Corsi di Laurea Corsi di Laurea Magistrale Corsi di Laurea Magistrale
a Ciclo Unico
Scuola di Scienze
DATA SCIENCE
Insegnamento
METHODS AND MODELS FOR COMBINATORIAL OPTIMIZATION
SCP7079402, A.A. 2019/20

Informazioni valide per gli studenti immatricolati nell'A.A. 2018/19

Principali informazioni sull'insegnamento
Corso di studio Corso di laurea magistrale in
DATA SCIENCE
SC2377, ordinamento 2017/18, A.A. 2019/20
N0
porta questa
pagina con te
Crediti formativi 6.0
Tipo di valutazione Voto
Denominazione inglese METHODS AND MODELS FOR COMBINATORIAL OPTIMIZATION
Sito della struttura didattica http://datascience.scienze.unipd.it/2019/laurea_magistrale
Dipartimento di riferimento Dipartimento di Matematica
Obbligo di frequenza No
Lingua di erogazione INGLESE
Sede PADOVA
Corso singolo È possibile iscriversi all'insegnamento come corso singolo
Corso a libera scelta È possibile utilizzare l'insegnamento come corso a libera scelta

Docenti
Responsabile LUIGI DE GIOVANNI MAT/09
Altri docenti MARCO DI SUMMA MAT/09

Mutuante
Codice Insegnamento Responsabile Corso di studio
SC01122975 METODI E MODELLI PER L'OTTIMIZZAZIONE COMBINATORIA LUIGI DE GIOVANNI SC1176

Dettaglio crediti formativi
Tipologia Ambito Disciplinare Settore Scientifico-Disciplinare Crediti
CARATTERIZZANTE Aziendale-organizzativo MAT/09 6.0

Organizzazione dell'insegnamento
Periodo di erogazione Primo semestre
Anno di corso II Anno
Modalità di erogazione frontale

Tipo ore Crediti Ore di
didattica
assistita
Ore Studio
Individuale
ESERCITAZIONE 0.5 4 8.5
LABORATORIO 1.5 12 25.5
LEZIONE 4.0 32 68.0

Calendario
Inizio attività didattiche 30/09/2019
Fine attività didattiche 18/01/2020
Visualizza il calendario delle lezioni Lezioni 2019/20 Ord.2017

Syllabus
Prerequisiti: Elementi di ricerca operativa, elementi di programmazione lineare, elementi di base di programmazione.
Conoscenze e abilita' da acquisire: Uso di metodologie avanzate di supporto alle decisioni per la modellazione e la soluzione di problemi di ottimizzazione
combinatoria. Il corso intende fornire strumenti matematici e algoritmici per la soluzione di problemi pratici di ottimizzazione con l'utilizzo dei pacchetti software e delle librerie di ottimizzazione più diffusi.
Modalita' di esame: Esame orale sui contenuti del corso e su esercizi di applicazione di metodi di ottimizzazione a problemi realistici. Realizzazione facoltativa di un progetto individuale su un caso di studio riguardante la soluzione di un problema, reale o realistico, di ottimizzazione combinatoria (definizione del problema, modellazione, applicazione di un metodo di soluzione esatto e/o euristico).
Criteri di valutazione: L'esame verifica il livello di apprendimento degli argomenti svolti e la capacita` dello studente di applicarli per la soluzione di problemi reali di ottimizzazione combinatoria.
Contenuti: 1. Approfondimenti e applicazioni di Programmazione Lineare e dualità : metodo del simplesso primale-duale, tecniche di generazione di colonne, applicazioni a problemi di ottimizzazione su grafo.
2. Metodi avanzati di Programmazione Lineare Intera (PLI): Branch & Bound e tecniche di rilassamento, formulazioni alternative di modelli PLI, metodo dei piani di taglio e tecniche di Branch & Cut, applicazioni ad esempi notevoli: commesso viaggiatore, problemi di localizzazione, problemi di network design etc.
3. Meta-euristiche di Ottimizzazione Combinatoria: ricerca di vicinati e varianti, algoritmi evolutivi.
4. Applicazione di metodi di modellazione e ottimizzazione su grafo.
5. Laboratori: utilizzo di software e librerie di ottimizzazione.
Attivita' di apprendimento previste e metodologie di insegnamento: L'insegnamento prevede lezioni frontali, esercitazioni in laboratorio e discussione di esempi notevoli. Le esercitazioni in laboratorio consistono nell'implementazione di algoritmi di ottimizzazione combinatoria sia esatti (con l'uso di librerie di programmazione lineare intera) sia euristici.
Eventuali indicazioni sui materiali di studio: Dispense fornite dal docente. Articoli scientifici.
Testi di riferimento:

Didattica innovativa: Strategie di insegnamento e apprendimento previste
  • Lecturing
  • Laboratory
  • Problem based learning
  • Case study
  • Interactive lecturing
  • Story telling
  • Problem solving
  • Utilizzo di video disponibili online o realizzati
  • Files e pagine caricati online (pagine web, Moodle, ...)
  • Learning journal

Didattica innovativa: Software o applicazioni utilizzati
  • Moodle (files, quiz, workshop, ...)
  • One Note (inchiostro digitale)
  • Kaltura (ripresa del desktop, caricamento di files su MyMedia Unipd)
  • Camtasia (montaggio video)
  • Latex
  • IBM Cplex Optimization Studio, Excel Spreadsheet and Solver

Obiettivi Agenda 2030 per lo sviluppo sostenibile
Istruzione di qualita' Lavoro dignitoso e crescita economica Industria, innovazione e infrastrutture Consumo e produzione responsabili Agire per il clima