MODELLISTICA E OTTIMIZZAZIONE
Anno accademico 2025/2026 - Docente: Arturo BUSCARINORisultati di apprendimento attesi
Conoscenza e capacità di comprensione
Conoscenze relative alla modellistica di sistemi lineari e alle tecniche di controllo ottimo e in presenza di incertezza. Elementi di modellistica non lineare anche usando algoritmi neurali. Conoscenze relative ai più comuni metodi di risoluzione di problemi di ottimizzazione lineare e non lineare.
Conoscenze applicate e capacità di comprensione
Strumenti software per la risoluzione di problemi di modellistica e ottimizzazione.
Autonomia di giudizio
Lo studente sarà in grado di determinare in maniera autonoma la tecnica di modellistica più opportuna in base alle caratteristiche del processo. Lo studente saprà modellizzare problemi di gestione delle risorse in termini di problemi di ottimizzazione lineare/non-lineare.
Abilità comunicative
Lo studente sarà in grado di conoscere gli aspetti di base teorici e tecnici relativi alla modellizzazione di sistemi e problemi di gestione delle risorse e saprà interfacciarsi con gli ingegneri di processo per problemi collegati a tali aspetti.
Capacità di apprendere
Lo studente saprà riconoscere e risolvere i diversi problemi di programmazione e ottimizzazione. Lo studente sarà in grado di scegliere il metodo di modellizzazione più adatto in base all'osservazione dei dati a disposizione.
Modalità di svolgimento dell'insegnamento
Il corso si svilupperà mediante lezioni frontali ed esercitazioni in aula con l'ausilio del programma Matlab.
Prerequisiti richiesti
Conoscenze di base sui sistemi dinamici lineari e di algebra lineare.
Frequenza lezioni
Lo studente è tenuto a frequentare almeno il 70% delle lezioni del corso, cfr. Punto 3.4 del Regolamento Didattico del CdLM in Ingegneria Gestionale, l’iscrizione al corso è obbligatoria sul sito studium.unict.it.
Contenuti del corso
Il corso ha l'obiettivo di fornire conoscenze relative alla modellistica e al controllo di sistemi dinamici. In particolare, si affronteranno tematiche inerenti il controllo ottimo e il controllo in presenza di incertezza. Inoltre, verranno forniti elementi di modellistica avanzata basata su algoritmi di intelligenza artificiale. Infine, si introdurrà la tematica della risoluzione di problemi di programmazione lineare e non lineare mediante le tecniche algoritmiche più usate.
Testi di riferimento
1. L. Fortuna, M. Frasca, A. Buscarino, Optimal and Robust Control - Advanced topics with MATLAB, CRC Press, 2021.
2. F. S. Hillier, G.J. Liebermann, Introduction to Operations Research, Ed. McGraw Hill, 11th edition, 2021.
3. S. Haykin, Neural Networks and Learning Machines, Pearson, 2016.
Programmazione del corso
| Argomenti | Riferimenti testi | |
|---|---|---|
| 1 | Introduzione: Richiami di teoria dei sistemi (Prof. Buscarino) | Testo 1: Cap.1-2 |
| 2 | Concetti fondamentali e terminologia (Prof. Buscarino) | Testo 1: Cap 1-2 |
| 3 | Decomposizione ai valori singolari (Prof. Buscarino) | Testo 1: Cap 4 |
| 4 | Analisi alle componenti principali e Realizzazione bilanciata a catena aperta (Prof. Buscarino) | Testo 1: Cap 5 |
| 5 | Controllo Ottimo (Prof. Buscarino) | Testo 1: Cap 8 |
| 6 | Introduzione alla programmazione Lineare (Prof. Famoso) | Testo 2: Cap. 1-2-3 |
| 7 | Metodi di risoluzione di problemi di programmazione lineare (Prof. Famoso) | Testo 2: Cap 4-5 |
| 8 | Metodi di risoluzione di problemi di programmazione binaria e non lineare (Prof. Famoso) | Testo 2: Cap. 12-13 |
| 9 | Modellistica mediante reti neurali (Prof. Buscarino) | Testo 3 |
Verifica dell'apprendimento
Modalità di verifica dell'apprendimento
L'esame consiste in una prova unica inerente la discussione di una procedura di modellistica mediante l'uso di MATLAB, un argomento di carattere teorico e lo sviluppo di un esercizio pratico.
Esempi di domande e/o esercizi frequenti
Proporre un modello basato su rete neurale a partire da una serie temporale; il bilanciamento a catena aperta/chiusa; il controllo ottimo; teorema fondamentale della programmazione lineare; progettare il compensatore ottimo che assicuri valori singolari di Hankel e/o valori caratteristici dati; impostare un problema di ottimizzazione e risolverlo mediante metodo del simplesso.