Organizzazione a indici su più livelli Altri metodi di indicizzazione Al crescere della dimensione del file l organizzazione sequenziale a indice diventa inefficiente: in lettura a causa del crescere del
Tesi Di Laurea. Anno Accademico 2010/2011. relatore Ch.mo prof. Cinque Marcello. correlatore Ch.mo Ing. Catello Cacace
Tesi Di Laurea Progettazione e Realizzazione di un Applicazione Web per la Gestione di Dati relativi ad Interventi Chirurgici Anno Accademico 2010/2011 relatore Ch.mo prof. Cinque Marcello correlatore
Ottimizzazione delle interrogazioni (parte I)
Ottimizzazione delle interrogazioni I Basi di Dati / Complementi di Basi di Dati 1 Ottimizzazione delle interrogazioni (parte I) Angelo Montanari Dipartimento di Matematica e Informatica Università di
8.9 CREARE UNA TABELLA PIVOT
8.9 CREARE UNA TABELLA PIVOT Utilizziamo la tabella del foglio di Excel Consumo di energia elettrica in Italia del progetto Aggiungere subtotali a una tabella di dati, per creare una Tabella pivot: essa
Sistemi informativi secondo prospettive combinate
Sistemi informativi secondo prospettive combinate direz acquisti direz produz. direz vendite processo acquisti produzione vendite INTEGRAZIONE TRA PROSPETTIVE Informazioni e attività sono condivise da
Gestione ed analisi di base dati nell epidemiologia. delle malattie infettive
Università degli Studi di Torino - Facoltà di Medicina Veterinaria Laboratorio di epidemiologia delle malattie infettive Scuola Specializzazione in Sanità Animale, Allevamento e Produzioni Zootecniche
Il Sistema Operativo: il File System
Il Sistema Operativo: il File System Il File System è quella parte del S.O. che si occupa di gestire e strutturare le informazioni memorizzate su supporti permanenti (memoria secondaria) I file vengono
Definire all'interno del codice un vettore di interi di dimensione DIM, es. int array[] = {1, 5, 2, 4, 8, 1, 1, 9, 11, 4, 12};
![Definire all'interno del codice un vettore di interi di dimensione DIM, es. int array[] = {1, 5, 2, 4, 8, 1, 1, 9, 11, 4, 12};](/thumbs/24/3689577.jpg "Definire all'interno del codice un vettore di interi di dimensione DIM, es. int array[] = {1, 5, 2, 4, 8, 1, 1, 9, 11, 4, 12};")
ESERCIZI 2 LABORATORIO Problema 1 Definire all'interno del codice un vettore di interi di dimensione DIM, es. int array[] = {1, 5, 2, 4, 8, 1, 1, 9, 11, 4, 12}; Chiede all'utente un numero e, tramite ricerca
Database Manager Guida utente DMAN-IT-01/09/10
Database Manager Guida utente DMAN-IT-01/09/10 Le informazioni contenute in questo manuale di documentazione non sono contrattuali e possono essere modificate senza preavviso. La fornitura del software
MANDATO ELETTRONICO ISTRUZIONI PER L ESTRAZIONE FILE XLS
ISTRUZIONI PER L ESTRAZIONE FILE XLS MANDATO ELETTRONICO Per accedere alla funzione di estrazione del mandato elettronico occorre: entrare nella procedura CONTRIBUTI; selezionare il menu Operazioni; scegliere
EASYGEST COME FATTURARE I DOCUMENTI DI TRASPORTO
EASYGEST COME FATTURARE I DOCUMENTI DI TRASPORTO Dal menù emissione documenti scegliere FATTURE Dal menù fatture scegliere CREA DA DDT Periodicamente (generalmente una volta al mese) l operatore può provvedere
Titolo della tesi Testing Black Box di un Web Service : sperimentazione su di un servizio con stato
tesi di laurea Titolo della tesi Testing Black Box di un Web Service : sperimentazione su di un servizio con stato Anno Accademico 2005/2006 relatore Ch.mo prof. Porfirio Tramontana candidato Giuseppe
PROGETTAZIONE MECCANICA DESIGN INDUSTRIALE OUTSOURCING RICERCA E SVILUPPO GRAFICA DOCUMENTAZIONE TECNICA STUDIO TECNICO
PROTEK é una nuova realtà nel settore della meccanica e del design industriale, che prende corpo dopo una esperienza maturata nel corso di dieci anni. Lo studio tecnico PROTEK si propone come interlocutore
IL SISTEMA INFORMATIVO
IL SISTEMA INFORMATIVO In un organizzazione l informazione è una risorsa importante al pari di altri tipi di risorse: umane, materiali, finanziarie, (con il termine organizzazione intendiamo un insieme
Ottimizzazione in ECLiPSe
OTTIMIZZAZIONE In molte applicazioni non siamo interessati a soluzioni ammissibili, ili, ma alla soluzione ottima rispetto a un certo criterio. ENUMERAZIONE trova tutte le soluzioni ammissibili scegli
Problemi, Algoritmi e Programmi
MASTER Information Technology Excellence Road (I.T.E.R.) Problemi, Algoritmi e Programmi Maurizio Palesi Salvatore Serrano Master ITER Informatica di Base Maurizio Palesi, Salvatore Serrano 1 Introduzione
Strumenti per la costruzione di modelli economici in Excel. Parte 2. Strumenti di Analisi
Strumenti per la costruzione di modelli economici in Excel Parte 2. Strumenti di Analisi Agenda 1. Obiettivi del documento 2. Funzioni basilari 3. Strumenti per analisi di sensitività 4. Strumenti di ottimizzazione
Tale attività non è descritta in questa dispensa
Fondamenti di informatica Oggetti e Java ottobre 2014 1 Nota preliminare L installazione e l uso di Eclipse richiede di aver preliminarmente installato Java SE SDK Tale attività non è descritta in questa
Documentazione esterna al software matematico sviluppato con MatLab
Documentazione esterna al software matematico sviluppato con MatLab Algoritmi Metodo di Gauss-Seidel con sovrarilassamento Metodo delle Secanti Metodo di Newton Studente Amelio Francesco 556/00699 Anno
Il Metodo Branch and Bound
Il Laura Galli Dipartimento di Informatica Largo B. Pontecorvo 3, 56127 Pisa laura.galli@unipi.it http://www.di.unipi.it/~galli 4 Novembre 2014 Ricerca Operativa 2 Laurea Magistrale in Ingegneria Gestionale
Organizzazione degli archivi
COSA E UN DATA-BASE (DB)? è l insieme di dati relativo ad un sistema informativo COSA CARATTERIZZA UN DB? la struttura dei dati le relazioni fra i dati I REQUISITI DI UN DB SONO: la ridondanza minima i
uadro Soluzioni software per L archiviazione elettronica dei documenti Gestione Aziendale Fa quadrato attorno alla tua azienda
Fa quadrato attorno alla tua azienda Soluzioni software per L archiviazione elettronica dei documenti Perché scegliere Q Archiviazione Elettronica dei Documenti? Tale applicativo si pone come obbiettivo
Capitolo Quarto...2 Le direttive di assemblaggio di ASM 68000...2 Premessa...2 1. Program Location Counter e direttiva ORG...2 2.
Capitolo Quarto...2 Le direttive di assemblaggio di ASM 68000...2 Premessa...2 1. Program Location Counter e direttiva ORG...2 2. Dichiarazione di dati: le direttive DS e DC...3 2.1 Direttiva DS...3 2.2
Registro delle Lezioni
Di seguito è descritta la procedura per la gestione del on line. Area docente Per accedere alla compilazione del Registro, selezionare la voce Lezioni presente nell area Registro, dopo il login al sistema
www.filoweb.it STAMPA UNIONE DI WORD
STAMPA UNIONE DI WORD Molte volte abbiamo bisogno di stampare più volte lo stesso documento cambiando solo alcuni dati. Potremmo farlo manualmente e perdere un sacco di tempo, oppure possiamo ricorrere
Progettazione ed implementazione di un tool per lo sviluppo di applicazioni in Esperanto
Università degli studi di Napoli Federico II Facoltà di Ingegneria Corso di laurea in Ingegneria Informatica Capri Feb. 2004 Progettazione ed implementazione di un tool per lo sviluppo di applicazioni
Gestione Turni. Introduzione
Gestione Turni Introduzione La gestione dei turni di lavoro si rende necessaria quando, per garantire la continuità del servizio di una determinata struttura, è necessario che tutto il personale afferente
Mac Application Manager 1.3 (SOLO PER TIGER)
Mac Application Manager 1.3 (SOLO PER TIGER) MacApplicationManager ha lo scopo di raccogliere in maniera centralizzata le informazioni piu salienti dei nostri Mac in rete e di associare a ciascun Mac i
Stampa unione -contratto di tirocinio. Documentazione
Stampa unione -contratto di tirocinio Documentazione Versione 0.1 Data 27.09.2012 Copyright CSFO A proposito di questa documentazione Questa documentazione è indirizzata agli utenti dell applicazione stampa
Esercizi di JavaScript
Esercizi di JavaScript JavaScript JavaScript é un linguaggio di programmazione interpretato e leggero, creato dalla Netscape. E' presente a patire da Netscape 2 in tutti i browser ed é dunque il linguaggio
Introduzione a Dev-C++
Introduzione a Dev-C++ Università degli Studi di Brescia Docente: Massimiliano Giacomin Elementi di Informatica e Programmazione Università di Brescia 1 Note: Dev-C++ richiede Windows 95/98/NT/2000/XP
COS È UN LINGUAGGIO? LINGUAGGI DI ALTO LIVELLO LA NOZIONE DI LINGUAGGIO LINGUAGGIO & PROGRAMMA
LINGUAGGI DI ALTO LIVELLO Si basano su una macchina virtuale le cui mosse non sono quelle della macchina hardware COS È UN LINGUAGGIO? Un linguaggio è un insieme di parole e di metodi di combinazione delle
IL CICLO DI VITA DEL PROGETTO. Elementi essenziali di progetto. Fasi e tappe Gli Approcci
UNIVERSITA MILANO BICOCCA Corso di laurea di primo livello in servizio sociale anno accademico 2009-2010 Progettare il sociale Prof. Dario A. Colombo IL CICLO DI VITA DEL PROGETTO Elementi essenziali di
Manuale d uso [Rev.1 del 07/08/2015] Manutenzione impianti termici Ver. 1.0.6 [05/01/2015]
![Manuale d uso [Rev.1 del 07/08/2015] Manutenzione impianti termici Ver. 1.0.6 [05/01/2015]](/thumbs/25/5800599.jpg "Manuale d uso [Rev.1 del 07/08/2015] Manutenzione impianti termici Ver. 1.0.6 [05/01/2015]")
Manuale d uso [Rev.1 del 07/08/2015] Manutenzione impianti termici Ver. 1.0.6 [05/01/2015] Realizzato e distribuito da LeggeraSoft Sommario Introduzione... 2 Installare il programma... 2 Tasto licenza...
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.........................
MOBS Sistema di interscambio dati Mobilità Sanitaria Guida al linguaggio XSD
MOBS Sistema di interscambio dati Mobilità Sanitaria Guida al linguaggio XSD!"!!# $%& ' "())* INDICE 1 CHE COS È XSD...3 2 COME SI UTILIZZA XSD...3 3 CHE COSA OTTENGO VALIDANDO UN FILE XML CON UN FILE
Indaco. Industrial Data Collection
Industrial Data Collection Indaco Indaco è un programma sviluppato da Indaco Project interamente in ambiente web. Si tratta di un applicazione MES (Manufacturing Execution System), ovvero un sistema informatizzato
Estensione di un sistema per la gestione semi-automatica di siti didattici con XML
Università degli Studi di Milano Bicocca Facoltà di Scienze Matematiche, Fisiche e Naturali Corso di Laurea in Informatica Estensione di un sistema per la gestione semi-automatica di siti didattici con
DataWarehouse Regionale del Settore Socio Sanitario Modulo Dati di Mortalità
DataWarehouse Regionale del Settore Socio Sanitario Modulo Dati di Mortalità Venezia, 7 novembre 2006 La Direzione Risorse Socio Sanitarie (Servizio Sistema Informativo Socio Sanitario e Tecnologie Informatiche)
La conservazione digitale tra obblighi e opportunità
Giuseppe Santillo La conservazione digitale tra obblighi e opportunità Bologna 13 Maggio 2014 AGENDA O INDICE Gli impatti normativi in tema di conservazione La conservazione digitale: un obbligo normativo
Tricks & Tips. [Access] Tutorial - ActiveX - Controllo Tree View. - Michele de Nittis - Versione: 1 Data Versione: venerdì 30 agosto 2002
![Tricks & Tips. [Access] Tutorial - ActiveX - Controllo Tree View. - Michele de Nittis - Versione: 1 Data Versione: venerdì 30 agosto 2002](/thumbs/25/4943801.jpg "Tricks & Tips. [Access] Tutorial - ActiveX - Controllo Tree View. - Michele de Nittis - Versione: 1 Data Versione: venerdì 30 agosto 2002")
Tricks & Tips [Access] - Michele de Nittis - Tutorial - ActiveX - Controllo Tree View Versione: 1 Data Versione: venerdì 30 agosto 2002 1 SOMMARIO PREMESSA...3 INSERIMENTO DEL CONTROLLO...3 AGGIUNTA DELLE
Analisi Dati del Personale con Qlik View
Analisi Dati del Personale con Qlik View H1 Hrms Versione 5.13 maggio 2009 approfondimento analisi dati ARGOMENTI VERSIONE 1 Analisi anagrafica e struttura organizzativa Analisi contratti e retribuzioni
Capitolo 3. L applicazione Java Diagrammi ER. 3.1 La finestra iniziale, il menu e la barra pulsanti
Capitolo 3 L applicazione Java Diagrammi ER Dopo le fasi di analisi, progettazione ed implementazione il software è stato compilato ed ora è pronto all uso; in questo capitolo mostreremo passo passo tutta
RIFERIMENTI ATTORI GLOSSARIO. ERRORI COMUNI REV. REQUISITI INGEGNERIA DEL SOFTWARE Università degli Studi di Padova
RIFERIMENTI ERRORI COMUNI REV. REQUISITI INGEGNERIA DEL SOFTWARE Università degli Studi di Padova Dipartimento di Matematica Corso di Laurea in Informatica, A.A. 2014 2015 I riferimenti devono essere precisi
con ANTLR tesi di laurea Anno Accademico 2007-2008 Relatore Ch.mo prof. Porfirio Tramontana Candidato Fabio Canova Matr. 534001505
tesi di laurea con ANTLR Anno Accademico 2007-2008 Relatore Ch.mo prof. Porfirio Tramontana Candidato Fabio Canova Matr. 534001505 Obiettivo Analisi statica di codice sorgente, realizzato in javascript,
Funzioni in C. Violetta Lonati
Università degli studi di Milano Dipartimento di Scienze dell Informazione Laboratorio di algoritmi e strutture dati Corso di laurea in Informatica Funzioni - in breve: Funzioni Definizione di funzioni
Allocazione dinamica della memoria - riepilogo
Università degli studi di Milano Dipartimento di Scienze dell Informazione Laboratorio di algoritmi e strutture dati Corso di laurea in Informatica In breve Storage duration Allocazione dinamica della
I MODULI Q.A.T. PANORAMICA. La soluzione modulare di gestione del Sistema Qualità Aziendale
La soluzione modulare di gestione del Sistema Qualità Aziendale I MODULI Q.A.T. - Gestione clienti / fornitori - Gestione strumenti di misura - Gestione verifiche ispettive - Gestione documentazione del
Università di Roma La Sapienza, Facoltà di Ingegneria
Università di Roma La Sapienza, Facoltà di Ingegneria Corso di PROGETTAZIONE DEL SOFTWARE I (Ing. Informatica, Nuovo Ordinamento) Prof. Marco Cadoli, Canale A-L, A.A. 2005-06 Esercitazione numero 6 LA
ALLEGATO 1 (SCHEDA DI ASSEGNAZIONE OBIETTIVI)
ALLEGATO 1 (SCHEDA DI ASSEGNAZIONE OBIETTIVI) me Cognome Categoria Area AP PO, di tipo Anno di riferimento per la valutazione Punteggio conseguito nelle di schede di valutazione della prestazione degli
VALUTAZIONE PRESTAZIONI del PERSONALE NEL SETTORE BANCARIO
VALUTAZIONE PRESTAZIONI del PERSONALE NEL SETTORE BANCARIO Modelli e strumenti Il software H1 Hrms a supporto Valutazione Prestazioni del personale nel settore bancario dicembre 2010 gennaio 2011 pag.