Politecnico di Torino | Servizi per la didattica

KEYWORD

Metodi di ottimizzazione e statistical learning

keywords DESIGN OF EXPERIMENTS, OTTIMIZZAZIONE A NUMERI INTERI, OTTIMIZZAZIONE ROBUSTA

Reference persons PAOLO BRANDIMARTE, ROBERTO FONTANA

Research Groups Probabilita', statistica e ottimizzazione

Description Tipicamente, quando si studia la teoria della regressione lineare, si dà per scontato che sia disponibile un campione di osservazioni, sulla base del quale stimare il modello. In realtà esistono molte situazioni in cui siamo noi stessi a dover generare il campione di osservazioni.

Quando le osservazioni sono costose, o in termini economici perché derivano da misure sperimentali, o in termini computazionali perché derivano da simulazioni numeriche dispendiose, si pone il problema di pianificare gli esperimenti stessi (design of experiments, DoE), in modo da massimizzare l’informazione ricavata e ottenere un modello affidabile, senza eccedere un budget (di tempo, denaro, etc.).

Il problema si pone non solo nella stima di un modello di regressione, ma anche, per esempio, quando si tratta di assegnare soggetti a trattamenti, oppure costruire metamodelli per algoritmi di ottimizzazione basata su simulazione.

Recenti sviluppi nell’ottimizzazione a numeri interi e nell’ottimizzazione robusta rendono possibili approcci innovativi rispetto a quelli tradizionali della statistica. Oggetto della proposta di tesi è la valutazione di alcuni di questi approcci mediante esperimenti computazionali.

L'archivio contiene alcuni paper indicativi.