mail unicampaniaunicampania webcerca

    Serena CRISCI

    Insegnamento di ADVANCED OPERATIONAL RESEARCH

    Corso di laurea magistrale in DATA SCIENCE

    SSD: MAT/09

    CFU: 6,00

    ORE PER UNITÀ DIDATTICA: 48,00

    Periodo di Erogazione: Primo Semestre

    Italiano

    Lingua di insegnamento

    INGLESE

    Contenuti

    Il corso tratta i seguenti argomenti:
    - Richiami ai concetti di base della programmazione lineare;
    - Programmazione lineare intera;
    - Programmazione non lineare.

    Testi di riferimento

    [1] Introduction to Linear Optimization, D. Bertsimas, J.N. Tsitsiklis, Athena Scientific.
    [2] Advanced Optimization and Operations Research. A. K. Bhunia, L. Sahoo, A. A. Shaikh, Springer.
    Numerical optimization. [3] S. Wright and Nocedal J. Springer Science 35.67-68.
    [4] Linear and Nonlinear Programming, D.G. Luenberger, Y. Ye, Springer.
    [5] Appunti del corso.

    Obiettivi formativi

    Conoscenze: gli studenti devono acquisire conoscenze su metodi ed algoritmi per l’ottimizzazione vincolata e non vincolata.

    Applicazioni delle conoscenze e competenze: gli studenti dovrebbero essere in grado di selezionare e applicare correttamente i metodi e gli strumenti software per l'analisi dei dati nel contesto della ricerca operativa.

    Abilità comunicative: gli studenti dovrebbero essere in grado di illustrare i metodi e gli strumenti appresi durante il corso e di comunicare i risultati ottenuti, utilizzando un linguaggio tecnico-scientifico adeguato

    Prerequisiti

    Si raccomanda la conoscenza di algebra lineare numerica e dei contenuti del corso di Analisi.

    Metodologie didattiche

    Il corso prevede lezioni frontali e sessioni di laboratorio (48 ore, 6 CFU).
    La frequenza ai corsi non è obbligatoria, ma è fortemente consigliata.

    Metodi di valutazione

    L’esame è costituito da una prova orale allo scopo di verificare il livello di raggiungimento degli obiettivi formativi precedentemente indicati.

    Durante la prova lo studente fornirà anche una dimostrazione computer-based dei metodi e strumenti studiati durante il corso, evidenziando le performance degli algoritmi utilizzati e analizzando i risultati ottenuti.

    L’esame è costituito da una prova orale allo scopo di verificare il livello di raggiungimento degli obiettivi formativi precedentemente indicati.
    Durante la prova lo studente fornirà anche una dimostrazione computer-based dei metodi e strumenti studiati durante il corso, evidenziando le performance degli algoritmi utilizzati e analizzando i risultati ottenuti.
    A tale scopo lo studente potrà utilizzare programmi di propria implementazione o forniti dal docente durante il corso.
    I voti sono espressi in trentesimi. Il punteggio minimo richiesto è 18/30. Il voto massimo è 30/30 con lode.
    Per essere ammessi alla valutazione, gli studenti devono presentare un documento d'identità valido.

    Altre informazioni

    Le attività di laboratorio sono parte integrante del programma e verranno realizzate in Matlab. In alternativa, l'utilizzo di Python è consentito.

    Programma del corso

    Richiami di programmazione lineare: il metodo del simplesso, teoria della dualità.

    Programmazione lineare intera: modelli e definizioni; esempi di approcci esatti ed approcci euristici; algoritmi basati su grafi.

    Programmazione non lineare: condizioni di ottimalità, metodo del punto interno; metodi active-set, metodo del gradiente e del gradiente proiettato.

    Il programma dettagliato verrà fornito alla fine del corso.

    English

    Teaching language

    English

    Contents

    The course covers:
    - Recalls on basics of linear programming;
    - Integer programming;
    - Nonlinear Programming.

    Textbook and course materials

    [1] Introduction to Linear Optimization, D. Bertsimas, J.N. Tsitsiklis, Athena Scientific.
    [2] Advanced Optimization and Operations Research. A. K. Bhunia, L. Sahoo, A. A. Shaikh, Springer.
    Numerical optimization. [3] S. Wright and Nocedal J. Springer Science 35.67-68.
    [4] Linear and Nonlinear Programming, D.G. Luenberger, Y. Ye, Springer.
    [5] Lecture notes.

    Course objectives

    Knowledge and understanding: students are expected to acquire knowledge on methods and algorithms for constrained/unconstrain d optimization.

    Knowledge and understanding: students are expected to acquire knowledge on methods and algorithms for linear and nonlinear optimization.

    Applying knowledge and understanding: students should be able to select and correctly apply methods and software tools for data analysis in the context of operations research.
    Communication skills: students should be able to illustrate the methods and tools learned during the course and to communicate the results obtained, using appropriate technical and scientific language.


    Applying knowledge and understanding: students should be able to select and correctly apply methods and software tools for data analysis in the context of operations research.

    Prerequisites

    Basics of numerical linear algebra and analysis.

    Teaching methods

    The course consists of lectures and laboratory sessions lectures (48 hours, 6 CFU - ECTS credits).
    Course attendance is not mandatory, but it is strongly recommended.

    Evaluation methods

    Students are evaluated through an oral assessment, aimed at verifying if they matched the objectives of the course.

    During the assessment, students are also asked to provide a computer-based illustration of methods and tools studied in the course, highlighting the performance of the algorithms, and analysing the results obtained.

    To this aim, students can use computer programs developed by themselves or made available by the teacher during the course.
    Marks are expressed in a scale ranging from 0 to 30. The minimum passing mark is 18/30. Outstanding performance is marked 30/30.
    In order to be admitted to the evaluation, students must show a valid id card.

    Other information

    The laboratory activities are an integral part of the program and will be carried out in Matlab.The use of Python is also allowed.

    Course Syllabus

    Recalls on linear programming: the simplex algorithm; duality theory.

    Integer linear programming: models and definitions; examples of exact and of heuristic approaches; algorithms based on graphs.

    Nonlinear Programming: Optimality conditions; interior points method; active-set methods; gradient methods and gradient projection methods.

    The detailed program will be available at the end of the course.

    facebook logoinstagram buttonyoutube logotype