Emanuele MANNI

Emanuele MANNI

Ricercatore Universitario

Dipartimento di Ingegneria dell'Innovazione

Centro Ecotekne Pal. O - S.P. 6, Lecce - Monteroni - LECCE (LE)

Ufficio, Piano terra

Telefono +39 0832 29 7737

Area di competenza:

Ricerca Operativa

Orario di ricevimento

Previo appuntamento via email.

Visualizza QR Code Scarica la Visit Card

Curriculum Vitae

Emanuele Manni è Ricercatore Confermato in "Ricerca Operativa" (SSD MAT/09, settore concorsuale 01/A6) presso il Dipartimento di Ingegneria dell'Innovazione dell'Università del Salento. Il 30/03/2017 ha conseguito l’abilitazione scientifica nazionale per le funzioni di professore di seconda fascia per il settore 01/A6 – Ricerca Operativa. 

Dopo aver conseguito la laurea in Ingegneria Informatica presso l’Università degli Studi di Lecce nell’anno accademico 2002/2003, a Febbraio 2008 ha conseguito il titolo di Dottore di Ricerca in "Ricerca Operativa" presso l'Università della Calabria con sede consorziata l’Università degli Studi di Lecce. La sua attività di ricerca è incentrata principalmente sulla pianificazione e controllo di sistemi logistici, in ambiente dinamico e probabilistico. I suoi articoli scientifici sono stati pubblicati o accettati per la pubblicazione su riviste internazionali comprendenti, tra le altre, Transportation Science, Transportation Research Part E, Computers & Operations Research, International Transactions in Operational research, 4OR. A partire dall'anno accademico 2011/2012 tiene il corso di "Algoritmi di Ottimizzazione ed Elementi di Statistica" nell'ambito del Corso di laurea triennale in Ingegneria Industriale (sede di Brindisi). È stato docente a contratto di corsi universitari nell'ambito del Corso di Laurea in Ingegneria Industriale e del Corso di Laurea Specialistica in Ingegneria Gestionale ed esercitatore di vari corsi universitari per il Corso di Laurea in Ingegneria Informatica, Ingegneria Meccanica ed Ingegneria Gestionale (I livello e Specialistica) presso l’Università del Salento, nonché tutor universitario per il Corso Teledidattico di "Ricerca Operativa" per il Consorzio Nettuno. È stato, inoltre, visiting scholar presso la University of Iowa in diversi periodi tra il 2007 ed il 2009.

Didattica

A.A. 2019/2020

ELEMENTI DI OTTIMIZZAZIONE E STATISTICA

Corso di laurea INGEGNERIA INDUSTRIALE

Tipo corso di studio Laurea

Lingua ITALIANO

Crediti 6.0

Ripartizione oraria Ore Attività frontale: 54.0

Anno accademico di erogazione 2019/2020

Per immatricolati nel 2018/2019

Anno di corso 2

Struttura DIPARTIMENTO DI INGEGNERIA DELL'INNOVAZIONE

Percorso PERCORSO COMUNE

Sede Brindisi

RICERCA OPERATIVA

Corso di laurea MATEMATICA

Tipo corso di studio Laurea

Lingua ITALIANO

Crediti 6.0

Ripartizione oraria Ore Attività frontale: 42.0

Anno accademico di erogazione 2019/2020

Per immatricolati nel 2017/2018

Anno di corso 3

Struttura DIPARTIMENTO DI MATEMATICA E FISICA "ENNIO DE GIORGI"

Percorso PERCORSO COMUNE

Sede Lecce

A.A. 2018/2019

ELEMENTI DI OTTIMIZZAZIONE E STATISTICA

Corso di laurea INGEGNERIA INDUSTRIALE

Tipo corso di studio Laurea

Lingua ITALIANO

Crediti 6.0

Ripartizione oraria Ore Attività frontale: 54.0

Anno accademico di erogazione 2018/2019

Per immatricolati nel 2017/2018

Anno di corso 2

Struttura DIPARTIMENTO DI INGEGNERIA DELL'INNOVAZIONE

Percorso CURRICULUM AEROSPAZIALE

Sede Lecce

ELEMENTI DI STATISTICA

Corso di laurea INGEGNERIA DELLE TECNOLOGIE INDUSTRIALI

Tipo corso di studio Laurea

Lingua ITALIANO

Crediti 6.0

Ripartizione oraria Ore Attività frontale: 54.0

Anno accademico di erogazione 2018/2019

Per immatricolati nel 2018/2019

Anno di corso 1

Struttura DIPARTIMENTO DI INGEGNERIA DELL'INNOVAZIONE

Percorso unico

Sede Lecce

A.A. 2017/2018

ALGORITMI DI OTTIMIZZAZIONE ED ELEMENTI DI STATISTICA

Corso di laurea INGEGNERIA INDUSTRIALE

Tipo corso di studio Laurea

Lingua ITALIANO

Crediti 9.0

Ripartizione oraria Ore Attività frontale: 81.0

Anno accademico di erogazione 2017/2018

Per immatricolati nel 2016/2017

Anno di corso 2

Struttura DIPARTIMENTO DI INGEGNERIA DELL'INNOVAZIONE

Percorso PERCORSO COMUNE

A.A. 2016/2017

ALGORITMI DI OTTIMIZZAZIONE ED ELEMENTI DI STATISTICA

Corso di laurea INGEGNERIA INDUSTRIALE

Tipo corso di studio Laurea

Crediti 9.0

Ripartizione oraria Ore Attività frontale: 81.0 Ore Studio individuale: 144.0

Anno accademico di erogazione 2016/2017

Per immatricolati nel 2015/2016

Anno di corso 2

Struttura DIPARTIMENTO DI INGEGNERIA DELL'INNOVAZIONE

Percorso PERCORSO COMUNE

Sede BRINDISI

A.A. 2015/2016

ALGORITMI DI OTTIMIZZAZIONE ED ELEMENTI DI STATISTICA

Corso di laurea INGEGNERIA INDUSTRIALE

Tipo corso di studio Laurea

Crediti 9.0

Ripartizione oraria Ore Attività frontale: 81.0 Ore Studio individuale: 144.0

Anno accademico di erogazione 2015/2016

Per immatricolati nel 2014/2015

Anno di corso 2

Struttura DIPARTIMENTO DI INGEGNERIA DELL'INNOVAZIONE

Percorso PERCORSO COMUNE

Sede BRINDISI

A.A. 2014/2015

ALGORITMI DI OTTIMIZZAZIONE ED ELEMENTI DI STATISTICA

Corso di laurea INGEGNERIA INDUSTRIALE

Tipo corso di studio Laurea

Crediti 9.0

Ripartizione oraria Ore Attività frontale: 78.0 Ore Studio individuale: 147.0

Anno accademico di erogazione 2014/2015

Per immatricolati nel 2013/2014

Anno di corso 2

Struttura DIPARTIMENTO DI INGEGNERIA DELL'INNOVAZIONE

Percorso PERCORSO COMUNE

Sede BRINDISI

Torna all'elenco
ELEMENTI DI OTTIMIZZAZIONE E STATISTICA

Corso di laurea INGEGNERIA INDUSTRIALE

Settore Scientifico Disciplinare MAT/09

Tipo corso di studio Laurea

Crediti 6.0

Ripartizione oraria Ore Attività frontale: 54.0

Per immatricolati nel 2018/2019

Anno accademico di erogazione 2019/2020

Anno di corso 2

Semestre Secondo Semestre (dal 02/03/2020 al 05/06/2020)

Lingua ITALIANO

Percorso PERCORSO COMUNE (999)

Sede Brindisi

ELEMENTI DI OTTIMIZZAZIONE E STATISTICA (MAT/09)
RICERCA OPERATIVA

Corso di laurea MATEMATICA

Settore Scientifico Disciplinare MAT/09

Tipo corso di studio Laurea

Crediti 6.0

Ripartizione oraria Ore Attività frontale: 42.0

Per immatricolati nel 2017/2018

Anno accademico di erogazione 2019/2020

Anno di corso 3

Semestre Secondo Semestre (dal 24/02/2020 al 29/05/2020)

Lingua ITALIANO

Percorso PERCORSO COMUNE (999)

Sede Lecce

RICERCA OPERATIVA (MAT/09)
ELEMENTI DI OTTIMIZZAZIONE E STATISTICA

Corso di laurea INGEGNERIA INDUSTRIALE

Settore Scientifico Disciplinare MAT/09

Tipo corso di studio Laurea

Crediti 6.0

Ripartizione oraria Ore Attività frontale: 54.0

Per immatricolati nel 2017/2018

Anno accademico di erogazione 2018/2019

Anno di corso 2

Semestre Primo Semestre (dal 24/09/2018 al 21/12/2019)

Lingua ITALIANO

Percorso CURRICULUM AEROSPAZIALE (A93)

Sede Lecce

È necessario aver superato l’esame di "Analisi Matematica e Geometria I".

L'obiettivo del corso è impartire allo studente conoscenze di base sia operative che metodologiche inerenti la statistica e l’ottimizzazione nel contesto dell'ingegneria industriale. Lo studente sarà introdotto all'analisi dei dati, al ragionamento probabilistico e all'inferenza statistica, mostrando come l'uso di opportuni metodi statistici permetta di risolvere una varietà di problemi concreti a partire dall'analisi dei dati. I contenuti inerenti l’ottimizzazione saranno finalizzati a fornire i concetti sia di carattere modellistico che algoritmico inerenti i problemi decisionali strutturati che un ingegnere industriale tipicamente incontra nella fase di progettazione e/o gestione di un sistema.

Conoscenze e comprensione. Il corso intende impartire allo studente conoscenze di base sia operative che metodologiche inerenti la statistica e l'ottimizzazione nel contesto dell'ingegneria industriale. Gli studenti devono possedere una solida preparazione con conoscenze di base relative alle tecniche di analisi matematica e geometria, con riferimento al calcolo combinatorio ed al calcolo matriciale.

Capacità di applicare conoscenze e comprensione. Dopo il corso lo studente dovrebbe essere in grado di:

  • Programmare con rigore statistico un'indagine campionaria, analizzarne i risultati in chiave inferenziale e predisporre i relativi rapporti di sintesi.
  • Formulare un problema di decisione strutturato sotto forma di un modello matematico di ottimizzazione ed individuare l’algoritmo risolutivo più adatto per determinarne la soluzione ottima.

Autonomia di giudizio. Gli studenti devono possedere la capacità di elaborare insiemi di dati più o meno complessi, oltre che di modellare e risolvere problemi di ottimizzazione combinatoria. Il corso promuove l’autonomia di giudizio nella scelta appropriata della tecnica da utilizzare per analizzare i dati, interpretarli in maniera critica e per modellare e risolvere problemi di ottimizzazione.

Abilità comunicative. Gli studenti devono essere in grado di comunicare in modo chiaro con un pubblico eterogeneo, utilizzando gli strumenti metodologici acquisiti nell'ambito del corso, facendo uso della terminologia più appropriata.

Capacità di apprendimento. Gli studenti devono acquisire la capacità critica di rapportarsi alle problematiche tipiche dell'analisi statistica e dell'ottimizzazione. Devono essere in grado di rielaborare e di applicare autonomamente le conoscenze e i metodi appresi in vista di un’eventuale prosecuzione degli studi a livello superiore (laurea magistrale) o nella più ampia prospettiva di auto-aggiornamento culturale e professionale dell'apprendimento permanente.

Lezioni frontali ed esercitazioni.

L’esame consiste di una prova scritta (massima durata: 2 ore) composta di due parti: elementi di statistica ed elementi di ottimizzazione. Al fine del superamento dell'esame, si richiede obbligatoriamente il raggiungimento di 6/10 del punteggio su ognuna delle due parti in cui l'esame è suddiviso.

Elementi di Statistica. Istogrammi, media e deviazione standard. La distribuzione normale. Correlazione e regressione. Variabili aleatorie. Modelli di variabili aleatorie. Svolgimento di esercizi sugli argomenti trattati.

Elementi di ottimizzazione. Formulazione di modelli di ottimizzazione. Programmazione lineare: il metodo del gradiente ed il metodo del simplesso. Programmazione lineare intera: algoritmo di Branch & Bound. Svolgimento di esercizi sugli argomenti trattati.

  • F.S. Hillier e G.J. Lieberman, Ricerca Operativa, McGraw-Hill, 9/ed, 2010.
  • S.M. Ross, Probabilità e statistica per l’ingegneria e le scienze, Apogeo, 3/ed, 2015.
  • Appunti delle lezioni.
ELEMENTI DI OTTIMIZZAZIONE E STATISTICA (MAT/09)
ELEMENTI DI STATISTICA

Corso di laurea INGEGNERIA DELLE TECNOLOGIE INDUSTRIALI

Settore Scientifico Disciplinare MAT/09

Tipo corso di studio Laurea

Crediti 6.0

Ripartizione oraria Ore Attività frontale: 54.0

Per immatricolati nel 2018/2019

Anno accademico di erogazione 2018/2019

Anno di corso 1

Semestre Secondo Semestre (dal 04/03/2019 al 04/06/2019)

Lingua ITALIANO

Percorso unico (A96)

Sede Lecce

Si richiedono conoscenze di “Elementi di Matematica”.

L'obiettivo del corso è impartire allo studente conoscenze di base sia operative che metodologiche inerenti la statistica nel contesto dell'ingegneria industriale. Lo studente sarà introdotto all'analisi dei dati, al ragionamento probabilistico e all'inferenza statistica, mostrando come l'uso di opportuni metodi statistici permetta di risolvere una varietà di problemi concreti a partire dall'analisi dei dati. 

Conoscenze e comprensione.Il corso intende impartire allo studente conoscenze di base sia operative che metodologiche inerenti la statistica nel contesto dell'ingegneria industriale. Gli studenti devono possedere una buona preparazione con conoscenze di base relative alle tecniche di analisi matematica.

Capacità di applicare conoscenze e comprensione.Dopo il corso lo studente dovrebbe essere in grado di programmare con rigore statistico un'indagine campionaria, analizzarne i risultati in chiave inferenziale e predisporre i relativi rapporti di sintesi.

Autonomia di giudizio.Gli studenti devono possedere la capacità di elaborare insiemi di dati più o meno complessi. Il corso promuove l’autonomia di giudizio nella scelta appropriata della tecnica da utilizzare per analizzare i dati e interpretarli in maniera critica.

Abilità comunicative.Gli studenti devono essere in grado di comunicare in modo chiaro con un pubblico eterogeneo, utilizzando gli strumenti metodologici acquisiti nell'ambito del corso, facendo uso della terminologia più appropriata.

Capacità di apprendimento.Gli studenti devono acquisire la capacità critica di rapportarsi alle problematiche tipiche dell'analisi. Devono essere in grado di rielaborare e di applicare autonomamente le conoscenze e i metodi appresi in vista di un’eventuale prosecuzione degli studi a livello superiore o nella più ampia prospettiva di auto-aggiornamento culturale e professionale dell'apprendimento permanente.

Lezioni frontali ed esercitazioni.

L’esame consiste di una prova scritta della durata massima di 2 ore.

Analisi di dataset. Istogrammi, media e deviazione standard. La distribuzione normale. Correlazione e regressione. Variabili aleatorie. Valore atteso, varianza e covarianza. Modelli di variabili aleatorie. Svolgimento di esercizi sugli argomenti trattati. Attività pratica attraverso l’utilizzo di un software di analisi statistica.

S.M. Ross, Probabilità e statistica per l’ingegneria e le scienze, Maggioli Editore, 3/ed, 2015.

Appunti delle lezioni.

ELEMENTI DI STATISTICA (MAT/09)
ALGORITMI DI OTTIMIZZAZIONE ED ELEMENTI DI STATISTICA

Corso di laurea INGEGNERIA INDUSTRIALE

Settore Scientifico Disciplinare MAT/09

Tipo corso di studio Laurea

Crediti 9.0

Ripartizione oraria Ore Attività frontale: 81.0

Per immatricolati nel 2016/2017

Anno accademico di erogazione 2017/2018

Anno di corso 2

Semestre Secondo Semestre (dal 01/03/2018 al 01/06/2018)

Lingua ITALIANO

Percorso PERCORSO COMUNE (999)

È necessario aver superato l'esame di "Analisi Matematica e Geometria I".

L'obiettivo del corso è impartire allo studente conoscenze di base sia operative che metodologiche inerenti la statistica, la programmazione scientifica e l'ottimizzazione nel contesto dell'ingegneria industriale. Lo studente sarà  introdotto all'analisi dei dati, al ragionamento probabilistico e all'inferenza statistica, mostrando come l'uso di opportuni metodi statistici permetta di risolvere una varietà  di problemi concreti a partire dall'analisi dei dati. Gli elementi di programmazione scientifica forniranno le conoscenze operative e metodologiche di base per progettare e sviluppare algoritmi. I contenuti inerenti l'ottimizzazione saranno finalizzati a fornire i concetti sia di carattere modellistico che algoritmico relativi ai problemi decisionali strutturati che un ingegnere industriale tipicamente incontra nella fase di progettazione e/o gestione di un sistema.

Dopo il corso lo studente dovrebbe essere in grado di:

Programmare con rigore statistico un'indagine campionaria, analizzarne i risultati in chiave inferenziale e predisporre i relativi rapporti di sintesi.

Scrivere ed analizzare un semplice codice scritto in un linguaggio di programmazione, con particolare riferimento alla programmazione scientifica.

Formulare un problema di decisione strutturato sotto forma di un modello matematico di ottimizzazione ed individuare l’algoritmo risolutivo più adatto per determinarne la soluzione ottima.

Lezioni frontali ed esercitazioni.

L'esame finale si compone di una prova scritta.

Elementi di Statistica. Istogrammi, media e deviazione standard. La distribuzione normale. Correlazione e regressione. Variabili aleatorie. Modelli di variabili aleatorie. Svolgimento di esercizi sugli argomenti trattati.

Elementi di programmazione scientifica. Tipi, variabili, operatori, espressioni condizionali, metodi, cicli. Programmazione ricorsiva. Svolgimento di esercizi al calcolatore sugli argomenti trattati.

Elementi di ottimizzazione. Programmazione lineare: il metodo del gradiente ed il metodo del simplesso. Programmazione lineare intera: algoritmo di Branch & Bound. Svolgimento di esercizi sugli argomenti trattati.

  • F.S. Hillier e G.J. Lieberman, Ricerca Operativa, McGraw-Hill, 9/ed, 2010.
  • S.M. Ross, Probabilità e statistica per l’ingegneria e le scienze, Apogeo, 3/ed, 2015.
  • Appunti delle lezioni.
ALGORITMI DI OTTIMIZZAZIONE ED ELEMENTI DI STATISTICA (MAT/09)
ALGORITMI DI OTTIMIZZAZIONE ED ELEMENTI DI STATISTICA

Corso di laurea INGEGNERIA INDUSTRIALE

Settore Scientifico Disciplinare MAT/09

Tipo corso di studio Laurea

Crediti 9.0

Ripartizione oraria Ore Attività frontale: 81.0 Ore Studio individuale: 144.0

Per immatricolati nel 2015/2016

Anno accademico di erogazione 2016/2017

Anno di corso 2

Semestre Secondo Semestre (dal 01/03/2017 al 02/06/2017)

Lingua

Percorso PERCORSO COMUNE (999)

Sede BRINDISI

È necessario aver superato l'esame di "Analisi Matematica e Geometria I".

L'obiettivo del corso è impartire allo studente conoscenze di base sia operative che metodologiche inerenti la statistica, la programmazione scientifica e l'ottimizzazione nel contesto dell'ingegneria industriale. Lo studente sarà  introdotto all'analisi dei dati, al ragionamento probabilistico e all'inferenza statistica, mostrando come l'uso di opportuni metodi statistici permetta di risolvere una varietà  di problemi concreti a partire dall'analisi dei dati. Gli elementi di programmazione scientifica forniranno le conoscenze operative e metodologiche di base per progettare e sviluppare algoritmi. I contenuti inerenti l'ottimizzazione saranno finalizzati a fornire i concetti sia di carattere modellistico che algoritmico relativi ai problemi decisionali strutturati che un ingegnere industriale tipicamente incontra nella fase di progettazione e/o gestione di un sistema.

Dopo il corso lo studente dovrebbe essere in grado di:

Programmare con rigore statistico un'indagine campionaria, analizzarne i risultati in chiave inferenziale e predisporre i relativi rapporti di sintesi.

Scrivere ed analizzare un semplice codice scritto in un linguaggio di programmazione, con particolare riferimento alla programmazione scientifica.

Formulare un problema di decisione strutturato sotto forma di un modello matematico di ottimizzazione ed individuare l’algoritmo risolutivo più adatto per determinarne la soluzione ottima.

Lezioni frontali ed esercitazioni.

L'esame finale si compone di una prova scritta.

Elementi di Statistica. Istogrammi, media e deviazione standard. La distribuzione normale. Correlazione e regressione. Variabili aleatorie. Modelli di variabili aleatorie. Svolgimento di esercizi sugli argomenti trattati.

Elementi di programmazione scientifica. Tipi, variabili, operatori, espressioni condizionali, metodi, cicli. Programmazione ricorsiva. Svolgimento di esercizi al calcolatore sugli argomenti trattati.

Elementi di ottimizzazione. Programmazione lineare: il metodo del gradiente ed il metodo del simplesso. Programmazione lineare intera: algoritmo di Branch & Bound. Svolgimento di esercizi sugli argomenti trattati.

  • F.S. Hillier e G.J. Lieberman, Ricerca Operativa, McGraw-Hill, 9/ed, 2010.
  • S.M. Ross, Probabilità e statistica per l’ingegneria e le scienze, Apogeo, 3/ed, 2015.
  • Appunti delle lezioni.
ALGORITMI DI OTTIMIZZAZIONE ED ELEMENTI DI STATISTICA (MAT/09)
ALGORITMI DI OTTIMIZZAZIONE ED ELEMENTI DI STATISTICA

Corso di laurea INGEGNERIA INDUSTRIALE

Settore Scientifico Disciplinare MAT/09

Tipo corso di studio Laurea

Crediti 9.0

Ripartizione oraria Ore Attività frontale: 81.0 Ore Studio individuale: 144.0

Per immatricolati nel 2014/2015

Anno accademico di erogazione 2015/2016

Anno di corso 2

Semestre Secondo Semestre (dal 29/02/2016 al 03/06/2016)

Lingua

Percorso PERCORSO COMUNE (999)

Sede BRINDISI

È necessario aver superato l'esame di "Analisi Matematica e Geometria I".

L'obiettivo del corso è impartire allo studente conoscenze di base sia operative che metodologiche inerenti la statistica, la programmazione scientifica e l'ottimizzazione nel contesto dell'ingegneria industriale. Lo studente sarà  introdotto all'analisi dei dati, al ragionamento probabilistico e all'inferenza statistica, mostrando come l'uso di opportuni metodi statistici permetta di risolvere una varietà  di problemi concreti a partire dall'analisi dei dati. Gli elementi di programmazione scientifica forniranno le conoscenze operative e metodologiche di base per progettare e sviluppare algoritmi. I contenuti inerenti l'ottimizzazione saranno finalizzati a fornire i concetti sia di carattere modellistico che algoritmico relativi ai problemi decisionali strutturati che un ingegnere industriale tipicamente incontra nella fase di progettazione e/o gestione di un sistema.

Dopo il corso lo studente dovrebbe essere in grado di:

Programmare con rigore statistico un'indagine campionaria, analizzarne i risultati in chiave inferenziale e predisporre i relativi rapporti di sintesi.

Scrivere ed analizzare un semplice codice scritto in un linguaggio di programmazione, con particolare riferimento alla programmazione scientifica.

Formulare un problema di decisione strutturato sotto forma di un modello matematico di ottimizzazione ed individuare l’algoritmo risolutivo più adatto per determinarne la soluzione ottima.

Lezioni frontali ed esercitazioni.

L'esame finale si compone di una prova scritta.

Elementi di Statistica. Istogrammi, media e deviazione standard. La distribuzione normale. Correlazione e regressione. Variabili aleatorie. Modelli di variabili aleatorie. Svolgimento di esercizi sugli argomenti trattati.

Elementi di programmazione scientifica. Tipi, variabili, operatori, espressioni condizionali, metodi, cicli. Programmazione ricorsiva. Svolgimento di esercizi al calcolatore sugli argomenti trattati.

Elementi di ottimizzazione. Programmazione lineare: il metodo del gradiente ed il metodo del simplesso. Programmazione lineare intera: algoritmo di Branch & Bound. Svolgimento di esercizi sugli argomenti trattati.

  • F.S. Hillier e G.J. Lieberman, Ricerca Operativa, McGraw-Hill, 9/ed, 2010.
  • S.M. Ross, Probabilità e statistica per l’ingegneria e le scienze, Apogeo, 3/ed, 2015.
  • Appunti delle lezioni.
ALGORITMI DI OTTIMIZZAZIONE ED ELEMENTI DI STATISTICA (MAT/09)
ALGORITMI DI OTTIMIZZAZIONE ED ELEMENTI DI STATISTICA

Corso di laurea INGEGNERIA INDUSTRIALE

Settore Scientifico Disciplinare MAT/09

Tipo corso di studio Laurea

Crediti 9.0

Ripartizione oraria Ore Attività frontale: 78.0 Ore Studio individuale: 147.0

Per immatricolati nel 2013/2014

Anno accademico di erogazione 2014/2015

Anno di corso 2

Semestre Secondo Semestre (dal 02/03/2015 al 06/06/2015)

Lingua

Percorso PERCORSO COMUNE (999)

Sede BRINDISI

È necessario aver superato l'esame di "Analisi Matematica e Geometria I".

L'obiettivo del corso è impartire allo studente conoscenze di base sia operative che metodologiche inerenti la statistica, la programmazione scientifica e l'ottimizzazione nel contesto dell'ingegneria industriale. Lo studente sarà  introdotto all'analisi dei dati, al ragionamento probabilistico e all'inferenza statistica, mostrando come l'uso di opportuni metodi statistici permetta di risolvere una varietà  di problemi concreti a partire dall'analisi dei dati. Gli elementi di programmazione scientifica forniranno le conoscenze operative e metodologiche di base per progettare e sviluppare algoritmi. I contenuti inerenti l'ottimizzazione saranno finalizzati a fornire i concetti sia di carattere modellistico che algoritmico relativi ai problemi decisionali strutturati che un ingegnere industriale tipicamente incontra nella fase di progettazione e/o gestione di un sistema.

Dopo il corso lo studente dovrebbe essere in grado di:

Programmare con rigore statistico un'indagine campionaria, analizzarne i risultati in chiave inferenziale e predisporre i relativi rapporti di sintesi.

Scrivere ed analizzare un semplice codice scritto in un linguaggio di programmazione, con particolare riferimento alla programmazione scientifica.

Formulare un problema di decisione strutturato sotto forma di un modello matematico di ottimizzazione ed individuare l’algoritmo risolutivo più adatto per determinarne la soluzione ottima.

Lezioni frontali ed esercitazioni.

L'esame finale si compone di una prova scritta.

Elementi di Statistica. Istogrammi, media e deviazione standard. La distribuzione normale. Correlazione e regressione. Variabili aleatorie. Modelli di variabili aleatorie. Svolgimento di esercizi sugli argomenti trattati.

Elementi di programmazione scientifica. Tipi, variabili, operatori, espressioni condizionali, metodi, cicli. Programmazione ricorsiva. Svolgimento di esercizi al calcolatore sugli argomenti trattati.

Elementi di ottimizzazione. Programmazione lineare: il metodo del gradiente ed il metodo del simplesso. Programmazione lineare intera: algoritmo di Branch & Bound. Svolgimento di esercizi sugli argomenti trattati.

  • F.S. Hillier e G.J. Lieberman, Ricerca Operativa, McGraw-Hill, 9/ed, 2010.
  • S.M. Ross, Probabilità e statistica per l’ingegneria e le scienze, Apogeo, 2/ed, 2008.
  • Appunti delle lezioni.
ALGORITMI DI OTTIMIZZAZIONE ED ELEMENTI DI STATISTICA (MAT/09)

Pubblicazioni

Pubblicazioni su riviste internazionali

T. Adamo, G. Ghiani, E. Guerriero, E. Manni. “Ejection chain moves for automatic neighborhood synthesis in constrained cardinality-minimization problems”. International Transactions in Operational Research. Published on line. February 19th, 2019. http://doi.org/10.1111/itor.12643

T. Adamo, G. Ghiani, E. Guerriero, E. Manni. “A learn-and-construct framework for general mixed-integer programming problems”. International Transactions in Operational Research. Published on line. July 26th, 2018. http://doi.org/10.1111/itor.12578

T. Adamo, T. Bektas, G. Ghiani, E. Guerriero, E. Manni. “Path and speed optimization for conflict-free pickup and delivery under time windows”. Transportation Science. 52(4):739-755, 2018.

T. Adamo, G. Ghiani, E. Guerriero, E. Manni. “Automatic Instantiation of a Variable Neighborhood Descent from a Mixed-Integer Programming model”. Operations Research perspectives.  4:123-135, 2017.

G. Ghiani, E. Manni, A. Romano. “Training offer selection and course timetabling for remedial education”. Computers & Industrial Engineering. 111:282-288, 2017.

T. Adamo, G. Ghiani, A. Grieco, E. Guerriero, E. Manni. “MIP neighborhood synthesis through semantic feature extraction and automatic algorithm configuration”. Computers & Operations Research. 83:106-119, 2017.

A. Alalawin, G. Ghiani, E. Manni, C. Triki. “Approximated neighborhood evaluation for the design of the logistics support of complex engineering systems”. RAIRO – Operations Research. 51(1):1-16, 2017.

G. Ghiani, G. Laporte, E. Manni. “Model-based automatic neighborhood design by unsupervised learning”. Computers & Operations Research. 54:108-116, 2015.

G. Ghiani, A. Guerrieri, A. Manni, E. Manni. “Estimating travel and service times for automated route planning and service certification in municipal waste management”. Waste Management. 46:40-46, 2015

G. Ghiani, A. Grieco, A. Guerrieri, A. Manni, E. Manni. “Large-scale assembly job shop scheduling problems with bill of materials: models and algorithms”. WSEAS Transactions on Business and Economics, 12:161-172, 2015    

G. Ghiani, A. Manni, E. Manni, M. Toraldo, “The impact of an efficient collection sites location on the zoning phase in municipal solid waste management”. Waste Management. 34(11):1949-1956, 2014.

B.W. Thomas, E. Manni. “Scheduled Penalty Variable Neighborhood Search”. Computers & Operations Research. 52:170-180, 2014.

G. Ghiani, D. Laganà, E. Manni, R. Musmanno, D. Vigo. “Operations research in solid waste management: a survey of strategic and tactical issues”. Computers & Operations Research. 44:22-32, 2014.

G. Ghiani, E. Guerriero, A. Manni, E. Manni, A. Potenza. “Simultaneous Personnel and Vehicle Shift Scheduling in the Waste Management Sector”. Waste Management. 33(7):1589-1594, 2013.

G. Ghiani, E. Manni, B.W. Thomas. “A Comparison of Anticipatory Algorithms for the Dynamic and Stochastic Traveling Salesman Problem”. Transportation Science. 46(3):374-387, 2012.

G. Ghiani, D. Laganà, E. Manni, C. Triki. “Capacitated Location of Collection Sites in an Urban Waste Management System”. Waste Management. 32(7):1291-1296, 2012.

G. Ghiani, E. Manni, A. Quaranta. “Shift Scheduling Problem in Same-Day Courier Industry”. Transportation Science. 44(1):116-124, 2010.

E. Manni. “Topics in real-time fleet management”. 4OR. 7(2):203-206, 2009.

G. Ghiani, E. Manni, A. Quaranta, C. Triki. “Anticipatory Algorithms for Same-day Courier Dispatching”. Transportation Research Part E. 45(1):96-106, 2009.

G. Ghiani, G. Laporte, E. Manni, R. Musmanno. “Waiting strategies for the Dynamic and Stochastic Traveling Salesman Problem”. International Journal of Operations Research. 5(4):233-241, 2008.

G. Ghiani, E. Manni, C. Triki. “The Lane Covering Problem with Time Windows”. Journal of Discrete Mathematical Sciences & Cryptography. 11(1):67-81, 2008.

G. Bruno, G. Ghiani, G. Improta, E. Manni. “A taboo search heuristic for the optimisation of a multistage component placement system”. Journal of Discrete Mathematical Sciences & Cryptography. 8(2):271-285, 2005.

 

Working papers

E. Manni, B.W. Thomas. “Scheduled Penalty Variable Neighborhood Search for the Team Orienteering Problem with Time Windows”. Working paper.

G. Ghiani, E. Manni, A. Romano. “Scalable anticipatory policies for the dynamic and stochastic pickup and delivery problem”. Submitted.

 

Capitoli di libri

G. Ghiani, E. Manni, A. Romano. “A dispatching policy for the dynamic and stochastic pickup and delivery problem”, in Applied Physics, System Science and Computers (Volume 428 of the series Springer Lecture Notes in Electrical Engineering), K. Ntalianis, A. Croitoru (eds.), Springer-Verlag, pp. 303-309, 2018.

T. Adamo, T. Calogiuri, G. Ghiani, A. Grieco, E. Guerriero, E. Manni. “Neighborhood synthesis from an ensemble of MIP and CP models”, in Learning and Intelligent Optimization (Volume 10079 of the series Springer Lecture Notes in Computer Science), P. Festa, M. Sellmann, J. Vanschoren (eds.), Springer-Verlag, pp. 221-226, 2016.

G. Ghiani, E. Manni. “Processi Decisionali Markoviani”, in Modelli e metodi decisionali in condizioni di incertezza e rischio, G. Ghiani, R. Musmanno (eds), McGraw-Hill Italia, pp. 171-201, 2009.

A. Attanasio, J. Bregman, G. Ghiani, M. Guccione, E. Manni, R. Musmanno, A. Quaranta. “Algoritmi di shift scheduling e  di dispatching anticipativo  per la gestione di flotte in tempo reale”, in Scienza delle decisioni in Italia: applicazioni della ricerca operativa a problemi aziendali, G. Felici, A. Sciomachen (eds), ECIG, pp. 443-456, 2008.

A. Attanasio, J. Bregman, G. Ghiani, E. Manni. “Real-time Fleet Management at eCourier Ltd”, in Dynamic Fleet Management - Concepts, Systems, Algorithms & Case Studies, V.S. Zeimpekis, G.M. Giaglis, C.D. Tarantilis, I.E. Minis (eds), Springer-Verlag, pp. 219-238, 2007. 

 

Partecipazione in qualità di relatore a convegni e conferenze internazionali

G. Ghiani, E. Manni, A. Romano, “Scalable anticipatory policies for real-time vehicle routing”, International Conference on Optimization and Decision Science ODS 2017, Sorrento, Italy, 04-07/09/2017.

G. Ghiani, E. Manni, A. Romano, “Scalable dispatching policies for the dynamic and stochastic pickup and delivery problem”, TSL Conference 2017, Chicago, IL, USA, 26-29/07/2017.

G. Ghiani, E. Manni, A. Romano, “A dispatching policy for the dynamic and stochastic pickup and delivery problem”, APSAC 2016, Dubrovnik, Croatia, 28-30/09/2016.

T. Adamo, T. Calogiuri, G. Ghiani, A. Grieco, E. Guerriero, E. Manni. “Neighborhood synthesis from an ensemble of MIP and CP models”, LION 10, Ischia, Italy, 29/05-01/06/2016.

T. Adamo, G. Ghiani, A. Grieco, E. Guerriero, E. Manni, “MIP neighborhood synthesis through semantic feature extraction and automatic algorithm configuration”, AIRO 2015, Pisa, Italy, 07-10/09/2015.

A. Alalawin, G. Ghiani, E. Manni, C. Triki, “Design of the Logistics Support of Complex Engineering Systems”, MPMM 2013, Lappeenranta, Finland, 12-13/09/2013.

G. Ghiani, G. Laporte, E. Manni, “Localized Local Branching”, EURO INFORMS 2013, Rome, Italy, 01-04/07/2013.

A. Alalawin, G. Ghiani, E. Manni, C. Triki, “Approximated neighborhood evaluation for complex logistics support design problems”, EURO 2012, Vilinus, Lithuania, 08-11/07/2012.

G. Ghiani, D. Laganà, E. Manni, C. Triki, “Capacitated location of collection sites in an urban waste management system”, AIRO 2011, Brescia, Italy, 06-09/09/2011.

G. Ghiani, E. Manni, A. Quaranta, “Same-day courier shift scheduling with multiple classes of requests”, TRISTAN VII, Tromsø, Norway, 20-25/06/2010.

G. Ghiani, E. Manni, A. Quaranta, “Shift scheduling in the same-day courier industry with multiple classes of requests”, AIRO 2009, Siena, Italy, 08-11/09/2009.

G. Ghiani, E. Manni, A. Quaranta, “Shift Scheduling in the Same-Day Courier Industry”, Odysseus 2009, Çeşme, Turkey, 26-29/05/2009.

E. Manni, B.W. Thomas, J.W. Ohlmann, “A Compressed Annealing Heuristic for the Orienteering Problem with Time Windows”, META 2008, Hammamet, Tunisia, 29-31/10/2008.

G. Ghiani, E. Manni, C. Triki, “Optimization Models for Collaborative Logistics”, MTISD 2008, Lecce, Italy, 18-20/09/2008.

G. Ghiani, E. Manni, B.W. Thomas, “Real-time insertion and sample scenario planning for the dynamic and stochastic travelling salesman problem”, AIRO 2008, Ischia, Italy, 08-11/09/2008.

G. Ghiani, G. Laporte, E. Manni, R. Musmanno. “Waiting strategies for the Dynamic and Stochastic Travelling Salesman Problem”, Joint Conference CORS & Optimization Days, Montréal, Canada, 08-10/05/2006.

Temi di ricerca

Real-time vehicle routing problems

Machine learning algorithms for automatic heuristic design

Risorse correlate

Collegamenti

Web page (Apre una nuova finestra)