Seleziona l'Anno Accademico:     2017/2018 2018/2019 2019/2020 2020/2021 2021/2022 2022/2023
Docente
MASSIMO DI FRANCESCO (Tit.)
ENRICO GORGONE
Periodo
Secondo Semestre 
Modalità d'Erogazione
Convenzionale 
Lingua Insegnamento
ITALIANO 



Informazioni aggiuntive

Corso Percorso CFU Durata(h)
[60/73]  INFORMATICA [73/00 - Ord. 2017]  PERCORSO COMUNE 6 48

Obiettivi

1. Conoscenza e capacità di comprensione.
L'insegnamento, rivolto a studenti del primo anno del corso di Laurea Magistrale in Informatica, si propone completare il profilo delle conoscenze degli studenti, fornendo una profonda comprensione teorica e pratica su modelli e algoritmi per problemi di Ottimizzazione Lineare (Intera), che trovano applicazione in vari ambiti come l’informatica, l’economia e l’ingegneria. Gli obiettivi del corso sono:
• Illustrare agli studenti come modellare numerosi problemi con la Ottimizzazione Lineare (Intera);
• Presentare agli studenti i principali algoritmi di Ottimizzazione Lineare (Intera);
• Aiutare lo studente a sviluppare il proprio senso critico nello sviluppo e nell’analisi di algoritmi e nella ricerca di modelli matematici efficaci per i problemi in esame.
2. Capacità di applicare conoscenza e comprensione.
Gli studenti devono impiegare alcuni concetti presentati a lezione nella risoluzione di un problema realistico. Tale lavoro sarà condotto dallo studente in una tesina, tipicamente preparata con un collega. La tesina può riguardare un tema proposto dal docente o dallo studente sulla base di interessi personali.
3. Autonomia di giudizio.
Il processo di modellazione matematica dei problemi consente allo studente di ragionare criticamente sugli stessi, valutare quali siano i dati utili alla loro risoluzione e formalizzare obiettivi e vincoli del problema. Inoltre, si richiede autonomia di giudizio nel valutare i diversi algoritmi con cui risolvere un dato problema di Programmazione Lineare (Intera).
4. Abilità comunicative.
L’abilità comunicativa di uno studente sarà valutata in termini di capacità di descrivere chiaramente uno o più algoritmi nel colloquio orale.
5. Capacità di apprendimento.
Il corso fornisce agli studenti una preparazione sufficiente alla comprensione di testi matematici più avanzati, rendendoli capaci di ampliare in futuro le proprie conoscenze in modo autonomo.

Prerequisiti

1. Conoscenze. La comprensione del corso è facilitata dalla conoscenza dei concetti di base di “Matematica Discreta”, “Calcolo Scientifico e Metodi Numerici” e “Dati e Modelli”, che sono oggetto di studio nella laurea triennale in Informatica.
2. Abilità. Gli studenti dovranno essere in grado di interpretare e formalizzare algoritmi in mappe strutturali.
3. Competenze. Non si richiede alcuna competenza tecnica.
Corsi propedeutici. Nessuno.

Contenuti

• (Cenni di) Programmazione Matematica
• Modelli di Programmazione Lineare (Intera)
• Algoritmo del Simplesso
• Dualità in Programmazione Lineare
• Programmazione Lineare Intera

Metodi Didattici

Il corso consiste di 48 ore di lezione frontale. Le lezioni coprono la trattazione di aspetti teorici e alcuni esercizi finalizzati all’analisi degli aspetti implementativi. In conformità col Manifesto degli Studi per l'A.A. 2022-23, e compatibilmente con le circostanze dovute alla situazione pandemica, la didattica verrà erogata in presenza, integrata e "aumentata" con materiali audiovisivi e lo streaming. Il docente presta inoltre assistenza costante agli studenti nell'arco dell'intero anno accademico attraverso messaggi di posta elettronica, tramite cui è possibile concordare degli incontri.

Verifica dell'apprendimento

Lo studente dovrà dimostrare di conoscere i concetti fondamentali durante il corso (e la relativa terminologia specifica) e di saperli applicare alla risoluzione di problemi realistici. La verifica dell'apprendimento avviene con una tesina su un problema concordato con il docente e una successiva prova orale. La conclusione della tesina è condizione necessaria per l’ammissione alla prova orale ed è valutata 16 punti. Questa permette la verifica e la valutazione della teoria dell’ottimizzazione su rete, si articola tipicamente 2 domande ed è valutata al più 15 punti. Il voto conseguito è la somma dei punti conseguiti nelle tesine e nel colloquio orale. In generale:
• Il voto sarà compreso tra 18/30 e 22/30 in presenza di una conoscenza sufficiente della terminologia specifica, una corretta applicazione dei concetti metodologici, e una sufficiente esposizione dei concetti e dei risultati.
• Il voto sarà compreso tra 22/30 e 26/30 in presenza di una buona padronanza della terminologia specifica, una buona applicazione dei concetti metodologici, e una buona esposizione dei concetti e dei risultati.
• Il voto sarà compreso tra 27/30 e 30 e lode in presenza di un’ottima padronanza della terminologia specifica, una critica applicazione dei concetti metodologici, e un’esposizione chiara dei concetti e dei risultati.
Gli studenti hanno la possibilità di verificare il proprio livello di preparazione nel corso degli esercizi svolti a lezione. In queste occasioni gli studenti potranno mettere alla prova le proprie capacità nel loro svolgimento e confrontare i propri risultati con quelli presentati dal docente.
Compatibilmente con la modalità di esami prevista nel Manifesto degli Studi per l'A.A. 2020-21 a seguito dell'emergenza COVID-19, gli esami si terranno in presenza oppure sulla piattaforma MS Teams.
• Il voto sarà compreso tra 18/30 e 22/30 in presenza di una conoscenza sufficiente della terminologia specifica, una corretta applicazione dei concetti metodologici, e una sufficiente esposizione dei concetti e dei risultati.
• Il voto sarà compreso tra 22/30 e 26/30 in presenza di una buona padronanza della terminologia specifica, una buona applicazione dei concetti metodologici, e una buona esposizione dei concetti e dei risultati.
• Il voto sarà compreso tra 27/30 e 30 e lode in presenza di un’ottima padronanza della terminologia specifica, una critica applicazione dei concetti metodologici, e un’esposizione chiara dei concetti e dei risultati.
Gli studenti hanno la possibilità di verificare il proprio livello di preparazione nel corso degli esercizi svolti a lezione. In queste occasioni gli studenti potranno mettere alla prova le proprie capacità nel loro svolgimento e confrontare i propri risultati con quelli presentati dal docente.

Testi

Matteo Fischetti. Lezioni di Ricerca Operativa. Kindle Publishing (2018).
Bersimas D., Tsitsiklis J.N. Introduction to Linear Optimization. Dynamic Ideas (1997).

Altre Informazioni

Il principale strumento a supporto della didattica è costituito dalla piattaforma elearning.unica.it (https://elearning.unica.it/), in cui sono disponibili informazioni aggiuntive, tra cui un diario del corso che riporta gli argomenti svolti in ciascuna lezione e ulteriore materiale didattico.

Questionario e social

Condividi su:
Impostazioni cookie