01 Intro

Ricerca
Opera*va
Docente: Liliana Lo Pres*

Email: liliana.lopres*@unipa.it
27/09/2016
Materiale
•  Teoria
–  TESTO: Combinatorial Op.miza.on: Algorithms and Complexity,
C. Papadimitriou & K. Steiglitz, Dover Publica*ons
–  Tes4 consultabili:
•  Hillier, Lieberman, Introduc.on to opera.ons research.
•  Dantzig, Thapa. Linear Programming. Springer-‐Verlag
•  Bazaraa, Jarvis. Linear Programming and Network Flows. John Wiley &
Sons
•  Esercitazioni
–  Materiale del docente per le esercitazioni
–  Generatore automa*co di problemi sul sito del Prof. R. Pesen*
hOp://venus.unive.it/pesen*/Old/www/DidaRca/ProblGen/ProblGenIndex.htm
Ricevimento
•  Martedì dalle 15,00 alle 17,00 – stanza 7 Ed. 6 III
piano
•  Altri giorni: previo appuntamento
•  Sempre raggiungibile via email

Argomen* del Corso
•  Programmazione Lineare
•  Programmazione Lineare Intera
•  Flussi oRmi su re* (+ Dynamic Programming)
Programmazione: “preparazione di un piano delle aRvità”

Modalità Esami
•  Prova scriOa
•  Riconoscere il *po di problema
•  Formulazione del modello
•  Risoluzione numerica dell’istanza del problema traOato
•  Discussione della soluzione
E
•  Prova orale
•  Discussione del Compito
•  Teoria (saper svolgere un esercizio non basta! Bisogna
sapere anche il perchè!)
Ricerca Opera*va: Definizione
•  È un approccio scien*fico all’analisi dei problemi
–  Cosa studia:
Problemi decisionali (cosa devo fare per…)
–  Di cosa si serve:

Modelli Matema4ci (formulazione del problema: variabili/parametri,
funzioni obieRvo, vincoli – riconoscere il TIPO di problema)
Metodi Quan4ta4vi (metodi di oRmizzazione numerica, simulazioni)
-‐  Cosa fornisce:

Supporto alle decisioni:
Predire conseguenze associate alle scelte alterna*ve
Determinazione della scelta oRma (in modo esaOo o approssimato)
Problemi affronta*
•  ProgeOazione o ges*one di sistemi
–  Ricerca soluzioni oRmali con risorse limitate
–  Opera con “tecnologia fissa”: come posso migliorare i
risulta* (per esempio il profiOo, i tempi di produzione,
i cos*, la ges*one del magazzino,...) con la tecnologia
già in mio possesso
Campi di applicazione
•  Industria (manifaOuriera, alimentare, energia…)
•  Traspor*
•  Finanza
•  Militare
•  …
Fondamentali per
Ingegneria Ges*onale
Esempio: Possibili interven4 in un’azienda di Traspor4
•  Livello strategico
–  Definizione delle traOe
–  Localizzazione delle struOure (centri di stoccaggio)
•  Livello taRco
–  Turnazione del personale
–  Turnazione macchine
•  Livello Opera*vo
–  Ges*one delle scorte
–  Ges*one manutenzioni
Esempio dalle slide del Prof. Pesen*
In quanto Ingegneri Informa4ci e delle Telecomunicazioni,
perchè ci interessa tuOo ciò?
In quanto Ingegneri Informa4ci e delle Telecomunicazioni,
perchè ci interessa tuOo ciò?
Ricerca Opera4va ci insegna a formalizzare un problema in un

modello matema4co e a trovarne una soluzione oSma
I metodi traOa4 nel corso di RO sono ampiamente usa4 in
molte applicazioni del nostro seOore!
Altri campi di applicazione
(Ingegneria dell’Informazione)
Mul4-‐Object Tracking
-‐ Interazioni tra persone

-‐ Occlusioni
-‐ Vincoli sulle posizioni di
ogni persona nel tempo
È un problema
combinatorio (associazione
iden*tà a detec*ons)
Modelli spesso usa*:

 Flusso oRmo in re*
 Linear Programming
 Linear Integer
Programming
•  Algoritmi di Rou*ng:
Shortest Path (e second
shortest, third
shortest…)
•  Definizione dei cos*

(distanza, sicurezza,
presenza di si* storici,
preferenze dell’utente,
…)
•  Flussi oRmi su re*

(Dynamic Programming)
GrabCut: InteraRvo
Segmentazione
-‐ Priorità stabilite da utente

-‐ Similarità locale
Un’immagine è un grafo
Massimizzazione di flussi in

una rete (graph cuts)
Image from Rother, Carsten, Vladimir Kolmogorov, and Andrew Blake. "Grabcut: Interac*ve foreground
extrac*on using iterated graph cuts." ACM Transac.ons on Graphics (TOG). Vol. 23. No. 3. ACM, 2004.
Object Detec4on
-‐ Trovare la miglior finestra

che con*ene l’oggeOo
ricercato
Object Detec4on

ricercato
-‐ Problema combinatorio!
Object Detec4on

ricercato
-‐ Essenzialmente un
problema di Branch &
Bound
Efficient Subwindow Search: A Branch and Bound Framework for Object

Localiza*on Christoph H. Lampert, MaOhew B. Blaschko, and Thomas
Hofmann, PAMI, 2009
Object Detec4on

ricercato
-‐ Essenzialmente un
problema di Branch &
Bound
-‐ In questa applicazione il

problema è simile a quello
Efficient Subwindow Search: A Branch and Bound Framework for Object
della ricerca binaria Localiza*on Christoph H. Lampert, MaOhew B. Blaschko, and Thomas
Hofmann, PAMI, 2009
•  Problemi di sicurezza (decidere livelli di privacy o poli*che di

controllo)
•  Smart city – Ambient Intelligence
•  Distribuzione del carico su una linea eleOrica
•  Ges*one del flusso di da* in una rete di computer (analisi e
ges*one del traffico dei paccheR)
•  Miglior percorso per un agente autonomo (robot)
•  … E tan*ssimi altri!
ObieRvi del Corso
Formulazione del
Problema (Reale)
Dal Problema al

Modello Matema*co
Dal Modello Matema*co alla

selezione del Metodo di
Risoluzione
Applicazione del Metodo di

Risoluzione  Soluzione
Analisi della soluzione

Problema o Istanza del Problema?
• Il Problema reale che vogliamo risolvere è in realtà
Formulazione del una istanza del problema.
Problema (Reale)
• Istanza Q(X) = una domanda Q caraOerizzata da
determina* da* in input X (conoscenza a priori
Dal Problema al specifica del singolo caso considerato)
Modello Matema*co
• Problema = una domanda P caraOerizzata da una
conoscenza a priori del dominio di applicazione ma
Dal Modello Matema*co alla non dei da* di input
Risoluzione


Problema (Reale)
• Istanza Q(X) = una domanda Q caraOerizzata da
Modello Matema*co
Risoluzione Un problema è un insieme di istanze
P = { Q(X) ogni X }
che rappresen*amo aOraverso un modello M
Risoluzione  Soluzione I metodi di risoluzione A sono defini4 per specifici
modelli M
Analisi della soluzione Data una istanza Q(X) vogliamo: riconoscere P,
costruire M, implementare A
Q(X)
Problema (Reale)
P • Istanza Q(X) = una domanda Q caraOerizzata da
M
Modello Matema*co
A selezione del Metodo di
Risoluzione Un problema è un insieme di istanze
P = { Q(X) ogni X }
che rappresen*amo aOraverso un modello M
S
Risoluzione  Soluzione I metodi di risoluzione A sono defini4 per specifici
modelli M
Analisi della soluzione Data una istanza Q(X) vogliamo: riconoscere P,
costruire M, implementare A
Esempio di istanza del problema -‐ 1
Una diOa che produce mobili d’ufficio paga l’affiOo del locale in cui svolge la
sua aRvità e spese accessorie (consumo energe*co, acqua, oneri vari, etc..)
1.000 € a seRmana.
La diOa acquista il legno di cui necessita a 4 € al Kg e paga I suoi 3 operai 320
€ seRmanali ciascuno. Le ore di lavoro seRmanale di ciascun operaio sono
40. La diOa produce due *pi di mobili, uno economico ed uno di lusso.
La costruzione di un mobile di *po economico richiede 3 Kg di legno e 2h
uomo, ed è venduto ad un prezzo di 60€ al pezzo.
La costruzione di un mobile di lusso richiede 8 Kg di legno e 8h uomo, ed è
venduto ad un prezzo di 130€ al pezzo.
Supposto che la diOa riesca a vendere tuOe le unità prodoOe, quante unità
di mobili di lusso e di mobili di *po economico è conveniente produrre per
avere il massimo GUADAGNO ? Q(X)
Una diOa che produce mobili d’ufficio paga l’affiOo del locale in cui svolge la
sua aRvità e spese accessorie (consumo energe*co, acqua, oneri vari, etc..)
1.500 € a seRmana.
La diOa acquista il legno di cui necessita a 2 € al Kg e paga I suoi 2 operai 520
€ seRmanali ciascuno. Le ore di lavoro seRmanale di ciascun operaio sono
40. La diOa produce due *pi di mobili, uno economico ed uno di lusso.
La costruzione di un mobile di *po economico richiede 5 Kg di legno e 4h
uomo, ed è venduto ad un prezzo di 50€ al pezzo.
La costruzione di un mobile di lusso richiede 6 Kg di legno e 9h uomo, ed è
venduto ad un prezzo di 200€ al pezzo.
Supposto che la diOa riesca a vendere tuOe le unità prodoOe, quante unità
di mobili di lusso e di mobili di *po economico è conveniente produrre per
avere il massimo GUADAGNO? Q(X1)
Un’azienda produce 3 modelli diversi di lavatrici: una con centrifuga fino a 800
giri, una con centrifuga fino a 1400 giri e una con centrifuga fino a 1400 giri ma
con annessa asciugatrice.
Il primo modello richiede un costo pari a 400€ di materie prime e 8h uomo e
viene venduto all’ingrosso a 900€ al pezzo.
Il secondo modello richiede un costo pari a 600€ di materie prime e 12h uomo e
Il terzo modello richiede un costo pari a 900€ di materie prime e 13h uomo e
Sapendo che l’azienda ha 50 operai specializza* che lavorano 40 ore a seRmana
ad un costo di 45 € all’ora e cos* fissi pari a 150€ all’ora, nell’ipotesi che
l’azienda riesca a vendere tuR i pezzi prodoR, qual è il numero di unità di
lavatrici di ciascun modello che si può produrre per oOenere il massimo
GUADAGNO ?
Q1(Z)
Qual è il problema?
•  TuR gli esempi preceden* sono istanze di uno
stesso problema (nello specifico P=mix di
produzione)
•  I da* in input cambiano (ed anche il contesto
o il loro significato) ma il problema è lo stesso:
•  Definite le N variabili [x1, x2,…xn ]
•  Considera* M vincoli su tali variabili
•  Massimizzare/minimizzare una funzione di tali variabili
Formulazione del Problema
Formulazione del
Problema (Reale)
Dal Problema al

Modello Matema*co

Risoluzione


•  I problemi reali sono istanze : specifiche
Formulazione del domande a cui dare risposte
Problema (Reale) • Dal problema reale (istanza) risaliamo al
problema “matema*co”
Dal Problema al
Modello Matema*co

Risoluzione


•  I problemi reali sono istanze : specifiche
Formulazione del domande a cui dare risposte
Problema (Reale) • Dal problema reale (istanza) risaliamo al
problema “matema*co”
Dal Problema al • Per fare ciò:
Modello Matema*co • Individuiamo I parametri
• Individuiamo le variabili (le incognite)
Dal Modello Matema*co alla • Individuiamo le caraOeris*che della
soluzione cercata (definiamo la funzione
obieRvo)
Risoluzione
• Che domande ci dobbiamo porre:
Applicazione del Metodo di • Abbiamo abbastanza informazioni?
• La descrizione è completa?
• Ci sono ambiguità?
• Che cosa vogliamo oOenere:

Analisi della soluzione • Una descrizione formale del problema reale
• La descrizione formale del problema dev’essere:
• EsaOa
• Completa
• Non ridondante
• Senza errori argomenta*vi e contraddizioni logiche
• La descrizione formale del problema deve evidenziare:

• Le necessità del cliente
• I vincoli tecnici
• Le caraOeris*che della soluzione
• Una descrizione incompleta o ambigua crea ritardi e,

nella peggiore delle ipotesi, porta ad una soluzione
errata o inappropriata del problema.
Formulazione del Problema:
un processo Itera*vo
Raccolta dei Requisi*
(es. Intervista al
cliente)
Mancano
Informazioni Individuazione leve
decisionali, obieRvi,
vincoli tecnici/struOurali
Dizionario
(es. Intervista al
dell’esperto
cliente)
Mancano
decisionali, obieRvi, Il nostro
vincoli tecnici/struOurali dizionario
(es. Intervista al
cliente)
Formulazione di
Mancano Ipotesi sul modello
Raccolta da*
La raccolta da* è costosa!

Raccolgo e ges*sco i da*
indispensabili
(es. Intervista al
cliente)
Mancano
Codifica: descrizione Verifica (sintaRca) della

scriOa del problema descrizione del problema
NON OK
Dizionario
(es. Intervista al
dell’esperto
cliente)
Validazione (seman*ca)
Mancano della descrizione
decisionali, obieRvi, Il nostro
vincoli tecnici/struOurali dizionario
OK

NON OK
Raccolta dei Requisi* NON OK OK
(es. Intervista al
cliente)
Validazione(seman*ca)
Mancano della descrizione
OK

NON OK
Formulazione del Problema: esempio 1
Quale organizzazione aziendale adoOare al fine di ridurre le difficoltà
di comunicazione all’interno dell’azienda?
È una buona formulazione del problema?

A quanto pare ci sono delle difficoltà di

comunicazione…
La domanda suggerisce una risposta, ma è

davvero questa la soluzione giusta?
Solo se in precedenza si è appurato che le

difficoltà di comunicazione sono dovute
all’organizzazione aziendale la formulazione è da
ritenersi correOa.
Come possiamo abbaOere I cos* aziendali?

A quanto pare I cos4 aziendali sono eleva4…

Cos’altro posso dire?
La formulazione del problema è troppo generale.
È possibile concentrarsi su un 4po par4colare di

cos4?
Come possiamo abbaOere i cos* della logis*ca distribu*va
dell’azienda?
La formulazione del problema si focalizza su un

soOoproblema del precedente.
Un soOoproblema potrebbe essere più

facilmente risolvibile perchè di dimensioni minori
Come possiamo ridurre i cos* di comunicazione noi che lavoriamo in
Sicilia?
La formulazione del problema presenta una

informazione (lavoriamo in Sicilia) che potrebbe
essere ridondante.
La formulazione è correOa se il faOo di lavorare in

Sicilia è rilevante per trovare la soluzione
correOa. In tal caso è necessario raccogliere da4
per capire come questo influisce sulla soluzione.
Se invece il faOo non è rilevante, la formulazione

è ridondante. La raccolta di da4 su tale punto è
un costo inu4le.
Come posso organizzare la mia produzione per oOenere 750 pezzi/
giorno avendo a disposizione 3 macchine che possono produrre al
massimo 10 pezzi/h?

Come posso organizzare la mia produzione per oOenere 750 pezzi/
giorno avendo a disposizione 3 macchine che possono produrre al
massimo 10 pezzi/h?
La formulazione del problema è correOa e non

presenta contraddizioni.
TuOavia rende impossibile l’esistenza di una

soluzione: il problema è inammissibile.
Come può il responsabile della produzione, avendo a disposizione 10
operai e 3 macchine con date caraOeris*che, massimizzare la
produzione nel rispeOo delle norme sindacali e della disponibilità
giornaliera di materie prime?

La formulazione del problema ipo4zza che il

responsabile della produzione non possa assumere
ulteriore personale o acquistare macchinari
È vero?
Questo va appurato durante la raccolta dei requisi4.

Se si potesse assumere nuovo personale forse si
potrebbe oOenere una soluzione migliore del
problema.
Costruzione del Modello
Formulazione del
Problema (Reale)
Dal Problema al

Modello Matema4co

Risoluzione


Formulazione del
Problema (Reale)
Fase
Qualita*va
Dal Problema al
Modello Matema4co
Fase
Dal Modello Matema*co alla Quan*ta*va
Risoluzione


Formulazione del
Problema (Reale) Individuazione di en*tà
Fase e relazioni nel sistema
Qualita*va da modellare
Dal Problema al
Modello Matema4co
Fase
Dal Modello Matema*co alla Quan*ta*va
Risoluzione


Formulazione del
Problema (Reale)
Fase
Qualita*va
Dal Problema al
Modello Matema4co
Definizione formale di
Fase
aOribu* e relazioni
Dal Modello Matema*co alla Quan*ta*va delle/tra le en*tà del
selezione del Metodo di sistema
Risoluzione


Costruzione del Modello: Fase Qualita*va
Vogliamo modellare un “sistema” e dobbiamo individuare:
• Le en*tà fisiche e non che compongono il sistema (aOori e/o
decisori/decision makers)
• Gli aOribu* costan* (parametri) e variabili delle en*tà
coinvolte
• Le relazioni tra gli aOribu* variabili
Queste informazioni ci serviranno a formulare matema*camente il

problema
CaraOerizzazione delle en*tà:
•  AOribu4 non variabili (parametri) che sono in genere
costan* nel tempo e su cui non è possibile intervenire
con una decisione (emergono e vengono misura* in fase
di acquisizione dei requisi*)
En*tà del
•  ASbu4 variabili (stato) di cui si conoscono I valori
sistema
iniziali e su cui si vuole intervenire per raggiungere gli
obieRvi prepos* (variano al variare delle decisioni)
•  Equazioni di stato e/o condizioni sullo stato dell’en4tà

che esprimono come lo stato evolve in funzione del
tempo e delle decisioni prese
•  Esempio:
Come può il responsabile della produzione, avendo a disposizione
10 operai e 3 macchine con date caraOeris*che, massimizzare la
Quali en4tà è possibile individuare?

•  Esempio:
Decisori
En*tà del
Risorse
sistema
Input/
Output
Un decisore:
Decisori •  Ha uno o più obieSvi, per esempio
massimizzare il numero di prodoR, il
profiOo, minimizzare I cos*…
•  Ha potere decisionale, decide di

modificare lo stato del sistema in
modo da raggiungere gli obieRvi
En*tà del prepos* (es.: Decide quan* e quali
Risorse risorse assegnare all’esecuzione di un
sistema
task)
Input/
Output
•  Esempio:
Esiste un decisore?

•  Esempio:
ObieSvo: massimizzare il numero di prodoR realizza*
Potere Decisionale su:

•  quali/quan* operai assegnare ad ogni macchina;
•  quanto ogni macchina deve produrre;
•  come distribuire le materie prime tra le macchine.
Decisori
Risorse:
•  sono le en*tà necessarie per il
funzionamento del sistema e che non
vengono necessariamente modificate
dalle decisioni.
•  Non hanno potere decisionale nè
En*tà del obieRvi.
Risorse •  Vengono u*lizzate ma non
sistema
consumate.
•  Possono essere caraOerizza* da
parametri e da uno stato.
•  Può esistere una funzione che
descriva l’evoluzione del loro stato
nel tempo o come conseguenza delle
Input/ decisioni prese.
Output
•  Esempio:
Quali sono le risorse?

•  Esempio:
Operai:
Parametro: qualifica
Macchine:
Parametro: capacità produRva
Stato: funzionante/guasta
Equazione di stato: come evolve nel tempo (si guasta se non manutenuta)
•  Esempio:
Norme Sindacali:
Parametro: numero minimo di operai per macchina; ore di lavoro massime, …
In questo caso, le norme sindacali definiranno una relazione tra le en*tà operai e
macchine
Input:
Decisori
•  sono le en*tà che vengono
trasformate in conseguenza delle
decisioni del decision maker.
•  Sono caraOerizzate da parametri e
stato
•  O vengono trasformate in nuove
En*tà del en*tà o, almeno, subiscono
Risorse modifiche dello stato
sistema
Output:
•  sono il risultato delle azioni
conseguen* alle decisioni prese.
•  Sono caraOerizzate da parametri e
stato.
Input/ •  anche la modifica dello stato di
Output un’altra en*tà è un output.
•  Esempio:
Quali en4tà sono Input?

Quali sono Output?
•  Esempio:
Input: Materie Prime

Parametri: *po
Stato: quan*tà
•  Esempio:
Output: ProdoR
Parametri: *po
Stato: quan*tà
Vogliamo modellare un “sistema” e dobbiamo individuare:
• Le en*tà fisiche e non che compongono il sistema (aOori e/o
decisori/decision makers)
• Gli aOribu* costan* (parametri) e variabili delle en*tà
coinvolte
• Le relazioni tra gli aOribu* variabili
Queste informazioni ci serviranno a formulare matema*camente il

problema
Le relazioni
• Indicano le dipendenze dei valori delle variabili di stato dalle
interazioni tra le en*tà
• Possono essere influenzate dalle decisioni prese
• Possone essere caraOerizzate da una “intensità” che influenza
cos* e profiR
• Possono presentarsi come vincoli di cui si deve tener conto
nelle decisioni
Nell’esempio possibili relazioni sono:
•  tra ogni macchina, le norme sindacali e ogni operaio: un operaio può essere
assegnato ad una sola macchina. Relazione vincolante non oggeOo di decisione,
ma deve essere rispeOata nelle decisioni.
•  tra ogni macchina, le norme sindacali e gli operai generici: una macchina non
guasta ha bisogno di tre operai per essere nello stato di potere funzionare
normalmente. Relazione influenzata dalle decisioni (il DM può infaR stabilire se
vale la pena meOere una macchina in condizione di lavorare). Ad essa è
associato il costo di realizzazione legato all’assegnamento degli operai alle
macchine.
•  tra ogni macchina, le norme sindacali, l’operaio riparatore e gli operai generici:
una macchina guasta ha bisogno di un operaio riparatore e tre operai per essere
nello stato di potere funzionare normalmente. Relazione vincolante non oggeOo
di decisione analoga alla precedente.
Slide del Prof. Pesen*

Nell’esempio possibili relazioni sono (cont.):
•  tra materie prime, prodoR fini*, macchine: la quan.tà di prodoS fini. è
funzione della quan.tà delle materie prime e delle macchine in condizione di
potere funzionare normalmente. Relazione influenzata dalle decisioni (il DM
può infaR stabilire se vale la pena produrre e quanto produrre). Ad essa è
associato il costo di realizzazione legato all’aRvazione della produzione
(eventualmente questo costo può essere nullo) ed un costo o profiOo
dell’intensità della relazione legata alla quan*tà di prodoR fini* che si vogliono
produrre.
Slide del Prof. Pesen*

Formulazione del
Problema (Reale)
Fase
Qualita*va
Dal Problema al
Modello Matema4co
Definizione formale di
Fase
aOribu* e relazioni
Dal Modello Matema*co alla Quan*ta*va delle/tra le en*tà del
selezione del Metodo di sistema
Risoluzione


Costruzione del Modello: Fase Quan*ta*va
Rappresentazione formale (in termini matema*ci) delle en*tà e delle

relazioni individuate durante la fase qualita*va
In questa fase (spesso itera*va), si definiscono:

•  Insiemi in cui variano gli indici delle variabili e dei parametri
•  Le variabili coinvolte e la loro natura
•  I parametri
•  Vincoli
•  ObieRvi
Alla fine il nostro scopo è oOenere una formulazione del *po:
min f (x1, x 2 ,..., x n ) Problema di ORmizzazione

x1 ,x 2 ,...,x n vincolata
g j (x1, x 2 ,..., x n ) ≥ 0 ∀j ∈ J1 Le decisioni oSme e lo stato

che assumerà il sistema in
g j (x1, x 2 ,..., x n ) ≤ 0 ∀j ∈ J 2 conseguenza di tali decisioni
vengono determinate dai
g j (x1, x 2 ,..., x n ) = 0 ∀j ∈ J 3 valori assun4 all’oSmo dalle
variabili decisionali
x i ≥ 0, x i ∈ R ∀i ∈ I1
x i ≤ 0, x i ∈ R ∀i ∈ I2
xi ∈ A ∀i ∈ I3 , A ⊂ Ν
Alla fine il nostro scopo è oOenere una formulazione del *po:
ObieRvo
min f (x1, x 2 ,..., x n ) variabili
x1 ,x 2 ,...,x n
g j (x1, x 2 ,..., x n ) ≥ 0 ∀j ∈ J1 Insiemi in cui

variano gli indici
Vincoli g j (x1, x 2 ,..., x n ) ≤ 0 ∀j ∈ J 2
g j (x1, x 2 ,..., x n ) = 0 ∀j ∈ J 3
x i ≥ 0, x i ∈ R ∀i ∈ I1 Natura delle
variabili
x i ≤ 0, x i ∈ R ∀i ∈ I2
xi ∈ A ∀i ∈ I3 , A ⊂ Ν
Variabili: I loro valori sono calcola* risolvendo il problema ed indicano le
decisioni prese e l’evoluzione del sistema (stato e output)
Vi sono fondamentalmente quaOro *pi di variabili:
•  decisionali (descrivono le decisioni del DM e sono legate alle relazioni)
•  di stato (descrivono lo stato del sistema e sono legate alle en*tà). Per ogni
variabile di stato deve essere noto il valore iniziale.
•  di output (descrivono il valore dell’output, possono parzialmente coincidere
con quelle di stato)
•  di servizio (servono per realizzare ar*fici matema*ci che rendano il problema
più facile da risolvere numericamente. Non hanno necessariamente un
significato fisico).
Slide adaOata dalle slide del Prof. Pesen*

Parametri: I loro valori sono da* dal problema, misura* durante la fase di
formulazione del problema (raccolta da*) o dedoR con ragionamen* logici.
La qualità dei parametri incide sulla qualità delle soluzioni trovate (i valori
calcola* per le variabili)
Vi sono fondamentalmente tre *pi di parametri:
•  Parametri delle en4tà (ne descrivono specifiche proprietà)
•  Cos4 e profiS associa4 alle relazioni
•  Parametri delle relazioni non deriva4 dalle en4tà
Vincoli e ObieSvi: sono lega* alle relazioni. Ogni relazione può indurre più
vincoli ed obieRvi.
Slide adaOata dalle slide del Prof. Pesen*

•  Esempio:

•  Esempio:
Insiemi
G: operai
xgmij
M: macchine
I: materie prime
J: prodoR fini*

•  Esempio:
Come può il responsabile della produzione, avendo a disposizione 10 operai e 3
macchine con date caraOeris*che, massimizzare la produzione nel rispeOo delle
norme sindacali e della disponibilità giornaliera di materie prime?
Variabili Decisionali
–  xgm: variabile binaria uguale a 1 se operaio g assegnato a macchina m, 0
altrimen*
–  wijm: variabile binaria uguale a 1 se la macchina m è dedicata alla
produzione del prodoOo j u*lizzando la materia prima i.
–  pim: variabile non nega4va con4nua uguale alla quan*tà di materia prima
i assegnata alla macchina m
–  qjm: variabile non nega4va con4nua uguale alla quan*tà di prodoOo
finito j realizzato dalla macchina m
•  Esempio:
Come può il responsabile della produzione, avendo a disposizione 10 operai
e 3 macchine con date caraOeris*che, massimizzare la produzione nel
rispeOo delle norme sindacali e della disponibilità giornaliera di materie
prime?
Variabili di Stato

–  ni: variabile non nega4va con4nua uguale alla quan*tà di materia
prima i dedicata alla produzione
–  zj: variabile non nega4va con4nua uguale alla quan*tà di prodoOo
finito j realizzato
–  ym: variabile discreta uguale a 0 se macchina m non funzionante, 1
se in grado di funzionare
–  vm: variabile discreta uguale a 0 se macchina m guasta, 1
altrimen*

•  Esempio:
Variabili di Output

–  zj: variabile non nega4va con4nua uguale alla quan*tà di
prodoOo finito j realizzato

•  Esempio:
Parametri delle en*tà

–  ag: parametro che vale 0 se un operaio è generico, 1 se riparatore
–  um: parametro che descrive la capacità produRva massima della
macchina m
–  ....

•  Esempio:
Parametri che indicano cos* o profiR associa* alle relazioni

–  cgm : il costo di assegnare l’operaio g alla macchina m
–  bj : il ricavo oOenuto dalla produzione di un’unità di j
–  ....

•  Esempio:
Parametri delle relazioni non deriva* dalle en*tà

–  kijm: quan*tà di materia prima i necessaria per produrre un’unità di
prodoOo finito j sulla macchina m
–  ljm: capacità richiesta per produrre un’unità di prodoOo finito j sulla
macchina m
–  ...

•  Esempio:
Vincoli
•  un operaio può essere assegnato ad una sola macchina: ∀g , Σm xgm ≤ 1
•  la quan.tà di prodoS fini. è funzione della quan.tà delle materie prime e delle macchine in
condizione di potere funzionare normalmente
∀j, zj = Σm qjm (il numero di prodoR è la somma di quelli oOenu* con ogni macchina)
∀i, m, pim = Σj kijm qjm (la produzione dipende dalle materie prime disponibili)
∀m, Σj ljm qjm ≤ um ym (la macchina dev’essere funzionante e non posso superare la
capacità della macchina )

•  Esempio:
Vincoli
•  un operaio può essere assegnato ad una sola macchina:
variabile binaria uguale a 1
Ogni operaio ∀g , Σm xgm ≤ 1 se operaio g assegnato a
macchina m

•  Esempio:
Vincoli
Quan*tà del prodoOo j

Ogni prodoOo ∀j, zj = Σm qjm
oOenuto con la macchina m

•  Esempio:
Vincoli
Materie prime di *po i
assegnate a macchina m
Ogni materia prima Quan*tà del prodoOo j oOenuto

e macchina ∀i, m, pim = Σj kijm qjm con la macchina m
Quan*tà di materia prima di *po i necessaria

per produrre il prodoOo j sulla macchina m
•  Esempio:
Vincoli
Quan*tà del prodoOo j oOenuto
con la macchina m
Macchina m funzionante:
Ogni macchina ∀m, Σj ljm qjm ≤ um ym si (1) o no (0)
Capacità produRva massima

Macchina m
Parametro: capacità richiesta per produrre una
unità di prodoOo finito j sulla macchina m Esempio dalle slide del Prof. Pesen*
•  Esempio:
ObieRvi:
Ricavo unitario per il prodoOo j

l’obieRvo risulta essere
max Σj bj zj (se il DM vuole massimizzare la produzione, o meglio i ricavi)
oppure 1 se operaio g assegnato a macchina m
max Σj bj zj -‐ ΣgΣm cgm xgm (se il DM vuole massimizzare i profiR)
Costo sostenuto per assegnare operaio g a macchina m Esempio dalle slide del Prof. Pesen*
Regole pra*che
Individuati obiettivo, variabili decisionali, …
–  approccio costruttivo
più generale richiede di essere capaci di esprimere
matematicamente obiettivo, variabili decisionali, …. Si rischia
sempre di dimenticare qualcosa.
–  approccio da template/paradigma di riferimento

richiede di individuare (e utilizzare) tra i modelli standard
presenti in letteratura quello che più si adatta al problema di
riferimento. Si evita di fare uno sforzo per definire quanto già
fatto da altri, ma si rischia di non trovare il modello che si
adatti completamente alla situazione considerata.
Soluzione: cercare il paradigma che meglio si adatta, aggiungere/

modificare costruttivamente quanto serve.
95 Slide by Prof. Pesen*
Tipi di modelli
La RO ha sviluppato un insieme di template e metodi che permeOono di
descrivere la realtà con un sufficiente deOaglio e contemporaneamente
sono abbordabili dal punto di vista matema*co aOraverso:
–  programmazione matema*ca,
–  programmazione dinamica.
–  re*,
–  code,
–  alberi decisionali,
–  giochi,
–  simulazione,
–  ...
96 Slide by Prof. Pesen*

01 Intro

Caricato da

Informazioni sul documento

Titolo originale

Copyright

Formati disponibili

Condividi questo documento

Condividi o incorpora il documento

Opzioni di condivisione

Hai trovato utile questo documento?

Questo contenuto è inappropriato?

Copyright:

Formati disponibili

01 Intro

Caricato da

Copyright:

Formati disponibili

Ricerca

Docente: Liliana Lo Pres*

• Altri giorni: previo appuntamento

• Sempre raggiungibile via email

Programmazione: “preparazione di un piano delle aRvità”

– Di cosa si serve:

-­‐ Cosa fornisce:

Ricerca Opera4va ci insegna a formalizzare un problema in un

-­‐ Interazioni tra persone

Modelli spesso usa*:

• Deﬁnizione dei cos*

• Flussi oRmi su re*

-­‐ Priorità stabilite da utente

Un’immagine è un grafo

Massimizzazione di ﬂussi in

-­‐ Trovare la miglior ﬁnestra

-­‐ Trovare la miglior ﬁnestra

-­‐ Trovare la miglior ﬁnestra

Eﬃcient Subwindow Search: A Branch and Bound Framework for Object

-­‐ Trovare la miglior ﬁnestra

-­‐ In questa applicazione il

• Problemi di sicurezza (decidere livelli di privacy o poli*che di

Dal Problema al

Dal Modello Matema*co alla

Applicazione del Metodo di

Analisi della soluzione

Applicazione del Metodo di

Analisi della soluzione

Dal Problema al

Dal Modello Matema*co alla

Applicazione del Metodo di

Analisi della soluzione

Dal Modello Matema*co alla

Applicazione del Metodo di

Analisi della soluzione

• Che cosa vogliamo oOenere:

• La descrizione formale del problema deve evidenziare:

• Una descrizione incompleta o ambigua crea ritardi e,

La raccolta da* è costosa!

Codiﬁca: descrizione Veriﬁca (sintaRca) della

Codiﬁca: descrizione Veriﬁca (sintaRca) della

Codiﬁca: descrizione Veriﬁca (sintaRca) della

È una buona formulazione del problema?

Esempio dalle slide del Prof. Pesen*

A quanto pare ci sono delle diﬃcoltà di

La domanda suggerisce una risposta, ma è

Solo se in precedenza si è appurato che le

È una buona formulazione del problema?

Esempio dalle slide del Prof. Pesen*

A quanto pare I cos4 aziendali sono eleva4…

Cos’altro posso dire?

La formulazione del problema è troppo generale.

È possibile concentrarsi su un 4po par4colare di

La formulazione del problema si focalizza su un

Un soOoproblema potrebbe essere più

La formulazione del problema presenta una

La formulazione è correOa se il faOo di lavorare in

Se invece il faOo non è rilevante, la formulazione

È una buona formulazione del problema?

Esempio dalle slide del Prof. Pesen*

La formulazione del problema è correOa e non

TuOavia rende impossibile l’esistenza di una

Esempio dalle slide del Prof. Pesen*

•  Altri giorni: previo appuntamento

•  Sempre raggiungibile via email

–  Di cosa si serve:

-‐  Cosa fornisce:

-‐ Interazioni tra persone

•  Deﬁnizione dei cos*

•  Flussi oRmi su re*

-‐ Priorità stabilite da utente

-‐ Trovare la miglior ﬁnestra

-‐ Trovare la miglior ﬁnestra

-‐ Trovare la miglior ﬁnestra

-‐ Trovare la miglior ﬁnestra

-‐ In questa applicazione il

•  Problemi di sicurezza (decidere livelli di privacy o poli*che di

• Che cosa vogliamo oOenere:

• La descrizione formale del problema deve evidenziare:

• Una descrizione incompleta o ambigua crea ritardi e,

•  Equazioni di stato e/o condizioni sullo stato dell’en4tà

•  Ha potere decisionale, decide di

Rappresentazione formale (in termini matemaci) delle entà e delle

Quantà di materia prima di po i necessaria

–  approccio da template/paradigma di riferimento