Postgraduate Section 3 1014

• Ελληνικά
• English

Μαθηματικός Προγραμματισμός

Γενικά

Σχολή	Σχολή Θετικών Επιστημών
Τμήμα	Τμήμα Μαθηματικών
Επίπεδο Σπουδών	Μεταπτυχιακό
Κωδικός Μαθήματος	ΣEE3
Εξάμηνο	1
Τίτλος Μαθήματος	Μαθηματικός Προγραμματισμός
Αυτοτελείς Διδακτικές Δραστηριότητες	Διαλέξεις (Εβδομαδιαίες Ώρες Διδασκαλίας: 3, Πιστωτικές Μονάδες: 7.5)
Τύπος Μαθήματος	Ειδικότητας
Προαπαιτούμενα Μαθήματα
Γλώσσα Διδασκαλίας και Εξετάσεων	Ελληνική
Τρόπος Διεξαγωγής Μαθήματος	Δια ζώσης (100%)
Το Μάθημα Προσφέρεται σε Φοιτητές Erasmus	Ναι (στην Αγγλική γλώσσα)
Ηλεκτρονική Σελίδα Μαθήματος (URL)	Δείτε το eCourse, την Πλατφόρμα Ασύγχρονης Εκπαίδευσης του Πανεπιστημίου Ιωαννίνων.

Μαθησιακά Αποτελέσματα

Μαθησιακά Αποτελέσματα

Στόχοι του μαθήματος είναι: η εισαγωγή των φοιτητών στο μαθηματικό προγραμματισμό με έμφαση στις τεχνικές επίλυσης ντετερμινιστικών μοντέλων και στην ανάλυση της υποκείμενης μαθηματικής δομής αυτών των μοντέλων. Με την επιτυχή ολοκλήρωση του μαθήματος ο φοιτητής /τρια θα είναι σε θέση να: μοντελοποιεί πολύπλοκα συστήματα εμπεδώσει την αυστηρά μαθηματική θεμελίωση της μεθόδου Simplex κατανοεί και εφαρμόζει τεχνικές που χρησιμοποιούνται για την επίλυση γραμμικών προβλημάτων βελτιστοποίησης εφαρμόζει τεχνικές δυναμικού προγραμματισμού αναγνωρίζει και εφαρμόζει τις κατάλληλες πολιτικές διαχείρισης αποθεμάτων (ανάλογα με τις υφιστάμενες κάθε φορά υποθέσεις του συστήματος)

Γενικές Ικανότητες

Αυτόνομη εργασία Λήψη αποφάσεων Προσαρμογή σε νέες καταστάσεις Προαγωγή της ελεύθερης, δημιουργικής και επαγωγικής σκέψης Σύνθεση δεδομένων και πληροφοριών, με τη χρήση και των απαραίτητων τεχνολογιών

Περιεχόμενο Μαθήματος

Μοντελοποίηση προβλημάτων γραμμικού προγραμματισμού. Ο αλγόριθμος Simplex. Μέθοδος του μεγάλου Μ. Μέθοδος δύο φάσεων. Αναθεωρημένη μέθοδος Simplex. Δυική θεωρία. Δυικός αλγόριθμος Simplex. Ανάλυση ευαισθησίας. Παραμετρική ανάλυση. Τα προβλήματα μεταφοράς, μεταφόρτωσης και εκχώρησης. Δυναμικός προγραμματισμός: Η αρχή βελτιστοποίησης του Bellman. Μαθηματικά μοντέλα διακριτού δυναμικού τύπου με βέβαιο μέλλον. Εφαρμογές του δυναμικού προγραμματισμού. Θέματα διαχείρισης αποθεμάτων.

Διδακτικές και Μαθησιακές Μέθοδοι - Αξιολόγηση

Τρόπος Διδασκαλίας	Στην τάξη.
Τρόπος και Συχνότητα Επικοινωνίας με Φοιτητές	Η επικοινωνία με τους φοιτητές γίνεται: Μέσω email. Δια ζώσης στο γραφείο. Κατά τη διάρκεια των διαλέξεων. Η συχνότητα επικοινωνίας με τους φοιτητές καθορίζεται από τις ανάγκες των φοιτητών.
Διασφάλιση Τρόπου Επικοινωνίας Μεταξύ Φοιτητών	Συνέργεια στα πλαίσια της παράδοσης του μαθήματος.
Χρήση Τεχνολογιών Πληροφορίας και Επικοινωνιών	Χρήση Lindo/Lingo Software Χρήση Τ.Π.Ε. στην Επικοινωνία.
Απαιτούμενος Τεχνολογικός Εξοπλισμός και Γνώσεις Τεχνολογίας	Δεν απαιτείται τεχνολογικός εξοπλισμός, καθώς παρέχεται. Δεν απαιτούνται εξειδικευμένες γνώσεις τεχνολογίας.
Πολιτική Μαθήματος για τη Λογοκλοπή και Εργαλεία Ελέγχου Λογοκλοπής	Η λογοκλοπή απαγορεύεται ρητά και τιμωρείται κλιμακούμενα, ανάλογα με την επανάληψη της χρήσης της. Ελέγχεται, δε, με σχετικά εργαλεία όπως το "Turnitin", που παρέχει η Βιβλιοθήκη του Πανεπιστημίου.
Πολιτική Μαθήματος για τη Χρήση Τεχνητής Νοημοσύνης	Επιτρέπεται η χρήση Τεχνητής Νοημοσύνης κατόπιν άδειας από τον διδάσκοντα/τη διδάσκουσα.
Οργάνωση Διδασκαλίας	Δραστηριότητα Φόρτος Εργασίας Εξαμήνου Διαλέξεις 39 Αυτοτελής Μελέτη 70 Ασκήσεις Πεδίου (7-8 σύνολα ασκήσεων) 78.5 Σύνολο Μαθήματος 187.5
Αξιολόγηση Φοιτητών	Γραπτές εργασίες (30%) Γραπτή τελική εξέταση (70%)

Συνιστώμενη Βιβλιογραφία

Δείτε την υπηρεσία Εύδοξος.

Mathematical Programming

General

School	School of Science
Academic Unit	Department of Mathematics
Level of Studies	Graduate
Course Code	ΣΕΕ3
Semester	1
Course Title	Mathematical Programming
Independent Teaching Activities	Lectures (Weekly Teaching Hours: 3, Credits: 7.5)
Course Type	Special Background
Prerequisite Courses	-
Language of Instruction and Examinations	Greek
Mode of Course Delivery	Face-to-face (100%)
Is the Course Offered to Erasmus Students	Yes (in English)
Course Website (URL)	See eCourse, the Learning Management System maintained by the University of Ioannina.

Learning Outcomes

Learning outcomes

The course learning outcomes are: the presentation of mathematical programming problems, the presentation of their solution techniques and their applications in several areas such as production, distribution, routing, etc. Upon successful completion of the course the student will be able to: model complex systems comprehend the mathematical foundation of the Simplex method and the dual theory select the appropriate algorithm for a particular optimization problem understand and apply the appropriate techniques required to solve linear optimization problems understand the principles of dynamic programming and apply dynamic programming solution techniques recognize and apply the appropriate inventory management policies (depending, each time, on underlying assumptions of the system)

General Competences

Working independently Decision-making Adapting to new situations Production of free, creative and inductive thinking Synthesis of data and information, with the use of the necessary technology Project planning and management

Syllabus

Linear programming problems formulation. The Simplex algorithm. Big M-method. Two-Phase method. Revised Simplex method. Duality theory. Dual Simplex algorithm. Sensitivity analysis. Parametric analysis. Transportation problem. Transhipment problem. Assignment problem. Dynamic programming: Bellman principle of optimality, finite and infinite horizon problems. Applications of dynamic programming. Inventory control.

Teaching and Learning Methods - Evaluation

Mode of Instruction	Face-to-face.
Mode and Frequency of Communication with Students	Communication with students takes place through: Email. In-person meetings during office hours. During lectures. The frequency of communication with students is determined by their needs.
Ensuring Communication Among Students	Collaboration and interaction are encouraged within the context of course delivery.
Use of Information and Communications Technology	Lindo/Lingo Software, Mathematica, Email, Class Web.
Required Technological Equipment and Technology Skills	No technological equipment is required from students, as all necessary equipment is provided. No specialized technology skills are required.
Course Policy on Plagiarism and Plagiarism Detection Tools	Plagiarism is strictly prohibited and is subject to progressively stricter penalties in the event of repeated offenses. It is monitored using plagiarism detection tools such as Turnitin, which is provided by the University Library.
Course Policy on the Use of Artificial Intelligence	The use of Artificial Intelligence is permitted only with the prior approval of the instructor.
Teaching Methods	Activity Semester Workload Lectures 39 Study and analysis of bibliography 78 Preparation of assignments and interactive teaching 70.5 Course total 187.5
Student Performance Evaluation	Language of Evaluation: Greek Methods of Evaluation: Written work (30%), Final exam (70%).

Attached Bibliography

See the official Eudoxus site.