Prof. Cerulli – Dott.ssa Gentili

Slides:



Advertisements
Presentazioni simili
Progetto di impianti semaforici - 5
Advertisements

MATEMATICA PER L’ECONOMIA
MATEMATICA PER L’ECONOMIA
MATEMATICA PER L’ECONOMIA
MATEMATICA PER LECONOMIA CORSO SERALE I° modulo Prof.ssa A. Ghiraldini II° modulo Prof. F. Di Gennaro III° modulo Prof.ssa D. Tondini.
Capitolo 4 Ricerca operativa F.S. Hillier – G.J. Lieberman
redditività var. continua classi di redditività ( < 0 ; >= 0)
Università degli Studi di Roma Tor Vergata
Prof.ssa Chiara Petrioli -- Fondamenti di programmazione 1, a.a. 2009/2010 Corso di Fondamenti di programmazione a.a.2009/2010 Prof.ssa Chiara Petrioli.
Corso di Fondamenti di programmazione a.a.2009/2010
Prof.ssa Chiara Petrioli -- corso di programmazione 1, a.a. 2006/2007 Corso di Programmazione 1 a.a.2006/2007 Prof.ssa Chiara Petrioli Corso di Laurea.
Prof.ssa Chiara Petrioli -- corso di programmazione 1, a.a. 2006/2007 Corso di Programmazione 1 a.a.2007/2008 Prof.ssa Chiara Petrioli Corso di Laurea.
Prof.ssa Chiara Petrioli -- corso di programmazione 1, a.a. 2006/2007 Corso di Programmazione 1 a.a.2006/2007 Prof.ssa Chiara Petrioli Corso di Laurea.
Laboratorio di Linguaggi lezione IV: tipi definiti dallutente Marco Tarini Università dellInsubria Facoltà di Scienze Matematiche, Fisiche e Naturali di.
Laboratorio di Linguaggi lezione IX Marco Tarini Università dellInsubria Facoltà di Scienze Matematiche, Fisiche e Naturali di Varese Corso di Laurea in.
Marco Tarini Università dellInsubria Facoltà di Scienze Matematiche, Fisiche e Naturali di Varese Corso di Laurea in Informatica Anno Accademico 2007/08.
SISTEMI LINEARI.
Laurea Specialistica Chimica e Tecnologia Farmaceutiche Anno Accademico Università degli Studi di Firenze Facoltà di Farmacia.
Università degli Studi di Firenze
Seminario su clustering dei dati – Parte II
Modelli e Algoritmi della Logistica
INGEGNERIA CLINICA E BIOMEDICA
Modelli e Algoritmi per la Logistica
Modelli e Algoritmi per la Logistica
Introduzione all’algebra lineare
UNIVERSITÀ DEGLI STUDI DI PERUGIA Dipartimento di Ingegneria Industriale Prof. Francesco Castellani Corso di Meccanica Applicata A.A.
6.2.Strumenti di valutazione: la programmazione lineare Valutazione delle politiche AA 2005/2006 Davide Viaggi.
Assicurazioni vita e mercato del risparmio gestito
Prof. Cerulli – Dott.ssa Gentili
Università degli studi di salerno
Programmazione lineare
Prof. Cerulli – Dott.ssa Gentili
Università degli studi di salerno
Lezioni di Ricerca Operativa Corso di Laurea in Informatica
La programmazione lineare
Prof. Cerulli – Dott.ssa Gentili
ARRAY MULTIDIMENDIONALI
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
Algoritmi Paralleli e Distribuiti a.a. 2008/09 Lezione del 17/04/2009 Prof. ssa ROSSELLA PETRESCHI a cura del Dott. SAVERIO CAMINITI.
Prof. Cerulli – Dott.ssa Gentili
Prof. Cerulli – Dott.ssa Gentili
Lezione n° 18: Maggio Problema del trasporto: formulazione matematica Anno accademico 2008/2009 Prof. Cerulli – Dott.ssa Gentili Lezioni di.
Prof. Cerulli – Dott.ssa Gentili
Università degli Studi di Bologna
Università degli Studi di Modena e Reggio Emilia
Stabilità per E.D.O. (I): STABILITÀ LINEARIZZATA
Orientamento Universitario Liceo Classico Garibaldi.
Programmazione lineare
L’impiego della Programmazione Lineare nel settore agro-alimentare: punti di forza e limiti Il modello teorico Applicazioni operative Punti di forza e.
Corso integrato di Matematica, Informatica e Statistica Informatica di base Linea 1 Daniela Besozzi Dipartimento di Informatica e Comunicazione Università.
Prof. Cerulli – Dott. Carrabs
Assicurazioni vita e mercato del risparmio gestito Lezione 13 Modelli media varianza con N titoli.
Matematica mon amour Prof. Luigi Taddeo 7 Marzo 2014.
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.
Lezioni di Ricerca Operativa Corso di Laurea in Informatica
Lezione n° 5: Esercitazione
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.
Lezioni di Ricerca Operativa Corso di Laurea in Informatica
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.
Prof. Cerulli – Dott. Carrabs
Lezione n° 14 Teoria della dualità: - Teorema forte della dualità - Teorema degli scarti complementari Lezioni di Ricerca Operativa Corso di Laurea in.
Transcript della presentazione:

Prof. Cerulli – Dott.ssa Gentili Lezioni di Ricerca Operativa Corso di Laurea in Informatica ed Informatica Applicata Università di Salerno Lezione n° 4: 16-17 Marzo 2009 Problemi di Programmazione Matematica Problemi Lineari e Problemi Lineari Interi Forma Canonica. Forma Standard Rappresentazione grafica della regione di ammissibilità Anno Accademico 2008/2009 Prof. Cerulli – Dott.ssa Gentili

Programmazione Matematica Lineare Problema di Programmazione Matematica (PM) (problema di ottimizzazione) max f(x) s.t. funzione obiettivo scalare vettore delle variabili decisionali insieme delle soluzioni ammissibili

Un problema di PM è lineare quando: la funzione obiettivo è lineare l’insieme X è espresso in termini di relazioni (uguaglianze e disuguaglianze) lineari variabili x continue Programmazione Lineare Continua (PL) X variabili x intere Programmazione Lineare Intera (PLI)

Problemi di Programmazione Lineare: Forma Canonica Consideriamo un problema di Programmazione Lineare (PL) con m vincoli ed n variabili in Forma Canonica di minimo: dove: x è il vettore nx1 delle variabili decisionali c è il vettore nx1 dei coefficienti della funzione obiettivo b è il vettore mx1 dei termini noti dei vincoli A è la matrice mxn dei coefficienti dei vincoli; A=[aij], i=1,...,n, j=1,...,m

Problemi di Programmazione Lineare: Forma Standard di minimo Condizione: b ≥ 0

Inoltre, si assumono soddisfatte le seguenti ipotesi: - m<n - m=rango(A) I valori di x che soddisfano i vincoli (1) sono detti soluzioni del problema di PL. Inoltre, i valori di x che soddisfano anche i vincoli (2) sono detti soluzioni ammissibili del problema di PL.

L’ipotesi m<n (più variabili che vincoli) non rappresenta una perdita di generalità. E’ noto infatti che il sistema di equazioni lineari (1): può ammettere una soluzione unica se m=n può ammettere ¥n-m soluzioni se m<n Solo il secondo caso è significativo dal punto di vista dei problemi di ottimizzazione.

Qualunque problema di PL può essere trasformato in un problema equivalente in forma standard.

Formulazioni equivalenti: Funzione Obiettivo Esempio

Formulazioni equivalenti: Vincoli

Formulazioni equivalenti: Vincoli di disuguaglianza in vincoli di uguaglianza Variabile di slack (variabile fittizia)

Formulazioni equivalenti: Variabili

Rappresentazione grafica della regione di ammissibilità: Esempio

1 2 3 4 5 5 4 3 2 1 (3) (1) (2) X

Un problema di PL può essere: Non Ammissibile (senza soluzioni ammissibili) Ammissibile con valore ottimo finito: 2.1 unico punto di ottimo 2.2 infiniti punti di ottimo 3. Ammissibile con valore ottimo illimitato

Da un punto di vista grafico: Non Ammissibile (senza soluzioni ammissibili): la regione di ammissibilità è l’isieme vuoto X1 X2

Da un punto di vista grafico: Ammissibile con valore ottimo finito: regione di ammissibilità è diversa dall’insieme vuoto, è chiusa e limitata X

Da un punto di vista grafico: Ammissibile con valore ottimo illimitato: in questo caso la regione di ammissibilità è un insieme non vuoto e illimitato (n.b., una soluzione con valore ottimo illimitato implica un insieme di ammissibilità X illimitato, ma non è vero il viceversa) X (X illimitato)