Anno di corso: 1

Crediti: 8
Crediti: 8
Crediti: 8
Crediti: 3
Tipo: Lingua/Prova Finale
Crediti: 3
Tipo: Lingua/Prova Finale
Crediti: 3
Tipo: Lingua/Prova Finale
Crediti: 3
Tipo: Lingua/Prova Finale

Anno di corso: 2

Anno di corso: 3

Crediti: 8
Crediti: 8
Crediti: 16
Tipo: A scelta dello studente
Crediti: 4
Tipo: Lingua/Prova Finale
Crediti: 13
Tipo: Altro

RICERCA OPERATIVA E PIANIFICAZIONE DELLE RISORSE

Scheda dell'insegnamento

Anno accademico di regolamento: 
2014/2015
Anno di corso: 
3
Anno accademico di erogazione: 
2016/2017
Tipo di attività: 
Obbligatorio
Crediti: 
8
Ciclo: 
Primo Semestre
Ore di attivita' didattica: 
76
Prerequisiti: 

Nozioni base di:
- calcolo delle probabilità e statistica
- algebra lineare
- funzioni a più variabili

Moduli

Metodi di valutazione

Tipo di esame: 
Orale
Modalita' di verifica dell'apprendimento: 

Prova scritta e colloquio orale

Valutazione: 
Voto Finale

Obiettivi formativi

Fornire i concetti e gli strumenti principali per:
- formulare modelli per problemi di ottimizzazione per la pianificazione e la gestione delle risorse
- risolvere un problema di ottimizzazione utilizzando metodi appropriati
- interpretare i risultati al fine di guidare le decisioni in vari contesti applicativi
- formulazione di modelli di ottimizzazione per la data analysis e il machine learning
- soluzione di problemi attraverso euristiche
L'attenzione sarà quindi rivolta alla costruzione dei “modelli matematici” intesi come schematizzazione di problemi di decisione, all'uso cosciente e corretto dei metodi quantitativi per la soluzione di tali problemi e all’analisi critica dei risultati.

Contenuti

Classificazione, formulazione e soluzione di un problema di decisione. Metodi per la risoluzione di problemi di ottimizzazione. Il ruuolo dell'ottimizzzazione nella data analysis e nel machine learning.

Programma esteso

1 "Introduzione ai problemi di programmazione lineare e loro formulazione
"

2 Metodi risolutivi per la programmazione lineare

3 "Teoria della dualità
"

4 Analisi della sensitività

5 "La programmazione intera
"

6 Programmazione nonlineare

7 Ottimizzaione e machine learning

8 Clustering e Metodi euristici

Bibliografia consigliata

Hillier - Lieberman, Ricerca Operativa, McGraw-Hill. .
Sallan et all, Modeling and Solving Linear Programming with R (open access)

Metodi didattici

Lezioni ed esercitazioni in aula. Supporto in e-learning allo studio individuale.