Capitolo 3: Ottimizzazione Discreta. E. Amaldi DEIB, Politecnico di Milano
|
|
- Bruno Giorgi
- 8 anni fa
- Visualizzazioni
Transcript
1 Capitolo 3: Ottimizzazione Discreta E. Amaldi DEIB, Politecnico di Milano
2 3.1 Modelli di PLI e PLMI Moltissimi problemi decisionali complessi possono essere formulati o approssimati come problemi di Programmazione Lineare in cui tutte (alcune) variabili sono vincolate ad assumere valori interi. Definizione: Programmazione Lineare Intera (PLI): min c t x Ax b x 0 intere dove la matrice A è di dimensione m n, i vettori c e b sono di dimensione n e rispettivamente m. Se tutte le variabili devono assumere valori binari si tratta di Programmazione Lineare Binaria (PL0 1) Programmazione Lineare Mista-Intera (PLMI): min c t 1x + c t 2y A 1 x + A 2 y b x 0, y 0 intere dove le matrici A 1 e A 2 sono di dimensione m n 1 e rispettivamente m n 2, i vettori c 1, c 2 e b sono di dimensione n 1, n 2 e rispettivamente m. 1
3 Alcuni modelli di PLI e PLMI: 1) Problema di Zaino Binario Knapsack Un azienda deve decidere come investire un capitale b. Sono disponibili n investimenti. Sia a i la somma da investire nel caso si scelga di effettuare l i-esimo investimento, con 1 i n. Sia p i il profitto atteso dell i-esimo investimento. Problema: determinare quali investimenti effettuare in modo da massimizzare il profitto atteso totale. 2
4 Alcuni modelli di PLI e PLMI: 1) Problema di Zaino Binario Knapsack Un azienda deve decidere come investire un capitale b. Sono disponibili n investimenti. Sia a i la somma da investire nel caso si scelga di effettuare l i-esimo investimento, con 1 i n. Sia p i il profitto atteso dell i-esimo investimento. Problema: determinare quali investimenti effettuare in modo da massimizzare il profitto atteso totale. Formulazione di PLI Variabili di decisione: x i = 1 se si effettua l i-esimo investimento e x i = 0 altrimenti, con 1 i n max n i=1 p ix i n i=1 a ix i b x i {0, 1} i Svariate applicazioni dirette e indirette (come sotto-problema) 3
5 2) Problema di Assegnamento Assignment Dati n progetti (jobs) e n ingegneri (macchine), supponiamo che ogni progetto possa essere eseguito da qualsiasi ingegnere. Sia c ij il costo se i-esimo progetto è eseguito dal j-esimo ingegnere, con 1 i, j n. Ogni progetto deve essere assegnato esattamente ad un ingegnere e ogni ingegnere deve vedersi assegnare esattamente un progetto. Problema: decidere quale progetto assegnare ad ogni ingegnere in modo da minimizzare il costo totale necessario per completare tutti i progetti. Numero di soluzioni ammissibili = n! 4
6 2) Problema di Assegnamento Assignment Dati n progetti (jobs) e n ingegneri (macchine), supponiamo che ogni progetto possa essere eseguito da qualsiasi ingegnere. Sia c ij il costo se i-esimo progetto è eseguito dal j-esimo ingegnere, con 1 i, j n. Ogni progetto deve essere assegnato esattamente ad un ingegnere e ogni ingegnere deve vedersi assegnare esattamente un progetto. Problema: decidere quale progetto assegnare ad ogni ingegnere in modo da minimizzare il costo totale necessario per completare tutti i progetti. Formulazione di PLI Variabili di decisione: x ij = 1 se i-esimo progetto viene assegnato al j-esimo ingegnere e x ij = 0 altrimenti, con 1 i, j n min n n i=1 j=1 c ijx ij s.v. n i=1 x ij = 1 n j=1 x ij = 1 x ij {0, 1} j i i, j 5
7 3) Problema di Copertura di un Insieme Set Covering Siano insieme M = {1, 2,..., m} famiglia {M 1,..., M n } di n suoi sottoinsiemi ( M j M per ogni j = 1,..., n) per ogni j con 1 j n, costo c j di M j determinare quali sottoinsiemi selezionare per coprire tutti gli elementi di M minimizzando il costo totale. 6
8 3) Problema di Copertura di un Insieme Set Covering Siano insieme M = {1, 2,..., m} famiglia {M 1,..., M n } di n suoi sottoinsiemi ( M j M per ogni j = 1,..., n) per ogni j con 1 j n, costo c j di M j determinare quali sottoinsiemi selezionare per coprire tutti gli elementi di M minimizzando il costo totale. Formulazione di PLI Variabili di decisione: x j = 1 se si seleziona M j e x j = 0 altrimenti, con 1 j n min s.v. n j=1 c jx j j:i M j x j 1 i (1) x j {0, 1} j dove i vincoli (1) sono quelli di copertura 7
9 Set covering : min n c j x j : Ax e, x {0, 1} n j=1 dove A = [a ij ] con a ij = 1 se i M j e a ij = 0 altrimenti, ed e = (1, 1,..., 1) t Esempio: localizzazione di servizi di emergenza (ambulanze o vigili del fuoco) M = { aree da coprire }, M j = { aree raggiungibili in 10 min dal sito candidato j } Set packing : max n c j x j : Ax e, x {0, 1} n j=1 dove i parametri c j rappresentano profitti Esempio: localizzazione di impianti ad elevato impatto ambientale (discariche o inceneritori) M = { città }, M j = { città con impatto ambientale del sito candidato j sopra soglia } 8
10 Set partitioning : min o max n c j x j : Ax = e, x {0, 1} n j=1 dove i parametri c j possono rappresentare sia costi che profitti Esempio: formazione dei turni di volo degli equipaggi di una compagnia aerea Si considera un orizzonte di pianificazione prefissato M = { tappe di volo }, tappa = singola fase di volo (tra decollo e atterraggio) da effettuare secondo orari prestabiliti M j = { turni ammissibili }, turno ammissibile = sottoinsieme di tappe di volo che possono essere concatenate in base alla normativa (durata complessiva e periodi di riposo) 9
11 4) Problema del Commesso Viaggiatore (asimmetrico) Asymmetric Traveling Salesman Problem (ATSP) Dato un grafo orientato G = (V, A) con V = {1, 2,..., n} e un costo c ij R associato ad ogni arco (i, j) A, determinare un ciclo Hamiltoniano, i.e., un ciclo che visita esattamente una volta ogni nodo e torna al nodo di partenza, di costo totale minimo. 10
12 4) Problema del Commesso Viaggiatore (asimmetrico) Asymmetric Traveling Salesman Problem (ATSP) Dato un grafo orientato G = (V, A) con V = {1, 2,..., n} e un costo c ij R associato ad ogni arco (i, j) A, determinare un ciclo Hamiltoniano, i.e., un ciclo che visita esattamente una volta ogni nodo e torna al nodo di partenza, di costo totale minimo. Se il grafo G è completo, il numero di cicli Hamiltoniani = (n 1)! Anche versione simmetrica con grafo non orientato Molte varianti con - vincoli di precedenza - vincoli temporali (istante al più presto e al più tardi di visita per ogni nodo) - vincolo di capacità del veicolo - più veicoli da instradare ( Vehicle Routing Problem ) -... Molteplici applicazioni: logistica, sequenziamento di operazioni, VLSI,... Sito web dedicato al TSP: 11
13 Una formulazione di PLI Variabili di decisione: x ij = 1 se il ciclo Hamiltoniano contiene l arco (i, j) e x ij = 0 altrimenti, per (i, j) A min s.v. (i,j) A c ijx ij i: (i,j) A x ij = 1 j j: (i,j) A x ij = 1 i (i,j) A: i S, j V \S x ij 1 S V, S (2) x ij {0, 1} (i, j) A dove i vincoli (2) sono i cosiddetti vincoli di taglio ( cut-set inequalities ) 12
14 Una formulazione di PLI: Variabili di decisione: x ij = 1 se il ciclo Hamiltoniano contiene l arco (i, j) e x ij = 0 altrimenti, per (i, j) A min (i,j) A c ijx ij s.v. i: (i,j) A x ij = 1 j j: (i,j) A x ij = 1 i (i,j) A: i S, j V \S x ij 1 S V, S (3) x ij {0, 1} (i, j) A dove i vincoli (3) sono i cosiddetti vincoli di taglio ( cut-set inequalities ) Formulazione di PLI alternativa: (i,j) A: i,j S x ij S 1 S V, 2 S n 1 (4) con i cosiddetti vincoli di eliminazione dei sottocicli ( subtour elimination inequalities ) al posto dei vincoli (3) Osservazione: I vincoli (3) e (4) sono in numero esponenziale rispetto alla dimensione di G. 13
15 5) Mix produttivo con costi fissi Un azienda deve decidere quali/quanti articoli produrre il prossimo mese in modo da minimizzare i costi soddisfacendo la domanda. Per ogni articolo i, con 1 i n, c i > 0 indica il costo unitario, f i > 0 il costo fisso (se si produce) e k i > 0 la capacità produttiva. 14
16 5) Mix produttivo con costi fissi Un azienda deve decidere quali/quanti articoli produrre il prossimo mese in modo da minimizzare i costi soddisfacendo la domanda. Per ogni articolo i, con 1 i n, c i > 0 indica il costo unitario, f i > 0 il costo fisso (se si produce) e k i > 0 la capacità produttiva. Formulazione di PLMI Variabili di decisione: x i = quantità di articolo i prodotta, con 1 i n y i = 1 se x i > 0 e y i = 0 altrimenti, con 1 i n min n i=1 (c ix i + f i y i ) s.v. x i k i y i i vincoli di domanda... x i 0 i y i {0, 1} i 15
17 5) Mix produttivo con costi fissi Un azienda deve decidere quali/quanti articoli produrre il prossimo mese in modo da minimizzare i costi soddisfacendo la domanda. Per ogni articolo i, con 1 i n, c i > 0 indica il costo unitario, f i > 0 il costo fisso (se si produce) e k i > 0 la capacità produttiva. Formulazione di PLMI Variabili di decisione: x i = quantità di articolo i prodotta, con 1 i n y i = 1 se x i > 0 e y i = 0 altrimenti, con 1 i n min n i=1 (c ix i + f i y i ) s.v. x i k i y i i vincoli di domanda... x i 0 i y i {0, 1} i N.B.: La formulazione non è del tutto esatta, la soluzione x i = 0 e y i = 1 per ogni i è ammissibile per il PLMI, anche se non può essere ottima (minimizzazione e costi fissi f i positivi). 16
18 6) Localizzazione ottima senza vincoli di capacità Uncapacitated Facility Location (UFL) Siano M = {1, 2,..., m} insieme di clienti N = {1, 2,..., n} insieme di siti nei quali si possono localizzare dei depositi per ogni j N, f j costo fisso di utilizzo del deposito in j per ogni coppia i M e j N, c ij costo di trasporto se tutta la domanda del cliente i è soddisfatta dal deposito j, determinare dove localizzare i depositi in modo da soddisfare la domanda di tutti i clienti minimizzando i costi (costi di trasporto e costi di utilizzo). 17
19 Formulazione di PLMI Variabili di decisione: x ij = frazione della domanda del cliente i soddisfatta dal deposito j, con 1 i m e 1 j n y j = 1 se si utilizza il deposito j e y j = 0 altrimenti, con 1 j n min i M s.v. j N c ijx ij + j N f jy j j N x ij = 1 i M i M x ij my j j N (5) y j {0, 1} j N 0 x ij 1 i M, j N con n vincoli (5) che legano le variabili x ij e y j Variante: Se d i indica la domanda del cliente i e k j la capacità del deposito j, gli eventuali vincoli di capacità: d i x ij k j y j i M j N 18
20 7) Pianificazione della produzione multi-periodo Uncapacitated Lot-Sizing (ULS) Un impresa deve pianificare la produzione di un solo tipo di prodotto per i prossimi n mesi. Si suppone che il magazzino sia vuoto all inizio del periodo di pianificazione e che alla fine del periodo debbano rimanere in magazzino 50 unità. Siano f t costo fisso di produzione nel periodo t p t costo unitario di produzione nel periodo t h t costo unitario di immagazzinamento nel periodo t d t domanda per il periodo t determinare un piano di produzione per i prossimi n mesi che permetta di minimizzare i costi (produzione e magazzino) soddisfacendo la domanda ad ogni periodo. Formulare il problema come un PLMI. 19
21 Formulazione di PLMI Variabili di decisione: x t = quantità prodotta nel periodo t, con 1 t n s t = quantità in magazzino alla fine del periodo t, con 0 t n y t = 1 se si attiva la produzione nel periodo t e y j = 0 altrimenti, con 1 t n min n t=1 p tx t + n t=1 h ts t + n t=1 f ty t s.v. s t = s t 1 + x t d t t x t My t s 0 = 0, s n = 50 s t, x t 0 y t {0, 1} t t t t dove M > 0 è un limite superiore sulla massima quantità prodotta durante qualsiasi periodo. Ad esempio: x t ( n t=1 d t + s n s 0 )y t N.B.: Poiché s t = t i=1 x i t i=1 d i, è possibile eliminare le variabili s t di magazzino 20
22 3.2 Formulazioni alternative ed ideali In Programmazione Lineare (PL) le migliori formulazioni sono le più compatte (con il minor numero di variabili/vincoli) visto che la complessità computazionale dei problemi cresce polinomialmente con n e m. La scelta della formulazione è importante ma non determina in modo critico la possibilità di risolvere o meno il problema. La situazione è molto diversa per i problemi di PLI e PLMI: estese campagne computazionali indicano che la scelta della formulazione è cruciale. Per capire cosa caratterizza le buone formulazioni, partiamo dal concetto di rilassamento continuo (lineare) di un PLI o PLMI. 21
23 Definizione: Dato un qualsiasi problema di PLMI (PLI) z P LMI = min c t 1x + c t 2y s.v. A 1 x + A 2 y b (6) x 0, y 0 intere (7) il suo rilassamento continuo (lineare) è il seguente problema di PL: z P L = min c t 1x + c t 2y s.v. A 1 x + A 2 y b (8) x 0, y 0 (9) dove il vincolo di interezza sulle variabili y j è omesso. Se una variabile intera y j nel PLMI è tale che 0 y j u j, nel rilassamento continuo y j [0, u j ]. Sia X P LMI la regione ammissibile del PLMI definita da (6)-(7) e X P L quella del rilassamento continuo definita da (8)-(9). Conseguenze: Poiché X P LMI X P L e i problemi sono di minimizzazione, abbiamo: z PL z PLMI, ovvero z P L è un limite inferiore rispetto a z P LMI ; se una soluzione ottima x P L del rilassamento continuo è ammissibile per il PLMI (PLI) di partenza, è anche ottima per quest ultimo. Se il PLMI è di massimizzazione, chiaramente z PLMI z PL. 22
24 Qualsiasi problema di PLI/PLMI ammette un numero infinito di formulazioni corrette alternative con regioni ammissibili del rilassamento continuo diverse. Definizione: Un poliedro P R n 1+n 2 (sottoinsieme definito da un numero finito di vincoli lineari) è una formulazione di un insieme X R n 1 Z n 2 se e solo se X = P (R n 1 Z n 2). N.B.: Nel caso dei costi fissi, non abbiamo considerato l insieme X = {(0, 0), (x i, 1) per 0 < x k i } ma X {(0, 1)}. Esempi: 1) Due formulazioni alternative per il TSP con vincoli di taglio o di eliminazione di sotto-cicli. 2) Formulazione di PLMI alternativa per il problema UFL: min i M j N c ijx ij + j N f jy j s.v. j N x ij = 1 i M x ij y j i M, j N (10) y j {0, 1} j N 0 x ij 1 i M, j N con mn vincoli (10) che legano le variabili x ij e y j. 23
25 Le formulazioni alternative possono adoperare variabili aggiuntive o variabili diverse. Nel primo caso si parla di formulazioni estese. Esempio: Formulazione di PLMI estesa per il problema ULS 24
26 Le formulazioni alternative possono adoperare variabili aggiuntive o variabili diverse. Nel primo caso si parla di formulazioni estese. Esempio: Formulazione di PLMI estesa per il problema ULS Variabili di decisione: w it = quantità prodotta nel periodo i e venduta nel periodo t, con 1 i t n + 1 y t = 1 se si attiva la produzione nel periodo t e y j = 0 altrimenti, con 1 t n min n n i=1 t=i c itw it + n t=1 f ty t s.v. t i=1 w it = d t n i=1 w i,n+1 = 50 w it d t y i w it 0 y t {0, 1} t, 1 t n (magazzino alla fine) i, t, i t i, t, i t con i costi aggregati (produzione e magazzino) c it = p i + h i h t 1. N.B.: Per ogni periodo i, si può aggiungere il vincolo x i = n t=i w it che esprime la vecchia variabile x i in funzione delle nuove w it t 25
27 Sia X = {x 1,..., x k } l insieme delle soluzioni ammissibili di un PLI. Supponiamo X sia limitato (finito). Teorema: conv(x) è un poliedro e i punti estremi di conv(x) appartengono a X. Questo risultato, che vale anche per insiemi X illimitati di punti interi e di punti misti interi, implica: min{c t x : x X} = min{c t x : x conv(x)} In teoria, il problema di PLI/PLMI si può ricondurre ad un singolo problema di PL! In pratica, anche per X limitato, la formulazione ideale è spesso di dimensione esponenziale o difficile da determinare. Chiaramente la regione ammissibile P del rilassamento continuo di qualsiasi formulazione soddisfa X = {x Z n : Ax b} conv(x) P. Definizione: La formulazione ideale di un insieme X R n è il poliedro conv(x). Dato un insieme X R n e due formulazioni P 1 e P 2 di X, la formulazione P 1 domina (è più stringente di) quella P 2 se P 1 P 2. Infatti, se z i = min{c t x : x P i Z n }, il bound z 1 è almeno altrettanto stringente di z 2, ovvero z P LI = min{c t x : x X} z 1 z 2. 26
28 1) Localizzazione ottima senza vincoli di capacità Uncapacitated Facility Location (UFL) Proprietà: Il rilassamento continuo della formulazione di PLMI alternativa (con i vincoli x ij y j ) domina quello della prima formulazione di PLMI (con i vincoli aggregati i M x ij my j ). Siano P 1 = e P 2 = { (x, y) R nm+n : { (x, y) R nm+n : } j N x ij = 1 i, x ij y j i, j, 0 x ij 1 i, j, 0 y j 1 j j N x ij = 1 i, } i M x ij my j j, 0 x ij 1 i, j, 0 y j 1 j, chiaramente P 1 P 2 (sommando gli m vincoli x ij y j per un dato j si ottiene i M x ij my j per quel j). Inoltre è facile esibire un (x, y) che appartiene a P 2 ma non appartiene a P 1 2) TSP simmetrico Confronto tra le due formulazioni alternative nella seconda serie di esercizi 27
29 Confronto tra formulazioni con variabili diverse Consideriamo una prima formulazione con tutte variabili intere (PLI) min{c t x : x P 1 Z n 1 } con P 1 R n 1, e una formulazione estesa min{c t (x, w) : (x, w) P 2 (Z n 1 R n 2 )} con P 2 R n 1 R n 2. Definizione: Dato un insieme convesso P R n 1 R n 2, la proiezione di P sul sottospazio R n 1 è Π x (P ) = {x R n 1 : (x, w) P per qualche w R n 2 } Esempio: proiezione di un poliedro tridimensionale Per confrontare una formulazione P 1 R n 1 e una formulazione estesa P 2 R n 1 R n 2, si confrontando quindi P 1 e Π x (P 2 ). 28
30 Come determinare le proiezioni dei poliedri sui sottospazi di R n? Metodo di eliminazione di Fourier-Motzkin (inizio 800): Prima procedura per determinare una soluzione ammissibile di un sistema di disuguaglianze lineari Idea: Ad ogni iterazione viene eliminata una variable, combinando in tutti i modi possibili le disuguaglianze correnti, fino ad ottenere un sistema in una sola variabile. Descrizione 29
31 Esempio: x 1 +x 2 3 (11) 1 2 x 1 +x 2 0 (12) x 2 2 (13) Eliminazione di x 2 (proiezione del poliedro delle soluzioni ammissibili di (11)-(13) sul sottospazio di x 1 ): 3 x 1 x x 1 x 2 x 2 2 considerando tutte le coppie di disuguaglianze (... x 2 e x 2... ) si ottiene 3 x x 1 2 ovvero 1 x 1 4, quindi la proiezione [1, 4]. Eliminazione di x 1 (proiezione del poliedro delle soluzioni ammissibili di (11)-(13) sul sottospazio di x 2 ): si ottiene 1 x 2 2 quindi la proiezione [1, 2]. Complessità: il numero di vincoli aggiuntivi può crescere esponenzialmente rispetto al numero delle variabili originarie 30
32 Confronto con formulazione estesa: Pianificazione della produzione multi-periodo (ULS) Consideriamo la formulazione P 1 descritta da e Π x,s,y (P 2 ), con P 2 descritto da s t = s t 1 + x t d t x t My t s 0 = 0, s t, x t 0 t t t 0 y t 1 t t i=1 w it = d t t w it d t y i i, t, i t x i = n t=i w it i (14) w it 0 i, t, i t 0 y t 1 t E facile verificare che Π x,s,y (P 2 ) P 1. Ad esempio, il punto x t = d t, y t = d t /M per ogni t è un punto estremo di P 1 che non appartiene a Π x,s,y (P 2 ). Proposizione: P 2 è la formulazione ideale, ovvero descrive il guscio convesso di tutte le soluzioni ammissibili (misto intere) di ULS. 31
Capitolo 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
DettagliCapitolo 3: Ottimizzazione Discreta. E. Amaldi DEI, Politecnico di Milano
Capitolo 3: Ottimizzazione Discreta E. Amaldi DEI, Politecnico di Milano 3.1 Modelli di PLI e PLMI Moltissimi problemi decisionali complessi possono essere formulati come problemi di Programmazione Lineare
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
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
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
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
DettagliOttimizzazione 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
DettagliProblemi di localizzazione impianti
Problemi di localizzazione impianti Laura Galli Dipartimento di Informatica Largo B. Pontecorvo 3, 56127 Pisa laura.galli@unipi.it http://www.di.unipi.it/~galli 2 Dicembre 2014 Ricerca Operativa 2 Laurea
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
DettagliProgetto di Reti di Telecomunicazione Modelli in Programmazione Lineare Problemi di Localizzazione
Progetto di Reti di Telecomunicazione Modelli in Programmazione Lineare Problemi di Localizzazione Posizionamento di antenne È dato un insieme A di possibili siti in cui installare antenne, a ciascuno
DettagliProgetto di Reti di Telecomunicazione Modelli in Programmazione Lineare Problemi di flusso
Progetto di Reti di Telecomunicazione Modelli in Programmazione Lineare Problemi di flusso Flusso di costo minimo È dato un grafo direzionato G = (N, A). Ad ogni arco (i, j) A è associato il costo c ij
Dettagli1. Considerazioni preliminari
1. Considerazioni preliminari Uno dei principali aspetti decisionali della gestione logistica è decidere dove localizzare nuove facility, come impianti, magazzini, rivenditori. Ad esempio, consideriamo
DettagliModelli di Programmazione Lineare Intera
8 Modelli di Programmazione Lineare Intera 8.1 MODELLI DI PROGRAMMAZIONE LINEARE INTERA Esercizio 8.1.1 Una compagnia petrolifera dispone di 5 pozzi (P1, P2, P3, P4, P5) dai quali può estrarre petrolio.
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
DettagliModello matematico PROGRAMMAZIONE LINEARE PROGRAMMAZIONE LINEARE
PRGRMMZIN LINR Problemi di P.L. in due variabili metodo grafico efinizione: la programmazione lineare serve per determinare l allocazione ottimale di risorse disponibili in quantità limitata, per ottimizzare
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
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
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
DettagliProblemi di Programmazione Lineare Intera
Capitolo 4 Problemi di Programmazione Lineare Intera La Programmazione Lineare Intera (PLI) tratta il problema della massimizzazione (minimizzazione) di una funzione di più variabili, soggetta a vincoli
DettagliModelli di Programmazione Lineare Intera
8 Modelli di Programmazione Lineare Intera Come è stato già osservato in precedenza, quando tutte le variabili di un problema di Programmazione Lineare sono vincolate ad assumere valori interi, si parla
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:
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
DettagliRicerca Operativa e Logistica
Ricerca Operativa e Logistica Dott. F.Carrabs e Dott.ssa M.Gentili A.A. 20/202 Lezione 6-8 Rappresentazione di funzioni non lineari: - Costi fissi - Funzioni lineari a tratti Funzioni obiettivo non lineari:
DettagliTSP con eliminazione di sottocicli
TSP con eliminazione di sottocicli Un commesso viaggiatore deve visitare 7 clienti in modo da minimizzare la distanza percorsa. Le distanze (in Km) tra ognuno dei clienti sono come segue: 3 5 7-8 9 57
DettagliModelli per la gestione delle scorte
Modelli per la gestione delle scorte Claudio Arbib Università di L Aquila Seconda Parte Sommario Sui problemi di gestione aperiodica equazioni di stato Funzioni di costo Un modello convesso formulazione
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
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,
DettagliSeconda Prova di Ricerca Operativa. Cognome Nome Numero Matricola A 1/12 A 2/12
A / A / Seconda Prova di Ricerca Operativa Cognome Nome Numero Matricola Nota: LA RISOLUZIONE CORRETTA DEGLI ESERCIZI CONTRADDISTINTI DA UN ASTERISCO È CONDIZIONE NECESSARIA PER IL RAGGIUNGIMENTO DELLA
DettagliMetodi e Modelli per l Ottimizzazione Combinatoria Il problema del flusso di costo minimo
Metodi e Modelli per l Ottimizzazione Combinatoria Il problema del flusso di costo minimo L. De Giovanni G. Zambelli 1 Problema del flusso a costo minimo Il problema del flusso a costo minimo é definito
DettagliLezioni di Ricerca Operativa. Corso di Laurea in Informatica Università di Salerno. Lezione n 4
Lezioni di Ricerca Operativa Lezione n 4 - Problemi di Programmazione Matematica - Problemi Lineari e Problemi Lineari Interi - Forma Canonica. Forma Standard Corso di Laurea in Informatica Università
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
DettagliModelli di PL: allocazione ottima di risorse. Un esempio Modelli a risorse condivise Modelli a risorse alternative Modelli multi-periodo
Modelli di PL: allocazione ottima di risorse Un esempio Modelli a risorse condivise Modelli a risorse alternative Modelli multi-periodo Allocazione ottima di robot Un azienda automobilistica produce tre
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,
DettagliProblemi complessi : come trovare una soluzione soddisfacente?
Informatica nel futuro, sfide e prospettive - evento scientifico per i 40 anni di ated Manno, 7 ottobre 2011 Problemi complessi : come trovare una soluzione soddisfacente? Marino Widmer Università di Friburgo
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
DettagliDimensionamento dei lotti di produzione: il caso con variabilità nota
Dimensionamento dei lotti di produzione: il caso con variabilità nota A. Agnetis In questi appunti studieremo alcuni modelli per il problema del lot sizing, vale a dire il problema di programmare la dimensione
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
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
DettagliGestione della produzione e della supply chain Logistica distributiva. Paolo Detti Dipartimento di Ingegneria dell Informazione Università di Siena
Gestione della produzione e della supply chain Logistica distributiva Paolo Detti Dipartimento di Ingegneria dell Informazione Università di Siena Problemi di Distribuzione: Il problema del Vehicle Rou:ng
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
DettagliIndice. Nota degli autori. 1 Capitolo 1 Introduzione alla ricerca operativa
XI Nota degli autori 1 Capitolo 1 Introduzione alla ricerca operativa 1 1.1 Premessa 1 1.2 Problemi di ottimizzazione 6 1.3 Primi approcci ai modelli di ottimizzazione 13 1.4 Uso del risolutore della Microsoft
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
DettagliRicerca Operativa A.A. 2007/2008
Ricerca Operativa A.A. 2007/2008 9. Cenni su euristiche e metaeuristiche per ottimizzazione combinatoria Motivazioni L applicazione di metodi esatti non è sempre possibile a causa della complessità del
DettagliUniversità del Salento
Università del Salento Dipartimento di Matematica DAI SISTEMI DI DISEQUAZIONI LINEARI.. ALLA PROGRAMMAZIONE LINEARE Chefi Triki La Ricerca Operativa Fornisce strumenti matematici di supporto alle attività
DettagliRicerca Operativa e Logistica Dott. F.Carrabs e Dott.ssa M.Gentili. Introduzione
Ricerca Operativa e Logistica Dott. F.Carrabs e Dott.ssa M.Gentili Introduzione La Ricerca Operativa La Ricerca Operativa è una disciplina relativamente recente. Il termine Ricerca Operativa è stato coniato
Dettagli(3,4) (1,3) (2,2) (0,2) (3,4) (2,4) t (2,3) (3,5) (2,4) (3,5) (6,8) (3,4) (1,2) 1 (1,3)
Prova Scritta di RICERCA OPERATIVA èinformaticiè 2èè98 - Esame æ Cognome: æ Nome:. Una compagnia petrolifera possiede 3 depositi dai quali puço prelevare benzina e trasportarla ai 5 impianti di distribuzione.
DettagliAppello di Ricerca Operativa A.A. 2006-2007 (29/3/2007)
Nome... Cognome... 1 Appello di Ricerca Operativa A.A. 2006-2007 (29/3/2007) Si consideri la funzione f(x) = 4x 2 1 + 6x 4 2 2x 2 1x 2. Si applichi per un iterazione il metodo del gradiente a partire dai
DettagliLuigi De Giovanni Esercizi di modellazione matematica Ricerca Operativa
Piani di investimento Un finanziere ha due piani di investimento A e B disponibili all inizio di ciascuno dei prossimi cinque anni. Ogni euro investito in A all inizio di ogni anno garantisce, due anni
DettagliVC-dimension: Esempio
VC-dimension: Esempio Quale è la VC-dimension di. y b = 0 f() = 1 f() = 1 iperpiano 20? VC-dimension: Esempio Quale è la VC-dimension di? banale. Vediamo cosa succede con 2 punti: 21 VC-dimension: Esempio
DettagliModelli di Ottimizzazione
Capitolo 2 Modelli di Ottimizzazione 2.1 Introduzione In questo capitolo ci occuperemo più nel dettaglio di quei particolari modelli matematici noti come Modelli di Ottimizzazione che rivestono un ruolo
DettagliSono casi particolari di MCF : SPT (cammini minimi) non vi sono vincoli di capacità superiore (solo x ij > 0) (i, j) A : c ij, costo di percorrenza
Il problema di flusso di costo minimo (MCF) Dati : grafo orientato G = ( N, A ) i N, deficit del nodo i : b i (i, j) A u ij, capacità superiore (max quantità di flusso che può transitare) c ij, costo di
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:
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
DettagliLa gestione delle scorte
La gestione delle scorte Controllo delle scorte Sist. prod. / Fornitore ordini domanda I Magazzino R Lead Time T La gestione delle scorte Problema: uando ordinare uanto ordinare Obiettivi: Basso livello
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
DettagliLEZIONE 31. B i : R n R. R m,n, x = (x 1,..., x n ). Allora sappiamo che è definita. j=1. a i,j x j.
LEZIONE 31 31.1. Domini di funzioni di più variabili. Sia ora U R n e consideriamo una funzione f: U R m. Una tale funzione associa a x = (x 1,..., x n ) U un elemento f(x 1,..., x n ) R m : tale elemento
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
DettagliProgetto di Reti di Telecomunicazione Modelli in Programmazione Lineare Problemi di Network design
Progetto di Reti di Telecomunicazione Modelli in Programmazione Lineare Problemi di Network design Network Design È data una rete rappresentata su da un grafo G = (V, A) e un insieme di domande K, ciascuna
DettagliModelli di Programmazione Lineare. PRTLC - Modelli
Modelli di Programmazione Lineare PRTLC - Modelli Schema delle esercitazioni Come ricavare la soluzione ottima Modelli Solver commerciali Come ricavare una stima dell ottimo Rilassamento continuo - generazione
DettagliREGOLAZIONE (E TASSAZIONE OTTIMALE) DI UN MONOPOLIO CON PIÙ LINEE DI PRODUZIONE
REGOLAZIONE (E TASSAZIONE OTTIMALE) DI UN MONOPOLIO CON PIÙ LINEE DI PRODUZIONE Nella Sezione 16.5 abbiamo visto come un regolatore che voglia fissare il prezzo del monopolista in modo da minimizzare la
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
DettagliLaboratorio di Ricerca Operativa Cad Ingegneria Gestionale (BGER3 - I semestre) a.a. 2012-13 Homework n 6. Docente: Laura Palagi
Laboratorio di Ricerca Operativa Cad Ingegneria Gestionale (BGER3 - I semestre) a.a. 2012-13 Homework n 6 Docente: Laura Palagi PIANIFICAZIONE DELLA PRODUZIONE 2 Si distingue in: PRODUCTION PLANNING: Tentativo
DettagliManagement Sanitario. Modulo di Ricerca Operativa
Management Sanitario per il corso di Laurea Magistrale SCIENZE RIABILITATIVE DELLE PROFESSIONI SANITARIE Modulo di Ricerca Operativa Prof. Laura Palagi http://www.dis.uniroma1.it/ palagi Dipartimento di
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
Dettaglimontagna ai trasporti internazionali Luca Bertazzi
Il problema dello zaino: dalla gita in montagna ai trasporti internazionali Luca Bertazzi 0 Il problema dello zaino Zaino: - capacità B Oggetti (items): - numero n - indice i =1,2,...,n - valore p i -
DettagliFormulazioni PLI di problemi di decisione. 1 Introduzione: La formulazione dei problemi di ottimizzazione combinatoria
Formulazioni PLI di problemi di decisione Dispensa per il modulo di Analisi e Ottimizzazione dei Processi di Produzione Università di Roma Tor Vergata a cura di Andrea Pacifici, Claudio Cavalletti, Daniela
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
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
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
DettagliTeoria dei Giochi. Anna Torre
Teoria dei Giochi Anna Torre Almo Collegio Borromeo 14 marzo 2013 email: anna.torre@unipv.it sito web del corso:www-dimat.unipv.it/atorre/borromeo2013.html IL PARI O DISPARI I II S T S (-1, 1) (1, -1)
DettagliMETODI MATEMATICI PER LE DECISIONI ECONOMICHE E AZIENDALI 12 CANDIDATO.. VOTO
METODI MATEMATICI PER LE DECISIONI ECONOMICHE E AZIENDALI 12 1) In un problema multiattributo i pesi assegnati ai vari obiettivi ed i risultati che essi assumono in corrispondenza alle varie alternative
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
DettagliCorso di Calcolo Numerico
Corso di Calcolo Numerico Dottssa MC De Bonis Università degli Studi della Basilicata, Potenza Facoltà di Ingegneria Corso di Laurea in Ingegneria Meccanica Corso di Calcolo Numerico - Dottssa MC De Bonis
DettagliModelli con vincoli di tipo logico
Modelli con vincoli di tipo logico Le variabili decisionali possono essere soggette a vincoli di tipo logico, più o meno espliciti. Ad esempio: vincoli di incompatibilità tra varie alternative: se localizziamo
Dettagli3 GRAFICI DI FUNZIONI
3 GRAFICI DI FUNZIONI Particolari sottoinsiemi di R che noi studieremo sono i grafici di funzioni. Il grafico di una funzione f (se non è specificato il dominio di definizione) è dato da {(x, y) : x dom
Dettagli5.3 Metodo dei piani di taglio
5.3 Metodo dei piani di taglio (PLI) min s.v. c T x Ax b x interi X Ipotesi: a ij, c j e b i interi Osservazione: La regione ammissibile di un PLI può essere descritta mediante dei vincoli più o meno stringenti
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
DettagliPer formalizzare il concetto sono necessarie alcune nozioni relative ai poliedri e alla loro descrizione.
3.7.4 Disuguaglianze valide forti Cerchiamo disuguaglianze valide forti, ovvero disuguaglianze valide che forniscano migliori formulazioni (più stringenti). Per formalizzare il concetto sono necessarie
DettagliPROVA 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
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,
DettagliSe x* e punto di minimo (locale) per la funzione nell insieme Ω, Ω = { x / g i (x) 0 i I, h j (x)= 0 j J } lo e anche per F(x) = f o (x) + c x x 2
NLP -OPT 1 CONDIZION DI OTTIMO [ Come ricavare le condizioni di ottimo. ] Si suppone x* sia punto di ottimo (minimo) per il problema min f o (x) con vincoli g i (x) 0 i I h j (x) = 0 j J la condizione
DettagliSelezione di un portafoglio di titoli in presenza di rischio. Testo
Selezione di un portafoglio di titoli in presenza di rischio Testo E ormai pratica comune per gli operatori finanziari usare modelli e metodi basati sulla programmazione non lineare come guida nella gestione
DettagliControlli Automatici T. Trasformata di Laplace e Funzione di trasferimento. Parte 3 Aggiornamento: Settembre 2010. Prof. L.
Parte 3 Aggiornamento: Settembre 2010 Parte 3, 1 Trasformata di Laplace e Funzione di trasferimento Prof. Lorenzo Marconi DEIS-Università di Bologna Tel. 051 2093788 Email: lmarconi@deis.unibo.it URL:
DettagliMetodi e Modelli per l Ottimizzazione Combinatoria Ripasso sulla Modellazione in Programmazione Lineare
Metodi e Modelli per l Ottimizzazione Combinatoria Ripasso sulla Modellazione in Programmazione Lineare Luigi De Giovanni 1 Modelli di programmazione lineare I modelli di programmazione lineare sono una
Dettagli2. Leggi finanziarie di capitalizzazione
2. Leggi finanziarie di capitalizzazione Si chiama legge finanziaria di capitalizzazione una funzione atta a definire il montante M(t accumulato al tempo generico t da un capitale C: M(t = F(C, t C t M
DettagliLEZIONE 23. Esempio 23.1.3. Si consideri la matrice (si veda l Esempio 22.2.5) A = 1 2 2 3 3 0
LEZIONE 23 231 Diagonalizzazione di matrici Abbiamo visto nella precedente lezione che, in generale, non è immediato che, data una matrice A k n,n con k = R, C, esista sempre una base costituita da suoi
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
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
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
Dettagli2.1 Definizione di applicazione lineare. Siano V e W due spazi vettoriali su R. Un applicazione
Capitolo 2 MATRICI Fra tutte le applicazioni su uno spazio vettoriale interessa esaminare quelle che mantengono la struttura di spazio vettoriale e che, per questo, vengono dette lineari La loro importanza
DettagliUn applicazione della programmazione lineare ai problemi di trasporto
Un applicazione della programmazione lineare ai problemi di trasporto Corso di Ricerca Operativa per il Corso di Laurea Magistrale in Ingegneria della Sicurezza: Trasporti e Sistemi Territoriali AA 2012-2013
DettagliLa teoria dell offerta
La teoria dell offerta Tecnologia e costi di produzione In questa lezione approfondiamo l analisi del comportamento delle imprese e quindi delle determinanti dell offerta. In particolare: è possibile individuare
DettagliRicerca Operativa Dualità e programmazione lineare
Ricerca Operativa Dualità e programmazione lineare L. De Giovanni AVVERTENZA: le note presentate di seguito non hanno alcuna pretesa di completezza, né hanno lo scopo di sostituirsi alle spiegazioni del
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
Dettagli1 Estensione in strategia mista di un gioco
AVVERTENZA: Di seguito trovate alcuni appunti, poco ordinati e poco formali, che uso come traccia durante le lezioni. Non sono assolutamente da considerarsi sostitutivi del materiale didattico. Riferimenti:
DettagliModelli LP (complementi)
Modelli LP (complementi) Daniele Vigo D.E.I.S. - Università di Bologna dvigo@deis.unibo.it rev. 1.0 - ottobre 2003 1. Comprare o fabbricare? Electro-Poly è un produttore leader di lavatrici Ha ricevuto
DettagliLaboratorio di Ricerca Operativa Cad Ingegneria Gestionale (BGER3 - I semestre) a.a. 2012-13 Homework n 11. Docente: Laura Palagi
Laboratorio di Ricerca Operativa Cad Ingegneria Gestionale (BGER3 - I semestre) a.a. 2012-13 Homework n 11 Docente: Laura Palagi Alina Volovei Ilaria Noce Lea Mariella Pianificazione degli approvvigionamenti
DettagliContenuto e scopo presentazione. Crew Scheduling e Crew Rostering. Gestione del personale. Motivazioni
Contenuto e scopo presentazione Crew Scheduling e Crew Rostering Contenuto vengono introdotti modelli e metodi per problemi di turnazione del personale Raffaele Pesenti 07/02/2002 14.41 Scopo fornire strumenti
Dettagli3.3 Problemi di PLI facili
3.3 Problemi di PLI facili Consideriamo un generico problema di PLI espresso in forma standard min{c t x : Ax = b, x Z n +} (1) dove A Z m n con n m, e b Z m. Supponiamo che A sia di rango pieno. Sia P
Dettagli