27 marzo 2023, ore 14.30 • Fondazione Marco Biagi
Optimal replacement of a fleet of vehicles with budget constraints and CO2 emissions minimization: integer linear programming formulations and dynamic programming models
Relatrice
GIULIA CASELLI, Ph.D Student XXXVI ciclo, Fondazione Marco Biagi – Unimore
Discussant
JUAN JOSÉ MIRANDA BRONT, Associate professor at School of Business – Universidad Torcuato di Tella
Chair
ELISA FLORI, Ph.D Student XXXVII ciclo, Fondazione Marco Biagi – Unimore
Abstract
In the classical vehicle replacement problem, we are given a fleet of vehicles (for example trucks) owned by a company. Every year, the company must decide whether or not to replace each asset to minimize the total discounted costs (purchase prices, operating and maintenance costs, and net of salvage values). In this work, we consider a vehicle replacement problem with budget constraints. In every period of the given time horizon, a keep-or-replace decision must be made for every asset of the fleet while meeting budget constraints. The problem is inspired by a real-world industrial application, and, because of its generality, can be used to model a large variety of further applications. To solve this problem, we provide two integer linear programming formulations and a dynamic program. We consider two extensions of the problem, which are (i) the multi-family multi-challenger problem, where multiple options of asset replacement are given for each family of assets, and (i) the bi-objective problem, where the goal is to minimize the total discounted costs and the CO2 emissions generated by the use of the fleet. The combination of the two defines our extended problem, which is original in the replacement literature, to the best of our knowledge. Our aim is to provide exact algorithms for the extended problem and solve large-size real-world instances efficiently.
Algoritmi di Machine Learning per la previsione della domanda nell’industria alimentare
Relatore
MIRKO MUCCIARINI, Ph.D Student XXXVII ciclo, Fondazione Marco Biagi – Unimore
Discussant
MARCO LIPPI, Professore associato presso Dip. di Scienze e Metodi dell’Ingegneria – Unimore
Chair
ELISA FLORI, Ph.D Student XXXVII ciclo, Fondazione Marco Biagi – Unimore
Abstract
La previsione della domanda è un argomento di grande interesse in ambito teorico e pratico, soprattutto nell’industria alimentare, dove la domanda è altamente variabile e i prodotti hanno una breve durata di conservazione. In questo studio, ci siamo concentrati sulla valutazione dell’efficacia di diversi metodi di machine learning per la previsione della domanda giornaliera di alimenti deperibili. L’analisi è stata effettuata su un dataset reale di un’azienda italiana che opera nel settore della carne lavorata. Sono stati presi in considerazione diversi modelli di previsione, in grado di supportare la gestione del magazzino, la pianificazione della produzione e le decisioni aziendali in generale. In particolare, è stata proposta una procedura di training basata sulla classificazione della domanda, che è risultata essere nel nostro caso di studio, più efficace rispetto ad altre procedure proposte in letteratura. Utilizzando i risultati ottenuti, è stato simulato il comportamento del magazzino aziendale per dimostrare le implicazioni pratiche dei modelli di previsione. La simulazione ha evidenziato come una previsione accurata della domanda possa aumentare l’efficienza e ridurre gli sprechi. In conclusione, i risultati ottenuti in questo studio confermano l’importanza dei metodi di machine learning per la previsione della domanda nel settore alimentare e forniscono nuove prospettive per lo sviluppo di strumenti di supporto alle decisioni aziendali.
Il seminario si terrà in lingua italiana.
Link per partecipare a distanza (non disponibile per dottorandi/e LSI): Clicca qui
La partecipazione al seminario è libera.