PYTHON ALGORITHMS & OPTIMISATION

iten
Codice
106838
ANNO ACCADEMICO
2021/2022
CFU
6 cfu al 1° anno di 11267 ECONOMICS AND DATA SCIENCE (LM-56) GENOVA
SETTORE SCIENTIFICO DISCIPLINARE
MAT/09
SEDE
GENOVA (ECONOMICS AND DATA SCIENCE )
periodo
1° Semestre
materiale didattico

PRESENTAZIONE

L'ottimizzazione è una disciplina inclusa nella scienza delle decisioni. Oltre alle nozioni di base su questo argomento, il corso fornirà un'introduzione alla programmazione e allo sviluppo del software. Il linguaggio di programmazione che verrà utilizzato ed esplorato sarà Python.
Il corso fornirà agli studenti i metodi di ottimizzazione più rilevanti, tra le principali tecniche, verranno presentate agli studenti la programmazione lineare, la programmazione lineare intera, gli algoritmi euristici e meta-euristici.

OBIETTIVI E CONTENUTI

OBIETTIVI FORMATIVI

Il corso si propone di fornire capacità di comprendere e utilizzare i principali strumenti, concettuali e computazionali, per l'interpretazione di grandi quantità di dati e per il loro utilizzo a fini predittivi, e avranno competenze relative all'analisi big data con particolare riferimento alle applicazioni riguardanti l'economia e altre scienze applicate. Gli studenti svilupperanno conoscenze base di programmazione grazie allo studio del linguaggio di programmazione Python e saranno in grado di progettare modelli matematici lineari PL/PLI per la risoluzione di problemi decisionali continui e discreti.

OBIETTIVI FORMATIVI (DETTAGLIO) E RISULTATI DI APPRENDIMENTO

Il corso fornirà agli studenti una panoramica dei più importanti metodi di Ottimizzazione, verranno inoltre sviluppate le capacità di problem solving degli studenti.
Il corso è finalizzato allo sviluppo di modelli di Ottimizzazione per la risoluzione di problemi complessi.
Al termine del corso, gli studenti saranno capaci di utilizzare il linguaggio di programmazione Python per sviluppare un algoritmo di ottimizzazione di base.
Tra le principali Tecniche di Ottimizzazione, gli studenti acquisiranno competenze di Programmazione Matematica e di sviluppo di algoritmi Euristici e Meta-euristici per affrontare problemi complessi. Tra questi problemi possiamo includere problemi di percorsi e connessioni Ottimali, problemi decisionali con variabili binarie, problemi di Ottimizzazione definiti su Grafici.

PREREQUISITI

Consigliati:

Algebra,
Geometria Analitica,
Programmazione

MODALITA' DIDATTICHE

Il corso prevede lezioni frontali svolte in aula informatica, per dare l'opportunità agli studenti di formulare, risolvere e analizzare insieme ai docenti i problemi proposti. Qualora non fosse possibile svolgere attività in presenza, verranno adottate le modalità didattiche decise dall'Ateneo. Per eventuali aggiornamenti fare riferimento ad Aulaweb.

PROGRAMMA/CONTENUTO

Coerentemente con gli obiettivi precedentemente illustrati, vengono trattati i seguenti argomenti​

  1. Introduzione alla programmazione..
    • Logic programming.
    • Programming languages. 
  2. Python concetti base:
    • Getting Started, first program "hello world".
    • Variables and Input.
    • Conditional statements. Iteration statements.
    • Functions Modules and Classes
    • Strings, Lists, Dictionaries
  3. Risolutori di LP and ILP: 
    • Define decision variables, 
    • Create the objective function, 
    • Add constraints to the model, 
    • Analysis of the solutions.
  4. Strutture dati: 
    • Graph data structure
    • Data manipulation and storage. 
    • Develop a parser.
    • Test cases creation. 
    • Binary variables with Python.
  5. Algoritmi e concetti di complessità: 
    • Exact, heuristic, meta-heuristic. 
    • Constructive Algorithms, Greedy Algorithms, selection function. Enhanced Greedy.
    • The bin packing problem, constructive algorithm, greedy algorithm
    • Implementation of the proposed algorithms.        
  6. Ricerca Locale: 
    • Definition of a neighborhood, 
    • Implementation of a neighborhood.
    • Escape from the local minima, the Tabu Search, the tabu list, the reactive tabu list. 
    • Implementation of a Local Search.
  7. Algoritmi Genetici: 
    • Chromosome, population, crossover, mutation, selection function. 
    • Population diversity, speciation heuristic, and strong mutation. 
    • Memetic Algorithms. 
    • Implementation of a Genetic Algorithm

TESTI/BIBLIOGRAFIA

Hillier, Lieberman, “Introduction to Operations Research”, McGraw Hill, 2016.
Downey, A., et al. "Thinking python. 2.0". Green Tea Press Supplemental Material:, 2012.
TEACHERS AND EXAM BOARD

DOCENTI E COMMISSIONI

LEZIONI

MODALITA' DIDATTICHE

Il corso prevede lezioni frontali svolte in aula informatica, per dare l'opportunità agli studenti di formulare, risolvere e analizzare insieme ai docenti i problemi proposti. Qualora non fosse possibile svolgere attività in presenza, verranno adottate le modalità didattiche decise dall'Ateneo. Per eventuali aggiornamenti fare riferimento ad Aulaweb.

Orari delle lezioni

L'orario di tutti gli insegnamenti è consultabile su EasyAcademy.

ESAMI

MODALITA' D'ESAME

Gli studenti dovranno lavorare su un progetto assegnato dal docente.
Il progetto deve essere presentato dallo studente durante la prova orale. A partire dal progetto, la prova orale verterà su tutti gli argomenti del corso.

MODALITA' DI ACCERTAMENTO

Test online durante le lezioni,

Colloquio orale,

Discussione del progetto.

Calendario appelli

Data Ora Luogo Tipologia Note