Sapienza Università di Roma - Dipartimento di Ingegneria Informatica, Automatica e Gestionale
|
|
- Bartolomeo Marra
- 8 anni fa
- Visualizzazioni
Transcript
1 Saienza Università di Roma - Diartimento di Ingegneria Informatica, Automatica e Gestionale Scheduling Renato Bruni bruni@dis.uniroma.it Il materiale resentato è derivato da quello dei roff. A. Sassano e C. Mannino Alcune arti introduttive o esemi sono tratte dal materiale del rof. S. Smriglio ( e del rof. A. Agnetis (
2 Problemi di scheduling I roblemi di scheduling nascono nel contesto dell automazione della roduzione Generalmente si tratta di trovare un oortuno sequenziamento di un insieme di attività che imiegano risorse scarse, tiicamente macchinari dedicati a secifiche oerazioni Più in generale, sono tutti i roblemi decisionale in cui ha imortanza il temo, visto come risorsa scarsa da allocare in modo ottimo I modelli di scheduling trovano alicazione anche in molte altre aree, dalla logistica al roect management
3 Esemio : industria meccanica In una industria meccanica, i centri di lavorazione devono effettuare delle lavorazioni (er es. taglio, fresatura, tornitura) er rodurre vari ezzi che vengono oi assemblati insieme Ognuna di queste lavorazioni richiede un certo temo e imegna un certo macchinario Sesso esistono temi di riconfigurazione (set-u) delle macchine (er es. cambio della lama, della fresa, etc.), er cui un ezzo non uò essere immediatamente lavorato quando la macchina si libera Il roblema consiste, ad esemio, nel determinare l'ordinamento delle oerazioni in modo da terminare tutte le lavorazioni il rima ossibile
4 Esemio : elaborazione dati Ogni rogramma che gira su un comuter vorrebbe usare la CPU, ma vogliamo oter far girare iù rogrammi contemoraneamente su uno stesso comuter Uno dei comiti di un sistema oerativo è allora quello di discilinare l utilizzo della CPU da arte dei diversi rogrammi Ciascun rogramma ha una certa riorità L'obiettivo del sistema oerativo è quello di gestire l'insieme dei rogrammi in modo tale da minimizzare il temo comlessivo di attesa dei rogrammi, tenendo conto della riorità Il sistema oerativo uò eventualmente interromere (e oi magari rirendere) certi rogrammi rima del loro termine er consentire la rosecuzione anche degli altri. Questa modalità oerativa rende il nome di reemtion L imossibilità di interromere rocessi una volta avviati si chiama invece noreemtion (in alcuni roblemi sarà così)
5 Esemio 3: officina meccanica In un'officina di carrozzeria, vi sono quattro stazioni, dedicate risettivamente a messa in forma, ribattitura, verniciatura, essiccatura a forno In ciascuna stazione è attivo un oeraio, che uò lavorare su una sola autovettura alla volta Le autovetture sinistrate richiedono il servizio da arte di alcune stazioni, in un dato ordine (ad esemio non si uò riverniciare la carrozzeria rima di avere aggiustato le arti danneggiate) Il roblema consiste nel gestire le varie oerazioni in modo da terminare tutte le lavorazioni nel minor temo ossibile, risettando l ordine di sequenziamento sulle macchine
6 In un aeroorto abbiamo l insieme dei velivoli rossimi all atterraggio Il sistema di controllo dell aeroorto ermette di far atterrare al iù un volo alla volta er ogni istae la durata della manovra di atterraggio è nota er ogni velivolo Ad ogni velivolo è inoltre associato un temo revisto di atterraggio Obiettivo del controllore uò essere quello di decidere la equenza s in modo da minimizzare la somma (esata) dei ritardi Vincoli aggiuntivi: - recedenze fra voli dovute alle coincidenze -. Esemio 4: voli in atterraggio
7 Come condurre una analisi: esemio fotocoie Silvia e Francesca giungono nello stesso momento ad una macchina fotocoiatrice. F deve fare fotocoia, S ne deve fare 00 Il galateo imorrebbe a S di lasciar assare er rima F, che imegna la macchina er un temo breve e oi la lascia libera Come valutare se è una buona idea? Serve una analisi quantitativa Suoniamo che l esecuzione di una fotocoia richieda 3 secondi Due casi: S recede F 303 F recede S Attesa totale = = Attesa totale = =
8 Come condurre una analisi: esemio fotocoie E se F giungesse doo che S ha già cominciato? (ad esemio all istante r f ) Se F attende che S finisca, abbiamo: S F r f Attesa totale = r f = 603 r f Se invece S interrome le rorie coie, lascia F fare la sua coia e oi rirende: r f r f Attesa totale = = 306
9 Primo aroccio alla risoluzione Quattro arti meccaniche (A), (B), (C), (D) devono essere lavorate e oi assemblate er realizzare un rodotto finale Ogni arte deve subire 4 rocessi su 4 macchinari diversi e condivisi. La sequenza di macchine e il temo di rocessamento è fissato er ogni arte, così come l istante di arrivo del ezzo in catena Parte Arrivo Sequenza Lavoro + temo in minunti A 8.30 M(60) M(30) M3() M4(5) B 8.45 M(75) M3(3) M(5) M4(0) C 8.45 M3(5) M(5) M(0) M4(30) D 9.30 M4(90) M() M() M3()
10 Caratteristiche del roblema Nessuna arte cede la macchina su cui è lavorata rima di aver comletato la lavorazione (no-reemtion) La sequenza di lavoro che serve er ottenere una arte non uò essere modificata: se er fare B devo usare rima M e oi M3 (e oi altre) non osso usare rima M3 e oi M (e oi altre) Tutte le arti devono essere comletate er oter cominciare l assemblaggio Problema: A che ora (al minimo) è ossibile cominciare ad assemblare le quattro arti?
11 Una Soluzione Ammissibile Il roblema equivale a determinare in quale sequenza ciascuna macchina lavorerà le singole arti meccaniche, in modo da minimizzare il temo di comletamento totale Una ossibile soluzione è : Macch. P P P3 P4 M A D C B M B C A D M3 C B A D M4 D A C B
12 Diagramma di Gantt Macc. M M M3 M4 P A B C D P D C B A P3 C A A C P4 B D D B M Un modo di raresentare la soluzione è il diagramma di Gantt: A D C B M B C A D M3 C B A D M4 DD A C B
13 Commenti M A D C B M M3 M4 C B C A B DD A D A D Ci uò essere una macchina che deve restare ferma anche se c è una arte che deve ancora essere lavorata: M4 otrebbe lavorare B alle.05, ma ciò violerebbe la sequenza di B; M otrebbe lavorare C alle 9.30 ma ciò violerebbe la sequenza di C C B Un ezzo uò essere inattivo (in idle) in certi eriodi (C in [0.5,.0])
14 Soluzione Ottima D M C A B M C B A D M3 M4 B A D C A C D B Soluzione ottima ottenuta tramite formulazione di PL0
15 Elementi del roblema di scheduling ob: collezione di attività da svolgere. L insieme dei ob è sesso indicato con J Documento da fotocoiare, esecuzione di un rogramma di calcolo, roduzione di un autoveicolo (fatta da iù attività) Un ob uò essere costituito da una singola attività (task) o da un insieme di attività tecnologicamente o logicamente legate macchina: risorsa necessaria all esecuzione delle attività. L insieme delle macchine disonibili è M Fotocoiatrice, CPU, robot industriali oerazione: arte di un ob eseguita su una macchina (un ob uò richiedere iù macchine, e quindi una oerazione su ognuna) Documento su fotocoiatrice xerox, veicolo 5 in verniciatura (è una delle varie oerazioni del ob roduzione autoveicolo, quella fatta sulla macchina verniciatrice)
16 Definizione di Oerazione Def. Oerazione: Coia (,m) con J ob, e m M macchina Le oerazioni sono l elemento centrale dei modelli di scheduling Le relazioni di recedenza, infatti, riguardano coie di oerazioni (dello stesso ob o di ob differenti) La verniciatura del veicolo 5 deve avvenire rima della verniciatura del veicolo 6 e doo il montaggio del motore sul veicolo 5 Il concetto di ob è comunque utile er classificare le oerazioni Nei modelli che considereremo, una macchina uò eseguire al iù un oerazione alla volta L insieme di tutte le oerazioni di un roblema è indicato con O
17 Soluzioni di un roblema di scheduling Consideriamo solo il caso in cui le oerazioni non ossono essere interrotte (no-reemtion) Una soluzione di un roblema di scheduling è uno schedule (iano) che fornisce er ogni oerazione oo il suo istante iniziale s o (o finale C o ) Una ermutazione dei ob che definisce l ordine con cui i ob sono rocessati su una certa macchina si dice sequenza Nei roblemi con iù macchine, in genere l insieme di macchine utilizzate da un ob e la loro sequenza è fissata in artenza. Altrimenti bisogna risolvere anche un roblema di routing In genere, è ossibile identificare er ogni ob un oerazione inizio ob e un oerazione fine ob. Nel caso di ob con una sola oerazione, inizio e fine coincidono Nel caso di roblema con iù ob, si considera anche un oerazione di inizio lavoro l (che recede tutti i ob) e una di fine lavoro t (che li segue)
18 Attributi del ob e delle oerazioni temo di rocessamento i : durata del rocessamento del ob sulla macchina i (= durata dell oerazione (,i)) release date r : temo in cui il ob arriva nel sistema, ovvero rimo istante ammissibile er l oerazione inizio ob due date d : temo entro il quale si desidera che il ob sia comletato (data di consegna), ovvero deadline sull oerazione fine ob vincoli di recedenza: vincoli fra oerazioni dello stesso ob o di ob diversi Problema di scheduling: Trovare un iano s che minimizza una data funzione di costo c(s), soddisfacendo tutti i vincoli di recedenza, di release date e due date, e tale che due oerazioni su una stessa macchina non si sovraongano temoralmente
19 Relazioni di recedenza fra oerazioni Le relazioni di recedenza fra due oerazioni u e v ossono essere tutte oste nella forma del tio s v s u l uv Possiamo raresentare associando un nodo a ogni oerazione e un arco esato a ogni relazione di recedenza Release date r e due date d di un ob sono vincoli di recedenza fra l oerazione inizio lavoro l e le oerazioni di inizio i() e fine ob f() (con temo di rocessamento f() ) u l uv v Release date s i() s l r l r i() Due date s f() s l d - f() s l - s f() -d + f() l -d + f() f()
20 Relazioni di recedenza disgiuntive Un ruolo articolare è svolto dalle relazioni di recedenza fra oerazioni su una stessa macchina Infatti, l ordine con cui due oerazioni u = (,m), e v = (k,m) si svolgono su m non è dato a riori, ed è anzi la rinciale decisione da rendere l oerazione u viene effettuata rima dell oerazione v oure l oerazione v viene effettuata rima dell oerazione u Vincolo disgiuntivo: esrime matematicamente la disgiunzione (s v s u l uv = (m) ) (s u s v l vu = (km) ) Ogni soluzione ammissibile deve soddisfare almeno uno dei due vincoli (e rima di risolvere non saiamo quale dei due!) Si raresenta con un arco disgiuntivo, ovvero una coia di archi orientati antiaralleli u l uv l vu v
21 Scheduling e rogrammazione disgiuntiva I roblemi di scheduling vengono allora modellati con la rogrammazione disgiuntiva O insieme delle oerazioni (incluse l oerazione di inizio e fine lavoro) A insieme dei vincoli di recedenza D insieme dei vincoli di recedenza disgiuntivi Problema di Scheduling min c(s) s.t. s v s u l uv uv A (s v s u l uv ) (s u s v l vu ) {(uv),(vu)} D s u R + u O
22 Programmazione Disgiuntiva: formulazione E ossibile raresentare un roblema di rogrammazione disgiuntiva come roblema di rogrammazione intera mista Dato un vincolo disgiuntivo dd: (s v s u l uv ) (s u s v l vu ) ogni soluzione ammissibile s deve soddisfare una delle due condizioni della disgiunzione, ma non tutte e due Se ad esemio s soddisfa la rima condizione, la seconda deve scomarire dal roblema (non otrebbe essere soddisfatta!) A tal scoo si usa la cosiddetta big M M è una costante molto grande, scelta in modo da rendere banalmente soddisfatta una condizione del tio visto tramite il seguente meccanismo (nella scelta del valore di M tenere semre conto di roblemi numerici!) s * s * l M o s * s * l M v u uv u v vu
23 Programmazione Disgiuntiva: formulazione Per ogni dd: (s v s u l uv ) (s u s v l vu ) introduciamo una variabile binaria x d tale che x d = 0 x d = s v s u l uv s u s v l vu In ratica, la variabile indicatrice x d determina quale delle due condizioni del vincolo disgiuntivo è soddisfatta dalla soluzione (rendendo l altra ridondante) Per ottenere una formulazione lineare, si sostituisce il vincolo disgiuntivo con la coia di vincoli (congiuntivi): s v s u l uv M x d s u s v l vu M ( - x d )
24 Il grafo disgiuntivo Grafo disgiuntivo G(V, A, D): raresentazione er roblemi di scheduling. Contiene nodi V, archi orientati A e archi disgiuntivi D Insieme nodi V = O : coincide con le oerazioni O del roblema (inclusi eventualmente i nodi {l,t} di inizio e fine lavoro) Insieme archi: A. Raresentano recedenze stabilite fra oerazioni (e.g. la sequenza di oerazioni di un ob). u l uv v Insieme archi disgiuntivi: D. Un arco disgiuntivo è una coia di archi orientati {(u,v),(v,u)} e raresenta una recedenza disgiuntiva u l uv v l vu
25 Esemio di grafo disgiuntivo Esemio: ob (A, B), 4 macchine 3 oerazioni er ogni ob: A deve essere lavorato sulla macchina, oi sulla 4 e quindi sulla 3; B sulla, oi sulla 4 e quindi sulla Temi di lavorazione delle oerazioni sono i seguenti ob m () [, m() ] m () [,m() ] m (3) [,m(3) ] A [] 4 [] 3 [4] B [3] 4 [] [] A A4 A3 0 4 l t 0 B B4 B 3 OSS: G ha archi disgiuntivi D = {{(A,B),(B,A)}, {(A4,B4),(B4,A4)}}
26 La classificazione a tre cami // Data che esistono molti tii di roblemi di scheduling, si usa una classificazione standard di questi roblemi con notazione a tre cami //: indica il sistema di macchine raresenta vincoli e modalità di rocessamento indica l obiettivo Di seguito si descrivono brevemente questi cami
27 Camo Macchina singola () : ciascun ob richiede una singola oerazione da eseguirsi sull unica macchina disonibile Macchine identiche arallele (P m ) : ciascun ob richiede una singola oerazione da eseguirsi su una qualunque delle m macchine identiche. Flow sho (F m ) : m macchine in serie. Ciascun ob deve essere rocessato su ciascuna di esse (m oerazioni). Tutti i ob hanno lo stesso routing. Una volta terminata un oerazione il ob viene osto nel buffer della macchina successiva m Job sho (J m ) : ciascun ob deve essere rocessato da un sottoinsieme di un insieme di m macchine, secondo un rorio routing (non necessariamente restabilito)
28 Camo Release dates (r ) : il ob non uò iniziare il rocessamento rima dell istante r Temi di set-u (s k ) : temo richiesto er il riattrezzaggio delle macchine fra i ob e k. Se diende dalla macchina i, si esrime con s i k Preemtion (rm) : è ammesso interromere un oerazione su una macchina rima del suo comletamento (e.g. er iniziare una nuova oerazione). Quando l oerazione viene riresa, essa richiede solo il temo rimanente di rocessamento Vincoli di recedenza (rec) : un ob uò essere rocessato solo se tutti i ob di un certo insieme sono stati comletati. Se ciascun ob ha al iù un redecessore e un successore = chain Breakdown (brkdwn) : le macchine non sono semre disonibili, ma hanno eriodi fissati di interruzione del servizio
29 C L = C d Camo temo di comletamento del ob lateness del ob (risetto alla due date d del ob) T = max(l,0) tardiness del ob (è la lateness se >0, 0 altrim.) U = se C > d (tardy ob) e 0 altrimenti Oss: se f() è l ultima oerazione del ob, e f() la sua durata, allora in regine di no-reemtion si ha C = s f() + f() Makesan (C max ) : max(c,, C n ) temo di comletamento dell ultimo ob a essere comletato Massima Lateness (L max ) Temo totale esato di comletamento (w C ) Tardiness totale esata (w T ) Numero di tardy ob (U )
30 Il roblema su singola macchina /-/w C Dati n ob,,n e una sola macchina A ogni ob è quindi associata un unica oerazione : temo di rocessamento (oerazione associata al) ob Assunzione > 0 er ogni w : eso del ob. w C : costo di comletamento del ob s : istante d inizio (variabile) del ob I ob non ossono essere interrotti (no-reemtion) C = s + Problema : trovare uno scheduling s che minimizzi il temo di comletamento esato w C = w (s + ) Nella classificazione a tre indici si chiama Problema /-/w C
31 Formulazione disgiuntiva Job w Questa volta usiamo variabili che indicano istante di comletamento del ob: C = s + min C + 5C + 9C 3 + 6C 4 s.t. C C L =,, 4 (C C i ) (C i C i ) i, i, =,, 4 C L = 0, C R + =,, n L Grafo disgiuntivo Senza erdita di generalità si one C L = 0, che imlica C
32 Formulazione 0, Job w min C + 5C + 9C3 + 6C4 s.t. C > 6 C > 9 C3 > C4 > 3 C - C + 00 x > 6 C - C - 00 x > -9 C - C x3 > 6 C3 - C - 00 x3 > -99 C - C x4 > 6 C4 - C - 00 x4 > -97 C - C x3 > 9 C3 - C - 00 x3 > -99 C - C x4 > 9 C4 - C - 00 x4 > -97 C3 - C x34 > C4 - C3-00 x34 > -97 binary x x3 x4 x3 x4 x34 end 9 Usiamo le variabili x uv di alternativa tra: rima u oi v o rima v oi u File tio l, che uò essere letto dai rinciali solutori commerciali Il segno > denota il L 3 9 Grafo disgiuntivo 9
33 Il roblema /-/w C OSS: non conviene lasciare la macchina inattiva fra il comletamento di un ob e l`inizio del successivo In ogni soluzione ottima, un ob comincia quindi esattamente quando il recedente termina. Chiamiamo questa soluzione comatta. La sequenza (ermutazione),, n dei ob sulla macchina determina univocamente la soluzione comatta k- k n k k n Il temo di comletamento del k-esimo ob vale C k k r r Problema /-/w C : trovare la sequenza dei ob,, n che minimizza il temo di comletamento esato w C
34 La regola di Smith Regola di Smith: ordina er valori non crescenti del raorto w / Quindi, se,, n è una sequenza rodotta dalla regola di Smith: w w Se alcuni raorti coincidono, ossiamo scegliere in uno qualsiasi di essi (esistono iù sequenze che soddisfano la regola di Smith) w n n Th. 6. (Della regola di Smith) La soluzione comatta associata una sequenza,, n rodotta dalla regola di Smith è ottima er il roblema /-/w C
35 Dimostrazione Teorema Regola di Smith Sia una sequenza ottima. Per assurdo suoniamo che non risetti la regola di Smith Esistono quindi due ob adiacenti, e k, tale che k viene immediatamente doo in e si ha: w / < w k / k Consideriamo la sequenza ` ottenuta da invertendo e k t+ k ` k t t+ k t+ + k OSS. Tutti i temi di comletamento dei ob rimangono invariati tranne quelli del ob e del ob k
36 Dimostrazione Regola di Smith i k t+ ` i k t t+ k Sia t il temo di comletamento del ob che recede in (e k in `) Siano C e C` i temi di comletamento in S e S`, risettivamente Sostituendo = w (t+ + k - t- ) + w k (t+ k t - - k ) = w ( k ) + w k (- ) t+ + k C` =t+ + k C`k =t+ k C =t+ C k =t+ + k Differenza di costo fra C e C: = wc wc = w (C` -C ) + w k (C`k -C k ) C` C C`k C k Da w / < w k / k w k < w k = w k - w k < 0 e non è ottima, contraddizione
37 Esemio Job w w / = /3, w / = 5/9, w 3 / 3 = 9, w 4 / 4 = Sequenza ottima: {3, 4,, } C = 9 C = 3, C 3 =, C 4 = 4 w C = 38, w C =65, w 3 C 3 = 9, w 4 C 4 = 4 Costo totale = w C + w C + w 3 C 3 + w 4 C 4 = 36 Da notare che il makesan è uguale er ogni sequenza e vale 9
38 Sequenze equivalenti Lemma. 6. (Sequenze Equivalenti) Se ogni ob N ha un eso w uguale al suo temo di rocessamento allora ogni sequenza è ottima Infatti er ogni N si ha w / = Dal Teorema 6. (della regola di Smith) segue che ogni sequenza è ottima Lemma. 6.3 (Valore della soluzione w = ) Se er ogni N si ha w = allora la soluzione ottima vale: f ( N) N N Per il Lemma 6. ogni sequenza è ottima: quindi anche = {,,,n} C = n- n n C = C n = + + n
39 Dimostrazione Lemma 6.3 Quindi lo schedule: r C r è ottimo e il suo valore f(n) è dato da ) ( ) ( ) ( ) ( 3 3 n n N N r r N C w C N f i N N i i N n N,, Saendo che i N N i i N N f,, ) ( ) (,, N f i N N i i N N N
40 Poliedro degli schedule ammissibili Descriviamo l insieme S() R N degli scheduling ammissibili C In altri termini C = (C,, C n ) T S() se e solo se esiste una sequenza = {,, n } tale che C C C k n k,, k k J C = (9,3,,4) T S() = {3,4,,} C = (0,0,3,4) T S() = {,4,,3}
41 Proiezione delle soluzioni Sia C = (C,, C n ) T R N uno schedule ammissibile, i.e. C S() Sia A N un sottoinsieme di ob e sia S A ( A ) l insieme degli scheduling ammissibili er i soli ob in A ( A sono i temi dei ob in A) Allora la roiezione C A di C nello sazio R A soddisfa C A S A ( A ) Esemio N = {,,3,4}, A = {,3} C = (9,3,,4) T S() = {3,4,,} J C A = (3,) T A = {3,} Naturalmente l ottimalità di C risetto a un sistema di esi w non imlica l ottimalità di C A in S A ( A ) risetto w A (C A è in generale non comatta)
42 Vincoli validi Def. Sia dato un insieme di unti P R n e siano a R n e b R Il vincolo a T x b è detto valido er P se e solo se è soddisfatto da tutti i unti di P ovvero se e solo se non esiste x P tale che a T x < b P P a T x = b a T x = b Lemma. Sia dato un insieme di unti P R n e sia a R n. Sia b = min{a T x: xp} Allora a T x b è un vincolo valido er P Infatti, se esistesse un unto x P tale che a T x < b si avrebbe min{a T x: xp} a T x < b contraddizione 4
43 Prorietà degli schedule ammissibili Teorema 6.4. Sia A N un sottoinsieme di ob e sia A A A f ) ( Allora il vincolo A C f(a) è valido er S() Dim. Qual è il valore minimo che uò assumere la quantità? ) (, S C C A ) ( * A A A C S Sia C * la soluzione ottima del roblema ) ( : min S C C A ) ( : min * A A A A S Q Q C ) ( ) ( : min A f S Q Q A A A dal Lemma 6.3 ) ( ) ( : min ) ( : min ) ( : A f S Q Q S C C S C C A A A A A C * A roiezione di C* nello sazio R A
44 Esemio Esemio N = {,,3,4}, A = {,3} J f(a) = ½ (+9) + ½ ( + 9 ) = 9 A C f(a) 9C + C 3 9 C = (9,3,,4) T S() C soddisfa il vincolo 9C + C 3 = = 8 9
45 Il oliedro degli schedule ammissibili Per ogni A N il vincolo A C f(a) è valido er S() Chiamiamo S c () il oliedro degli scheduling comatti, e cioè l involucro convesso degli scheduling comatti associati a Si uò far vedere che S c () coincide con S c (): A C f(a) N C = f(n) C R n A N Gli schedule comatti coincidono coi vertici Ext(S c ()) di S c ()
46 Esemio: vertici di S c () I vertici Ext(S c ()) di S c () corrisondono agli scheduling comatti. Esemio: C = (9,3,,4) T S() = {3,4,,} J C = (7,7,,9) T S() = {3,4,,} Le combinazioni convesse aartengono al oliedro ma non corrisondono a schedule ammissibili Esemio: ½ C + ½ C = (3,5,,.5)
47 Il roblema singola macchina Temo di comletamento esato con vincoli di recedenza
48 Il roblema /rec/w C I questa arte affronteremo una generalizzazione del roblema singola macchina con temo di comletamento esato La generalizzazione è la resenza di vincoli di recedenza fra ob Non si uò usare direttamente la Regola di Smith e il roblema diviene sostanzialmente iù difficile In linea di rinciio è ossibile risolvere la formulazione 0, associata al rogramma disgiuntivo corrisondente Ma non è così semlice
49 Il roblema /rec/w C Dati n ob,,n e una sola macchina : temo di rocessamento (oerazione associata al) ob w : eso del ob. w C : costo di comletamento del ob. I ob non ossono essere interrotti (no-reemtion) C = s + Alcuni ob osso iniziare solo doo il comletamento di altri: C C i + er ogni i A Problema : trovare uno scheduling comatto C che minimizzi il temo di comletamento esato w C e soddisfi tutti i vincoli di recedenza Nella classificazione a tre indici: Problema /rec/w C
50 Esemio Job w Con i vincoli di recedenza: Bisogna aver concluso er iniziare 3 Bisogna aver concluso er iniziare 4 Bisogna aver concluso er iniziare C 3 C + C 4 C C 4 C + 3 Grafo disgiuntivo
51 Formulazione 0, Job w min C + 5C + 9C3 + 6C4 s.t. C > 6 C > 9 C3 > C4 > 3 C - C + 00 x > 6 C - C - 00 x >= -9 C - C x3 > 9 C3 - C - 00 x3 > -99 C3 - C x34 > C4 - C3-00 x34 > -97 C3 - C > C4 - C > 3 C4 - C > 3 binary x x3 x34 end 6 Sol Ottima: C = 6, C = 6, C3 = 7, C4 = 9 Valore: Grafo disgiuntivo x =x 3 =x 4 =x 3 =x 4 =x 34 =
52 Comlessità roblema /rec/w C Il roblema /rec/w C è in genere difficile comutazionalmente Per alcune classi di vincoli aggiuntivi il roblema uò essere risolto efficientemente In articolare, se il grafo associato ai vincoli aggiuntivi è serie-arallelo (ad esemio, un cammino o un insieme di cammini assanti er nodi distinti) Si ossono usare tecniche di soluzione tio Branch&Bound Per alicare queste tecniche occorre definire un rilassamento Tuttavia la resenza della big M rende questa formulazione molto debole: il rilassamento lineare non fornisce buoni bound Introduciamo quindi un altra tecnica generale er costruire rilassamenti nota come Rilassamento Lagrangiano : si rilassano (=tolgono) alcuni vincoli, e la loro violazione viene sommata alla funzione obiettivo moltilicata er un coefficiente
53 Teorema del Rilassamento Lagrangiano P(Q): z Q = min x {c T x: Ax b, x Q }, con Q R n e A matrice m n RL(u): z RL (u) = min x {c T x + u T (b- Ax), x Q}, con u 0 Teorema 6.5 (del rilassamento lagrangiano) Per ogni ur m RL(u) è un rilassamento di P(Q) e si ha z RL (u) z Q Dim. La regione ammissibile Q di RL(u) è ottenuta rimuovendo vincoli da quella di P(Q): R ={x: Ax b, x Q} R Q x ammissibile er P(Q) Ax b b- Ax 0 u 0, b- Ax 0 u T (b- Ax ) 0 c T x + u T (b- Ax ) c T x (er ogni x R, la f.o.di RL(u) è della f.o. di P(Q) ) RL(u) è un rilassamento di P(Q) e z RL (u) z Q
54 Esemio Rilassamento Lagrangiano min C + 5C + 9C 3 + 6C 4 C 3 - C u = C 4 - C 3 u = C 4 - C 3 u 3 = C Ext(S c ()) min C + 5C + 9C 3 + 6C 4 + ( - C 3 + C ) + (3 C 4 + C ) + (3 C 4 + C ) C Ext(S c ()) + min 5C + 7C + 7C 3 + 3C 4 C Ext(S c ()) Problema residuo risolvibile con Smith! J w' w / 5/6 7/ Valore z RL (u) = z RL ((,,) T ) = + 0 = 3 < 69 (valore ottimo P(Q) )
55 Ma cambia cambiando le u min C + 5C + 9C 3 + 6C 4 C 3 - C u = C 4 - C 3 u = C 4 - C 3 u 3 = 3 C Ext(S c ()) min C + 5C + 9C 3 + 6C 4 + ( - C 3 + C ) + (3 C 4 + C ) + 3 (3 C 4 + C ) C Ext(S c ()) 6+ min 5C + 8C + 8C 3 + C 4 C Ext(S c ()) J w' w' / 5/6 8/9 8 / Valore z RL (u) = z RL ((,,3) T ) = 6+ 0 = 8 < 69 (valore ottimo P(Q) ) Da notare che z RL ((,,3) T ) = 8 > z RL ((,,) T )
56 Duale Lagrangiano Il valore z RL (u) =min x {c T x + u T (b- Ax), x Q}, u 0 varia con u Per ottenere il miglior lower bound ossibile, siamo interessati al massimo di z RL (u) al variare di u Il roblema DL: z RL = max u {z RL (u) } è detto Duale Lagrangiano Quindi DL: max u min x {c T x + u T (b- Ax), x Q, u 0} DL è un robrema di rogrammazione non lineare e uò essere risolto con varie tecniche (es. il metodo del subgradiente) Di seguito mostreremo un aroccio basato sul metodo del simlesso dinamico: risolviamo senza considerare tutti i vincoli, oi ne generiamo uno violato, risolviamo nuovamente e così via
57 Risolvere il Duale Lagrangiano DL: max u min x { c T x + u T (b- Ax), x Q, u 0} Assunzione: Q = {x,, x r } è un insieme finito (non ho rilassato i vincoli di interezza!) Per fissato u = u il roblema min x {c T x + u T (b- Ax), x Q} uò essere risolto er enumerazione trovando il minimo delle seguenti quantità v (u ) = c T x + u T (b- A x ) v (u ) = c T x + u T (b- A x ) v r (u ) = c T x r + u T (b- A x r ) OSS: min {v (u ),, v r (u )} = max {v: v v (u ),, v v r (u ), v R} DL uò essere riscritto come max u0 max v {v: v v (u),, v v r (u), v R}
58 Problema DLv con molti vincoli Quindi DL = max u min x {c T x + u T (b- Ax), x Q, u 0} diventa DLv max u max v v = max u,v v v c T x + u T (b- A x ) v c T x + u T (b- A x ) v c T x r + u T (b- A x r ) v R, u R m + Le variabili di DLv sono v R e u R m Ogni vincolo corrisonde a un unto di Q Se Q è grande si uò (si deve!) alicare il metodo del simlesso dinamico Comonente essenziale: individuare un oracolo di searazione
59 Oracolo di Searazione Descrizione imlicita di: P ={x R n : Ax<b} x ^ R n Oracolo di Searazione ^x P ^x P a ^ i x > b i vincolo violato A x^ < b x^ Riga i a i b i P x^ Oracolo di searazione: algoritmo che, dato un oliedro P ={x R n : Ax<b} e un unto x * R n stabilisce se x * P oure restituisce un vincolo della descrizione di P violato da x *
60 Oracolo di searazione er DLv Oracolo di Searazione: Data una soluzione (v *, u * ) di DLv trova un vincolo tale che v * > c T x t + (u * ) T (b- A x t ) (vincolo violato) o dimostra che tale vincolo non esiste. I vincoli corrisondono ai unti di Q Oracolo di Searazione Trova x t Q che minimizza c T x t + (u * ) T (b- A x t ) Se c T x t + u *T (b- A x t ) < v * vincolo violato v u T (b- A x t ) c x t Altrimenti c T x + u *T (b- A x) v * er ogni x Q e non esiste un vincolo violato
61 Oracolo di searazione er /rec/w C (u * ) T b + min c T x - u *T A x x Q Nel caso del roblema /rec/w C, doo aver rilassato i vincoli di recedenza AC b, il roblema residuo è un roblema/-/w C Le soluzioni del rilassamento (insieme Q) sono quindi schedule comatti, corrisondenti ai vertici di S c () Il roblema di searazione er (v * u * ) diventa quindi u *T b + min w T C - u *T A C C Ext(S c ()) Questo roblema uò essere risolto con la regola di Smith!
62 Metodo del Simlesso Dinamico Risolve un roblema er cui sia disonibile un algoritmo efficiente ALG (es. un roblema di PL, e in tal caso ALG è il simlesso) max c T x : x P ={x R n : Ax b, c T x k} Assunzione: roblema non sia illimitato Due ingredienti: max c T x Ax b, c T x k ^ x R n Oracolo di Searazione di P Risolve con ALG ^x P ^ x P ^ a i x > b i x * soluzione ottima roblema illimitato nessuna soluzione (P =
63 Definizione del roblema core A D 0 d 0 b D=D 0 ; d=d 0 max c T x x Q = Dx<d, (P Q) c T x k Nuova D e nuovo d D d Metodo del Q= Simlesso x * ottima (in Q) Oracolo di x Searazione di P * P P= a i T b i x * P x * ottima Aggiunta del vincolo violato a it x>b i
64 Esemio min C + 5C + 9C 3 + 6C 4 C 3 - C C 4 - C 3 C 4 - C 3 C Ext(S c ()) J w Risolviamo il duale lagrangiano alicando il simlesso dinamico Il roblema core iniziale è costruito a artire da vincoli corrisondenti a un sottoinsieme di schedule comatti Senza erdita di generalità, ossiamo aggiungere al roblema (e al rimo roblema core) in vincolo v k con k oortuno, in modo da rendere non illimitati i roblemi nella successione Essendo il valore finale di v un lower bound sul valore ottimo del roblema originario, k uò essere scelto come il valore di una soluzione ammissibile er il roblema originario
65 Esemio min C + 5C + 9C 3 + 6C 4 C 3 - C C 4 - C 3 C 4 - C 3 C Ext(S c ()) J w A 0 0 b La sequenza = {,, 4, 3} è ammissibile. C() = (5,9,9,8) T w T C = = 354 Possiamo orre nel duale lagrangiano v 354
66 Esemio Duale Lagrangiano max v v 354 v R, u R 3 + Oracolo di searazione u * b + min (w (u * ) T A) C C Ext(S c ()) J w Sol ottima: v * = 354, u * = (0,0,0) (u * ) T b = 0 (u * ) T A = (0, 0, 0, 0) 0+ min C + 5C + 9C 3 + 6C 4 x Ext(S c ()) = {3, 4,, } C = (9, 3,, 4) wc = 36 J w w / /3 5/9 9 Regola di Smith
67 Esemio DLv max v v 354 v R, u R 3 + J w Sol ottima: v * = 354, u * = (0,0,0) C = (9, 3,, 4) Test v * > w T C + (u * ) T (b- A C ) Viene 354 > 36 Si aggiunge al duale lagrangiano il vincolo v w C + u T (b- A C ) w C = 36 A C = (-8, -5, -9) b - A C = (9, 8, ) A b 3 3 v 36 +9u +8u +u 3
68 Esemio DLv max v v 354 v - 9u 8u u 3 36 v R, u R 3 + Oracolo di searazione (u * ) T b + min (w - (u * ) T A) C x Ext(S c ()) J w Sol ottima: v * = 354, u * = (.5,0,0) (u * ) T b =.5 (u * ) T A = (-.5, 0,.5, 0),5+ min 3,5C + 5C -,5C 3 + 6C 4 x Ext(S c ()) = {, 4,, 3} C = (6, 8, 9, 9) wc = 37 J w 3,5 5 -,5 6 w /, 5/9 -,5 Regola di Smith
69 Esemio max v DLv v 354 v - 9u 8u u 3 36 v R, u R 3 + J w Sol ottima: v * = 354, u * = (.5,0,0) C = (6, 8, 9, 9) Test v * > w T C + (u * ) T (b- A C ) Viene 354 > Si aggiunge al duale lagrangiano il vincolo v w C + u T (b- A C ) w C = 37 A C = (3, 3, -9) b - A C = (-, 0, ) A b 3 3 v 37 - u + u 3
70 Esemio max v v 354 v - 9u 8u u 3 36 v + u - u 3 37 v R, u R 3 + Oracolo di searazione DLv (u * ) T b + min (w - (u * ) T A) C x Ext(S c ()) J w Sol ottima: v * = 354, u * = (0, 0.6,.5) (u * ) T b = (u * ) T A = (-0.6, -.5, 0,.86) 38,58+ min,6c +7,5C +9C 3-6,86C 4 x Ext(S c ()) 3 = {3,,, 4} C 3 = (7, 6,, 9) wc 3 = 7 J w,6 7,5 9-6,86 w /, 0,8 9 -,8 Regola di Smith
71 Esemio DLv J 3 4 max v v 354 w v - 9u 8u u 3 36 v + u - u 3 37 Sol ottima: v * = 354, u * = (0, 0.6,.5) v R, u R 3 + C 3 = (7, 6,, 9) Test v * > w T C 3 + (u * ) T (b- A C 3 ) Viene 354 > 7-7,3 Si aggiunge al duale lagrangiano il vincolo v w C 3 + u T (b- A C 3 ) w C 3 = 7 A C 3 = (-6,, 3) b - A C 3 = (7, -, 0) A b 3 3 v 7 + 7u - u
72 Esemio max v DLv v 354 v - 9u 8u u 3 36 v + u - u 3 37 v - 7u + u 7 v R, u R 3 + Oracolo di searazione (u * ) T b + min (w - (u * ) T A) C x Ext(S c ()) 4 = {,, 4, 3} C 4 = (6, 5, 9, 8) wc 4 = 366 J w Sol ottima: v * = 354, u * = (9.57, 0,.8) (u * ) T b = 85 (u * ) T A = (-9.57, -.8, 9.57,.8) 85+ min,57c +6,8C -0,57C 3-5,8C 4 x Ext(S c ()) J w,57 6,8-0,57-5,8 w / 3,59,98-0,57-5,7 Regola di Smith
73 Esemio max v DLv J 3 4 v v - 9u 8u u 3 36 w v + u - u 3 37 v - 7u + u 7 Sol ottima: v * = 354, u * = (9.57, 0,.8) v R, u R 3 + C 4 = (6, 5, 9, 8) Test v * > w T C 4 + (u * ) T (b- A C 4 ) Viene 354 > , Si aggiunge al duale lagrangiano il vincolo v w C 4 + u T (b- A C 4 ) w C 4 = 366 A C 4 = (3,, 3) b - A C 4 = (-, -9, 0) A b 3 3 v u - 9u
74 Esemio max v DLv v 354 v - 9u 8u u 3 36 v + u - u 3 37 v - 7u + u 7 v + u + 9u 366 Oracolo di searazione (u * ) T b + min (w - (u * ) T A) C x Ext(S c ()) 5 = {, 3,, 4} C 5 = (6, 6, 7, 9) wc 5 = 69 J w Sol ottima: v * = 7.9, u * = (7.84, 0, 3.5) (u * ) T b = 7.6 (u * ) T A = (-7.84, -3.5, 7.84, 3.5) 7.6+ min 9,84C +8,5C +,6C 3 +,75C 4 x Ext(S c ()) J w 9,84 8,5,6,75 w /,64 0,9,6 0,9 Regola di Smith
75 Esemio max v DLv J 3 4 v v - 9u 8u u 3 36 w v + u - u 3 37 v - 7u + u 7 v + u + 9u 366 Sol ottima: v * = 7.9, u * = (7.84, 0, 3.5) C 5 = (6, 6, 7, 9) Test v * > w T C 4 + (u * ) T (b- A C 4 ) Viene 7.9 > Si aggiunge al duale lagrangiano il vincolo v w C 5 + u T (b- A C 5 ) w C 5 = 69 A C 5 = (, 3, 3) b - A C 5 = (0, -0, 0) A b 3 3 v 69-0u
76 Esemio max v v 354 DLv v - 9u 8u u 3 36 v + u - u 3 37 v - 7u + u 7 v + u + 9u 366 v + 0u 69 Oracolo di searazione (u * ) T b + min (w - (u * ) T A) C x Ext(S c ()) J w Sol ottima: v * = 69, u * = (8, 0, 3.5) (u * ) T b = 7.75 (u * ) T A = (-8, -3.5, 8, 3.5) min 0C +8,5C +C 3 +,75C 4 x Ext(S c ()) 6 = {, 3,, 4} C 6 = (6, 6, 7, 9) wc 6 = 69 J w 0 8,5,75 w /,66 0,9 0,9 Regola di Smith
77 Esemio max v v 354 DLv v - 9u 8u u 3 36 v + u - u 3 37 v - 7u + u 7 v + u + 9u 366 v + 0u 69 J w Sol ottima: v * = 69, u * = (8, 0, 3.5) C 6 = (6, 6, 7, 9) Test v * > w T C 4 + (u * ) T (b- A C 4 ) Allora non si aggiunge iù nessun vincolo! w C 6 = 69 A C 6 = (, 3, 3) b - A C 6 = (0, -0, 0) A Viene 69 > b 3 3 Il vincolo v 69-0u non è violato da (v * u * ), quindi non ci sono altri vincoli violati e v * =69 è il valore della sol ottima del duale lagrangiano Quindi è un LB (che osso usare in un Branch&Bound) er il roblema misto intero scritto rima (il cui ottimo valeva rorio 69), ed è un LB migliore di quello del ril. lineare, che vale 9
Modelli dei Sistemi di Produzione Modelli e Algoritmi della Logistica 2010-11
Modelli dei Sistemi di Produzione Modelli e lgoritmi della Logistica 00- Scheduling: Macchina Singola CRLO MNNINO Saienza Università di Roma Diartimento di Informatica e Sistemistica Il roblema /-/ w C
DettagliSistemi Organizzativi
Sistemi Organizzativi Lezione 12/12/2004 Introduzione al corso e definizioni di base Informazioni generali Pre-requisiti: lassi di complessità Metodi enumerativi: - programmazione dinamica - branch-and-bound
DettagliOrganizzazione della produzione
Scheduling Organizzazione della produzione PROOTTO che cosa chi ORGNIZZZIONE PROCESSO come FLUSSO I PROUZIONE COORINMENTO PINIFICZIONE SCHEULING quando Pianificazione della produzione: schedulazione di
DettagliUna proposizione è una affermazione di cui si possa stabilire con certezza il valore di verità
Logica 1. Le roosizioni 1.1 Cosa studia la logica? La logica studia le forme del ragionamento. Si occua cioè di stabilire delle regole che ermettano di assare da un'affermazione vera ad un'altra affermazione
DettagliRisposta: 2009 2010 Quantità Prezzo ( ) Quantità Prezzo ( ) Automobili 8.000 15.000 6.500 14.500 Biciclette 80.000 195,52 94.
1. Domanda Si consideri un sistema economico che roduce solo due beni: automobili e biciclette. È noto che nel 009 sono state rodotte 8.000 automobili che sono state venduto al rezzo di 15.000 e 80.000
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
DettagliModelli dei Sistemi di Produzione Modelli e Algoritmi della Logistica
Modelli dei Sistemi di Produzione Modelli e Algoritmi della Logistica 2010-11 Scheduling: Introduzione CARLO MANNINO Sapienza Università di Roma Dipartimento di Informatica e Sistemistica Problemi di scheduling
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
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
DettagliCBM a.s. 2012/2013 PROBLEMA DELL UTILE DEL CONSUMATORE CON IL VINCOLO DEL BILANCIO
CM a.s. /3 PROLEMA DELL TILE DEL CONSMATORE CON IL VINCOLO DEL ILANCIO Il consumatore è colui che acquista beni er destinarli al rorio consumo. Linsieme dei beni che il consumatore acquista rende il nome
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,
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
DettagliRipasso di microeconomia ECONOMIA E FINANZA PUBBLICA. Teoria del consumatore. Lezione n. 1. Teoria del consumatore. Le preferenze.
Università degli Studi di erugia Corso di Laurea Magistrale in Scienze della olitica e dell'mministrazione Lezione n. Riasso di microeconomia CONOMI FINNZ ULIC nza Caruso Le referenze Come i consumatori
DettagliALGEBRA 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
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
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
DettagliCapitolo Ventitrè. Offerta nel breve. Offerta dell industria. Offerta di un industria concorrenziale Offerta impresa 1 Offerta impresa 2 p
Caitolo Ventitrè Offerta dell industria Offerta dell industria concorrenziale Come si combinano le decisioni di offerta di molte imrese singole in un industria concorrenziale er costituire l offerta di
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
DettagliApprocci esatti per il job shop
Approcci esatti per il job shop Riferimenti lezione: Carlier, J. (1982) The one-machine sequencing problem, European Journal of Operational Research, Vol. 11, No. 1, pp. 42-47 Carlier, J. & Pinson, E.
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
DettagliI NUMERI INDICI. Numeri indici indici (misurano il livello di variabilità, concentrazione, dipendenza o interdipendenza, ecc.)
NUMER NDC Numeri indici indici (misurano il livello di variabilità, concentrazione, diendenza o interdiendenza, ecc.) si utilizzano er confrontare grandezze nel temo e nello sazio e sono dati dal raorto
DettagliNUMERI RAZIONALI E REALI
NUMERI RAZIONALI E REALI CARLANGELO LIVERANI. Numeri Razionali Tutti sanno che i numeri razionali sono numeri del tio q con N e q N. Purtuttavia molte frazioni ossono corrisondere allo stesso numero, er
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
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,
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
DettagliTrigonometria (tratto dal sito Compito in classe di Matematica di Gilberto Mao)
Trigonometria (tratto dal sito Comito in classe di Matematica di Gilberto Mao) Teoria in sintesi Radiante: angolo al centro di una circonferenza che sottende un arco di lunghezza rettificata uguale al
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:
DettagliAlgoritmi e Strutture Dati
Elementi di Programmazione Dinamica Maria Rita Di Berardini, Emanuela Merelli 1 1 Dipartimento di Matematica e Informatica Università di Camerino Il problema La CMC produce automobili in uno stabilimento
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
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
DettagliFunzioni funzione dominio codominio legge argomento variabile indipendente variabile dipendente
Funzioni In matematica, una funzione f da X in Y consiste in: 1. un insieme X detto dominio di f 2. un insieme Y detto codominio di f 3. una legge che ad ogni elemento x in X associa uno ed un solo elemento
Dettagli10. Insiemi non misurabili secondo Lebesgue.
10. Insiemi non misurabili secondo Lebesgue. Lo scopo principale di questo capitolo è quello di far vedere che esistono sottoinsiemi di R h che non sono misurabili secondo Lebesgue. La costruzione di insiemi
DettagliLezione 4. Modello EER
Lezione 4 Modello EER 1 Concetti del modello EER Include tutti i concetti di modellazione del modello ER Concetti addizionali: sottoclassi/superclassi, specializzazione, categorie, propagazione (inheritance)
Dettagli4 3 4 = 4 x 10 2 + 3 x 10 1 + 4 x 10 0 aaa 10 2 10 1 10 0
Rappresentazione dei numeri I numeri che siamo abituati ad utilizzare sono espressi utilizzando il sistema di numerazione decimale, che si chiama così perché utilizza 0 cifre (0,,2,3,4,5,6,7,8,9). Si dice
DettagliAlgoritmi e strutture dati. Codici di Huffman
Algoritmi e strutture dati Codici di Huffman Memorizzazione dei dati Quando un file viene memorizzato, esso va memorizzato in qualche formato binario Modo più semplice: memorizzare il codice ASCII per
Dettagli1. Considerazioni generali
1. Considerazioni generali Modelli di shop scheduling In molti ambienti produttivi l esecuzione di un job richiede l esecuzione non simultanea di un certo numero di operazioni su macchine dedicate. Ogni
DettagliEsercizi su lineare indipendenza e generatori
Esercizi su lineare indipendenza e generatori Per tutto il seguito, se non specificato esplicitamente K indicherà un campo e V uno spazio vettoriale su K Cose da ricordare Definizione Dei vettori v,,v
DettagliFasi di creazione di un programma
Fasi di creazione di un programma 1. Studio Preliminare 2. Analisi del Sistema 6. Manutenzione e Test 3. Progettazione 5. Implementazione 4. Sviluppo 41 Sviluppo di programmi Per la costruzione di un programma
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
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
DettagliLE SUCCESSIONI 1. COS E UNA SUCCESSIONE
LE SUCCESSIONI 1. COS E UNA SUCCESSIONE La sequenza costituisce un esempio di SUCCESSIONE. Ecco un altro esempio di successione: Una successione è dunque una sequenza infinita di numeri reali (ma potrebbe
DettagliA intervalli regolari ogni router manda la sua tabella a tutti i vicini, e riceve quelle dei vicini.
Algoritmi di routing dinamici (pag.89) UdA2_L5 Nelle moderne reti si usano algoritmi dinamici, che si adattano automaticamente ai cambiamenti della rete. Questi algoritmi non sono eseguiti solo all'avvio
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
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
Dettagli2 Formulazione dello shortest path come problema di flusso
Strumenti della Teoria dei Giochi per l Informatica A.A. 2009/10 Lecture 20: 28 Maggio 2010 Cycle Monotonicity Docente: Vincenzo Auletta Note redatte da: Annibale Panichella Abstract In questa lezione
DettagliINTRODUZIONE AGLI ALGORITMI INTRODUZIONE AGLI ALGORITMI INTRODUZIONE AGLI ALGORITMI INTRODUZIONE AGLI ALGORITMI
INTRODUZIONE AGLI ALGORITMI Prima di riuscire a scrivere un programma, abbiamo bisogno di conoscere un metodo risolutivo, cioè un metodo che a partire dai dati di ingresso fornisce i risultati attesi.
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
DettagliLezione 8. La macchina universale
Lezione 8 Algoritmi La macchina universale Un elaboratore o computer è una macchina digitale, elettronica, automatica capace di effettuare trasformazioni o elaborazioni su i dati digitale= l informazione
Dettagli1. PRIME PROPRIETÀ 2
RELAZIONI 1. Prime proprietà Il significato comune del concetto di relazione è facilmente intuibile: due elementi sono in relazione se c è un legame tra loro descritto da una certa proprietà; ad esempio,
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
DettagliPROBABILITÀ - SCHEDA N. 2 LE VARIABILI ALEATORIE
Matematica e statistica: dai dati ai modelli alle scelte www.dima.unige/pls_statistica Responsabili scientifici M.P. Rogantin e E. Sasso (Dipartimento di Matematica Università di Genova) PROBABILITÀ -
DettagliIntroduzione Ordini parziali e Reticoli Punti fissi
Introduzione Ordini parziali e Reticoli Punti fissi By Giulia Costantini (819048) & Giuseppe Maggiore (819050) Table of Contents ORDINE PARZIALE... 3 Insieme parzialmente ordinato... 3 Diagramma di Hasse...
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
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
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:
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
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
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
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
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
DettagliBasi di dati. Concetti introduttivi ESEMPIO. INSEGNAMENTI Fisica, Analisi, Aule. Docenti. Entità Relazioni Interrogazioni. Ultima modifica: 26/02/2007
Basi di dati Concetti introduttivi Ultima modifica: 26/02/2007 ESEMPIO INSEGNAMENTI Fisica, Analisi, Informatica Aule Docenti Entità Relazioni Interrogazioni St udent i Database 2 Tabella (I) STUDENTE
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
DettagliCPM - PERT CPM - PERT. Rappresentazione di un progetto. Gestione di un progetto. Critical Path Method Project Evaluation and Review Technique
CPM - PERT CPM - PERT CPM e PERT sono metodologie per la gestione di progetti composti da più attività in cui esistano relazioni di precedenza. Critical Path Method Project Evaluation and Review Technique
DettagliFondamenti e didattica di Matematica Finanziaria
Fondamenti e didattica di Matematica Finanziaria Silvana Stefani Piazza dell Ateneo Nuovo 1-20126 MILANO U6-368 silvana.stefani@unimib.it 1 Unità 9 Contenuti della lezione Operazioni finanziarie, criterio
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
DettagliExcel. A cura di Luigi Labonia. e-mail: luigi.lab@libero.it
Excel A cura di Luigi Labonia e-mail: luigi.lab@libero.it Introduzione Un foglio elettronico è un applicazione comunemente usata per bilanci, previsioni ed altri compiti tipici del campo amministrativo
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
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
DettagliScheduling della CPU. Sistemi multiprocessori e real time Metodi di valutazione Esempi: Solaris 2 Windows 2000 Linux
Scheduling della CPU Sistemi multiprocessori e real time Metodi di valutazione Esempi: Solaris 2 Windows 2000 Linux Sistemi multiprocessori Fin qui si sono trattati i problemi di scheduling su singola
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
DettagliScheduling. Sistemi Operativi e Distribuiti A.A. 2004-2005 Bellettini - Maggiorini. Concetti di base
Scheduling Sistemi Operativi e Distribuiti A.A. 2-25 Bellettini - Maggiorini Concetti di base Il massimo utilizzo della CPU si ottiene mediante la multiprogrammazione Ogni processo si alterna su due fasi
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
DettagliESERCIZI APPLICAZIONI LINEARI
ESERCIZI APPLICAZIONI LINEARI PAOLO FACCIN 1. Esercizi sulle applicazioni lineari 1.1. Definizioni sulle applicazioni lineari. Siano V, e W spazi vettoriali, con rispettive basi B V := (v 1 v n) e B W
Dettagli1 Breve introduzione ad AMPL
1 Breve introduzione ad AMPL Il primo passo per risolvere un problema reale attraverso strumenti matematici consiste nel passare dalla descrizione a parole del problema al modello matematico dello stesso.
DettagliTUTORIAL PORTAFOGLIO MANAGEMENT. Parte 1 Rischio e Rendimento
TUTORIAL PORTAFOGLIO MANAGEMENT Parte Rischio e Rendimento Quando si tratta di investire del denaro ci si rosettano diverse combinazioni di rischio e rendimento. Maggiore è il rischio cui ci si esone,
Dettagli1 Applicazioni Lineari tra Spazi Vettoriali
1 Applicazioni Lineari tra Spazi Vettoriali Definizione 1 (Applicazioni lineari) Si chiama applicazione lineare una applicazione tra uno spazio vettoriale ed uno spazio vettoriale sul campo tale che "!$%!
DettagliSiamo così arrivati all aritmetica modulare, ma anche a individuare alcuni aspetti di come funziona l aritmetica del calcolatore come vedremo.
DALLE PESATE ALL ARITMETICA FINITA IN BASE 2 Si è trovato, partendo da un problema concreto, che con la base 2, utilizzando alcune potenze della base, operando con solo addizioni, posso ottenere tutti
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
DettagliCapitolo 2. Operazione di limite
Capitolo 2 Operazione di ite In questo capitolo vogliamo occuparci dell operazione di ite, strumento indispensabile per scoprire molte proprietà delle funzioni. D ora in avanti riguarderemo i domini A
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
DettagliMacchine a stati finiti. Sommario. Sommario. M. Favalli. 5th June 2007
Sommario Macchine a stati finiti M. Favalli 5th June 27 4 Sommario () 5th June 27 / 35 () 5th June 27 2 / 35 4 Le macchine a stati si utilizzano per modellare di sistemi fisici caratterizzabili mediante:
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.
Dettagli1. Classificazione delle risorse
1. Classificazione delle risorse Classificazione delle risorse in base alla disponibilità. - Risorse rinnovabili Sono risorse utilizzate per l esecuzione di una attività per tutta la sua durata, ma sono
DettagliParte 2. Determinante e matrice inversa
Parte. Determinante e matrice inversa A. Savo Appunti del Corso di Geometria 013-14 Indice delle sezioni 1 Determinante di una matrice, 1 Teorema di Cramer (caso particolare), 3 3 Determinante di una matrice
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
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
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
DettagliCalcolatori: Algebra Booleana e Reti Logiche
Calcolatori: Algebra Booleana e Reti Logiche 1 Algebra Booleana e Variabili Logiche I fondamenti dell Algebra Booleana (o Algebra di Boole) furono delineati dal matematico George Boole, in un lavoro pubblicato
DettagliSISTEMI INFORMATIVI AVANZATI -2010/2011 1. Introduzione
SISTEMI INFORMATIVI AVANZATI -2010/2011 1 Introduzione In queste dispense, dopo aver riportato una sintesi del concetto di Dipendenza Funzionale e di Normalizzazione estratti dal libro Progetto di Basi
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.
DettagliSistemi Web! per il turismo! - lezione 3 -
Sistemi Web per il turismo - lezione 3 - I computer sono in grado di eseguire molte operazioni, e di risolvere un gran numero di problemi. E arrivato il momento di delineare esplicitamente il campo di
DettagliUn esempio di applicazione della programmazione lineare intera all ingegneria del software: stima del worst-case execution time di un programma
Un esempio di applicazione della programmazione lineare intera all ingegneria del software: stima del worst-case execution time di un programma Corso di Ricerca Operativa per il Corso di Laurea Magistrale
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
Dettagli1 Serie di Taylor di una funzione
Analisi Matematica 2 CORSO DI STUDI IN SMID CORSO DI ANALISI MATEMATICA 2 CAPITOLO 7 SERIE E POLINOMI DI TAYLOR Serie di Taylor di una funzione. Definizione di serie di Taylor Sia f(x) una funzione definita
DettagliIstituzioni di Economia Laurea Triennale in Ingegneria Gestionale Lezione 3 Il Mercato
UNIVERSITÀ DEGLI STUDI DI BERGAMO Laurea Triennale in Ingegneria Gestionale Lezione 3 Il Mercato Prof. Gianmaria Martini Modelli ed iotesi Vi sono iù cose, Orazio, tra il cielo e la terra di quelle che
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
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
Dettagli2) Codici univocamente decifrabili e codici a prefisso.
Argomenti della Lezione ) Codici di sorgente 2) Codici univocamente decifrabili e codici a prefisso. 3) Disuguaglianza di Kraft 4) Primo Teorema di Shannon 5) Codifica di Huffman Codifica di sorgente Il
Dettagli1 Giochi a due, con informazione perfetta e somma zero
1 Giochi a due, con informazione perfetta e somma zero Nel gioco del Nim, se semplificato all estremo, ci sono due giocatori I, II e una pila di 6 pedine identiche In ogni turno di gioco I rimuove una
DettagliCenni su algoritmi, diagrammi di flusso, strutture di controllo
Cenni su algoritmi, diagrammi di flusso, strutture di controllo Algoritmo Spesso, nel nostro vivere quotidiano, ci troviamo nella necessità di risolvere problemi. La descrizione della successione di operazioni
Dettagli