9796656 - HEURISTICS AND METAHEURISTICS FOR OPTIMIZATION AND LEARNING

l corso introduce alla progettazione e implementazione di euristiche e meta-euristiche, inclusi gli algoritmi che prendono ispirazione dalla natura e dalla biologia, nonché alle caratteristiche chiavi necessari all'ottenimento di algoritmi di successo. Verranno altresì analizzate varie applicazioni di diverse metodologie di ottimizzazione e learning in ambito dell'ottimizzazione, della sicurezza, della teoria delle decisioni e della teoria dei giochi.

1. Conoscenza e capacità di comprensione (knowledge and understanding): l'obiettivo del corso è quello di far acquisire conoscenze base e avanzate che consentano allo studente di comprendere i meccanismi chiave, teorici e applicativi, che stanno alla base delle euristiche e meta-euristiche necessari all’ottenimento di algoritmi di successo
2. Capacità di applicare conoscenza e comprensione (applying knowledge and understanding): lo studente acquisirà le competenze necessarie per progettare una euristica e una meta-euristica, definendo in modo opportuno la rappresentazione delle soluzioni e i necessari operatori di ricerca della soluzione, nonché la necessaria conoscenza per l’utilizzo di un idoneo protocollo sperimentale atto a valutare correttamente l’efficienza e la robustezza dell’algoritmo sviluppato.
3. Autonomia di giudizio (making judgements): Attraverso esempi applicativi lo studente sarà in grado di elaborare autonomamente proprie soluzioni, al fine di sviluppare un algoritmo in grado di risolvere, anche approssimativamente, un qualunque problema del mondo reale.
4. Abilità comunicative (communication skills): lo studente acquisirà ulteriori abilità comunicative e di appropriatezza espressiva nell'impiego del linguaggio tecnico nell'ambito generale della (i) complessità computazionale, (ii) teoria dei grafi, (iii) sistemi complessi, (iv) ottimizzazione, (v) learning, (vi) euristiche e (vii) meta-euristiche.
5. Capacità di apprendimento (learning skills): il corso si propone, come obiettivo, di fornire allo studente le necessarie metodologie teoriche e pratiche per poter affrontare e risolvere autonomamente nuove problematiche che dovessero sorgere durante l'attività progettuale tipica di un Laureato Magistrale.

Le lezioni si svolgeranno in modalità frontale. Alcune specifiche lezioni potranno però essere svolte in laboratorio.

Il corso può inoltre prevedere seminari tenuti da esperti esterni su argomenti correlati e d'attualità.

Qualora l'insegnamento venisse impartito in modalità mista o a distanza potranno essere introdotte le necessarie variazioni rispetto a quanto dichiarato in precedenza, al fine di rispettare il programma previsto e riportato nel syllabus.

Il corso si suddivide in tre parti fondamentali:

PRIMA PARTE:

• Introduzione alle Teoria della Computabilità: problemi NP-Completi
• Introduzione a concetti di Machine Learning e Computational Learning Theory
  
• Landscape, Search Space e Modelli per l’Ottimizzazione
• Ottimizzazione non vincolata; Ottimizzazione vincolata; Ottimizzazione multi-obiettivo
• Introduzione ai metodi di ottimizzazione

SECONDA PARTE:

1. METODI DI OTTIMIZZAZIONE:
• Algoritmi Greedy 
• Metodi Esatti: dynamic programming; A*; branch & bound algorithm; constraint programming
• Meta-euristiche a singola soluzione: local search; tabu search; iterated local search; simulated annealing; guided local search; and GRASP
• Meta-euristiche basate su popolazione: concetti base
2. ALGORITMI BIO-INSPIRED 
• Algoritmi Genetici e Programmazione Genetica; 
• Sistemi Immunitari Artificiali; 
• Swarm Intelligence: Particle Swarm Optimization, Ant Colony Optimization, Artificial Bee Colony  
• Differential Evolution
  
3. HYBRID METAHEURISTICS
4. PARALLEL METAHEURISTICS
5. ALGORITMI BIO-INSPIRATI per l'ottimizzazione multi-obiettivo e decision making
6. MACHINE LEARNING & METAHEURISTICS

TERZA PARTE

• Applicazioni di met-euristiche in: Network Sciences; Games; Internet of Things; Computer Security; Robotics; Art and Design.