Modelli e Algoritmi per la Logistica

Slides:



Advertisements
Presentazioni simili
SCOPO: Determinare condizioni locali di equilibrio al fine di ottenere quello globale del sistema Problema: Flussi uscenti dalla cella centrale verso le.
Advertisements

Autorita` per le Garanzie nelle Comunicazioni
CONOSCERE CONOSCERSI COMUNICARE Joseph Ceres
Informatica Generale Marzia Buscemi
UNIVERSITA DI MILANO-BICOCCA CdL IN INFORMATICA Corso di Algoritmi e Ricerca Operativa Prof. Giancarlo Mauri LEZIONE 2.
Algoritmo di MiniMax Questa presentazione è un chiaro esempio di come aggiungere i tagli Alfa-Beta per migliorare l’efficienza dell’algoritmo MiniMax.
Presentazione del corso e regole del gioco Francesco Daveri Corso di Scenari e Indicatori Economici per il Management Facoltà di Economia – Università
Economia aziendale Corso di laurea in informatica
Misura della lunghezza focale di una lente Metodo dei punti coniugati
DIPARTIMENTO DI ELETTRONICA E INFORMAZIONE Lab 2: 25 Marzo 2013 Marco D. Santambrogio – Gianluca Durelli -
Marco Tarini Università dellInsubria Facoltà di Scienze Matematiche, Fisiche e Naturali di Varese Corso di Laurea in Informatica Anno Accademico 2007/08.
1 Corso di Informatica (Programmazione) Esercitazione 1 (26 novembre 2008)
1 Corso di Laurea in Biotecnologie Informatica (Programmazione) Problemi e algoritmi Anno Accademico 2009/2010.
1 Corso di Informatica (Programmazione) Raffaella Rizzi DISCO Dipartimento di Informatica Sistemistica e Comunicazione Edificio U14 - primo piano - stanza.
Modelli e Algoritmi della Logistica
Corso di Modelli e Algoritmi della Logistica
Seminario su clustering dei dati – Parte II
Seminario su clustering dei dati – Parte II
Modelli e Algoritmi della Logistica
Modelli e Algoritmi della Logistica
Modelli e Algoritmi della Logistica
Modelli e Algoritmi della Logistica
Modelli e Algoritmi per la Logistica Branch & Bound Prof. Carlo Mannino Prof. Antonio Sassano Dipartimento di Informatica e Sistemistica Università di.
Ottimizzazione Combinatoria
Modelli e Algoritmi per la Logistica
Dinamica di corpi deformabili basata sulle posizioni
Modelli e Algoritmi per la Logistica
Modelli e Algoritmi per la Logistica
Corso di Modelli e Algoritmi della Logistica
Modelli e Algoritmi per la Logistica
Modelli e Algoritmi della Logistica
Modelli e Algoritmi della Logistica
Modelli e Algoritmi per la Logistica
1. ( punti 7 ) Siano dati un insieme di localizzazioni potenziali (nodi grandi) ed un insieme di clienti da servire (nodi piccoli). Il costo di afferenza.
Modelli e Algoritmi per la Logistica
Modelli e Algoritmi della Logistica
Università degli Studi di Roma La Sapienza
Modelli e Algoritmi per la Logistica
Dipartimento di Informatica e Sistemistica Alessandro DE CARLI Anno Accademico MOVIMENTAZIONE CONTROLLATA AZIONAMENTI CON MOTORE BRUSHLESS.
1. ( punti 7 ) Siano dati un insieme di localizzazioni potenziali (nodi grandi) ed un insieme di clienti da servire (nodi piccoli). Il costo di afferenza.
CONTROLLO DI SUPPLY CHAIN MEDIANTE TECNICHE H-INFINITO E NEGOZIAZIONE
Dipartimento di Ingegneria Idraulica e Ambientale - Universita di Pavia 1 Simulazione di un esperimento di laboratorio: Caduta di un corpo quadrato in.
QuickSort Quick-Sort(A,s,d) IF s < d THEN q = Partiziona(A,s,d) Quick-Sort(A,s,q-1) Quick-Sort(A,q + 1,d)
Algoritmi greedy Gli algoritmi greedy in genere non sono esatti, cioè determinano soluzioni non necessariamente ottime Per il problema dell’albero ricoprente.
“PERCORSO ENOGASTRONOMICO”
Intelligenza Artificiale
Elaborato di Teoria dello Sviluppo dei Processi Chimici
Prof. Cerulli – Dott.ssa Gentili
ISOIVA (LOCALE) TO ISOIVA (WEB) RIPARTIZIONE INFORMATICA UFFICIO APPLICATIVI AMMINISTRATIVI 13/04/2011 UNIVERSITÀ DEGLI STUDI DI FERRARA 1.
Lezioni di Ricerca Operativa Corso di Laurea in Informatica
Torna alla prima pagina Inforscuola, 2/12/99 1 MINISTERO DELLA PUBBLICA ISTRUZIONE DIREZIONE GENERALE DELL' ISTRUZIONE SECONDARIA DI 1° GRADO Progetto:
Prof. Cerulli – Dott.ssa Gentili
Prof. Cerulli – Dott.ssa Gentili
Prof. Cerulli – Dott.ssa Gentili
IL PROBLEMA DELLO SCHEDULING
Prof. Cerulli – Dott.ssa Gentili
Marco Nanni Autori : Yufei Tao;Ling Ding Xuemin Lin Jian Pei.
Facoltà di Ingegneria Corso di Laurea: Insegnamento: Lezione n°: Titolo: Docenti: INGEGNERIA AUTOMAZIONE II 2 LINGUAGGI FORMALI ED AUTOMI PROF. ALESSANDRO.
Prof. Cerulli – Dott.ssa Gentili
Prof. Cerulli – Dott.ssa Gentili
Prof. Cerulli – Dott.ssa Gentili
Corso di Infrastrutture Idrauliche
La natura duale della luce
1 Università degli Studi di Roma “Tor vergata” Dipartimento di Ingegneria Civile Corso di Gestione ed esercizio dei sistemi di trasporto Docente: Ing.
Corso integrato di Matematica, Informatica e Statistica Informatica di base Linea 1 Daniela Besozzi Dipartimento di Informatica e Comunicazione Università.
Dipartimento di Ingegneria dell’Informazione Università degli Studi di Parma Intelligenza Artificiale Risoluzione dei Problemi (parte 2) Agostino Poggi.
Prof. Cerulli – Dott. Carrabs
Modelli e Algoritmi per la Logistica Lezione – 7 Pianificazione degli Investimenti ANTONIO SASSANO Università di Roma“La Sapienza” Dipartimento di Informatica.
Lezioni di Ricerca Operativa Corso di Laurea in Informatica
Modelli e Algoritmi della Logistica
Transcript della presentazione:

Modelli e Algoritmi per la Logistica Lezione – 11 L’algoritmo “Greedy” per la Localizzazione ANTONIO SASSANO Università di Roma“La Sapienza” Dipartimento di Informatica e Sistemistica Roma, 25-11-01

Esempio “Greedy” - Localizzazione DATI Insieme J di siti (localizzazioni) potenziali; |J|=n 1 n Costo cij di afferenza del cliente i al sito j c11=3 - Insieme J* dei siti da attivare - Assegnazione di ciascun cliente ad uno dei siti attivati Insieme I dei clienti; |I|=m 1 m Costo fj di attivazione del sito j fj=10 TROVARE Che minimizzano il costo complessivo di attivazione e afferenza

Localizzazione - Funzione Obiettivo e Soluzioni Osservazione Il costo complessivo di attivazione e afferenza dipende esclusivamente dall’insieme di siti attivati T 10 4 3 2 i l (T,i) sito ottimale per il cliente i l (T,i) = arg min {cij: jÎ T } Z(T) = å fj +å ci l (T,i) iÎ I jÎ T Insieme delle soluzioni ammissibili S = 2J – {  } Insieme delle soluzioni parziali P = 2J

Algoritmo Avido (“Greedy”) - Localizzazione T:=Æ; Z(T)= Q*= min { Z(TÈ { k } ): kÏT } k*= arg min {Z(TÈ { k } ): kÏT} T:=TÈ { k *} NO Q*>c(T) T soluzione greedy STOP SI

Esempio “Greedy” - Localizzazione 21 + 7 2 1 5 3 4 8 6 T := Æ Q*=28<Z(T)= T := T È { 5 }

Esempio “Greedy” - Localizzazione 9 + 7+3 2 1 5 3 4 6 T := { 5 } Q*=19<Z( { 5} )=28 T := T È { 2 }

Esempio “Greedy” - Localizzazione 6 + 7+3+1 2 1 5 3 4 6 T := { 5,2 } Q*=17<Z( {5,2} )=19 T := T È { 3 }

Esempio “Greedy” - Localizzazione 3 + 7+3+1+4 2 1 5 3 4 6 T := { 5,2,3 } Q*> Z( {5,2,3} )=17 T := { 5,2,3 }Î S soluzione greedy