Modelli e Algoritmi della Logistica

Slides:



Advertisements
Presentazioni simili
Automi temporizzati.
Advertisements

STRUTTURA DI.
SPIM Esercizi. Esercizio 1 – il comando li Il codice deve eseguire una singola operazione: mettere il valore immediato 1023 nel registro s3.
Fisica 2 18° lezione.
programmazione lineare: un esempio
Chiara Mocenni - Sistemi di Supporto alle Decisioni I – aa Sistemi di Supporto alle Decisioni I Dynamic Programming Chiara Mocenni Corso di.
Chiara Mocenni - Sistemi di Supporto alle Decisioni I – aa Sistemi di Supporto alle Decisioni I Scelte di consumo Chiara Mocenni Corso di laurea.
Chiara Mocenni - Sistemi di Supporto alle Decisioni I – aa Sistemi di Supporto alle Decisioni I Lezione 5 Chiara Mocenni Corso di laurea L1.
La Programmazione Lineare
Metodi Quantitativi per Economia, Finanza e Management Lezione n° 11.
RAGGIUNGIBILITA E RAGGIUNGIBILITA DEBOLE DEI SISTEMI POSITIVI A TEMPO DISCRETO Maria Elena Valcher Universita di Padova Bertinoro, Luglio 2006.
Macchine non completamente specificate
DIPARTIMENTO DI ELETTRONICA E INFORMAZIONE Algoritmi e basi del C Marco D. Santambrogio – Ver. aggiornata al 9 Agosto 2013.
Process synchronization
Capitolo 6 Commercio internazionale in concorrenza perfetta
1 E-Learning e modelli matematici in 3D E-Learning e modelli matematici in 3D Tutto ebbe inizio da... Nicla Palladino Università degli Studi di Napoli.
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.
Modelli e Algoritmi per la Logistica
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 per la Logistica
Modelli e Algoritmi della Logistica
Modelli e Algoritmi della Logistica
Modelli e Algoritmi per la Logistica
Modelli e Algoritmi per la Logistica
Modelli e Algoritmi per la Logistica
Controllo delle operazioni su una macchina
B D1D1 D2D2 B2B2 6 4 B3B3 3 B1B1 2 1 B4B4 B5B5 D3D3 D4D4 D5D5 D6D6 a b c a T=22 c d T= P.D. SENZA e CON DUPLICAZIONE.
By prof. Camuso. Misura del grado di incertezza (medio) dei messaggi emessi da una sorgente.
Algoritmi e Strutture Dati
LA STRATEGIA DI GIGI Gigi, studente modello del MARTINI, decide di tentare di racimolare qualche soldo per poter fare una vacanza memorabile dopo l'esame.
Prof. Cerulli – Dott.ssa Gentili
Commercio internazionale in concorrenza perfetta
Copertina Ecdl Health: certificazione informatica internazionale in ambito sanitario Valutazione esiti corso pilota Marzo – Aprile 2007.
Lezioni di Ricerca Operativa Corso di Laurea in Informatica
La programmazione lineare
DISEQUAZIONI FRATTE Data la disequazione > 0.
Per valutare la complessità ammortizzata scomponiamo ogni Union: nelle due FindSet e nella Link che la costituiscono e valuteremo la complessità in funzione.

Prof. Cerulli – Dott.ssa Gentili
Prof. Cerulli – Dott.ssa Gentili
Prof. Cerulli – Dott.ssa Gentili
Prof. Cerulli – Dott.ssa Gentili
Prof. Cerulli – Dott.ssa Gentili
DIPARTIMENTO DI ELETTRONICA E INFORMAZIONE Come affrontare un problema… Marco D. Santambrogio – Ver. aggiornata al 18 Ottobre.
Regressione e correlazione
28 ottobre Mergesort F. Bombi 28 ottobre 2003.
Definire operatori Strutture dati Fabio Massimo Zanzotto (slides di Andrea Turbati)
DIPARTIMENTO DI ELETTRONICA E INFORMAZIONE Algoritmi e basi del C Marco D. Santambrogio – Ver. aggiornata al 13 Marzo 2014.
3.2 Algoritmo di Moore per la minimizzazione dei lavori in ritardo
DIPARTIMENTO DI ELETTRONICA E INFORMAZIONE Come affrontare un problema… Marco D. Santambrogio – Ver. aggiornata al 21 Agosto.
FONDAMENTI DI INFORMATICA
Università degli studi di Parma Dipartimento di Ingegneria dell’Informazione Politecnico di Milano Reti Logiche A Macchine non completamente specificate.
Modelli e Algoritmi per la Logistica Lezione – 7 Pianificazione degli Investimenti ANTONIO SASSANO Università di Roma“La Sapienza” Dipartimento di Informatica.
Programmazione lineare: un esempio Mix produttivo ottimo con risorse vincolate Materiale di studio: M. Fischetti, Lezioni di RO, Cap. 3. Libreria Progetto.
Lezione n° 8 - Matrice di base. - Soluzioni di base ammissibili. - Relazione tra vertici di un poliedro e soluzioni basiche. - Teorema fondamentale della.
Lezione n° 10 Algoritmo del Simplesso: - Coefficienti di costo ridotto - Condizioni di ottimalità - Test dei minimi rapporti - Cambio di base Lezioni di.
Lezione n° 6 -Ottimi globali e locali -Risoluzione grafica di un problema di PL -Definizione di Iperpiano e Semispazi. -Insiemi convessi. -Politopi e poliedri.
Lezione n° 15 Teoria della dualità: - Interpretazione Economica Lezioni di Ricerca Operativa Corso di Laurea in Informatica Università di Salerno Prof.
Programmazione lineare: un esempio Mix produttivo ottimo con risorse vincolate Materiale di studio: M. Fischetti, Lezioni di RO, Cap. 3. Libreria Progetto.
Transcript della presentazione:

Modelli e Algoritmi della Logistica Lezione - 18 Programmazione della Produzione ANTONIO SASSANO Università di Roma“La Sapienza” Dipartimento di Informatica e Sistemistica Roma, 25-11-01

Programmazione della Produzione - Ipotesi Modello Deterministico Controllo Discreto [ 1,2,3,...,T ] dT d5 d4 d3 d2 d1 T 5 4 3 2 1 Singolo bene Domanda Variabile nel tempo [d1,d2,d3,...,dT] di>0 Funzioni Costo (Produzione e Stoccaggio) Variabili nel tempo (es: Produrre nel periodo k costa meno che nel periodo h) “Lead time” nullo (il bene prodotto è immediatamente disponibile)

Programmazione della Produzione - Obiettivo Determinare: 1. Quantità x1,x2,... da produrre in ciascun periodo 2. Quantità s1,s2,... da immagazzinare in ciascun periodo con l’obiettivo di soddisfare la domanda e minimizzare i costi di produzione e stoccaggio x1 x2 s1 s2 ... d1 d2 d3 dk dT 1 2 3 k T x3 xT sT-1 s3 xk sk-1 sk s0 sT s0 Giacenza di magazzino all’inizio dell’orizzonte temporale sT Giacenza di magazzino alla fine dell’orizzonte temporale

Programmazione della Produzione - Costi Costo di Produzione nel periodo t At ct( xt ) xt Ct( xt )=Ath( xt )+ ct( xt ) Costo di Stoccaggio nel periodo t Ht( st )= pth( st )+bth( -st )+ ht( st ) pt ht( st ) st bt

Programmazione della Produzione - Modello x1 x2 s1 s2 ... d1 d2 d3 dk dT 1 2 3 k T x3 xT sT-1 s3 xk sk-1 sk s0 sT xk + sk-1 - sk = dk k = 1,...,T xk , sk > 0 k = 1,...,T sk > 0 = “no backlogging”

Programmazione della Produzione - Modello xk + sk-1 - sk = dk k = 1,...,T xk , sk > 0 k = 1,...,T Problema di Programmazione Concava con Vincoli Lineari Funzione concava Forma standard

Programmazione della Produzione - Soluzioni xk + sk-1 - sk = dk k = 1,...,T 30 10 20 40 1 2 3 4 20 30 40 1 2 3 4 70

Programmazione della Produzione - Soluzioni Teorema: L’insieme delle soluzioni ammissibili del problema di Programmazione della Produzione: è un poliedro limitato (politopo).

Programmazione della Produzione - Soluzioni Politopo y y è un vertice di P se e solo se è una soluzione di base ammissibile (SBA) SBA definita da una sottomatrice quadrata nonsingolare B di A SBA definita da B Una SBA ha al più T componenti diverse da zero

Programmazione della Produzione - Soluzioni Perchè i vertici (SBA) sono importanti? Teorema: Un problema con funzione obiettivo concava f(y) e regione ammissibile costituita da un politopo (non vuoto) ha sempre una soluzione ottima su un vertice. Dimostrazione: y* soluzione ottima ( f(y*)< f(y) per ogni yÎP) Ext(P)={v1,v2,...,vp} vertici di P (v*: f(v*)< f(v) per ogni vÎ Ext(P)) concavità v* soluzione ottima CVD.

Programmazione della Produzione - Soluzioni Possiamo limitare la ricerca della soluzione ottima alle SBA ! Come caratterizzare (e riconoscere) una SBA ? 30 10 20 40 1 2 3 4 Soluzione ammissibile non di base 20 30 40 1 2 3 4 70 Soluzione ammissibile di base (SBA)

Programmazione della Produzione - Soluzioni SBA definita da B Una SBA ha al più T componenti diverse da zero ... dk k sk-1 sk xk In ogni periodo k deve essere: xk+sk-1>0 Una soluzione ha almeno T componenti diverse da zero Una SBA ha esattamente T componenti diverse da zero

Programmazione della Produzione - Soluzioni Una SBA ha esattamente T componenti diverse da zero ... dk k sk-1 sk xk In ogni periodo k deve essere: xk+sk-1>0 In ognuno dei T periodi esattamente una delle variabili xk ,sk-1 è diversa da zero (xk ´ sk-1=0) Se (x,s) è una SBA, in ogni periodo k abbiamo uno dei due casi: 1. Produzione positiva (xk > 0) e Scorte nulle (sk-1=0) 2. Produzione nulla (xk =0) e Scorte positive (sk-1>0)

Programmazione della Produzione - Soluzioni Se (x,s) è una SBA, in ogni periodo k abbiamo uno dei due casi: 1. Produzione positiva (xk > 0) e Scorte nulle (sk-1=0) 2. Produzione nulla (xk =0) e Scorte positive (sk-1>0) kÎ[1,...,T ] è un periodo produttivo se xk > 0 La domanda di un periodo non produttivo h è soddisfatta dalla produzione nell’ultimo periodo produttivo k<h. 20 30 40 50 1 2 3 4 70 L’insieme di periodi (non produttivi) la cui domanda è soddisfatta da uno specifico periodo produttivo viene detto intervallo di produzione All’inizio e alla fine di un intervallo di produzione la giacenza è nulla