Guida degli insegnamenti
Syllabus
Partially translatedTradotto parzialmente
ANDREA D'ASCENZO
Lingua di erogazione: ITALIANOLessons taught in: ITALIAN
Laurea Magistrale - [IM07] INGEGNERIA GESTIONALE Master Degree (2 years) - [IM07] MANAGEMENT ENGINEERING
Dipartimento: [040004] Dipartimento Ingegneria Industriale e Scienze MatematicheDepartment: [040004] Dipartimento Ingegneria Industriale e Scienze Matematiche
Anno di corsoDegree programme year : 2 - Secondo Semestre
Anno offertaAcademic year: 2023-2024
Anno regolamentoAnno regolamento: 2022-2023
Crediti: 6
Ore di lezioneTeaching hours: 48
TipologiaType: D - A scelta dello studente
Settore disciplinareAcademic discipline: MAT/09 - RICERCA OPERATIVA
ITALIANO
Italian
Elementi di programmazione matematica
Elements of mathematical programming
12 ore di lezioni frontali e 36 di esercitazioni e attività laboratoriale
12 hours of frontal lessons and 36 hours of exercises and laboratory activities
L'insegnamento illustra i metodi avanzati di soluzione di problemi di ottimizzazione e la loro integrazione con basi di dati e sistemi informativi. Sarà dato ampio spazio all'attività laboratoriale di progettazione e sperimentazione di modelli di ottimizzazione per la soluzione di problemi sia di natura strategico/tattica - progettazione e gestione di reti (sociali, di trasporto, di movimentazione), supply chain management, budget e portfolio optimization, process mining e data clustering - sia di carattere operativo - energy management in smart grids e gestione della produzione (anche in ottica green) nelle smart factories. Saranno inoltre accennate le generalizzazioni a problemi multi-obiettivo, multi-decisore (in regime di competizione) e con aspetti stocastici.
Capacità di applicare conoscenze e comprensione.
Le conoscenze acquisite durante il corso e la pratica sviluppata durante le attività laboratoriali forniranno le competenze necessarie per
1. individuare i problemi decisionali che emergono in svariati contesti applicativi quali, per esempio, la gestione della produzione nelle smart factories, le reti di trasporto e sociali, la supply chain management, il process mining e il data clustering, l’energy management in smart grids;
2. descrivere problemi di decisione in termini di modelli prescrittivi di programmazione matematica e analizzarne criticamente la qualità (rapporto efficacia/efficienza)
3. manipolare e risolvere modelli di programmazione matematica attraverso l’uso dei linguaggi di modellazione algebrica
Competenze trasversali.
L’attività laboratoriale, svolta eventualmente in gruppo, e la presentazione finale dei risultati ottenuti in forma di relazione scritta e/o short speech, permetteranno di sviluppare e migliorare il grado di autonomia di giudizio, la capacità comunicativa (derivante dal lavoro in gruppo), e la capacità di apprendimento in autonomia degli studenti.
Knowledge and Understanding.
The course describes advanced methods for the solution of optimization problems and their integration with databases and information systems. Broad space will be given to the activities of design and testing of optimization models for the solution of both strategic/tactical and operational problems - design and management of networks (social, transportation, handling), supply chain management, budget and portfolio optimization, process mining and data clustering as examples of the former and energy management in smart grids and production management (also from a green perspective) in smart factories as example for the latter. Generalizations to multi-objective, multi-decision-making problems (in a competitive setting) and with stochastic aspects will also be mentioned.
Capacity to apply Knowledge and Understanding.
The knowledge acquired during the course and the practice due to the laboratory activities will provide the necessary skills for
1. identify the decision-making problems that arise in various application contexts such as production management in smart factories, transportation and social networks, supply chain management, process mining and data clustering and energy management in smart grids;
2. describe decision problems in terms of prescriptive models of mathematical programming and critically analyze their quality (effectiveness / efficiency ratio)
3. manipulate and solve mathematical programming models through the use of algebraic modeling languages
Transversal Skills.
The lab activities, possibly carried out in groups, and the final presentation of the obtained results in the form of a written report and/or a short speech, will help to develop and improve the degree of independent judgment, communication skills (deriving from group work) , and the ability of students to learn independently.
- Elementi di programmazione matematica
- Elementi di programmazione Python e introduzione ai principali risolutori
- Uso avanzato di un risolutore, interazione con basi di dati
- Implementazione di modelli di programmazione matematica per i problemi di network flow, TSP, routing, bin packing, scheduling e layout design
- Tecniche di riformulazione e rafforzamento di modelli di programmazione intera
- Implementazione di algoritmi di column generation e cutting planes
- Elements of mathematical programming
- Elements of Python programming and introduction to main solvers
- Advanced use of a specific solver, interface with solvers and databases
- Implementation of mathematical programming models for network flow, TSP, routing, bin packing, scheduling and layout design problems.
- Reformulation and strengthening techniques for mathematical programming models
- Implementation of column generation and cutting planes algorithms
La valutazione del livello di apprendimento prevede la presentazione di un progetto relativo all’implementazione di un modello di ottimizzazione e la discussione dei risultati ottenuti. Durante la presentazione sarà anche verificata la conoscenza delle tecniche di modellazione illustrate durante il corso.
Criteri di valutazione dell'apprendimento.
Viene valutata la capacità di sintetizzare ed esporre con chiarezza e rigore logico le idee sviluppate e i risultati ottenuti durante la realizzazione del progetto. Viene inoltre valutata la capacità di impostare e risolvere autonomamente i problemi decisionali nell'ambito dei diversi contesti applicativi utilizzando in modo corretto e pertinente metodologie, modelli e strumenti propri della programmazione matematica.
Criteri di misurazione dell'apprendimento.
La conoscenza dei modelli e delle tecniche presentate durante il corso e la capacità di impostare e risolvere problemi decisionali nei diversi contesti applicativi con strumenti propri della programmazione matematica è misurata analiticamente con un punteggio compreso tra 0 e 30.
Criteri di attribuzione del voto finale.
La votazione massima, pari a 30 punti con lode, è assegnata a coloro che complessivamente dimostrino completa padronanza degli strumenti metodologici e implementativi propri della programmazione matematica e piena autonomia e rigore logico nell'impostare e risolvere i problemi posti.
La votazione minima, pari a 18 punti, è assegnata a coloro che dimostrino di avere sufficiente conoscenza degli strumenti metodologici e applicativi propri della programmazione matematica.
Learning Evaluation Methods.
The assessment of the level of understanding consists in the presentation of a project concerning the implementation of an optimization model as well as the discussion of the obtained results. During the presentation, the knowledge of the modelling techniques presented in the course will be also verified.
Learning Evaluation Criteria.
It is evaluated the ability to clearly and logically explain the ideas and the results obtained during the development of the project. It is also assessed the ability to autonomously recognise and solve decision problems in the various application context by correctly using appropriate methods, models and tools of mathematical programming.
Learning Measurement Criteria.
The knowledge of the models and techniques described in the course and the ability to set and solve decision problems in the various application context by suitable mathematical programming tools will be analytically evaluated with a score between 0 and 30.
Final Mark Allocation Criteria.
The maximum grade, equal to 30 points with honors, is awarded to those who demonstrate total mastery of the methodological and implementation tools of mathematical programming, and full autonomy and logical accuracy in setting and solving the proposed problems.
The minimum grade, equal to 18 points, is assigned to those who demonstrate to be able to solve the proposed problems and to sufficiently know the methodological tools of mathematical programming.
- Materiale didattico elettronico disponibile su piattaforma e-learning di Ateneo al link https://learn.univpm.it
- H.P. Williams (2013), Model Building in Mathematical Programming. John Wiley & Sons, ISBN: 9781118443330
- F. Schoen, Optimization Models – Materiale elettronico
- D. Bertsimas, J.N. Tsitsiklis (1997), Introduction to Linear Optimization. Athena Scientific, ISBN: 9781886529199
- Electronic teaching material available on the University's e-learning platform at the link https://learn.univpm.it
- H.P. Williams (2013), Model Building in Mathematical Programming. John Wiley & Sons, ISBN: 9781118443330
- F. Schoen, Optimization Models – Electronic material
- D. Bertsimas, J.N. Tsitsiklis (1997), Introduction to Linear Optimization. Athena Scientific, ISBN: 9781886529199
Le informazioni contenute nella presente scheda assumono carattere definitivo solo a partire dall'A.A. di effettiva erogazione dell'insegnamento. Academic year 2023-2024
Università Politecnica delle Marche
P.zza Roma 22, 60121 Ancona
Tel (+39) 071.220.1, Fax (+39) 071.220.2324
P.I. 00382520427