CONTROL OF COMMUNICATION AND ENERGY NETWORKS

Obiettivi formativi

Obiettivi generali Il corso mira ad applicare metodologie avanzate di controllo dinamico a reti/sistemi adottando un approccio astratto tecnologicamente indipendente che affronta il problema del controllo di rete/sistema, tralasciando le specifiche tecnologie di rete/sistema. Gli studenti saranno in grado di progettare azioni di controllo adatte alle reti/sistemi di comunicazione, energia, trasporto, sicurezza, salute. Obiettivi specifici Conoscenza e comprensione: Gli studenti saranno in grado di conoscere la specificità di alcuni ambienti applicativi quali quelli delle reti/sistemi di comunicazione, energia, trasporto, sicurezza, salute, nonchè di modellare astrattamente e controllare tali reti/sistemi. Inoltre, nel caso la modellizzazione di tali reti/sistemi sia impossibile o troppo complessa da realizzare, gli studenti saranno in grado di utilizzare tecniche data-driven in grado di coniugare metodologie di controllo con metodologie di intelligenza artificiale/machine learning. Applicare conoscenza e comprensione: Gli studenti saranno consapevoli delle principali problematiche e in grado di progettare azioni di controllo applicabili a reti/sistemi di comunicazione, di energia, trasporto, sicurezza, salute finalizzate al soddisfacimento di assegnate specifiche progettuali. Capacità critiche e di giudizio: Gli studenti saranno in grado di scegliere le metodologie di controllo più adatte ai problemi specifici e di valutare la complessita' delle soluzioni proposte. Capacità comunicative: Le attività del corso permettono allo studente di essere in grado di comunicare/condividere (i) le principali problematiche inerenti reti/sistemi di comunicazione, energia, trasporto, sicurezza, salute, (ii) possibili scelte progettuali per il controllo di tali reti/sistemi. Inoltre, il corso prevede la possibilita’ di effettuare tesine applicative su argomenti correlati a progetti portati avanti dal gruppo di ricerca coordinato dal docente; nell’ambito di tali attività, gli studenti acquisiranno capacità di collaborare in gruppo. Capacità di apprendimento: Le modalità di svolgimento del corso mirano a creare una forma mentis dello studente orientata al controllo di sistemi/reti complessi, combinando, in maniera opportuna, metodologie provenienti dall'automatica e da vari altri ambiti dell'ingegneria.

Canale 1
Danilo Menegatti Scheda docente

Programmi - Frequenza - Esami

Programma
La prima parte del corso (circa 40 ore) dettaglia le seguenti metodologie: Markov Decision Process, Dynamic Programming, Reinforcement Learning (in particolare, TD learning, Sarsa, Q-learning), Machine Learning (k-means, clustering). Oltre l'aspetto teorico, si considera l'utilizzo pratico di tali metodologie per il controllo di reti/sistemi di comunicazione, energia, trasporto, sicurezza, salute. La seconda parte del corso (circa 20 ore svolte in parallelo con la seconda parte), tenuta in costante sinergia con i progetti di ricerca finanziati dall'Unione Europea, (i) fornisce una panoramica sulle attuali problematiche di controllo relative a comunicazione, energia, trasporti, sicurezza e salute, (ii) dettaglia come i metodi di controllo considerati nella prima parte del corso, così come altri metodi di controllo introdotti nei corsi precedenti (es. Model Predictive Control) possono essere utilizzati per risolvere i problemi sopra menzionati.
Prerequisiti
Non e' necessario alcun prerequisito. Non ci sono esami propedeutici.
Testi di riferimento
- R.S. Sutton and A.G. Barto, "Reinforcement Learning: An Introduction," MIT Press, 1998 - Cristopher M. Bishop, "Pattern Recognition and Machine Learning", Springer, 2006. - John D. Kelleher, "Deep Learning", MIT Press, 2019. - Dispense derivanti dal materiale relativo al seminari.
Modalità insegnamento
Tradizionale con possibile tesina. Il corso viene erogato utilizzando la lavagna e/o le slides a seconda dell'argomento. Se non è possibile svolgere le lezioni in aula con tutti gli studenti causa pandemia le lezioni vengono svolte in modalità mista (in aula con streaming per gli studenti che fruiscono da remoto) o esclusivamente in streaming se nessuno studente può frequentare. Le istruzioni sono indicate nella pagina del corso https://corsidilaurea.uniroma1.it/it/users/francescodellipriscoliuniroma1it
Frequenza
La frequenza alle lezioni non è obbligatoria, ma è fortemente consigliata
Modalità di esame
Prova scritta con discussione orale, o valutazione di tesina. La prova scritta consiste in due domande sulla parte teorica del corso e una domanda molto generale su uno dei seminari svolti. Indicativamente ogni domanda pesa per un terzo della valutazione. Tutte le domande sono a risposta aperta. In alternativa, lo studente può optare per una tesina di approfondimento (con contributo personale richiesto), da effettuare a casa, di uno dei seminari tenuti durante il corso, previa idoneità.
Modalità di erogazione
Tradizionale con possibile tesina. Il corso viene erogato utilizzando la lavagna e/o le slides a seconda dell'argomento.
Danilo Menegatti Scheda docente

Programmi - Frequenza - Esami

Programma
La prima parte del corso (circa 40 ore) dettaglia le seguenti metodologie: Markov Decision Process, Dynamic Programming, Reinforcement Learning (in particolare, TD learning, Sarsa, Q-learning), Machine Learning (k-means, clustering). Oltre l'aspetto teorico, si considera l'utilizzo pratico di tali metodologie per il controllo di reti/sistemi di comunicazione, energia, trasporto, sicurezza, salute. La seconda parte del corso (circa 20 ore svolte in parallelo con la seconda parte), tenuta in costante sinergia con i progetti di ricerca finanziati dall'Unione Europea, (i) fornisce una panoramica sulle attuali problematiche di controllo relative a comunicazione, energia, trasporti, sicurezza e salute, (ii) dettaglia come i metodi di controllo considerati nella prima parte del corso, così come altri metodi di controllo introdotti nei corsi precedenti (es. Model Predictive Control) possono essere utilizzati per risolvere i problemi sopra menzionati.
Prerequisiti
Non e' necessario alcun prerequisito. Non ci sono esami propedeutici.
Testi di riferimento
- R.S. Sutton and A.G. Barto, "Reinforcement Learning: An Introduction," MIT Press, 1998 - Cristopher M. Bishop, "Pattern Recognition and Machine Learning", Springer, 2006. - John D. Kelleher, "Deep Learning", MIT Press, 2019. - Dispense derivanti dal materiale relativo al seminari.
Modalità insegnamento
Tradizionale con possibile tesina. Il corso viene erogato utilizzando la lavagna e/o le slides a seconda dell'argomento. Se non è possibile svolgere le lezioni in aula con tutti gli studenti causa pandemia le lezioni vengono svolte in modalità mista (in aula con streaming per gli studenti che fruiscono da remoto) o esclusivamente in streaming se nessuno studente può frequentare. Le istruzioni sono indicate nella pagina del corso https://corsidilaurea.uniroma1.it/it/users/francescodellipriscoliuniroma1it
Frequenza
La frequenza alle lezioni non è obbligatoria, ma è fortemente consigliata
Modalità di esame
Prova scritta con discussione orale, o valutazione di tesina. La prova scritta consiste in due domande sulla parte teorica del corso e una domanda molto generale su uno dei seminari svolti. Indicativamente ogni domanda pesa per un terzo della valutazione. Tutte le domande sono a risposta aperta. In alternativa, lo studente può optare per una tesina di approfondimento (con contributo personale richiesto), da effettuare a casa, di uno dei seminari tenuti durante il corso, previa idoneità.
Modalità di erogazione
Tradizionale con possibile tesina. Il corso viene erogato utilizzando la lavagna e/o le slides a seconda dell'argomento.
  • Codice insegnamento1041429
  • Anno accademico2025/2026
  • CorsoControl Engineering - Ingegneria Automatica
  • CurriculumCurriculum unico
  • Anno2º anno
  • Semestre1º semestre
  • SSDING-INF/04
  • CFU6