Emanuele MANNI

Emanuele MANNI

Ricercatore Universitario

Settore Scientifico Disciplinare MAT/09: RICERCA OPERATIVA.

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, European Journal of Operational Research, International Transactions in Operational research, 4OR. Tiene regolarmente corsi di base e non presso vari corsi di laurea triennale e magistrale del Dipartimento di ingegneria dell'Innovazione dell'Università del Salento. È stato, inoltre, visiting scholar presso la University of Iowa in diversi periodi tra il 2007 ed il 2009.

Didattica

A.A. 2023/2024

MODELLAZIONE DEI SISTEMI INGEGNERISTICI

Corso di laurea INGEGNERIA PER L'INDUSTRIA SOSTENIBILE

Tipo corso di studio Laurea

Lingua ITALIANO

Crediti 9.0

Docente titolare GIANLUCA SOLAZZO

Ripartizione oraria Ore totali di attività frontale: 81.0

  Ore erogate dal docente Emanuele MANNI: 27.0

Anno accademico di erogazione 2023/2024

Per immatricolati nel 2023/2024

Anno di corso 1

Struttura DIPARTIMENTO DI INGEGNERIA DELL'INNOVAZIONE

Percorso Percorso comune

Sede Brindisi

OTTIMIZZAZIONE

Corso di laurea INGEGNERIA PER L'INDUSTRIA SOSTENIBILE

Tipo corso di studio Laurea

Lingua ITALIANO

Crediti 9.0

Ripartizione oraria Ore totali di attività frontale: 81.0

Anno accademico di erogazione 2023/2024

Per immatricolati nel 2022/2023

Anno di corso 2

Struttura DIPARTIMENTO DI INGEGNERIA DELL'INNOVAZIONE

Percorso Percorso comune

Sede Brindisi

PIANIFICAZIONE AUTOMATICA E SISTEMI DI SUPPORTO ALLE DECISIONI

Corso di laurea INGEGNERIA INFORMATICA

Tipo corso di studio Laurea Magistrale

Lingua ITALIANO

Crediti 12.0

Docente titolare GIANPAOLO GHIANI

Ripartizione oraria Ore totali di attività frontale: 108.0

  Ore erogate dal docente Emanuele MANNI: 27.0

Anno accademico di erogazione 2023/2024

Per immatricolati nel 2023/2024

Anno di corso 1

Struttura DIPARTIMENTO DI INGEGNERIA DELL'INNOVAZIONE

Percorso PERCORSO COMUNE

Sede Lecce

A.A. 2022/2023

OTTIMIZZAZIONE

Corso di laurea INGEGNERIA INDUSTRIALE

Tipo corso di studio Laurea

Lingua ITALIANO

Crediti 9.0

Ripartizione oraria Ore totali di attività frontale: 81.0

Anno accademico di erogazione 2022/2023

Per immatricolati nel 2021/2022

Anno di corso 2

Struttura DIPARTIMENTO DI INGEGNERIA DELL'INNOVAZIONE

Percorso PERCORSI COMUNE/GENERICO

Sede Brindisi

PIANIFICAZIONE AUTOMATICA E SISTEMI DI SUPPORTO ALLE DECISIONI

Corso di laurea INGEGNERIA INFORMATICA

Tipo corso di studio Laurea Magistrale

Lingua ITALIANO

Crediti 12.0

Docente titolare GIANPAOLO GHIANI

Ripartizione oraria Ore totali di attività frontale: 108.0

  Ore erogate dal docente Emanuele MANNI: 27.0

Anno accademico di erogazione 2022/2023

Per immatricolati nel 2022/2023

Anno di corso 1

Struttura DIPARTIMENTO DI INGEGNERIA DELL'INNOVAZIONE

Percorso PERCORSO COMUNE

Sede Lecce

A.A. 2021/2022

ELEMENTI DI OTTIMIZZAZIONE E STATISTICA

Corso di laurea INGEGNERIA INDUSTRIALE

Tipo corso di studio Laurea

Lingua ITALIANO

Crediti 6.0

Ripartizione oraria Ore totali di attività frontale: 54.0

Anno accademico di erogazione 2021/2022

Per immatricolati nel 2020/2021

Anno di corso 2

Struttura DIPARTIMENTO DI INGEGNERIA DELL'INNOVAZIONE

Percorso PERCORSO COMUNE

Sede Brindisi

A.A. 2020/2021

ELEMENTI DI OTTIMIZZAZIONE E STATISTICA

Corso di laurea INGEGNERIA INDUSTRIALE

Tipo corso di studio Laurea

Lingua ITALIANO

Crediti 6.0

Ripartizione oraria Ore totali di attività frontale: 54.0

Anno accademico di erogazione 2020/2021

Per immatricolati nel 2019/2020

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 totali di attività frontale: 42.0

Anno accademico di erogazione 2020/2021

Per immatricolati nel 2018/2019

Anno di corso 3

Struttura DIPARTIMENTO DI MATEMATICA E FISICA "ENNIO DE GIORGI"

Percorso PERCORSO COMUNE

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 totali di 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 totali di 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 totali di 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 totali di 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

Torna all'elenco
TEORIA E TECNICHE DI ANALISI DEI DATI

Corso di laurea INGEGNERIA INFORMATICA

Settore Scientifico Disciplinare MAT/09

Tipo corso di studio Laurea

Crediti 9.0

Ripartizione oraria Ore totali di attività frontale: 81.0

Per immatricolati nel 2023/2024

Anno accademico di erogazione 2024/2025

Anno di corso 2

Semestre Secondo Semestre (dal 03/03/2025 al 13/06/2025)

Lingua ITALIANO

Percorso Percorso comune (999)

Sede Lecce

TEORIA E TECNICHE DI ANALISI DEI DATI (MAT/09)
MODELLAZIONE DEI SISTEMI INGEGNERISTICI

Corso di laurea INGEGNERIA PER L'INDUSTRIA SOSTENIBILE

Settore Scientifico Disciplinare MAT/09

Tipo corso di studio Laurea

Crediti 9.0

Docente titolare GIANLUCA SOLAZZO

Ripartizione oraria Ore totali di attività frontale: 81.0

  Ore erogate dal docente Emanuele MANNI: 27.0

Per immatricolati nel 2023/2024

Anno accademico di erogazione 2023/2024

Anno di corso 1

Semestre Secondo Semestre (dal 04/03/2024 al 14/06/2024)

Lingua ITALIANO

Percorso Percorso comune (999)

Sede Brindisi

Conoscenze di base di analisi e geometria, oltre che di programmazione in ambiente python.

Il corso ha l’obiettivo di fornire allo studente i concetti della «matematica che serve» ad un ingegnere industriale, coniugando un approccio teorico e pratico. Da un lato, verranno richiamate e consolidate specifiche nozioni dei corsi Analisi e Geometria, dall’altro queste ultime verranno applicate, nel contesto dei sistemi ingegneristici, tramite l’implementazione di script python.

Conoscenze e comprensione: Il corso intende fornire allo studente conoscenze di base utilizzabili per la modellazione dei sistemi ingegneristici, nel contesto dell'ingegneria industriale. Gli studenti devono possedere una solida preparazione con conoscenze di base relative alle tecniche di analisi matematica e geometria.

 

Capacità di applicare conoscenze e comprensione: Dopo il corso lo studente sarà in grado di:

  • Formulare un insieme di ipotesi semplificative della realtà in grado di spiegare o simulare un particolare fenomeno, traducendolo in equazioni che collegano i parametri in ingresso a quelli in uscita, nei limiti di validità delle ipotesi formulate.
  • Tradurre il modello formulato in codice software per l’automazione degli aspetti di calcolo e verifica dello stesso.

 

Autonomia di giudizio. Gli studenti devono possedere la capacità di definire un problema ingegneristico collocandolo all’interno di una o più discipline scientifiche, formulare delle ipotesi semplificative, tradurre il modello in leggi matematiche, identificare una soluzione analitica del problema, verificare e perfezionare il modello. 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 matematici.

 

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.

Durante il corso si alterneranno lezioni frontali su aspetti teorici di base, esercitazioni numeriche ed esercitazioni pratiche al calcolatore.

L'esame finale consisterà in una prova scritta e la discussione di un progetto preventivamente concordato con i docenti del corso.

Disponibili su http://studenti.unisalento.it/

Il docente riceve gli studenti, previo appuntamento via mail, in presenza (Corpo O, 2° piano) o su piattaforma Teams.

PARTE 1. Consolidamento dei concetti principali relativi a: 

  • Algebra Lineare
  • Sistemi di equazioni e disequazioni lineari
  • Trigonometria
  • Derivate, integrali e condizioni di minimo/massimo in una variabile

 

PARTE 2. Introduzione all’ottimizzazione non vincolata: 

  • Concetti di base: derivate parziali, gradiente, Hessiano, curve e superfici
  • Condizioni di ottimalità di Karush-Kuhn-Tucker
  • Metodo del gradiente, metodo di Newton

 

PARTE 3. Ulteriori strumenti matematici: 

  • Introduzione alle equazioni differenziali ordinarie

 

PARTE 4. Utilizzo di librerie python per la modellazione matematica, il calcolo numerico e la visualizzazione

Appunti delle lezioni e materiale didattico integrativo fornito dai docenti.

MODELLAZIONE DEI SISTEMI INGEGNERISTICI (MAT/09)
OTTIMIZZAZIONE

Corso di laurea INGEGNERIA PER L'INDUSTRIA SOSTENIBILE

Settore Scientifico Disciplinare MAT/09

Tipo corso di studio Laurea

Crediti 9.0

Ripartizione oraria Ore totali di attività frontale: 81.0

Per immatricolati nel 2022/2023

Anno accademico di erogazione 2023/2024

Anno di corso 2

Semestre Primo Semestre (dal 18/09/2023 al 22/12/2023)

Lingua ITALIANO

Percorso Percorso comune (999)

Sede Brindisi

Si richiedono le conoscenze delle tematiche relative agli insegnamenti di "MATEMATICA PER L’INGEGNERIA I" e "MODELLAZIONE DEI SISTEMI INGEGNERISTICI".

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, all'inferenza statistica e alla simulazione, 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 del settore 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 e predisporre un semplice studio di simulazione, 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.

Disponibili sul portale https://studenti.unisalento.it/

Ricevimento studenti

Il docente riceve gli studenti, previo appuntamento via mail, in presenza (Corpo O, 2° piano) o su piattaforma Teams.

Probabilità, statistica e simulazione. Istogrammi, media e deviazione standard. La distribuzione normale. Correlazione e regressione. Variabili aleatorie. Modelli di variabili aleatorie. Generazione di numeri pseudo-casuali. Svolgimento di esercizi sugli argomenti trattati.

Ottimizzazione. Formulazione di problemi di ottimizzazione come modelli matematici. Programmazione lineare: il metodo del gradiente ed il metodo del simplesso. Programmazione lineare intera: algoritmo di Branch & Bound. Elementi di programmazione non lineare. 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. 
OTTIMIZZAZIONE (MAT/09)
PIANIFICAZIONE AUTOMATICA E SISTEMI DI SUPPORTO ALLE DECISIONI

Corso di laurea INGEGNERIA INFORMATICA

Settore Scientifico Disciplinare MAT/09

Tipo corso di studio Laurea Magistrale

Crediti 12.0

Docente titolare GIANPAOLO GHIANI

Ripartizione oraria Ore totali di attività frontale: 108.0

  Ore erogate dal docente Emanuele MANNI: 27.0

Per immatricolati nel 2023/2024

Anno accademico di erogazione 2023/2024

Anno di corso 1

Semestre Primo Semestre (dal 18/09/2023 al 22/12/2023)

Lingua ITALIANO

Percorso PERCORSO COMUNE (999)

Sede Lecce

Conoscenze approfondite di Analisi Matematica, Algebra Lineare, Calcolo delle Probabilità, programmazione in linguaggi procedurali e a oggetti. Conoscenze di base di Statistica.

Il corso fornisce i fondamenti metodologici e la conoscenza delle soluzioni tecnologiche per realizzare e mettere in opera sistemi intelligenti che supportino o automatizzino decisioni complesse. Le applicazioni trattate spaziano dalla promozione delle vendite nell'e-commerce alla pianificazione della produzione nel settore manifatturiero, dall'ottimizzazione di portafogli di asset nel settore finanziario alla gestione real-time di AGV (veicoli a guida automatica) in magazzini automatizzati, ... Le metodologie presentate spaziano dalla Ricerca Operativa alla Statistica fino all'Intelligenza Artificiale.

Knowledge and understanding. Lo studente acquisirà le conoscenze di base per progettare e mettere in opera sistemi intelligenti che supportino o automatizzino decisioni complesse.

Applying knowledge and understanding. Al termine del corso, lo studente sarà in grado di progettare e implementare in C++ o Python un mock-up dei più comuni sistemi di supporto alle decisioni.

Il corso consiste di lezioni frontali, esercitazioni in classe e assegni a casa (home assignments). Le lezioni frontali forniscono i fondamenti metodologici con l'utilizzo della lavagna e/o slide. Le esercitazioni in classe e gli assegni a casa richiedono l'uso di applicativi SW o lo sviluppo di brevi codici in C++ o Python. Gli studenti sono invitati a partecipare attivamente al corso risolvendo i problemi assegnati dal docente.

L'esame consiste di due parti:

  • una prova scritta con 15 domande a risposta breve (15 punti);
  • una prova orale in cui lo studente illustri lo svolgimento dei problemi/esercizi/approfondimenti assegnati dal docente a lezione (reperibili su www.elearning.unisalento.it)

Disponibili su www.studenti.unisalento.it

Ricevimento studenti

l docente riceve, di regola, tutti i martedì alle 11:00, in presenza (Corpo O, 2° piano, Studio O-201) o su piattaforma Teams. Prima di venire a ricevimento, verificare con una e-mail (a emanuele.manni@unisalento.it) che il docente sia effettivamente in sede nella data richiesta.

PART I – INTRODUZIONE (6 ore)
1.1 Introduzione: dati, informazioni, conoscenza; tassonomia delle decisioni, classificazione dei metodi di supporto alle decisioni
1.2 Agenti intelligenti

 

PART II – TUTORIAL SUL LINGUAGGIO PYTHON (6 ore)
2.1 La sintassi del linguaggio. Librerie. Ambienti di sviluppo.

 

PART III – OTTIMIZZAZIONE (27 ore)
3.1 Concetti fondamentali. Rassegna di modelli di ottimizzazione nei settori della logistica, della produzione, dei trasporti, dell'e-commerce, della finanza. Ottimizzazione Convessa. Programmazione Lineare. Programmazione Lineare a Variabili Intere. 


PART IV – SIMULAZIONE (21 ore)
4.1 Valutazione delle prestazioni: sperimentazione, simulazione e metodi analitici. Simulazione Monte Carlo. Simulazione ad Eventi Discreti.
4.2 Cenni su alcuni metodi analitici
4.3 Richiami su stima e test di ipotesi
4.4 Generazione di numeri pseudocasuali
4.5 Simulazione ad eventi discreti: analisi dell'output, cenni sui metodi di riduzione della varianza

 

PART V - PLANNING (27 ore)
5.1 Search. Search uninformed e informed. A* algorithm.  Action languages e linguaggio STRIPS.
5.2 Dynamic Programming (DP)
5.3 Algoritmi euristici. Local search. Tabu Search. Simulated Annealing. Algoritmi Genetici. GRASP
5.4 Elementi di Adversarial Search e Game Theory.
5.5 Elementi di logica proposizionale e del I ordine. Elementi di Constraint Programming.


PART VI - PLANNING IN CONDIZIONI DI INCERTEZZA (21 ore)
6.1 Matrice dei reward. Criterio del max-min, del min-max. di Bayes. Valore atteso della perfetta informazione
6.2 Attitudine del decisore al rischio. Downside risk.
6.3 Processi Decisionali Sequenziali
6.4 Cenni sulla DP in condizioni di incertezza e Reinforcement Learning

Slides e snippets utilizzati a lezione (disponibili su http://elearning.unisalento.it/

Per consultazione:

  • Russell, Stuart J., and Peter Norvig. Artificial intelligence: a modern approach. Malaysia; Pearson Education Limited, 2016.
PIANIFICAZIONE AUTOMATICA E SISTEMI DI SUPPORTO ALLE DECISIONI (MAT/09)
OTTIMIZZAZIONE

Corso di laurea INGEGNERIA INDUSTRIALE

Settore Scientifico Disciplinare MAT/09

Tipo corso di studio Laurea

Crediti 9.0

Ripartizione oraria Ore totali di attività frontale: 81.0

Per immatricolati nel 2021/2022

Anno accademico di erogazione 2022/2023

Anno di corso 2

Semestre Primo Semestre (dal 19/09/2022 al 16/12/2022)

Lingua ITALIANO

Percorso PERCORSI COMUNE/GENERICO (999)

Sede Brindisi

È necessario aver superato "ANALISI MATEMATICA MOD (1/2)"

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, all'inferenza statistica e alla simulazione, 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 e predisporre un semplice studio di simulazione, 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).

Disponibili sul portale https://studenti.unisalento.it/

Ricevimento studenti

Il docente riceve gli studenti, previo appuntamento via mail, in presenza (Corpo O, 2° piano) o su piattaforma Teams.

Probabilità, statistica e simulazione. Istogrammi, media e deviazione standard. La distribuzione normale. Correlazione e regressione. Variabili aleatorie. Modelli di variabili aleatorie. Elementi di simulazione Monte Carlo. Svolgimento di esercizi sugli argomenti trattati.

Ottimizzazione. Programmazione lineare: il metodo del gradiente ed il metodo del simplesso. Programmazione lineare intera: algoritmo di Branch & Bound. Ottimizzazione in condizioni di incertezza. 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.
OTTIMIZZAZIONE (MAT/09)
PIANIFICAZIONE AUTOMATICA E SISTEMI DI SUPPORTO ALLE DECISIONI

Corso di laurea INGEGNERIA INFORMATICA

Settore Scientifico Disciplinare MAT/09

Tipo corso di studio Laurea Magistrale

Crediti 12.0

Docente titolare GIANPAOLO GHIANI

Ripartizione oraria Ore totali di attività frontale: 108.0

  Ore erogate dal docente Emanuele MANNI: 27.0

Per immatricolati nel 2022/2023

Anno accademico di erogazione 2022/2023

Anno di corso 1

Semestre Primo Semestre (dal 19/09/2022 al 16/12/2022)

Lingua ITALIANO

Percorso PERCORSO COMUNE (999)

Sede Lecce

Conoscenze approfondite di Analisi Matematica, Algebra Lineare, Calcolo delle Probabilità, programmazione in linguaggi procedurali e a oggetti. Conoscenze di base di Statistica.

Il corso fornisce i fondamenti metodologici e la conoscenza delle soluzioni tecnologiche per realizzare e mettere in opera sistemi intelligenti che supportino o automatizzino decisioni complesse. Le applicazioni trattate spaziano dalla promozione delle vendite nell'e-commerce alla pianificazione della produzione nel settore manifatturiero, dall'ottimizzazione di portafogli di asset nel settore finanziario alla gestione real-time di AGV (veicoli a guida automatica) in magazzini automatizzati, ... Le metodologie presentate spaziano dalla Ricerca Operativa alla Statistica fino all'Intelligenza Artificiale.

Knowledge and understanding. Lo studente acquisirà le conoscenze di base per progettare e mettere in opera sistemi intelligenti che supportino o automatizzino decisioni complesse.

Applying knowledge and understanding. Al termine del corso, lo studente sarà in grado di progettare e implementare in C++ o Python un mock-up dei più comuni sistemi di supporto alle decisioni.

Il corso consiste di lezioni frontali, esercitazioni in classe e assegni a casa (home assignments). Le lezioni frontali forniscono i fondamenti metodologici con l'utilizzo della lavagna e/o slide. Le esercitazioni in classe e gli assegni a casa richiedono l'uso di applicativi SW o lo sviluppo di brevi codici in C++ o Python. Gli studenti sono invitati a partecipare attivamente al corso risolvendo i problemi assegnati dal docente.

L'esame consiste di due parti:

  • una prova scritta con 15 domande a risposta breve (15 punti);
  • una prova orale in cui lo studente illustri lo svolgimento dei problemi/esercizi/approfondimenti assegnati dal docente a lezione (reperibili su www.elearning.unisalento.it)

Disponibili su www.studenti.unisalento.it

Ricevimento studenti

Il docente riceve gli studenti, previo appuntamento via mail, in presenza (Corpo O, 2° piano) o su piattaforma Teams.

PART I – INTRODUZIONE (6 ore)
1.1 Introduzione: dati, informazioni, conoscenza; tassonomia delle decisioni, classificazione dei metodi di supporto alle decisioni
1.2 Agenti intelligenti

 

PART II – TUTORIAL SUL LINGUAGGIO PYTHON (6 ore)
2.1 La sintassi del linguaggio. Librerie. Ambienti di sviluppo.

 

PART III – OTTIMIZZAZIONE (27 ore)
3.1 Concetti fondamentali. Rassegna di modelli di ottimizzazione nei settori della logistica, della produzione, dei trasporti, dell'e-commerce, della finanza. Ottimizzazione Convessa. Programmazione Lineare. Programmazione Lineare a Variabili Intere. 


PART IV – SIMULAZIONE (21 ore)
4.1 Valutazione delle prestazioni: sperimentazione, simulazione e metodi analitici. Simulazione Monte Carlo. Simulazione ad Eventi Discreti.
4.2 Cenni su alcuni metodi analitici
4.3 Richiami su stima e test di ipotesi
4.4 Generazione di numeri pseudocasuali
4.5 Simulazione ad eventi discreti: analisi dell'output, cenni sui metodi di riduzione della varianza

 

PART V - PLANNING (27 ore)
5.1 Search. Search uninformed e informed. A* algorithm.  Action languages e linguaggio STRIPS.
5.2 Dynamic Programming (DP)
5.3 Algoritmi euristici. Local search. Tabu Search. Simulated Annealing. Algoritmi Genetici. GRASP
5.4 Elementi di Adversarial Search e Game Theory.
5.5 Elementi di logica proposizionale e del I ordine. Elementi di Constraint Programming.


PART VI - PLANNING IN CONDIZIONI DI INCERTEZZA (21 ore)
6.1 Matrice dei reward. Criterio del max-min, del min-max. di Bayes. Valore atteso della perfetta informazione
6.2 Attitudine del decisore al rischio. Downside risk.
6.3 Processi Decisionali Sequenziali
6.4 Cenni sulla DP in condizioni di incertezza e Reinforcement Learning

Slides e snippets utilizzati a lezione (disponibili su http://elearning.unisalento.it/

Per consultazione:

  • Russell, Stuart J., and Peter Norvig. Artificial intelligence: a modern approach. Malaysia; Pearson Education Limited, 2016.
PIANIFICAZIONE AUTOMATICA E SISTEMI DI SUPPORTO ALLE DECISIONI (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 totali di attività frontale: 54.0

Per immatricolati nel 2020/2021

Anno accademico di erogazione 2021/2022

Anno di corso 2

Semestre Primo Semestre (dal 20/09/2021 al 17/12/2021)

Lingua ITALIANO

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 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. 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 OTTIMIZZAZIONE E STATISTICA

Corso di laurea INGEGNERIA INDUSTRIALE

Settore Scientifico Disciplinare MAT/09

Tipo corso di studio Laurea

Crediti 6.0

Ripartizione oraria Ore totali di attività frontale: 54.0

Per immatricolati nel 2019/2020

Anno accademico di erogazione 2020/2021

Anno di corso 2

Semestre Primo Semestre (dal 22/09/2020 al 18/12/2020)

Lingua ITALIANO

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 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)
RICERCA OPERATIVA

Corso di laurea MATEMATICA

Settore Scientifico Disciplinare MAT/09

Tipo corso di studio Laurea

Crediti 6.0

Ripartizione oraria Ore totali di attività frontale: 42.0

Per immatricolati nel 2018/2019

Anno accademico di erogazione 2020/2021

Anno di corso 3

Semestre Secondo Semestre (dal 22/02/2021 al 04/06/2021)

Lingua ITALIANO

Percorso PERCORSO COMUNE (999)

Si richiedono conoscenze di Geometria ed Algebra.

Il corso introduce ai modelli e metodi di ottimizzazione matematica per la risoluzione di problemi decisionali. I temi affrontati riguardano la modellazione di problemi e i metodi di soluzione tramite la programmazione lineare e lineare intera, dal punto di vista metodologico, teorico ed applicativo.

Conoscenze e comprensione. Il corso intende impartire allo studente conoscenze di base sia operative che metodologiche per affrontare e risolvere problemi di ottimizzazione, sia dal punto di vista della modellazione, che della strategia algoritmica di soluzione. 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:

  • formulare un problema di decisione strutturato sotto forma di un modello matematico di ottimizzazione;
  • individuare l’algoritmo risolutivo più adatto per determinare la soluzione ottima di un problema di ottimizzazione.

Autonomia di giudizio. Gli studenti devono possedere la capacità di modellare e risolvere problemi di ottimizzazione combinatoria. Il corso promuove l’autonomia di giudizio nella scelta appropriata della tecnica da utilizzare 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'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.

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.

  • Matteo Fischetti, Lezioni di Ricerca Operativa, Kindle Direct Publishing, 4/ed, 2018.
  • F.S. Hillier e G.J. Lieberman, Ricerca Operativa, McGraw-Hill, 9/ed, 2010.
  • Appunti delle lezioni.
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 totali di 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

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)
RICERCA OPERATIVA

Corso di laurea MATEMATICA

Settore Scientifico Disciplinare MAT/09

Tipo corso di studio Laurea

Crediti 6.0

Ripartizione oraria Ore totali di 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

Si richiedono conoscenze di Geometria ed Algebra.

Il corso introduce ai modelli e metodi di ottimizzazione matematica per la risoluzione di problemi decisionali. I temi affrontati riguardano la modellazione di problemi e i metodi di soluzione tramite la programmazione lineare e lineare intera, dal punto di vista metodologico, teorico ed applicativo.

Conoscenze e comprensione. Il corso intende impartire allo studente conoscenze di base sia operative che metodologiche per affrontare e risolvere problemi di ottimizzazione, sia dal punto di vista della modellazione, che della strategia algoritmica di soluzione. 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:

  • formulare un problema di decisione strutturato sotto forma di un modello matematico di ottimizzazione;
  • individuare l’algoritmo risolutivo più adatto per determinare la soluzione ottima di un problema di ottimizzazione.

Autonomia di giudizio. Gli studenti devono possedere la capacità di modellare e risolvere problemi di ottimizzazione combinatoria. Il corso promuove l’autonomia di giudizio nella scelta appropriata della tecnica da utilizzare 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'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.

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.

  • Matteo Fischetti, Lezioni di Ricerca Operativa, Kindle Direct Publishing, 4/ed, 2018.
  • F.S. Hillier e G.J. Lieberman, Ricerca Operativa, McGraw-Hill, 9/ed, 2010.
  • Appunti delle lezioni.
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 totali di 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 totali di 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 totali di 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 totali di attività frontale: 81.0

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 ITALIANO

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 totali di attività frontale: 0.0

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 totali di attività frontale: 0.0

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

A. Bosse, M.W. Ulmer, E. Manni, D.C. Mattfeld. “Dynamic Priority Rules for Combining On-Demand Passenger Transportation and Transportation of Goods”. European Journal of Operational Research, 309(1):399-408, 2023.

G. Ghiani, A. Manni, E. Manni. “A scalable anticipatory policy for the dynamic pickup and delivery problem”. Computers & Operations Research. 147:105943, 2022.

T. Calogiuri, G. Ghiani, E. Guerriero, E. Manni. “The multi-period p-center problem with time-dependent travel times”. Computers & Operations Research. 136:105487, 2021.

G. Ghiani, A. Manni, E. Manni, V. Moretto. “Optimizing a waste collection system with solid waste transfer stations”. Computers & Industrial Engineering. 161:107618, 2021.

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. 27(2):1210-1235, 2020.

T. Adamo, G. Ghiani, E. Guerriero, E. Manni. “A learn-and-construct framework for general mixed-integer programming problems”. International Transactions in Operational Research. 27(1):9-25, 2020.

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.

 

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, A. Manni, E. Manni, “Adaptive dispatching policy for dynamic vehicle routing: a supervised-learning approach”, 30th European Conference on Operational Research EURO 2019, Dublin, Ireland, 23-26/06/2019.

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

Documenti

Collegamenti

Web page (Apre una nuova finestra)(Apre una nuova finestra)