ECTS - University of Pisa
| Modules | Area | Type | Hours | Teacher(s) | |
| TEORIA E METODI DELL'OTTIMIZZAZIONE | MAT/09 | LEZIONI | 42 |
|
L'insegnamento si prefigge l'obiettivo di far conoscere i prinicipali aspetti teorici ed i principali algoritmi risolutivi dei problemi di ottimizzazione nonlineare in dimensione finita.
The course aims at showing the main theoretical concepts and algorithms for nonlinear optimization problems in finite dimension.
L'insegnamento si prefigge l'obiettivo di mettere in grado gli studenti di formulare, analizzare e risolvere problemi di ottimizzazione nonlineare in dimensione finita.
The course aims at enabling students to formulate, analyse and solve nonlinear optimization problems in finite dimension.
Lo studente potrà acquisire sensibilità nella formulazione di problemi applicativi in differenti campi tramite problemi di ottimizzazione nonlineare.
The student should open up the mind to the formulation of concrete problems from different fields as nonlinear optimization problems.
Algebra lineare. Nozioni di base di topologia. Convergenza in spazi metrici. Calcolo differenziale per funzioni di più variabili reali.
Linear algebra. Basic notions of topology. Convergence in metric spaces. Multivariate calculus.
Classificazione dei problemi di ottimizzazione. Ottimizzazione non lineare: funzioni e insiemi convessi, massimi e minimi locali e globali, analisi convessa e calcolo sottodifferenziale, condizioni di ottimalità, teoria della dualità, metodi risolutivi per problemi non vincolati (gradiente, Newton, sottogradiente, senza derivate) e vincolati (gradiente condizionato, gradiente e sottogradiente proiettato, penalizzazione, punto interno), minimi quadrati non lineari. Equilibri nei giochi non cooperativi. Applicazioni a problemi specifici (ad esempio: approssimazione e data/curve fitting, modelli di crescita, disposizione spaziale di molecole, trasporti su reti urbane e informatiche, teoria finanziaria del portafoglio, relazioni tra grandezze economiche, equilibri economici), ottimizzazione per l'intelligenza artificiale e l'apprendimento automatico.
Classification of optimization problems. Nonlonear optimization: convex functions and convex sets, local and global minima and maxima, convex analysis and subdifferential calculus, optimality conditions, duality theory, algorithms for unconstrained optimization (gradient descent, Newton, subgradient, derivate free) and constrained optimization (conditional gradient, projected gradient and subgradient, penalization, interior point, proximal gradient in composite optimization), nonlinear least squares. Equilibria in noncooperative games. Applications to specific problems (e.g., approximation and data/curve fitting, growth models, spatial configurations of moleculse, trasportation on urban and telecommunication networks, portfolio management, economic measures and their eventual relationships, economic equilibria), optimization in artificial intelligence and machine learning.
Non è prevista l'adozione di un libro di testo specifico. Durante il corso verrà fornita la lista dettagliata degli argomenti e dei riferimenti per ciascuno di essi
nonché appunti del docente stesso.
Appunti
http://pages.di.unipi.it/bigi/dida/tmo/lista.html
Referenze principali
Per ulteriori referenze consultare questa pagina
No textbook will be adopted. During the classes the instructor will provide a detailed list of references for each topic. Some handwritten lecture notes by the instructor are available as well.
Lecture notes
http://pages.di.unipi.it/bigi/dida/tmo/lista.html
Main references
For further references check this page
Gli studenti che hanno frequentato le lezioni con regolarità (almeno 32 ore) possono scegliere di sostenere l'esame tramite una delle seguenti prove:
mentre gli altri studenti dovranno necessariamente sostenere il colloquio finale.
Il colloquio verte sugli argomenti svolti durante il corso ed è articolato in una serie di domande volte ad accertare la comprensione degli argomenti. Il seminario (indicativamente di 1 ora) e la relazione vertono su uno specifico argomento che approfondisce e/o amplia alcuni degli argomenti illustrati durante il corso. L'argomento è scelto di comune accordo con il docente. Dal momento della definizione dell'argomento lo studente avrà 2 mesi di tempo per sostenere l'esame.
Students who regularly attended classes (32h or more) are free to choose one of the following examination procedures:
while those who didn't will be necessarily examed via a final interview on the contents of the course. The seminar will be an approximatively 1h talk on an advanced topic related to the contents of the course, while the report provides a detailed analysis of the same topic. The choice of the topic will be jointly made by the student and the instructor. Once the topic is chosen, the student will have 2 months to deliver the report and give the talk.
