Obiettivo del corso è far acquisire i principali strumenti teorici e metodologici per la modellizzazione delle decisioni e per l’individuazione delle migliori strategie di supporto alle decisioni in considerazione degli obiettivi prefissati. Il corso mira anche a fornire abilità e competenze su come utilizzare i dati a disposizione per implementare modelli prescrittivi analitici a supporto delle decisioni, come leggere i risultati forniti dai modelli in uso e come interpretarli per proporre soluzioni opportune a problemi gestionali complessi
Curriculum
scheda docente materiale didattico
- Richiami di modellazione (esempi di formulazioni PL, PLI e PNL). Cenni alla complessità computazionale.
- Generalità su Business Analytics. Predictive analytics, alberi di classificazione ottimi, esempi. Prescriptive analytics.
- Algoritmi euristici: Euristiche Costruttive, Ricerca Locale, Ricerca Locale a profondità variabile, Tabu Search, Simulated Annealing, Algoritmi Genetici, cenni ad altre metaeuristiche (GRASP, Iterated Local Search, Variable Neighborhood Search, Guided Local Search, Ant Colony Optimization, ecc.).
- Ottimizzazione robusta.
- Studio di casi reali: (1) ottimizzazione dei flussi nella distribuzione di cibi surgelati dagli impianti di produzione ai rivenditori, (2) ottimizzazione dei turni del personale sanitario nei reparti ospedalieri, (3) ottimizzazione dei percorsi per la raccolta di materiale biologico per analisi di laboratorio, (4) gestione ottima del magazzino di un’azienda che si occupa di vendite online, (5) ottimizzazione della supply chain nel mondo della moda.
2. Slide e materiale didattico fornito dal docente
Mutuazione: 20810208 Decision Support Systems and Analytics in Ingegneria gestionale e dell'automazione LM-32 NICOSIA GAIA
Programma
- Panoramica sui sistemi di supporto alle decisioni (DSS). Model Driven DSS.- Richiami di modellazione (esempi di formulazioni PL, PLI e PNL). Cenni alla complessità computazionale.
- Generalità su Business Analytics. Predictive analytics, alberi di classificazione ottimi, esempi. Prescriptive analytics.
- Algoritmi euristici: Euristiche Costruttive, Ricerca Locale, Ricerca Locale a profondità variabile, Tabu Search, Simulated Annealing, Algoritmi Genetici, cenni ad altre metaeuristiche (GRASP, Iterated Local Search, Variable Neighborhood Search, Guided Local Search, Ant Colony Optimization, ecc.).
- Ottimizzazione robusta.
- Studio di casi reali: (1) ottimizzazione dei flussi nella distribuzione di cibi surgelati dagli impianti di produzione ai rivenditori, (2) ottimizzazione dei turni del personale sanitario nei reparti ospedalieri, (3) ottimizzazione dei percorsi per la raccolta di materiale biologico per analisi di laboratorio, (4) gestione ottima del magazzino di un’azienda che si occupa di vendite online, (5) ottimizzazione della supply chain nel mondo della moda.
Testi Adottati
1. Modelli e metodi decisionali in condizioni di incertezza e rischio, di G. Ghiani, R. Musmanno (a cura di), McGraw-Hill Education, 2009.2. Slide e materiale didattico fornito dal docente
Modalità Erogazione
Lezioni principalmente di didattica frontale sia alla lavagna sia con slide proiettate. Analisi di alcuni casi di studio.Modalità Valutazione
La verifica dell’apprendimento avviene attraverso una prova scritta della durata di circa 2 ore. Lo scritto è organizzato attraverso un certo numero di domande, finalizzate a verificare il livello di comprensione effettiva dei concetti e la capacità degli studenti di applicarli in contesti reali. La prova scritta sarà integrata o con una prova orale o con lo svolgimento di un progetto da svolgere in laboratorio sotto la guida del docente. scheda docente materiale didattico
- Richiami di modellazione (esempi di formulazioni PL, PLI e PNL). Cenni alla complessità computazionale.
- Generalità su Business Analytics. Predictive analytics, alberi di classificazione ottimi, esempi. Prescriptive analytics.
- Algoritmi euristici: Euristiche Costruttive, Ricerca Locale, Ricerca Locale a profondità variabile, Tabu Search, Simulated Annealing, Algoritmi Genetici, cenni ad altre metaeuristiche (GRASP, Iterated Local Search, Variable Neighborhood Search, Guided Local Search, Ant Colony Optimization, ecc.).
- Ottimizzazione robusta.
- Studio di casi reali: (1) ottimizzazione dei flussi nella distribuzione di cibi surgelati dagli impianti di produzione ai rivenditori, (2) ottimizzazione dei turni del personale sanitario nei reparti ospedalieri, (3) ottimizzazione dei percorsi per la raccolta di materiale biologico per analisi di laboratorio, (4) gestione ottima del magazzino di un’azienda che si occupa di vendite online, (5) ottimizzazione della supply chain nel mondo della moda.
2. Slide e materiale didattico fornito dal docente
Mutuazione: 20810208 Decision Support Systems and Analytics in Ingegneria gestionale e dell'automazione LM-32 NICOSIA GAIA
Programma
- Panoramica sui sistemi di supporto alle decisioni (DSS). Model Driven DSS.- Richiami di modellazione (esempi di formulazioni PL, PLI e PNL). Cenni alla complessità computazionale.
- Generalità su Business Analytics. Predictive analytics, alberi di classificazione ottimi, esempi. Prescriptive analytics.
- Algoritmi euristici: Euristiche Costruttive, Ricerca Locale, Ricerca Locale a profondità variabile, Tabu Search, Simulated Annealing, Algoritmi Genetici, cenni ad altre metaeuristiche (GRASP, Iterated Local Search, Variable Neighborhood Search, Guided Local Search, Ant Colony Optimization, ecc.).
- Ottimizzazione robusta.
- Studio di casi reali: (1) ottimizzazione dei flussi nella distribuzione di cibi surgelati dagli impianti di produzione ai rivenditori, (2) ottimizzazione dei turni del personale sanitario nei reparti ospedalieri, (3) ottimizzazione dei percorsi per la raccolta di materiale biologico per analisi di laboratorio, (4) gestione ottima del magazzino di un’azienda che si occupa di vendite online, (5) ottimizzazione della supply chain nel mondo della moda.
Testi Adottati
1. Modelli e metodi decisionali in condizioni di incertezza e rischio, di G. Ghiani, R. Musmanno (a cura di), McGraw-Hill Education, 2009.2. Slide e materiale didattico fornito dal docente
Modalità Erogazione
Lezioni principalmente di didattica frontale sia alla lavagna sia con slide proiettate. Analisi di alcuni casi di studio.Modalità Valutazione
La verifica dell’apprendimento avviene attraverso una prova scritta della durata di circa 2 ore. Lo scritto è organizzato attraverso un certo numero di domande, finalizzate a verificare il livello di comprensione effettiva dei concetti e la capacità degli studenti di applicarli in contesti reali. La prova scritta sarà integrata o con una prova orale o con lo svolgimento di un progetto da svolgere in laboratorio sotto la guida del docente. scheda docente materiale didattico
- Richiami di modellazione (esempi di formulazioni PL, PLI e PNL). Cenni alla complessità computazionale.
- Generalità su Business Analytics. Predictive analytics, alberi di classificazione ottimi, esempi. Prescriptive analytics.
- Algoritmi euristici: Euristiche Costruttive, Ricerca Locale, Ricerca Locale a profondità variabile, Tabu Search, Simulated Annealing, Algoritmi Genetici, cenni ad altre metaeuristiche (GRASP, Iterated Local Search, Variable Neighborhood Search, Guided Local Search, Ant Colony Optimization, ecc.).
- Ottimizzazione robusta.
- Studio di casi reali: (1) ottimizzazione dei flussi nella distribuzione di cibi surgelati dagli impianti di produzione ai rivenditori, (2) ottimizzazione dei turni del personale sanitario nei reparti ospedalieri, (3) ottimizzazione dei percorsi per la raccolta di materiale biologico per analisi di laboratorio, (4) gestione ottima del magazzino di un’azienda che si occupa di vendite online, (5) ottimizzazione della supply chain nel mondo della moda.
2. Slide e materiale didattico fornito dal docente
Mutuazione: 20810208 Decision Support Systems and Analytics in Ingegneria gestionale e dell'automazione LM-32 NICOSIA GAIA
Programma
- Panoramica sui sistemi di supporto alle decisioni (DSS). Model Driven DSS.- Richiami di modellazione (esempi di formulazioni PL, PLI e PNL). Cenni alla complessità computazionale.
- Generalità su Business Analytics. Predictive analytics, alberi di classificazione ottimi, esempi. Prescriptive analytics.
- Algoritmi euristici: Euristiche Costruttive, Ricerca Locale, Ricerca Locale a profondità variabile, Tabu Search, Simulated Annealing, Algoritmi Genetici, cenni ad altre metaeuristiche (GRASP, Iterated Local Search, Variable Neighborhood Search, Guided Local Search, Ant Colony Optimization, ecc.).
- Ottimizzazione robusta.
- Studio di casi reali: (1) ottimizzazione dei flussi nella distribuzione di cibi surgelati dagli impianti di produzione ai rivenditori, (2) ottimizzazione dei turni del personale sanitario nei reparti ospedalieri, (3) ottimizzazione dei percorsi per la raccolta di materiale biologico per analisi di laboratorio, (4) gestione ottima del magazzino di un’azienda che si occupa di vendite online, (5) ottimizzazione della supply chain nel mondo della moda.
Testi Adottati
1. Modelli e metodi decisionali in condizioni di incertezza e rischio, di G. Ghiani, R. Musmanno (a cura di), McGraw-Hill Education, 2009.2. Slide e materiale didattico fornito dal docente
Modalità Erogazione
Lezioni principalmente di didattica frontale sia alla lavagna sia con slide proiettate. Analisi di alcuni casi di studio.Modalità Valutazione
La verifica dell’apprendimento avviene attraverso una prova scritta della durata di circa 2 ore. Lo scritto è organizzato attraverso un certo numero di domande, finalizzate a verificare il livello di comprensione effettiva dei concetti e la capacità degli studenti di applicarli in contesti reali. La prova scritta sarà integrata o con una prova orale o con lo svolgimento di un progetto da svolgere in laboratorio sotto la guida del docente. scheda docente materiale didattico
- Richiami di modellazione (esempi di formulazioni PL, PLI e PNL). Cenni alla complessità computazionale.
- Generalità su Business Analytics. Predictive analytics, alberi di classificazione ottimi, esempi. Prescriptive analytics.
- Algoritmi euristici: Euristiche Costruttive, Ricerca Locale, Ricerca Locale a profondità variabile, Tabu Search, Simulated Annealing, Algoritmi Genetici, cenni ad altre metaeuristiche (GRASP, Iterated Local Search, Variable Neighborhood Search, Guided Local Search, Ant Colony Optimization, ecc.).
- Ottimizzazione robusta.
- Studio di casi reali: (1) ottimizzazione dei flussi nella distribuzione di cibi surgelati dagli impianti di produzione ai rivenditori, (2) ottimizzazione dei turni del personale sanitario nei reparti ospedalieri, (3) ottimizzazione dei percorsi per la raccolta di materiale biologico per analisi di laboratorio, (4) gestione ottima del magazzino di un’azienda che si occupa di vendite online, (5) ottimizzazione della supply chain nel mondo della moda.
2. Slide e materiale didattico fornito dal docente
Mutuazione: 20810208 Decision Support Systems and Analytics in Ingegneria gestionale e dell'automazione LM-32 NICOSIA GAIA
Programma
- Panoramica sui sistemi di supporto alle decisioni (DSS). Model Driven DSS.- Richiami di modellazione (esempi di formulazioni PL, PLI e PNL). Cenni alla complessità computazionale.
- Generalità su Business Analytics. Predictive analytics, alberi di classificazione ottimi, esempi. Prescriptive analytics.
- Algoritmi euristici: Euristiche Costruttive, Ricerca Locale, Ricerca Locale a profondità variabile, Tabu Search, Simulated Annealing, Algoritmi Genetici, cenni ad altre metaeuristiche (GRASP, Iterated Local Search, Variable Neighborhood Search, Guided Local Search, Ant Colony Optimization, ecc.).
- Ottimizzazione robusta.
- Studio di casi reali: (1) ottimizzazione dei flussi nella distribuzione di cibi surgelati dagli impianti di produzione ai rivenditori, (2) ottimizzazione dei turni del personale sanitario nei reparti ospedalieri, (3) ottimizzazione dei percorsi per la raccolta di materiale biologico per analisi di laboratorio, (4) gestione ottima del magazzino di un’azienda che si occupa di vendite online, (5) ottimizzazione della supply chain nel mondo della moda.
Testi Adottati
1. Modelli e metodi decisionali in condizioni di incertezza e rischio, di G. Ghiani, R. Musmanno (a cura di), McGraw-Hill Education, 2009.2. Slide e materiale didattico fornito dal docente
Modalità Erogazione
Lezioni principalmente di didattica frontale sia alla lavagna sia con slide proiettate. Analisi di alcuni casi di studio.Modalità Valutazione
La verifica dell’apprendimento avviene attraverso una prova scritta della durata di circa 2 ore. Lo scritto è organizzato attraverso un certo numero di domande, finalizzate a verificare il livello di comprensione effettiva dei concetti e la capacità degli studenti di applicarli in contesti reali. La prova scritta sarà integrata o con una prova orale o con lo svolgimento di un progetto da svolgere in laboratorio sotto la guida del docente.