METHODS AND MODELS FOR DECISION SUPPORT

METHODS AND MODELS FOR DECISION SUPPORT

_
iten
Codice
80172
ANNO ACCADEMICO
2020/2021
CFU
6 cfu al 2° anno di 8733 INGEGNERIA INFORMATICA (LM-32) GENOVA

6 CFU al 2° anno di 10377 SAFETY ENGINEERING FOR TRANSPORT, LOGISTICS AND PRODUCTION (LM-26) GENOVA

SETTORE SCIENTIFICO DISCIPLINARE
MAT/09
LINGUA
Inglese
SEDE
GENOVA (INGEGNERIA INFORMATICA )
periodo
1° Semestre
materiale didattico

PRESENTAZIONE

Il corso presenta modelli e metodi matematici, in particolare della Ricerca Operativa, con cui possono essere affrontati problemi decisionali in vari ambiti, da quello produttivo alla logistica. Gli approcci studiati sono principalmente rivolti a situazioni in cui le decisioni hanno una natura discreta (problemi combinatori), presentando tecniche allo stato dell'arte della letteratura scientifica.

OBIETTIVI E CONTENUTI

OBIETTIVI FORMATIVI

Modellare e risolvere problemi decisionali complessi. Applicazioni al manufacturing planning e scheduling e alla logistica (network flow, location e vehicle routing). Sono studiati modelli e metodi di integer programming, euristiche e metaeuristiche per problemi di ottimizzazione combinatoria, il metodo PERT per il Project Management. Inoltre vengono introdotti concetti fondamentali per la soluzione di problemi multicriterio e di decision.

OBIETTIVI FORMATIVI (DETTAGLIO) E RISULTATI DI APPRENDIMENTO

L'obiettivo principale è fornire agli allievi la capacità di affrontare problemi per mezzo degli strumenti messi a disposizione dalla Ricerca Operativa. I problemi trattati costituiscono un riferimento per ampie classi di problemi applicativi reali di natura complessa. Nello specifico saranno trattare applicazioni al manufacturing planning e scheduling e alla logistica e trasporti (network flow, location e vehicle routing). Gran parte dei modelli studiati saranno di mixed integer programming; saranno considerati modelli di reti di flusso e modelli multi-criterio. Un ampio spazio verrà dedicato a metodi euristici e metaeuristici che costituiscono lo strumento principale con cui affrontare situazioni decisionali complesse nella realtà. 

PREREQUISITI

Conoscenze di base della Ricerca Operativa e di Informatica

Modalità didattiche

Lezioni frontali con esercitazioni utilizzando solver di mixed integer programming.

PROGRAMMA/CONTENUTO

Introduzione ai problemi decisionali, alle metodologie ed ai loro limiti.

Modelli di ottimizzazione lineare: Esempio di formulazioni, uso di Solver ed interpretazione dei risultati.

Reti di Flusso, Algoritmi per il Max Flow e Min Cost Flow, Simplesso su Rete.

Modelli di Pianificazione della produzione: Dynamic Lot Sizing Problem (single item, multi ‐ item) e sue varianti. Modelli di Planning Multi ‐ stage. Confronto di modelli di planning alternativi. Planning in presenza di life-time constraints.

Modelli decisionali su grafi e reti con applicazione nel settore della logistica.

Modelli di Mixed Integer Programming (pianificazione, location, scheduling). Modelli MIP per lo scheduling single e parallel machine: formulazioni alternative. Implementazione dei modelli in linguaggio OPL e soluzione di esempi con il MIP solver IBM-Cplex.

Modelli lineari a numeri interi: richiami ai concetti generali (metodi risolutivi, totale unimodularità, convex hull). Il branch and cut.  Tecniche di rilassamento. Il rilassamento Lagrangiano.

Metodi metaeuristici per la soluzione di problemi combinatorici. Metodi di Neighbourhood Search. Trajectory Methods (Iterated Local Search, Tabu Search, Simulated Annealing, Variable Neighbourhood Search, GRASP, Iterated Greedy Algorithm, Adaptive Large Neighbourhood Search). Population ‐ based Methods (Genetic Algorithm, Ant Colony Optimization, Particle Swarm Optimization).

Modelli per l’instradamento di veicoli in reti di trasporto (Vehicle Routing Problems). Modelli esatti ed euristici di routing su nodi (Traveling Salesman Problem, Capacitated Vehicle Routing Problem). Introduzione al problema del Arc Routing: grafi euleriani. Il problema del postino cinese (Chinese Postman Problem su grafo non orientato, orientato e misto . 

Modelli decisionali deterministici che utilizzano molti criteri (Multicriteria Decision Making). Metodi decisionali multiobiettivo: definizione di Pareto ottimalità; approcci classici alle decisioni multi-obiettivo; Non-dominated Sorting Genetic Algorithm. Metodi decisionali multi-attributo.

TESTI/BIBLIOGRAFIA

Slide e materiale bibliografico fornito dal docente su Aulaweb

DOCENTI E COMMISSIONI

Ricevimento: Appuntamento fissabile via mail o telefono

Commissione d'esame

MASSIMO PAOLUCCI (Presidente)

MARCELLO SANGUINETI

ALBERTO GROSSO

DAVIDE ANGHINOLFI

LEZIONI

Modalità didattiche

Lezioni frontali con esercitazioni utilizzando solver di mixed integer programming.

ESAMI

Modalità d'esame

Prova orale e/o sviluppo di un progetto (per allievi che hanno frequentato le lezioni con assiduità).

Modalità di accertamento

Alla fine del corso le competenze acquisite metteranno gli studenti in grado di strutturare problemi decisionali di media complessità e di scegliere le opportune metodologie di soluzione, nonché di utilizzare semplici pacchetti software come strumenti di supporto decisionale