Ottimizzazione Multi Obiettivo
|
|
- Agnello Villani
- 8 anni fa
- Visualizzazioni
Transcript
1 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 possono, invece, presentare vari obiettivi. Esempi: Trasporto merci e/o persone: Costo totale Tempo totale Bilanciamento del carico di lavoro... Scheduling: Costo totale Makespan (istante di fine operazioni) Tardiness (ritardi nelle consegne)... Portfolio: Profitto Rischio Diversificazione... Telecomunicazioni, bio-informatica, ambiente,...
2 Ottimizzazione Multi Obiettivo 2 Ottimizzazione Multi Obiettivo (2) I metodi utilizzati fino ad ora trovano una soluzione che minimizza (o massimizza) una data funzione obiettivo. Per risolvere i problemi multiobiettivo bisogna sviluppare nuovi metodi ad hoc. Questi metodi si basano generalmente sui metodi mono-obiettivo, o su loro varianti, eventualmente iterate più volte. Spesso, invece di fornire un unica soluzione, devono fornirne molte. Questo può complicare notevolmente la difficoltà dei problemi: Problema Mono-Obiettivo Multi-Obiettivo Cammino minimo Facile Difficile Assegnamento lineare Facile Difficile Nel seguito considereremo un generico problema Mono-Obiettivo: min (z 1 ) = (c T 1 x) Ax = b x 0... e un generico problema Multi-Obiettivo: min (z 1, z 2,..., z p ) = (c T 1 x, c T 2 x,..., c T p x) Ax = b x 0 In generale, indichiamo con p il numero di obiettivi.
3 Ottimizzazione Multi Obiettivo 3 Esempio (1) Un azienda produce tre prodotti P i, i = 1, 2, 3. Nella tabella sono riportati per ogni unità di prodotto il profitto unitario, le ore di lavoro necessarie, la quantità di materia prima utilizzata e il livello di inquinamento generato. profitto unitario ore lavoro materia prima inquinamento P P P L azienda ha a disposizione operai per 1300 ore di lavoro e 1000 unità di materia prima. L azienda ha due obiettivi: massimizzazione del profitto; minimizzazione del livello di inquinamento. (p = 2: problema Bi-Obiettivo)
4 Ottimizzazione Multi Obiettivo 4 Esempio (2) Per formulare il problema introduciamo le varibili x i, i = 1, 2, 3: x i rappresenta le unità di P i prodotte. Modello matematico: min (z 1, z 2 ) = ( 10x 1 9x 2 8x 3, 10x 1 + 6x 2 + 3x 3 ) 4x 1 + 3x 2 + 2x x 1 + 2x 2 + 2x x 1, x 2, x 3 {0, 1} Soluzione ottenuta massimizzando singolarmente il profitto ( z 1 ): z 1 = 4300 z 2 = 2400 x 1 = 0, x 2 = 300, x 3 = 200 Soluzione ottenuta minimizzando singolarmente l inquinamento (z 2 ): z 1 = 0 z 2 = 0 x 1 = 0, x 2 = 0, x 3 = 0 Come spesso accade nei problemi multi-obiettivo, le due soluzioni sono in netto contrasto tra loro.
5 Ottimizzazione Multi Obiettivo 5 Dominanza e Frontiera di Pareto Definizione di dominanza: In un problema di minimo, una soluzione y domina una soluzione w se: 1. c T i y ct i w i = 1,..., p 2. k {1,..., p} : c T k y < ct k w In un problema di massimo, una soluzione y domina una soluzione w se: 1. c T i y ct i w i = 1,..., p 2. k {1,..., p} : c T k y > ct k w Definizione di ottimo di Pareto: Una soluzione y è un ottimo di Pareto (punto non dominato) se non esiste nessuna soluzione w che domina y. ottimo di Pareto soluzione dominata z 2 z 2 minimo z 1 massimo z 1 Definizione di Frontiera di Pareto: La Frontiera di Pareto è l insieme degli ottimi di Pareto.
6 Ottimizzazione Multi Obiettivo 6 Metodi Risolutivi Tipicamente, l obiettivo è individuare uno specifico ottimo di Pareto. Questo può tuttavia richiedere di generare tutta la frontiera (ammesso che ci si riesca) o un suo sottoinsieme. In ogni caso, si assume l esistenza di un decisore in grado di selezionare o caratterizzare la soluzione considerata migliore. In base al ruolo svolto dal decisore nella strategia di soluzione del problema, i metodi risolutivi possono essere suddivisi in quattro grandi categorie. Metodi senza preferenze, nei quali il decisore non ha nessun ruolo e si considera soddisfacente l aver trovato un qualunque ottimo di Pareto. Metodi a posteriori, nei quali si genera l insieme di tutti gli ottimi di Pareto e poi lo si presenta al decisore che sceglie la soluzione per lui migliore. Metodi a priori, nei quali il decisore specifica le sue preferenze prima che abbia inizio il processo risolutivo. In base alle informazioni avute dal decisore viene direttamente trovata la soluzione migliore, senza dover (necessariamente) generare tutti gli ottimi di Pareto. Metodi interattivi, nei quali il decisore specifica le sue preferenze mano a mano che il processo risolutivo procede, guidando in tal modo il processo stesso verso la soluzione per lui più soddisfacente.
7 Ottimizzazione Multi Obiettivo 7 Si tratta di un metodo a priori. Goal Programming Per ognuna delle p funzioni obiettivo, il decisore definisce un valore target: T 1, T 2,..., T p. L obiettivo diventa la minimizzazione della distanza totale delle funzioni obiettivo dai loro valori target. Dato il problema: min (z 1, z 2,..., z p ) = (c T 1 x, c T 2 x,..., c T p x) Ax = b x 0 definiamo l eventuale scarto in eccesso dal target T i come: d + i = max{c T i x T i, 0} i = 1,..., p e l eventuale scarto in difetto dal target T i come: d i = max{t i c T i x, 0} i = 1,..., p e formuliamo la distanza dal target come: c T i x d + i + d i = T i i = 1,..., p Il problema (mono-obiettivo) risultante è: min p i=1 d+ i + d i c T i x d+ i + d i = T i i = 1,..., p Ax = b d +, d, x 0
8 Ottimizzazione Multi Obiettivo 8 Goal Programming Es. Assegnamento Lineare Bi-Obiettivo Si consideri il seguente problema di assegnamento lineare. Sono dati n lavoratori e n compiti. Ogni lavoratore deve svolgere un compito e ogni compito deve essere svolto da un lavoratore. Gli assegnamenti lavoratore/compito hanno un costo, riportato in seguito dalla matrice c. Notare che un costo 0 nella matrice implica che l assegnamento corrispondente non è possibile. Un obiettivo del problema è quello di minimizzare il costo totale. I lavoratori possono esprimere una certa avversione ai compiti che possono svolgere. In particolare, ogni lavoratore definisce un indice di avversione che va da 5 (avversione massima) a 1, per al massimo 5 compiti possibili. Tali valori sono dati nella sottostante tabella a. Un obiettivo del problema è anche quello di minimizzare l avversione totale dei lavoratori. Ottimizzando i due obiettivi separatamente, si ottiene: - costo minimo 54, con avversione totale 26; - avversione minima 15, con costo 96. Si vuole applicare il metodo Goal Programming, ponendo: 1. il target di costo T c = 70; 2. il target di avversione T a = 20.
9 Ottimizzazione Multi Obiettivo 9 Goal Programming Es. Ass. Lineare Bi-Obiettivo (2) Costi: Indici di avversione: c ij : a ij : I compiti corrispondono alle righe, i lavoratori alle colonne.
10 Ottimizzazione Multi Obiettivo 10 Goal Programming Es. Ass. Lineare Bi-Obiettivo (3) Formulazione matematica: min d + c + d c + d + a + d a n n c ij x ij d + c + d c T c = 0 i=0 n i=0 j=0 n a ij x ij d + a + d a T a = 0 j=0 8 x ij = 1 j = 1,..., 8 i=1 8 x ij = 1 i = 1,..., 8 j=1 x ij = 0 i, j = 1,..., 8 : c ij = 0 x ij {0, 1} i, j = 1,..., 8 Risolvendo otteniamo: Distanza totale dai target 3: d + c = 1, d a = 2, d c = d + a = 0 Costo totale 71 Avversione totale 18 Assegnamenti scelti: (1,6), (2,1), (3,2), (4,8), (5,7), (6,4), (7,5), (8,3).
11 Ottimizzazione Multi Obiettivo 11 Algoritmo ε constrained Si tratta di un metodo a posteriori. Si seleziona una funzione obiettivo k e la si ottimizza, mentre le altre funzioni (i = 1,..., p, i k) vengono trasformate in vincoli, limitando opportunamente i loro valori. In dettaglio, dato il problema di minimo: min (z 1, z 2,..., z p ) = (c T 1 x, c T 2 x,..., c T p x) (1) Ax = b (2) x 0 (3) Scelto k {1,..., p} definiamo per ogni altra funzioni obiettivo i k un upper bound ε i. Il problema (mono-obiettivo) risultante è: min c T k x (4) c T i x ε i i = 1,..., p, i k (5) Ax = b (6) x 0 (7) La soluzione ottima del modello (4) (7) non appartiene necessariamente alla frontiera di Pareto del modello (1) (3); tuttavia, risolvendo iterativamente con valori ε i opportunamente aggiornati, è possibile generare tutta la frontiera. il metodo risulta particolarmente semplice e intuitivo se p = 2, come vedremo nei prossimi esempi. Nota: nei problemi di massimo si usano lower bound (c T i x ε i)
12 Ottimizzazione Multi Obiettivo 12 Algoritmo ε constrained Esempio Knapsack Bi-Obiettivo (1) Consideriamo una applicazione del problema all ottimizzazione finanziaria. Sia dato un insieme di n possibili investimenti i, ognuno richiedente un esborso in denaro w i, e con un profitto p i e un indice di sicurezza o affidabilità (inversamente proporzionale al rischio) s i. Sia dato inoltre un limite massimo di budget W per l esborso iniziale. L obiettivo è quello di selezionare l insieme di investimenti il cui esborso totale non ecceda W e per cui siano massimi il profitto totale e la sicurezza totale. Si consideri il caso in cui n = 14, W = 100 e i dati sono quelli nella tabella sottostante. i w i p i s i Determiniamo la frontiera di Pareto con il seguente metodo ε-constrained: 1. Risolviamo un problema di knapsack massimizzando il profitto; siano P ed S il profitto e la sicurezza ottenuti; 2. massimizziamo nuovamente il profitto, ma imponendo come vincolo che la sicurezza totale sia maggiore o uguale a S + 1; 3. iteriamo aggiornando il vincolo sulla sicurezza con l ultimo valore S ottenuto, fino a quando il modello risulta non ammissibile.
13 Ottimizzazione Multi Obiettivo 13 Algoritmo ε constrained Esempio Knapsack Bi-Obiettivo (2) Iterazione 1: risolviamo il problema di zaino max p T x w T x 100 x j {0, 1} j = 1,..., 14 ottenendo profitto massimo P= 159 e sicurezza S = 40, con gli investimenti: 3,7,8,14. Iterazione 2: risolviamo il modello max p T x w T x 100 s T x LB S x j {0, 1} j = 1,..., 14 con LB S = S + 1 = 41, dove S è il valore di sicurezza ottenuto all iterazione precedente; in questo modo otteniamo i nuovi valori P = 154 e S = 105, con gli investimenti: 1,3,5,7,9,14. Iterazione 3: risolviamo il modello (8) con LB S = 106, ottenendo P= 154 e S = 122, con gli investimenti: 1,2,3,5,7,14. Notare che P è rimasto invariato! (8)
14 Ottimizzazione Multi Obiettivo 14 Algoritmo ε constrained Esempio Knapsack Bi-Obiettivo (3) Iterazione 4: risolviamo il modello (8) con LB S = 123, ottenendo P= 154 e S = 133, con gli investimenti: 1,2,3,4,7,14. Notare che P è rimasto di nuovo invariato! Iterazione 5: risolviamo il modello (8) con LB S = 134, ottenendo P= 145 e S = 143, con gli investimenti: 1,2,3,7,9,11. Iterazione 6: risolviamo il modello (8) con LB S = 144, ottenendo P= 137 e S = 150, con gli investimenti: 1,2,3,4,7,9. Iterazione 7: risolviamo il modello (8) con LB S = 151, ottenendo P=116 e S = 167, con gli investimenti: 1,2,3,4,5,9,11. Iterazione 8: risolviamo il modello (8) con LB S = 168, ottenendo P=69 e S = 170, con gli investimenti: 1,2,4,6,9,11. Iterazione 9: risolviamo il modello (8) con LB S = 171, e non otteniamo nessuna soluzione ammissibile. Il metodo termina.
15 Ottimizzazione Multi Obiettivo 15 Algoritmo ε constrained Esempio Knapsack Bi-Obiettivo (4) Le coppie (P, S) generate dall algoritmo sono: (159, 40), (154, 105), (154, 122), (154, 133), (145, 143), (137, 150), (116, 167), (69, 170) Il grafico dei punti corrispondenti a queste coppie è il seguente 180 Grafico dei risultati Come risulta evidente dal grafico, l insieme di coppie ottenuto non è la frontiera di Pareto, perché contiene le due soluzioni (154, 105) e (154, 122) dominate dalla soluzione (154, 133)
16 Ottimizzazione Multi Obiettivo 16 Algoritmo ε constrained Esempio Knapsack Bi-Obiettivo (5) Il grafico della frontiera di Pareto si ottiene eliminando le due soluzioni dominate; in sostanza, tra tutte le soluzioni con valore di profitto P = 154, si mantiene solo quella non dominata (154, 133) 180 Frontiera di Pareto Sicurezza S Profitto P Osservazione: l eventualità di generare soluzioni dominate dipende non solo dal modello che si sta risolvendo, ma anche dal solutore impiegato. Nel nostro esempio, un diverso solutore avrebbe potuto generare la soluzione non dominata (154, 133) già all iterazione 2 (rendendo quindi superflue le iterazioni 3 e 4).
17 Ottimizzazione Multi Obiettivo 17 Algoritmo ε constrained Es. Cammino Minimo Bi-obiettivo Si consideri il seguente problema di trasporto di materiale pericoloso. Un singolo veicolo parte da un deposito iniziale (vertice 0) per visitare un dato insieme di n vertici j (j = 1,..., n) e concludere poi il viaggio ad un deposito finale (vertice n + 1). Gli spostamenti da un vertice all altro hanno un costo, riportato in seguito nella matrice c. Ogni c ij = 0 nella matrice implica che il collegamento diretto da i a j non esiste. Analogamente, gli spostamenti da un vertice all altro comportano un rischio per la popolazione; il grado di rischio per ciascun spostamento è rappresentato dalla matrice r (tabella successiva). Determinare l insieme di cammini dal deposito iniziale a quello finale che minimizza la somma dei costi e la somma dei rischi. A tal fine esplorare la frontiera di Pareto nel seguente modo: 1. Risolvere il problema di cammino di costo minimo (considerando quindi solo i costi c nella funzione obiettivo), determinando un costo totale C e un rischio totale R; 2. risolvere nuovamente il problema minimizzando sempre il costo, ma imponendo come vincolo che il rischio totale non superi R 1; 3. iterare imponendo un vincolo sempre più stringente sul rischio, fino a quando il problema ottenuto risulta non ammissibile.
18 Ottimizzazione Multi Obiettivo 18 Algoritmo ε constrained Es. Cammino Minimo Bi-obiettivo (2) Costi: Rischi: c ij : r ij : Deposito di partenza: vertice 0; deposito di arrivo: vertice 7.
19 Ottimizzazione Multi Obiettivo 19 Algoritmo ε constrained Es. Cammino Minimo Bi-obiettivo (3) Formulazione matematica: 7 7 min C = c ij x ij i=0 7 i=0 j=0 7 r ij x ij j=0 UB R 7 (x 0i x i0 ) = 1 i=0 7 (x 7i x i7 ) = 1 i=0 7 (x ji x ij ) = 0 j = 1,..., 6 i=0 x ij = 0 i, j = 0,..., 7, c ij = 0 x ij {0, 1} i, j = 0,..., 7 Iterazione 1: risolviamo il modello con UB R = + (in pratica, UB R maggiore della somma dei valori di rischio) ottenendo C= 11 e R = 24, con il cammino: (0,4), (4,7). Iterazione 2: risolviamo il modello con UB R = 23, ottenendo C= 16 e R = 22, con il cammino: (0,3), (3,7). Iterazione 3: risolviamo il modello con UB R = 21, ottenendo C= 33 e R = 21, con il cammino: (0,2), (2,1), (1,7).
20 Ottimizzazione Multi Obiettivo 20 Algoritmo ε constrained Es. Cammino Minimo Bi-obiettivo (4) Iterazione 4: risolviamo il modello con UB R = 20, ottenendo C= 35 e R = 12, con il cammino: (0,1), (1,5), (5,3), (3,7). Iterazione 5: risolviamo il modello con UB R = 11, ottenendo C= 37 e R = 7, con il cammino: (0,1), (1,7). Iterazione 6: risolviamo il modello con UB R = 6 e e non otteniamo nessuna soluzione ammissibile. Fermiamo quindi le iterazioni. L insieme delle soluzioni (C, R) ottenute fornisce la frontiera di Pareto (non ci sono soluzioni dominate); il grafico risultante è: 30 Frontiera di Pareto
Esercitazione 23 maggio 2016
Esercitazione 5 maggio 016 Esercitazione 3 maggio 016 In questa esercitazione, nei primi tre esercizi, analizzeremo il problema del moral hazard nel mercato. In questo caso prenderemo in considerazione
DettagliLa Programmazione Lineare
4 La Programmazione Lineare 4.1 INTERPRETAZIONE GEOMETRICA DI UN PROBLEMA DI PROGRAMMAZIONE LINEARE Esercizio 4.1.1 Fornire una rappresentazione geometrica e risolvere graficamente i seguenti problemi
DettagliOttimizzazione nella gestione dei progetti Capitolo 4: la gestione dei costi (Programmazione multimodale): formulazioni
Ottimizzazione nella gestione dei progetti Capitolo 4: la gestione dei costi (Programmazione multimodale): formulazioni CARLO MANNINO Università di Roma La Sapienza Dipartimento di Informatica e Sistemistica
Dettaglie-dva - eni-depth Velocity Analysis
Lo scopo dell Analisi di Velocità di Migrazione (MVA) è quello di ottenere un modello della velocità nel sottosuolo che abbia dei tempi di riflessione compatibili con quelli osservati nei dati. Ciò significa
DettagliProdotto Disponibilità Costo 1 3000 3 2 2000 6 3 4000 4. e rispettando le seguenti regole di composizione delle benzine:
1.1 Pianificazione degli investimenti. Una banca deve investire C milioni di Euro, e dispone di due tipi di investimento: (a) con interesse annuo del 15%; (b) con interesse annuo del 25%. Almeno 1 di C
Dettagli1. Sia dato un poliedro. Dire quali delle seguenti affermazioni sono corrette.
. Sia dato un poliedro. (a) Un vettore x R n è un vertice di P se soddisfa alla seguenti condizioni: x P e comunque presi due punti distinti x, x 2 P tali che x x e x x 2 si ha x = ( β)x + βx 2 con β [0,
DettagliModelli di Programmazione Lineare e Programmazione Lineare Intera
Modelli di Programmazione Lineare e Programmazione Lineare Intera 1 Azienda Dolciaria Un azienda di cioccolatini deve pianificare la produzione per i prossimi m mesi. In ogni mese l azienda ha a disposizione
DettagliUn modello matematico di investimento ottimale
Un modello matematico di investimento ottimale Tiziano Vargiolu 1 1 Università degli Studi di Padova Liceo Scientifico Benedetti Venezia, giovedì 30 marzo 2011 Outline 1 Investimento per un singolo agente
Dettagli1) Descrivere dettagliatamente a quale problema di scheduling corrisponde il problema.
Un veicolo viene utilizzato da una società di trasporti per trasportare beni a partire da un unico deposito verso prefissate località di destinazione. Si supponga che occorre trasportare singolarmente
Dettaglimese 1 2 3 4 5 richiesta 6000 7000 8000 9500 11000
1.7 Servizi informatici. Un negozio di servizi informatici stima la richiesta di ore di manutenzione/consulenza per i prossimi cinque mesi: mese 1 2 3 4 5 richiesta 6000 7000 8000 9500 11000 All inizio
DettagliIl 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
DettagliCapitolo 4: Ottimizzazione non lineare non vincolata parte II. E. Amaldi DEIB, Politecnico di Milano
Capitolo 4: Ottimizzazione non lineare non vincolata parte II E. Amaldi DEIB, Politecnico di Milano 4.3 Algoritmi iterativi e convergenza Programma non lineare (PNL): min f(x) s.v. g i (x) 0 1 i m x S
DettagliDimensione di uno Spazio vettoriale
Capitolo 4 Dimensione di uno Spazio vettoriale 4.1 Introduzione Dedichiamo questo capitolo ad un concetto fondamentale in algebra lineare: la dimensione di uno spazio vettoriale. Daremo una definizione
Dettaglib i 1,1,1 1,1,1 0,1,2 0,3,4
V o Appello // RICERCA OPERATIVA - Corso A (a.a. 9/) Nome Cognome: Corso di Laurea: L C6 LS LM Matricola: ) Si consideri il problema di flusso di costo minimo in figura. Si verifichi se il flusso ammissibile
DettagliESEMPIO P.L. : PIANIFICAZIONE DI INVESTIMENTI
ESEMPIO P.L. : PIANIFICAZIONE DI INVESTIMENTI PROBLEMA: un azienda deve scegliere fra due possibili investimenti al fine di massimizzare il profitto netto nel rispetto delle condizioni interne e di mercato
DettagliLE FUNZIONI A DUE VARIABILI
Capitolo I LE FUNZIONI A DUE VARIABILI In questo primo capitolo introduciamo alcune definizioni di base delle funzioni reali a due variabili reali. Nel seguito R denoterà l insieme dei numeri reali mentre
DettagliCapitolo 5: Ottimizzazione Discreta. E. Amaldi DEI, Politecnico di Milano
Capitolo 5: Ottimizzazione Discreta E. Amaldi DEI, Politecnico di Milano 5.1 Modelli di PLI, formulazioni equivalenti ed ideali Il modello matematico di un problema di Ottimizzazione Discreta è molto spesso
DettagliEconomia Applicata ai sistemi produttivi. 06.05.05 Lezione II Maria Luisa Venuta 1
Economia Applicata ai sistemi produttivi 06.05.05 Lezione II Maria Luisa Venuta 1 Schema della lezione di oggi Argomento della lezione: il comportamento del consumatore. Gli economisti assumono che il
DettagliSchedulazione di attività in presenza di attività interrompibili
Schedulazione di attività in presenza di attività interrompibili Maria Silvia Pini Resp. accademico: Prof.ssa Francesca Rossi Università di Padova Attività FSE DGR 1102/2010 La gestione dell informazione
DettagliSommario. Definizione di informatica. Definizione di un calcolatore come esecutore. Gli algoritmi.
Algoritmi 1 Sommario Definizione di informatica. Definizione di un calcolatore come esecutore. Gli algoritmi. 2 Informatica Nome Informatica=informazione+automatica. Definizione Scienza che si occupa dell
Dettagli3 CENNI DI TEORIA DELLA COMPLESSITA COMPUTAZIONALE. E. Amaldi Fondamenti di R.O. Politecnico di Milano 1
3 CENNI DI TEORIA DELLA COMPLESSITA COMPUTAZIONALE E. Amaldi Fondamenti di R.O. Politecnico di Milano 1 Scopo: Stimare l onere computazionale per risolvere problemi di ottimizzazione e di altra natura
DettagliSVM. Veronica Piccialli. Roma 11 gennaio 2010. Università degli Studi di Roma Tor Vergata 1 / 14
SVM Veronica Piccialli Roma 11 gennaio 2010 Università degli Studi di Roma Tor Vergata 1 / 14 SVM Le Support Vector Machines (SVM) sono una classe di macchine di che derivano da concetti riguardanti la
Dettaglimin 4x 1 +x 2 +x 3 2x 1 +x 2 +2x 3 = 4 3x 1 +3x 2 +x 3 = 3 x 1 +x 2 3x 3 = 5 Innanzitutto scriviamo il problema in forma standard: x 1 x 2 +3x 3 = 5
IL METODO DEL SIMPLESSO 65 Esercizio 7.4.4 Risolvere utilizzando il metodo del simplesso il seguente problema di PL: min 4 + + + + = 4 + + = + = 5 Innanzitutto scriviamo il problema in forma standard:
DettagliRicerca Operativa Esercizi sul metodo del simplesso. Luigi De Giovanni, Laura Brentegani
Ricerca Operativa Esercizi sul metodo del simplesso Luigi De Giovanni, Laura Brentegani 1 1) Risolvere il seguente problema di programmazione lineare. ma + + 3 s.t. 2 + + 2 + 2 + 3 5 2 + 2 + 6,, 0 Soluzione.
DettagliEquilibrio 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
DettagliCapitolo 25: Lo scambio nel mercato delle assicurazioni
Capitolo 25: Lo scambio nel mercato delle assicurazioni 25.1: Introduzione In questo capitolo la teoria economica discussa nei capitoli 23 e 24 viene applicata all analisi dello scambio del rischio nel
DettagliMatematica generale CTF
Successioni numeriche 19 agosto 2015 Definizione di successione Monotonìa e limitatezza Forme indeterminate Successioni infinitesime Comportamento asintotico Criterio del rapporto per le successioni Definizione
Dettagli~ Copyright Ripetizionando - All rights reserved ~ http://ripetizionando.wordpress.com STUDIO DI FUNZIONE
STUDIO DI FUNZIONE Passaggi fondamentali Per effettuare uno studio di funzione completo, che non lascia quindi margine a una quasi sicuramente errata inventiva, sono necessari i seguenti 7 passaggi: 1.
DettagliIntroduzione al MATLAB c Parte 2
Introduzione al MATLAB c Parte 2 Lucia Gastaldi Dipartimento di Matematica, http://dm.ing.unibs.it/gastaldi/ 18 gennaio 2008 Outline 1 M-file di tipo Script e Function Script Function 2 Costrutti di programmazione
DettagliI ricavi ed i costi di produzione
I ricavi ed i costi di produzione Supponiamo che le imprese cerchino di operare secondo comportamenti efficienti, cioè comportamenti che raggiungono i fini desiderati con mezzi minimi (o, che è la stessa
DettagliRicerca Operativa (Compito A) Appello del 16/06/2014 Andrea Scozzari
Ricerca Operativa (Compito A) Appello del 16/06/2014 Andrea Scozzari Esercizio n.1 Un agenzia finanziaria deve investire 1000000 di euro di un suo cliente in fondi di investimento. Il mercato offre cinque
DettagliIl Capital asset pricing model è un modello di equilibrio dei mercati, individua una relazione tra rischio e rendimento, si fonda sulle seguenti
Il Capital asset pricing model è un modello di equilibrio dei mercati, individua una relazione tra rischio e rendimento, si fonda sulle seguenti ipotesi: Gli investitori sono avversi al rischio; Gli investitori
DettagliLogistica o distribuzione
6. I problemi di trasporto e distribuzione 1 Logistica o distribuzione La logistica è l attività di trasportare merci e/o servizi dai luoghi ( sorgenti ) dove tali merci o servizi sono disponibili, alle
DettagliLogistica - Il problema del trasporto
Logistica - Il problema del trasporto Federico Di Palma December 17, 2009 Il problema del trasporto sorge ogniqualvolta si debba movimentare della merce da una o più sorgenti verso una o più destinazioni
DettagliOttimizzazione Multi Obiettivo
Ottimizzazione Multi Obiettivo 1 Ottimizzazione Multi Obiettivo La Programmazione Matematica classica, lineare (PL) o intera (PLI), tratta problemi caratterizzati da una unica e ben definita funzione obiettivo.
DettagliEdited by Foxit PDF Editor Copyright (c) by Foxit Software Company, 2004 For Evaluation Only.
In un mercato del lavoro competitivo esistono due tipi di lavoratori, quelli con alta produttività L A, che producono per 30 $ l'ora, e quelli con bassa produttività, L B, che producono per 5 $ l'ora.
DettagliEsercitazione relativa al capitolo 14 I MONOPOLI E LA CONCORRENZA IMPERFETTA
Esercitazione relativa al capitolo 14 I MONOPOLI E LA CONCORRENZA IMPERFETTA Esistono quattro principali tipi di strutture di mercato: concorrenza perfetta, monopolio, concorrenza monopolistica e oligopolio.
DettagliSlide Cerbara parte1 5. Le distribuzioni teoriche
Slide Cerbara parte1 5 Le distribuzioni teoriche I fenomeni biologici, demografici, sociali ed economici, che sono il principale oggetto della statistica, non sono retti da leggi matematiche. Però dalle
DettagliMATEMATICA DEL DISCRETO elementi di teoria dei grafi. anno acc. 2009/2010
elementi di teoria dei grafi anno acc. 2009/2010 Grafi semplici Un grafo semplice G è una coppia ordinata (V(G), L(G)), ove V(G) è un insieme finito e non vuoto di elementi detti vertici o nodi di G, mentre
DettagliAlgoritmi e Strutture Dati II: Parte B Anno Accademico 2004-2005. Lezione 11
Algoritmi e Strutture Dati II: Parte B Anno Accademico 2004-2005 Docente: Ugo Vaccaro Lezione 11 In questa lezione vedremo alcune applicazioni della tecnica greedy al progetto di algoritmi on-line. Vediamo
DettagliAppunti sulla Macchina di Turing. Macchina di Turing
Macchina di Turing Una macchina di Turing è costituita dai seguenti elementi (vedi fig. 1): a) una unità di memoria, detta memoria esterna, consistente in un nastro illimitato in entrambi i sensi e suddiviso
DettagliAPPLICAZIONI LINEARI
APPLICAZIONI LINEARI 1. Esercizi Esercizio 1. Date le seguenti applicazioni lineari (1) f : R 2 R 3 definita da f(x, y) = (x 2y, x + y, x + y); (2) g : R 3 R 2 definita da g(x, y, z) = (x + y, x y); (3)
DettagliProblema del trasporto
p. 1/1 Problema del trasporto Supponiamo di avere m depositi in cui è immagazzinato un prodotto e n negozi che richiedono tale prodotto. Nel deposito i è immagazzinata la quantità a i di prodotto. Nel
DettagliLe equazioni. Diapositive riassemblate e rielaborate da prof. Antonio Manca da materiali offerti dalla rete.
Le equazioni Diapositive riassemblate e rielaborate da prof. Antonio Manca da materiali offerti dalla rete. Definizione e caratteristiche Chiamiamo equazione l uguaglianza tra due espressioni algebriche,
DettagliEsponenziali elogaritmi
Esponenziali elogaritmi Potenze ad esponente reale Ricordiamo che per un qualsiasi numero razionale m n prendere n>0) si pone a m n = n a m (in cui si può sempre a patto che a sia un numero reale positivo.
DettagliRICERCA OPERATIVA GRUPPO B prova scritta del 22 marzo 2007
RICERCA OPERATIVA GRUPPO B prova scritta del 22 marzo 2007 Rispondere alle seguenti domande marcando a penna la lettera corrispondente alla risposta ritenuta corretta (una sola tra quelle riportate). Se
DettagliIntelligenza Artificiale
Intelligenza Artificiale Esercizi e Domande di Esame Tecniche di Ricerca e Pianificazione Esercizi Griglia Si consideri un ambiente costituito da una griglia n n in cui si muove un agente che può spostarsi
DettagliALGORITMO DEL SIMPLESSO
ALGORITMO DEL SIMPLESSO ESERCITAZIONI DI RICERCA OPERATIVA 1 ESERCIZIO 1. Risolvere il seguente programma lineare (a) con il metodo del simplesso e (b) con il metodo grafico. (1) min x 1 x () (3) (4) (5)
DettagliRicerca Operativa A.A. 2007/2008. 10. Dualità in Programmazione Lineare
Ricerca Operativa A.A. 2007/2008 10. Dualità in Programmazione Lineare Luigi De Giovanni - Ricerca Operativa - 10. Dualità in Programmazione Lineare 10.1 Soluzione di un problema di PL: punti di vista
DettagliMassimizzazione del Profitto e offerta concorrenziale. G. Pignataro Microeconomia SPOSI
Massimizzazione del Profitto e offerta concorrenziale 1 Mercati perfettamente concorrenziali 1. Price taking Poiché ogni impresa vende una porzione relativamente piccola della produzione complessiva del
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
Dettagli1. Limite finito di una funzione in un punto
. Limite finito di una funzione in un punto Consideriamo la funzione: f ( ) = il cui dominio risulta essere R {}, e quindi il valore di f ( ) non è calcolabile in =. Quest affermazione tuttavia non esaurisce
DettagliLimiti e continuità delle funzioni reali a variabile reale
Limiti e continuità delle funzioni reali a variabile reale Roberto Boggiani Versione 4.0 9 dicembre 2003 1 Esempi che inducono al concetto di ite Per introdurre il concetto di ite consideriamo i seguenti
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
DettagliOsservazioni sulla continuità per le funzioni reali di variabile reale
Corso di Matematica, I modulo, Università di Udine, Osservazioni sulla continuità Osservazioni sulla continuità per le funzioni reali di variabile reale Come è noto una funzione è continua in un punto
DettagliLezione 9: Cambio di base
Lezione 9: Cambio di base In questa lezione vogliamo affrontare uno degli argomenti piu ostici per lo studente e cioè il cambio di base all interno di uno spazio vettoriale, inoltre cercheremo di capire
DettagliELASTICITÀ. Sarebbe conveniente per il produttore aumentare ulteriormente il prezzo nella stessa misura del caso
Esercizio 1 Data la funzione di domanda: ELASTICITÀ Dire se partendo da un livello di prezzo p 1 = 1.5, al produttore converrà aumentare il prezzo fino al livello p 2 = 2. Sarebbe conveniente per il produttore
DettagliCAPITOLO 10 I SINDACATI
CAPITOLO 10 I SINDACATI 10-1. Fate l ipotesi che la curva di domanda di lavoro di una impresa sia data da: 20 0,01 E, dove è il salario orario e E il livello di occupazione. Ipotizzate inoltre che la funzione
DettagliH1 Hrms Gestione eventi/scadenze automatiche
Sintesi H1 Hrms Gestione eventi/scadenze automatiche Il presente documento nasce con lo scopo di illustrare la funzionalità all interno di H1 hrms relativa alla procedura di gestione degli eventi e delle
DettagliCapitolo 13: L offerta dell impresa e il surplus del produttore
Capitolo 13: L offerta dell impresa e il surplus del produttore 13.1: Introduzione L analisi dei due capitoli precedenti ha fornito tutti i concetti necessari per affrontare l argomento di questo capitolo:
DettagliCorrispondenze e funzioni
Corrispondenze e funzioni L attività fondamentale della mente umana consiste nello stabilire corrispondenze e relazioni tra oggetti; è anche per questo motivo che il concetto di corrispondenza è uno dei
DettagliSistemi Operativi mod. B. Sistemi Operativi mod. B A B C A B C P 1 2 0 0 P 1 1 2 2 3 3 2 P 2 3 0 2 P 2 6 0 0 P 3 2 1 1 P 3 0 1 1 < P 1, >
Algoritmo del banchiere Permette di gestire istanze multiple di una risorsa (a differenza dell algoritmo con grafo di allocazione risorse). Ciascun processo deve dichiarare a priori il massimo impiego
DettagliEsempi di modelli di programmazione lineare (intera) 2014
Esempi di modelli di programmazione lineare (intera) 2014 1) Combinando risorse Una ditta produce due tipi di prodotto, A e B, combinando e lavorando opportunamente tre risorse, R, S e T. In dettaglio:
DettagliUniversità degli Studi di L Aquila. Facoltà di Ingegneria. Corso di Laurea in Ingegneria Elettronica Corso di Sistemi Informativi
Università degli Studi di L Aquila Facoltà di Ingegneria Corso di Laurea in Ingegneria Elettronica Corso di Sistemi Informativi Prof. Gaetanino Paolone Dott. Ottavio Pascale a.a.2003-2004 Progetto Campo
DettagliPROGRAMMAZIONE LINEARE IN DUE VARIABILI
1 PROGRAMMAZIONE LINEARE IN DUE VARIABILI La ricerca operativa nata durante la seconda guerra mondiale ed utilizzata in ambito militare, oggi viene applicata all industria, nel settore pubblico e nell
DettagliScelte in condizione di incertezza
Scelte in condizione di incertezza Tutti i problemi di decisione che abbiamo considerato finora erano caratterizzati dal fatto che ogni possibile scelta dei decisori portava a un esito certo. In questo
DettagliIstituzioni di Economia Laurea Triennale in Ingegneria Gestionale Lezione 16 Offerta dell impresa
UNIVERSITÀ DEGLI STUDI DI BERGAMO Laurea Triennale in Ingegneria Gestionale Lezione 16 Offerta dell impresa Prof. Gianmaria Martini Offerta dell impresa La decisione di un impresa a riguardo della quantità
DettagliRicerca Operativa A.A. 2008/2009
Ricerca Operativa A.A. 08/09 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
DettagliProf. Silvio Reato Valcavasia Ricerche. Il piano cartesiano
Il piano cartesiano Per la rappresentazione di grafici su di un piano si utilizza un sistema di riferimento cartesiano. Su questo piano si rappresentano due rette orientate (con delle frecce all estremità
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
DettagliEsercizi di Ricerca Operativa I
Esercizi di Ricerca Operativa I Dario Bauso, Raffaele Pesenti May 10, 2006 Domande Programmazione lineare intera 1. Gli algoritmi per la programmazione lineare continua possono essere usati per la soluzione
DettagliTeoria dei Giochi. Dr. Giuseppe Rose Università degli Studi della Calabria Corso di Laurea Magistrale in Economia Applicata a.a 2011/2012 Handout 2
Teoria dei Giochi Dr. Giuseppe Rose Università degli Studi della Calabria Corso di Laurea Magistrale in Economia Applicata a.a 2011/2012 Handout 2 1 Concetti risolutivi per i giochi in forma normale I
DettagliRicerca Operativa e Logistica Dott. F.Carrabs e Dott.ssa M.Gentili
Ricerca Operativa e Logistica Dott. F.Carrabs e Dott.ssa M.Gentili Il modello matematico 2: Funzioni obiettivo: ma.min, Min-ma Tipologie di Vincoli Funzione obiettivo ma-min: Esempio Scommesse Il signor
DettagliAi fini economici i costi di un impresa sono distinti principalmente in due gruppi: costi fissi e costi variabili. Vale ovviamente la relazione:
1 Lastoriadiun impresa Il Signor Isacco, che ormai conosciamo per il suo consumo di caviale, decide di intraprendere l attività di produttore di caviale! (Vuole essere sicuro della qualità del caviale
DettagliSequenziamento a minimo costo di commutazione in macchine o celle con costo lineare e posizione home (In generale il metodo di ottimizzazione
Sequenziamento a minimo costo di commutazione in macchine o celle con costo lineare e posizione home (In generale il metodo di ottimizzazione presentato in questo file trova la seq. a costo minimo per
DettagliCORSO DI LAUREA IN INGEGNERIA.
CORSO DI LAUREA IN INGEGNERIA. FOGLIO DI ESERCIZI 4 GEOMETRIA E ALGEBRA LINEARE 2010/11 Esercizio 4.1 (2.2). Determinare l equazione parametrica e Cartesiana della retta dello spazio (a) Passante per i
DettagliInflazione. L indice dei prezzi al consumo ci consente quindi di introdurre anche il concetto di inflazione:
Il potere di acquisto cambia nel tempo. Un euro oggi ha un potere di acquisto diverso da quello che aveva 5 anni fa e diverso da quello che avrà fra 20 anni. Come possiamo misurare queste variazioni? L
DettagliIl rischio di un portafoglio
Come si combinano in un portafoglio i rischi di 2 titoli? dipende dai pesi e dal valore delle covarianze covarianza a a ρ a b ρ a b ρ b b ρ coefficiente di correlazione = cov / ² p = a² ² + b² ² + 2 a
DettagliUniversità degli Studi di Perugia A.A. 2014/2015 Dipartimento di Economia. ECONOMIA INDUSTRIALE Prof. Davide Castellani (davide.castellani@unipg.
Università degli Studi di Perugia A.A. 2014/2015 Dipartimento di Economia ECONOMIA INDUSTRIALE Prof. Davide Castellani (davide.castellani@unipg.it) Reti e standard Introduzione Aspettative dei consumatori
DettagliProduzione e forza lavoro
Produzione e forza lavoro Testo Un azienda produce i modelli I, II e III di un certo prodotto a partire dai materiali grezzi A e B, di cui sono disponibili 4000 e 6000 unità, rispettivamente. In particolare,
DettagliComputational Game Theory
Computational Game Theory Vincenzo Bonifaci 24 maggio 2012 5 Regret Minimization Consideriamo uno scenario in cui un agente deve selezionare, più volte nel tempo, una decisione tra un insieme di N disponibili:
Dettagli15. Analisi del rapporto tra costi, volumi e risultati. Ragioneria Generale ed Applicata Sede di Fano
15. Analisi del rapporto tra costi, volumi e risultati Ragioneria Generale ed Applicata Sede di Fano UNO STRUMENTO PER L ANALISI CONGIUNTA DELL ANDAMENTO DEI COSTI, RICAVI, RISULTATI B.E.P.= break even
DettagliRicerca Operativa (Compito A) Appello del 18/06/2013 Andrea Scozzari
Ricerca Operativa (Compito A) Appello del 18/06/2013 Andrea Scozzari Esercizio n.1 Un azienda intende incrementare il proprio organico per ricoprire alcuni compiti scoperti. I dati relativi ai compiti
DettagliDomande a scelta multipla 1
Domande a scelta multipla Domande a scelta multipla 1 Rispondete alle domande seguenti, scegliendo tra le alternative proposte. Cercate di consultare i suggerimenti solo in caso di difficoltà. Dopo l elenco
DettagliRicerca Operativa e Logistica
Ricerca Operativa e Logistica Dott. F.Carrabs e Dott.ssa M.Gentili A.A. 2011/2012 Lezione 10: Variabili e vincoli logici Variabili logiche Spesso nei problemi reali che dobbiamo affrontare ci sono dei
DettagliLezione 5. Argomenti. Premessa Vincolo di bilancio La scelta ottima del consumatore
Lezione 5 Argomenti Premessa Vincolo di bilancio La scelta ottima del consumatore 5.1 PREESSA Nonostante le preferenze portino a desiderare quantità crescenti di beni, nella realtà gli individui non sono
DettagliSistemi Informativi Territoriali. Map Algebra
Paolo Mogorovich Sistemi Informativi Territoriali Appunti dalle lezioni Map Algebra Cod.735 - Vers.E57 1 Definizione di Map Algebra 2 Operatori locali 3 Operatori zonali 4 Operatori focali 5 Operatori
Dettaglirisulta (x) = 1 se x < 0.
Questo file si pone come obiettivo quello di mostrarvi come lo studio di una funzione reale di una variabile reale, nella cui espressione compare un qualche valore assoluto, possa essere svolto senza necessariamente
Dettaglif(x) = 1 x. Il dominio di questa funzione è il sottoinsieme proprio di R dato da
Data una funzione reale f di variabile reale x, definita su un sottoinsieme proprio D f di R (con questo voglio dire che il dominio di f è un sottoinsieme di R che non coincide con tutto R), ci si chiede
Dettagli2 + (σ2 - ρσ 1 ) 2 > 0 [da -1 ρ 1] b = (σ 2. 2 - ρσ1 σ 2 ) = (σ 1
1 PORTAFOGLIO Portafoglio Markowitz (2 titoli) (rischiosi) due titoli rendimento/varianza ( μ 1, σ 1 ), ( μ 2, σ 2 ) Si suppone μ 1 > μ 2, σ 1 > σ 2 portafoglio con pesi w 1, w 2 w 1 = w, w 2 = 1- w 1
DettagliProduttore A B C 1 20% 20% 30% 2 30% 10% 30%
Esercizio 1: Patate Un azienda produce pacchi di patatine surgelate sia a bastoncino (A) che in pezzi più piccoli (B) e di fiocchi surgelati per il puré (C). L azienda acquista da due produttori (1 e 2)
DettagliCalcolo del Valore Attuale Netto (VAN)
Calcolo del Valore Attuale Netto (VAN) Il calcolo del valore attuale netto (VAN) serve per determinare la redditività di un investimento. Si tratta di utilizzare un procedimento che può consentirci di
DettagliPremessa. Esercitazione. Calcolo del reddito nel Conto del reddito. Calcolo del reddito nel Conto del capitale e nel Conto del reddito
Sul calcolo del reddito di fine periodo: riflessioni di base 1 INDICE: Premessa Esercitazione Calcolo del reddito nel Conto del capitale Calcolo del reddito nel Conto del reddito Calcolo del reddito nel
DettagliProposta di soluzione della prova di matematica Liceo scientifico di Ordinamento - 2014
Proposta di soluzione della prova di matematica Liceo scientifico di Ordinamento - 14 Problema 1 Punto a) Osserviamo che g (x) = f(x) e pertanto g () = f() = in quanto Γ è tangente all asse delle ascisse,
DettagliChiusura lineare. N.B. A può essere indifferentemente un insieme, finito o no, o un sistema. Es.1. Es.2
Chiusura lineare Def. Sia A V (K) con A. Si dice copertura lineare (o chiusura lineare) di A, e si indica con L(A), l insieme dei vettori di V che risultano combinazioni lineari di un numero finito di
DettagliSeconda Università di Napoli AA. 2012/2013 Facoltà di Economia. ECONOMIA INDUSTRIALE Prof. Roberto Basile (roberto.basile@unina2.
Seconda Università di Napoli AA. 2012/2013 Facoltà di Economia ECONOMIA INDUSTRIALE Prof. Roberto Basile (roberto.basile@unina2.it) Pubblicità (Forma di investimento strategico) Introduzione L intensità
DettagliLuigi Piroddi piroddi@elet.polimi.it
Automazione industriale dispense del corso 10. Reti di Petri: analisi strutturale Luigi Piroddi piroddi@elet.polimi.it Analisi strutturale Un alternativa all analisi esaustiva basata sul grafo di raggiungibilità,
DettagliPIL : produzione e reddito
PIL : produzione e reddito La misura della produzione aggregata nella contabilità nazionale è il prodotto interno lordo o PIL. Dal lato della produzione : oppure 1) Il PIL è il valore dei beni e dei servizi
DettagliINTRODUZIONE. Cplex è un software per la risoluzione di Problemi di Programmazione Lineare e Lineare Intera;
INTRODUZIONE Cplex è un software per la risoluzione di Problemi di Programmazione Lineare e Lineare Intera; L interfaccia con il quale viene utilizzato è Microsoft Excel 1 Installazione CPLEX Dopo aver
DettagliCorso di Matematica per la Chimica
Dott.ssa Maria Carmela De Bonis a.a. 203-4 I sistemi lineari Generalità sui sistemi lineari Molti problemi dell ingegneria, della fisica, della chimica, dell informatica e dell economia, si modellizzano
Dettagli