Durata (ore):
56
CFU:
6
SSD:
IMPIANTI INDUSTRIALI MECCANICI
Sede:
BRESCIA
Url:
INGEGNERIA GESTIONALE/Modellistica ed ottimizzazione Anno: 2
Anno:
2025
Course Catalogue:
Dati Generali
Periodo di attività
Primo Semestre (15/09/2025 - 23/12/2025)
Syllabus
Obiettivi Formativi
1) CONOSCENZA E CAPACITÀ DI COMPRENSIONE
L’insegnamento si propone di fornire allo studente conoscenze fondamentali sulla teoria delle code e sui principali modelli stocastici utilizzati per descrivere sistemi di servizio (modelli Markoviani, reti di code, processi di nascita–morte). Verranno inoltre approfonditi i principi della simulazione ad eventi discreti, le tecniche di generazione di variabili aleatorie, il trattamento statistico dei risultati e le metodologie per la progettazione e validazione di modelli simulativi complessi. (Descrittore di Dublino 1 – Knowledge and understanding).
2) CAPACITÀ DI APPLICARE CONOSCENZA E COMPRENSIONE
Lo studente sarà in grado di modellare sistemi reali tramite code e tecniche di simulazione, definendo correttamente gli input, le dinamiche di evento e le metriche prestazionali. Sarà capace di analizzare gli effetti dei parametri di sistema (tassi di arrivo, capacità, politiche di scheduling) sulle prestazioni e di utilizzare strumenti software per implementare modelli simulativi, interpretare dati e proporre scenari alternativi. (Descrittore di Dublino 2 – Applying knowledge and understanding).
3) AUTONOMIA DI GIUDIZIO
Lo studente sarà in grado di valutare criticamente modelli analitici e simulativi, riconoscendone limiti, ipotesi e ambiti di applicabilità. Saprà scegliere autonomamente l’approccio più adatto (analitico vs simulativo), considerando complessità del sistema, accuratezza richiesta, costi computazionali e disponibilità dei dati. Sarà inoltre in grado di formulare giudizi basati sull’integrazione di risultati teorici, sperimentali e simulativi. (Descrittore di Dublino 3 – Making judgements).
4) ABILITÀ COMUNICATIVE
Lo studente svilupperà la capacità di presentare in modo chiaro ed efficace modelli, risultati e scelte metodologiche legate alla teoria delle code e alla simulazione ad eventi discreti. Saprà redigere relazioni presentazioni, documentare i modelli implementati e comunicare i risultati attraverso grafici, metriche e indicatori prestazionali, utilizzando un linguaggio tecnico corretto. (Descrittore di Dublino 4 – Communication skills).
5) CAPACITÀ DI APPRENDIMENTO
Lo studente consoliderà la capacità di consultare letteratura scientifica, specifiche tecniche e manuali di software di simulazione, al fine di aggiornare continuamente le proprie conoscenze su modelli, algoritmi e tecniche emergenti. Acquisirà autonomia nell’approfondimento di metodologie avanzate di analisi di sistemi stocastici e nella comprensione di studi applicativi in ambito produttivo, logistico, informatico e dei servizi. (Descrittore di Dublino 5 – Learning skills).
L’insegnamento si propone di fornire allo studente conoscenze fondamentali sulla teoria delle code e sui principali modelli stocastici utilizzati per descrivere sistemi di servizio (modelli Markoviani, reti di code, processi di nascita–morte). Verranno inoltre approfonditi i principi della simulazione ad eventi discreti, le tecniche di generazione di variabili aleatorie, il trattamento statistico dei risultati e le metodologie per la progettazione e validazione di modelli simulativi complessi. (Descrittore di Dublino 1 – Knowledge and understanding).
2) CAPACITÀ DI APPLICARE CONOSCENZA E COMPRENSIONE
Lo studente sarà in grado di modellare sistemi reali tramite code e tecniche di simulazione, definendo correttamente gli input, le dinamiche di evento e le metriche prestazionali. Sarà capace di analizzare gli effetti dei parametri di sistema (tassi di arrivo, capacità, politiche di scheduling) sulle prestazioni e di utilizzare strumenti software per implementare modelli simulativi, interpretare dati e proporre scenari alternativi. (Descrittore di Dublino 2 – Applying knowledge and understanding).
3) AUTONOMIA DI GIUDIZIO
Lo studente sarà in grado di valutare criticamente modelli analitici e simulativi, riconoscendone limiti, ipotesi e ambiti di applicabilità. Saprà scegliere autonomamente l’approccio più adatto (analitico vs simulativo), considerando complessità del sistema, accuratezza richiesta, costi computazionali e disponibilità dei dati. Sarà inoltre in grado di formulare giudizi basati sull’integrazione di risultati teorici, sperimentali e simulativi. (Descrittore di Dublino 3 – Making judgements).
4) ABILITÀ COMUNICATIVE
Lo studente svilupperà la capacità di presentare in modo chiaro ed efficace modelli, risultati e scelte metodologiche legate alla teoria delle code e alla simulazione ad eventi discreti. Saprà redigere relazioni presentazioni, documentare i modelli implementati e comunicare i risultati attraverso grafici, metriche e indicatori prestazionali, utilizzando un linguaggio tecnico corretto. (Descrittore di Dublino 4 – Communication skills).
5) CAPACITÀ DI APPRENDIMENTO
Lo studente consoliderà la capacità di consultare letteratura scientifica, specifiche tecniche e manuali di software di simulazione, al fine di aggiornare continuamente le proprie conoscenze su modelli, algoritmi e tecniche emergenti. Acquisirà autonomia nell’approfondimento di metodologie avanzate di analisi di sistemi stocastici e nella comprensione di studi applicativi in ambito produttivo, logistico, informatico e dei servizi. (Descrittore di Dublino 5 – Learning skills).
Prerequisiti
Conoscenza della statistica e del calcolo delle probabilità. Fondamenti di programmazione informatica.
Metodi didattici
Gli argomenti sono presentati tramite presentazioni di slide o sviluppate alla lavagna.
Parti pratiche e attività di laboratorio sono pianificati in forma di esercizi guidati e discussione di casi industriali.
Una selezione del materiale presentato in classe, nonché risorse online e materiale utile saranno disponibili nel database del corso.
Ulteriore materiale di approfondimento sarà fornito e/o raccomandato dall'insegnante.
Parti pratiche e attività di laboratorio sono pianificati in forma di esercizi guidati e discussione di casi industriali.
Una selezione del materiale presentato in classe, nonché risorse online e materiale utile saranno disponibili nel database del corso.
Ulteriore materiale di approfondimento sarà fornito e/o raccomandato dall'insegnante.
Verifica Apprendimento
Le prove di verifica dell'apprendimento sono volte ad accertare la conoscenza degli argomenti elencati nel Programma ufficiale del Corso e la capacità di applicare i concetti teorici appresi a casi applicativi pratici.
Regole di ammissione
Le regole sono identiche sia per frequentanti che per non frequentanti.
Per partecipare all'esame è necessario essere regolarmente iscritti ad una sessione d'esame pubblicata sul sistema esse3 di ateneo.
Tipologia delle prove
La verifica delle competenze acquisti si compone di una esercitazione pratica facoltativa (di seguito soluzione del caso di studio) e di una prova d’esame scritta dove si verificano le conoscenze teoriche ed applicative dei contenuti del corso.
Esercitazione pratica:
Durante lo svolgimento del corso viene consegnato un caso di studio da sviluppare in gruppi di studenti definiti dal docente tramite l’impiego del Software di Simulazione illustrato nel corso stesso.
La prova consiste:
1) nella consegna di una relazione in word dove si deve spiegare il modello simulativo costruito e rispondere ai quesiti posti per la soluzione del caso industriale consegnato.
2) nell’esposizione di una presentazione in power point dove verrà illustrato oralmente in classe al docente il modello realizzato ed i risultati ottenuti.
Ogni allievo dovrà illustrare durante l’esposizione una parte del progetto sviluppato e questo ne permetterà la valutazione individuale. Il punteggio massimo ottenibile durante la prova è 3/30.
Prova d’esame scritta:
Modalità di svolgimento
La prova è divisa in due parti che si terranno lo stesso giorno dell’appello in modo consecutivo. La prima prova è la verifica dei contenuti teorici, mentre la seconda è relativa allo svolgimento di esercizi di applicazione.
Per la prova di teoria non è possibile usare nessun tipo di supporto salvo quanto previsto per gli studenti con DSA o disabilità.
Per la prova di esercizi è possibile usare il materiale fornito dal docente durante lo svolgimento del corso e condiviso sul portale del corso oltre a quanto previsto per gli studenti con DSA o disabilità.
In entrambe le prove si può ottenere un risultato massimo di 32 punti.
Criteri di valutazione
Il voto è dato dal voto mediato delle due prove scritte a cui si aggiunge il punteggio ottenuto dalla prova di esercitazione pratica se sostenuta.
Nel caso in cui si consegua un punteggio di 31 o 32 sarà attribuito 30 e lode come voto della prova.
Note organizzative
Il voto finale del modulo “MODELING AND SIMULATION OF PRODUCTIVE PROCESSES” concorre alla determinazione del voto finale del corso “PROCESS OPTIMIZATION”, e verrà mediato con il voto del modulo “OPTIMIZATION ALGORITHMS”
Regole di ammissione
Le regole sono identiche sia per frequentanti che per non frequentanti.
Per partecipare all'esame è necessario essere regolarmente iscritti ad una sessione d'esame pubblicata sul sistema esse3 di ateneo.
Tipologia delle prove
La verifica delle competenze acquisti si compone di una esercitazione pratica facoltativa (di seguito soluzione del caso di studio) e di una prova d’esame scritta dove si verificano le conoscenze teoriche ed applicative dei contenuti del corso.
Esercitazione pratica:
Durante lo svolgimento del corso viene consegnato un caso di studio da sviluppare in gruppi di studenti definiti dal docente tramite l’impiego del Software di Simulazione illustrato nel corso stesso.
La prova consiste:
1) nella consegna di una relazione in word dove si deve spiegare il modello simulativo costruito e rispondere ai quesiti posti per la soluzione del caso industriale consegnato.
2) nell’esposizione di una presentazione in power point dove verrà illustrato oralmente in classe al docente il modello realizzato ed i risultati ottenuti.
Ogni allievo dovrà illustrare durante l’esposizione una parte del progetto sviluppato e questo ne permetterà la valutazione individuale. Il punteggio massimo ottenibile durante la prova è 3/30.
Prova d’esame scritta:
Modalità di svolgimento
La prova è divisa in due parti che si terranno lo stesso giorno dell’appello in modo consecutivo. La prima prova è la verifica dei contenuti teorici, mentre la seconda è relativa allo svolgimento di esercizi di applicazione.
Per la prova di teoria non è possibile usare nessun tipo di supporto salvo quanto previsto per gli studenti con DSA o disabilità.
Per la prova di esercizi è possibile usare il materiale fornito dal docente durante lo svolgimento del corso e condiviso sul portale del corso oltre a quanto previsto per gli studenti con DSA o disabilità.
In entrambe le prove si può ottenere un risultato massimo di 32 punti.
Criteri di valutazione
Il voto è dato dal voto mediato delle due prove scritte a cui si aggiunge il punteggio ottenuto dalla prova di esercitazione pratica se sostenuta.
Nel caso in cui si consegua un punteggio di 31 o 32 sarà attribuito 30 e lode come voto della prova.
Note organizzative
Il voto finale del modulo “MODELING AND SIMULATION OF PRODUCTIVE PROCESSES” concorre alla determinazione del voto finale del corso “PROCESS OPTIMIZATION”, e verrà mediato con il voto del modulo “OPTIMIZATION ALGORITHMS”
Testi
"Fundamentals of queueing theory" – Gross et al. – Wiley
"Stochastic Petri Nets: Modelling, Stability and Simulation" – Haas –
Springer
"Tecniche di ottimizzazione dei sistemi produttivi" – Zavanella e Ferretti –
Ed. Snoopy
Materiale di supporto al corso (ad esempio, lucidi, articoli scientifici)
"Stochastic Petri Nets: Modelling, Stability and Simulation" – Haas –
Springer
"Tecniche di ottimizzazione dei sistemi produttivi" – Zavanella e Ferretti –
Ed. Snoopy
Materiale di supporto al corso (ad esempio, lucidi, articoli scientifici)
Contenuti
1. Teoria delle code.
2. Catene di Markov.
3. Reti di Petri.
4. Simulazione ad eventi discreti, cenni alla simulazione continua.
5. Tecniche di supporto alle decisioni.
2. Catene di Markov.
3. Reti di Petri.
4. Simulazione ad eventi discreti, cenni alla simulazione continua.
5. Tecniche di supporto alle decisioni.
Lingua Insegnamento
Inglese.
Altre informazioni
Nessuna.
Corsi
Corsi
INGEGNERIA GESTIONALE
Laurea Magistrale
2 anni
No Results Found
Persone
Persone
No Results Found