Nato a Genova il 01/03/1979

Contatti

DIBRIS (Dipartimento di Informatica, Bioingegneria, Robotica e Ingegneria dei Sistemi), Università di Genova - Via Opera Pia, 13 - 16145 Genova

Email: giorgio.gnecco@dist.unige.it

URL: www.dist.unige.it/ggnecco

Posizione attuale

Assegnista di Ricerca presso il DIBRIS (Dipartimento di Informatica, Bioingegneria, Robotica e Ingegneria dei Sistemi), Università di Genova.

Studi, titoli conseguiti e precedenti posizioni

● 1997: Maturità Scientifica presso il Liceo Scientifico "M. L. King" di Genova, con votazione di 60/60.

● 2000: Diploma di Violino (equiparato ad un diploma di Laurea di I livello ai sensi della Legge 268/2002).

● 2001: Diploma di Viola (equiparato ad un diploma di Laurea di I livello ai sensi della Legge 268/2002).

● Dicembre 2004: Laurea Quinquennale in Ingegneria delle Telecomunicazioni, con votazione di 110/110 e lode. Titolo della tesi: "Applicazione delle Support Vector Machines a Problemi di Controllo Ottimo". Relatori: Prof. Marcello Sanguineti e Prof. Riccardo Zoppoli. La media dei voti ottenuti agli esami sostenuti durante il corso di laurea è stata di circa 29.54 su 30.

● 2005: Esame di Stato per l'abilitazione alla professione di Ingegnere.

● 2005: collaborazione occasionale con il DIBE (Dipartimento di Ingegneria Biofisica ed Elettronica) dell'Università di Genova (Prof. B. Bianco), con relazione finale su "Definizione di criteri di ottimalità per la scelta dei parametri nel modello di Cole-Davidson ed applicazione ad un caso particolare".

● 2005: conseguimento dell’idoneità nel concorso per l'ammissione al Corso di Dottorato di Ricerca in Informatica presso l’Università di Milano - Bicocca.

● 2005: vincitore di una borsa di studio per lo svolgimento del Corso di Dottorato di Matematica ed Applicazioni presso l’Università di Genova.

● 2006-2008: studente di Dottorato in Matematica ed Applicazioni presso l’Università di Genova.

1

● Aprile 2009: titolo di Dottore di Ricerca in Matematica ed Applicazioni, conseguito presso il Dipartimento di Matematica (DIMA) dell'Università di Genova. Titolo della tesi: "Functional Optimization by Variable-Basis Approximation Schemes". Relatore: Prof. Marcello Sanguineti.

● 2009: Assegnista di ricerca presso il DISI (Dipartimento di Informatica e Scienze dell'Informazione), Università di Genova.

● 2010: Assegnista di ricerca presso il DIST (Dipartimento di Informatica, Sistemistica e Telematica), Università di Genova.

● 2011: collaborazione scientifica con il DIST (Dipartimento di Informatica, Sistemistica e Telematica) dell'Università di Genova (Prof. R. Zoppoli), con relazione finale su "Confronto tra reti approssimanti lineari e non lineari a un livello nascosto".

● 2011: Assegnista di ricerca presso il DIST (Dipartimento di Informatica, Sistemistica e Telematica), Università di Genova.

● Attualmente: Assegnista di ricerca presso il DIBRIS, Università di Genova.

● 2012: sono risultato secondo in graduatoria al termine della procedura comparativa internazionale per una posizione di Assistant Professor in “Analysis,Control and Optimization of Complex Dynamical Systems” presso l’Institute of Advanced Studies (IMT) di Lucca.

Tematiche di ricerca

La mia attività di ricerca si concentra su problemi che rappresentano altrettante sfide nell’Ingegneria e nelle Scienze Applicate, a causa di uno o più dei seguenti tre aspetti.

1. Natura funzionale. In numerosi problemi dell’Ingegneria le incognite sono rappresentate da funzioni. Esse possono rappresentare, ad esempio:

- le leggi di controllo ottimo di sistemi dinamici soggetti a disturbi (ne segue la neces-sità di impiegare funzioni di controllo ad anello chiuso aventi come argomento lo stato, se questo è perfettamente misurabile, o il vettore delle informazioni, se la mi-surabilità perfetta vien meno);

- le leggi di stima dello stato e di identificazione parametrica in sistemi dinamici a struttura nota;

- le strategie di instradamento in reti di telecomunicazioni;

- le leggi di rilevazione e classificazione di guasti nei sistemi di diagnostica;

- le strategie di gestione di risorse idriche e sistemi di bacini,

- ecc..

2

Il modello matematico comune a questi problemi è quello dell’ottimizzazione funzionale, chiamata anche “programmazione a dimensione infinita”, nella quale gli insiemi ammissibili delle funzioni di controllo sono spazi a dimensione infinita. Qualora le consuete ipotesi LQG (oltre ipotesi molto particolari) non siano verificate (o siano verificate, ma il sistema dinamico sia controllato da più decisori in possesso di informazioni diverse ma ricostruibili le une dalle altre), gli strumenti classici, quali il calcolo delle variazioni e (nel caso di più decisori) anche la programmazione dinamica, risultano di difficile – se non impossibile – applicazione. Di conseguenza è particolarmente importante la ricerca di soluzioni sub-ottime.

2. Elevata dimensionalità. In numerosi contesti applicativi le variabili dalle quali dipendo-no le funzioni ammissibili sono in numero molto elevato. Si pensi, ad esempio:

- al numero di nodi in una rete di telecomunicazione;

- al numero di sezioni autostradali o di segmenti di strade urbane nel controllo del traffico;

- al numero di serbatoi e bacini in reti idriche su scala geografica;

- ecc.

In questi casi, spesso si presenta il fenomeno noto in letteratura come “maledizione della dimensionalità”, ovvero un aumento molto veloce (tipicamente, esponenziale) dell’onere di calcolo necessario per ottenere soluzioni sub-ottime accurate al crescere del numero di variabili (a parità del grado di accuratezza delle soluzioni sub-ottime). Lo sviluppo di meto-di risolutivi e algoritmi innovativi che consentano di affrontare questa fondamentale limita-zione è tuttora un problema in buona parte aperto.

3. Complessità dei dati. Nella Scienza e nella Tecnologia moderne vengono prodotte enormi quantità di dati ottenuti da sistemi complessi: dati biologici, finanziari, medici, dati provenienti dalle telecomunicazioni, dal commercio, dall’industria pervadono il nostro mondo. La società attuale è diventata, al tempo stesso, un enorme “data producer” e un enorme “data consumer”. Importanti aspetti delle moderne applicazioni “data-driven” e “data-producing” sono:

- densità (elaborano e/o producono enormi quantità di dati);

- adattamento on line (richiedono algoritmi di data-processing che vanno adattati mentre nuove osservazioni diventano disponibili);

- elevato numero di componenti di ogni singolo dato;

- natura strutturata (molti tipi di dati, ad esempio immagini, sequenze biologiche e grafi pesati, non possono essere modellati semplicemente come vettori di numeri reali).

La sfida consiste nel gestire l’enorme quantità di dati, capire come le componenti di ogni dato interagiscono ed estrarre informazioni “in modo ottimo”, al fine di ottenere il quadro d’insieme del sistema complesso che si sta studiando.

3

La mia ricerca in una frase: studio di metodologie risolutive e sviluppo di algoritmi per la risoluzione di problemi funzionali, ad elevata dimensionalità e in presenza di dati comples-si, mediante “contaminazione culturale” fra i campi del controllo, dell’apprendimento da dati, dell’approssimazione e dell’ottimizzazione.

I miei principali temi di ricerca sono i seguenti:

1. Ottimizzazione funzionale

2. Reti neurali per l’ottimizzazione funzionale e l'approssimazione di funzioni

3.Ottimizzazione a stadi

4.Ottimizzazione a squadra

5.Apprendimento da dati

6.Ottimizzazione combinatoria in reti di telecomunicazione

7.Metodi variazionali per la ricerca di soluzioni a problemi di ottimizzazione funzionale

Fra le applicazioni che ho considerato e affrontato con le metodologie e gli algoritmi da me sviluppati, cito in particolare:

- controllo della produzione in fabbriche multi-divisione; - ottimizzazione del consumo di beni in presenza di incertezza;- controllo d’accesso in reti cellulari con più classi di traffico;- controllo di congestione in Delay-Tolerant Networks (DTN);- studio del grado di inondabilità di bacini fluviali.

Sedi di pubblicazione. La scelta delle sedi di pubblicazione rispecchia la triplice natura della mia ricerca: teorica, metodologico-algoritmica ed applicata. A seconda di quale delle tre componenti è predominante, ho pubblicato i miei lavori su altrettante tipologie di riviste, da quelle prevalentemente dedicate a modelli e metodi per l’ottimizzazione fino a quelle tipicamente ingegneristiche. Nella tabella seguente riporto i dati relativi ad alcune delle sedi di pubblicazione dei miei lavori.

RIVISTA2011

IMPACT FACTOR

5-YEARIMPACT FACTOR

H-INDEX

IEEE Transactions on Information Theory 3.009 4.117 155Journal of Hydrology 2.656 3.721 96Neural Networks 2.182 2.477 78IEEE-ACM Transactions on Networking 2.033 2.805 111Neural Computation 1.884 2.521 93SIAM Journal on Optimization 1.629 2.201 59Neurocomputing 1.580 1.595 55Computational Optimization and Applications 1.350 1.432 36Applied Mathematics and Computation 1.317 1.338 60

4

Journal of Optimization Theory and Applications 1.062 1.200 44IEEE Communications Letters 0.982 1.234 79Optimization Letters 0.952 0.908 9Journal of Inequalities and Applications 0.726 0.653 15Journal of Applied Mathematics 0.656 - 12Information Processing Letters 0.455 0.547 404OR – A Quarterly Journal of Operations Research 0.323 - 11

Di seguito descrivo in dettaglio i miei principali temi di ricerca.

1) Ottimizzazione funzionale

I problemi di ottimizzazione funzionale, studiati originariamente nel calcolo delle variazioni, modellano una grande varietà di problemi in molti campi della matematica applicata. Si presentano, ad esempio, in statistica, nel controllo ottimo, nelle scienze decisionali ed economiche e nell’apprendimento da dati. In questo tipo di problemi è richiesto di determinare una funzione ottima, rispetto ad un opportuno funzionale di costo, all'interno di un insieme di funzioni ammissibili che rispettino dati vincoli. Da ciò nasce il termine “ottimizzazione funzionale”, a volte chiamata anche “programmazione a dimensione infinita” – essendo gli insiemi ammissibili spazi a dimensione infinita o loro sottoinsiemi di dimensione non finita. A seconda del contesto, le funzioni ammissibili possono rappresentare, ad esempio, strategie di instradamento (routing) in reti di telecomunicazioni, funzioni decisionali in problemi di controllo ottimo, approssimazioni di funzioni di regressione in dispositivi che apprendono da esempi, ecc.

Nella risoluzione di tali problemi, la dimensione infinita rende spesso difficilmente applicabili gli strumenti tipicamente impiegati nell'ottimizzazione a dimensione finita. Inoltre, gli approcci risolutivi basati sul calcolo delle variazioni spesso non forniscono soluzioni in forma esplicita. Di conseguenza, è particolarmente importante la ricerca di soluzioni sub-ottime, possibilmente dipendenti da un numero di parametri non troppo elevato: ciò allo scopo di minimizzare l'onere computazionale, in termini di tempo di calcolo e di memoria occupata, nella ricerca di parametri soddisfacenti.

La mia attività di ricerca in questo campo si è concentrata sull'individuazione e sullo studio di problemi di ottimizzazione funzionale per i quali è possibile garantire, con opportune scelte della struttura delle soluzioni sub-ottime, che venga evitato il fenomeno noto in letteratura come “maledizione della dimensionalità”, ovvero un aumento molto veloce (tipicamente, esponenziale), rispetto al numero di argomenti delle funzioni ammissibili, del numero di parametri necessari a garantire una data qualità delle soluzioni sub-ottime.

I problemi da me studiati sfruttando modelli, metodologie e algoritmi di ottimizzazione funzionale riguardano principalmente l'ottimizzazione a stadi, l'ottimizzazione a squadra e l'apprendimento da esempi.

2) Reti neurali per l’ottimizzazione funzionale e l'approssimazione di funzioni

5

Soluzioni sub-ottime a problemi di ottimizzazione funzionale possono essere ricercate fra le combinazioni lineari di un certo numero di unità computazionali di struttura semplice (ad esempio, funzioni sinusoidali, gaussiane, sigmoidi), contenenti alcuni parametri da ottimizzare (ad esempio, centri e varianze nelle gaussiane). Metodi classici per la ricerca di soluzioni sub-ottime a problemi di ottimizzazione funzionale, tra i quali il metodo di Ritz, impiegano schemi di approssimazione lineari, per i quali le funzioni di base sono fissate, e gli unici parametri incogniti sono i coefficienti delle combinazioni lineari stesse.

Vari studi, sia teorici sia simulativi, hanno mostrato che alcuni schemi di approssimazione basati su funzioni di base parametrizzate sono spesso vantaggiosi rispetto agli schemi lineari. Ad esempio, essi possono richiedere un numero complessivo di parametri (i coefficienti delle combinazioni lineari ed i parametri delle funzioni di base) molto minore rispetto agli schemi lineari, a parità di qualità delle soluzioni sub-ottime. Tali parametri causano la perdita della linearità, quindi in generale i corrispondenti approssimatori costituiscono schemi di approssimazione non lineari. Esempi sono le reti neurali ad un solo strato nascosto, con unità computazionali di tipo sigmoidale, trigonometrico o radiale. Essi sono stati sistematicamente impiegati in un'estensione del metodo di Ritz, nota come ERIM (Extended Ritz Method). In pratica, ricercando soluzioni sub-ottime aventi la forma di schemi di approssimazione non lineare, il problema di ottimizzazione funzionale viene ridotto ad un problema di programmazione non lineare a dimensione finita. Quest’ultimo consiste nel determinare, mediante un opportuno algoritmo, i valori ottimi dei parametri (coefficienti delle combinazioni delle funzioni di base e parametri interni a ciascuna funzione di base).

Lo studio ed il confronto delle proprietà approssimanti di vari tipi di approssimatori di funzioni si rivela molto utile anche nella ricerca di soluzioni sub-ottime a problemi di ottimizzazione funzionale. In particolare, in questo campo la mia attività di ricerca si è concentrata sullo studio di proprietà strutturali (ad esempio, di regolarità) delle soluzioni ottime a vari problemi di ottimizzazione funzionali, allo scopo di scegliere approssimatori di funzioni adatti al singolo problema, e studiare la qualità delle soluzioni sub-ottime al variare del numero di parametri.

Dato il legame esistente tra il problema dell'approssimazione di funzioni e l'ottimizzazione funzionale, in una fase della mia ricerca ho confrontato le proprietà di certi schemi di approssimazione non lineare e di tradizionali schemi lineari e ho ottenuto nuove stime dell’errore di approssimazione per alcune famiglie di funzioni. Ho applicato le stime ottenute nella “norma del sup” in problemi di ottimizzazione a stadi e nello studio di soluzioni approssimate ad equazioni integrali di Fredholm. Le stime in “norma L2” hanno invece trovato applicazione in problemi di ottimizzazione a squadra. Ho inoltre confrontato dal punto di vista numerico le soluzioni approssimate ad equazione integrali di Fredholm ottenute tramite schemi di approssimazione lineare e non lineare, evidenziando casi in cui i secondi offrono prestazioni migliori. Per gli schemi lineari, ho migliorato l'implementazione di un metodo presentato recentemente in letteratura, noto come “simplified Fredholm integral equation solver”.

Ho poi studiato relazioni tra norme “classiche” (Lebesgue e Sobolev) ed una norma nota in letteratura come “norma variazione”, associata al tipo di funzioni di base in schemi

6

di approssimazione non lineari. Tale norma riveste un ruolo rilevante nella stima dell’errore associato a soluzioni sub-ottime a problemi di ottimizzazione funzionale.

Infine, ho specializzato la metodologia generale sopra descritta ad alcune famiglie di problemi di ottimizzazione funzionale particolarmente rilevanti: ottimizzazione a stadi, ottimizzazione a squadra e apprendimento da dati.

3) Ottimizzazione a stadi

Nell'ottimizzazione a stadi, un agente deve prendere decisioni in sequenza, con l'obiettivo di minimizzare un costo espresso come la somma di costi associati ad ogni stadio decisionale. Tali problemi hanno molte applicazioni in Ricerca Operativa, quali la pianificazione della produzione, la “portfolio optimization”, la scelta ottima del paniere di consumo, e più in generale il controllo ottimo di sistemi dinamici.

In questi problemi, gli approssimatori non lineari possono essere impiegati sia per approssimare le strategie decisionali ottime del decisore, sia come approssimatori di funzioni all'interno della programmazione dinamica approssimata, che nasce dal tentativo di risolvere in modo approssimato le equazioni di Bellman della programmazione dinamica. In entrambi i casi, ho determinato condizioni per le quali gli approssimatori neurali mitigano la maledizione della dimensionalità, nel senso che il numero di parametri necessario a garantire una data accuratezza delle soluzioni sub-ottime dipende in modo blando (quindi non esponenziale) dal numero delle variabili decisionali. Tali condizioni includono l'interiorità delle strategie ottime, proprietà di convessità dei costi finale e di transizione, ed un grado di smoothness che sia proporzionale al numero delle variabili decisionali.

Tra i problemi studiati e che soddisfano tutte queste condizioni, ho considerato il caso di perturbazioni dei classici problemi LQ e LQG del controllo ottimo, un problema di “Optimal Consumption” e la sua versione stocastica (“Optimal Consumption Under Uncertainty”), per i quali ho affiancato all’analisi teorica uno studio numerico e simulativo. Ho infine preso in esame un’applicazione all'ottica geometrica (che può essere formulata come un problema di ottimizzazione a stadi dati i legami esistenti tra l'equazione dell'iconale e la programmazione dinamica).

Qualora il numero di parametri dell’approssimatore non lineare sia variabile da stadio a stadio, ho inoltre studiato - dal punto di vista sia teorico sia simulativo - il problema di programmazione non lineare associato alla determinazione della distribuzione ottima del numero di parametri tra i vari stadi, massimizzando un dato criterio di ottimalità.

4) Ottimizzazione a squadra

I problemi di ottimizzazione a squadra sono caratterizzati dalla presenza simultanea di più agenti, spesso con un'informazione parziale e diversificata dell'ambiente con cui interagiscono, ma con un obiettivo comune (a differenza della teoria dei giochi, dove ciascun giocatore ha in genere un obiettivo diverso dagli altri giocatori). Tali problemi modellano numerosi contesti di ottimizzazione e trovano svariate applicazioni, ad esempio nell'allocazione di banda e nel controllo di congestione.

7

In questo campo, la mia attività di ricerca si è concentrata sullo studio di problemi con un singolo stadio decisionale, in quanto molti problemi di ottimizzazione a squadra sono formulabili direttamente in questo contesto o riconducibili ad esso (ad esempio, il classico controesempio di Witsenhausen). Ho studiato la regolarità delle strategie ottime in problemi di pianificazione di produzione in presenza di decentralizzazione. Per il famoso e tuttora irrisolto “controesempio di Witsenhausen” ho studiato l’accuratezza di certe strategie sub-ottime. Infine, ho preso in esame le semplificazioni che i problemi di ottimizzazione a squadra presentano rispetto al caso generale quando l'interazione tra agenti è limitata ed è modellata attraverso un grafo delle interazioni (“Network Team Optimization Problems”).

5) Apprendimento da dati

Per quanto riguarda i problemi di apprendimento da dati, mi sono concentrato sullo studio di soluzioni sub-ottime a problemi di apprendimento supervisionato e non supervisionato, utilizzando metodi di tipo “kernel”. Tali metodi mappano non linearmente i dati in ingresso in uno spazio di dimensione infinita e applicano in tale spazio tecniche lineari di apprendimento supervisionato e non supervisionato. A tal fine, calcolano i prodotti scalari in questo spazio attraverso una funzione detta appunto “kernel”.

In tali problemi, è spesso disponibile un teorema di rappresentazione che fornisce la struttura della soluzione ottima, ma tipicamente tale soluzione dipende da un numero di parametri proporzionale al numero di esempi. In presenza di insiemi di addestramento di elevata cardinalità, ciò genera problemi di eccessivo onere computazionale e di mal-condizionamento. Soluzioni sub-ottime di struttura più semplice sono quindi di interesse, ad esempio per ridurre l'occupazione di memoria ed il tempo di calcolo in fase di test per la classificazione di un nuovo esempio (nel caso dell'apprendimento supervisionato) o per la valutazione delle “feature” (nel caso dell'apprendimento non supervisionato), una volta terminato l'addestramento.

Fra le tecniche di apprendimento supervisionato, ho considerato varie forme di regolarizzazione (ad esempio, “alla Tikhonov” e “weight decay”). Per quanto riguarda l'apprendimento non supervisionato la mia ricerca si è concentrata sulla “Kernel Principal Component Analysis”. Per questi problemi ho studiato l’accuratezza di soluzioni sub-ottime al variare del numero di parametri da ottimizzare in certi schemi di approssimazione non lineare, applicando tecniche di “Statistical Learning Theory” allo scopo di mantenere sotto controllo la differenza tra il rischio atteso ed il rischio empirico.

Infine, nel caso dell'apprendimento supervisionato, ho confrontato dal punto di vista numerico vari tipi di classificatori per l'individuazione di regioni inondabili.

6) Ottimizzazione combinatoria in reti di telecomunicazione

La mia attività di ricerca in questo campo si è concentrata sullo studio di proprietà strutturali delle soluzioni ottime a certi problemi di “knapsack” generalizzato e formulati in un contesto stocastico, che hanno applicazioni, ad esempio, nel controllo di ammissione di chiamata (“Call Admission Control”) in reti di telecomunicazioni con regioni di ammissibilità caratterizzate da vincoli non lineari. Questo problema è di particolare importanza quando si vogliono imporre determinate requisiti di “Quality of Service” alle chiamate in corso,

8

minimizzando al tempo stesso la probabilità che una richiesta di connessione sia rifiutata dal sistema di controllo.

Il problema di ottimizzazione combinatoria noto come “generalized stochastic knapsack” è caratterizzato da non linearità sia nella funzione obiettivo sia nei vincoli e per questo richiede tecniche “ad hoc” per la sua soluzione. La sua versione deterministica ed in assenza di non linearità nella capacità dello “knapsack”, nota come “knapsack problem”, è un noto problema NP-difficile. Per lo “generalized stochastic knapsack”, ho studiato proprietà strutturali delle strategie decisionali ottime appartenenti alla classe delle “coordinate-convex policies” (ad esempio: presenza di soglie, relazioni tra le posizioni tra corner points adiacenti). Tali proprietà permettono di restringere la ricerca delle strategie ottime. Dopo aver studiato in che modo il numero di strategie che le soddisfano dipende da come è fatto il contorno della regione di ammissibilità, ho analizzato la variazione dell'ottimo al variare della regione di ammissibilità stessa. Questo studio è motivato dal fatto che regioni di ammissibilità con contorno “semplice” rendono più semplice l'individuazione delle strategie ottime associate. Infine, ho studiato criteri per l'individuazione di strategie sub-ottime di tipo “coordinate-convex” che siano localmente migliorabili, e sulla base di questi criteri ho proposto un algoritmo greedy per la risoluzione approssimata del problema del “generalized stochastic knapsack”. I risultati delle simulazioni effettuate hanno mostrato un miglioramento significativo rispetto alle strategie decisionali impiegate in fase di inizializzazione.

Tra le possibili applicazioni dei risultati ottenuti, ci sono le reti di tipo DTN (Delay Tolerant Networks), per le quali ho studiato modelli di controllo di congestione, utilizzando tecniche di teoria delle code.

7) Metodi variazionali per la ricerca di soluzioni esatte a problemi di ottimizzazione funzionale

Alcuni problemi di ottimizzazione funzionale possono essere risolti esattamente utilizzando metodi di tipo variazionale. Esistenza ed unicità di una soluzione ottima possono poi essere studiate usando i metodi diretti del calcolo delle variazioni, mentre condizioni necessarie ed in alcuni casi sufficienti per l'ottimalità sono esprimibili mediante le equazioni di Eulero-Lagrange. In certi casi, tali equazioni possono essere risolte utilizzando opportune funzioni di Green e ricondotte ad equazioni integrali di Fredholm.

In quest'ambito di ricerca, ho applicato metodi di tipo variazionale allo ricerca di soluzioni ottime a problemi di apprendimento supervisionato in presenza di condizioni al contorno, ed in presenza di un insieme di addestramento costituito non soltanto da punti, ma da regioni. Per alcuni di questi problemi, ho determinato le soluzioni ottime, ed in altri ho studiato la variazione delle soluzioni ottima al variare di dati del problema, utilizzando metodi basati sulle equazioni integrali. Recentemente, ho iniziato a studiare anche versione discrete di questi problemi, formulabili come problemi di ottimizzazione su grafi.

Attività formativa post-Laurea

Corsi di Dottorato presso l’Università di Genova

9

● "Processi Stocastici" (Prof.ssa E. Sasso).

● "Calcolo delle Variazioni" (Prof. D. Percivale e Prof. T. Zolezzi).

● "Equazioni Ellittiche e Spazi di Sobolev" (Prof. M. Chicco).

● "Regularization methods for high-dimensional learning" (Prof.ssa F. Odone e Prof. L. Rosasco).

Corsi di Dottorato presso altre sedi universitarie

● "A Short Course in Convex Optimization" (Prof.ssa K. Scheinberg, Columbia University NY) - Università di Bologna, luglio 2009.

● Corso EURO-FGI "Game Theory with Application to Telecommunications" (Prof. V. Fragnelli) - Università del Piemonte Orientale, 10-14 dicembre 2007.

● "A Short Course in Nonlinear Optimization" (Prof. A. Wachter, IBM TJ Watson Research NY) - Università di Bologna, marzo 2007.

Scuole internazionali e workshop

● "C.I.R.O. Summer School”, Bertinoro, 26 giugno-3 luglio 2010.

● "Graph Theory, Algorithms and Applications" - Centro "Ettore Majorana", Erice, 8-16 settembre 2008.

● Workshop "Complex Networks - Equilibrium and Vulnerability Analysis with Applications" (A. Nagurney, University of Massachusetts at Amherst) - Dipartimento di Matematica e Informatica, Università di Catania, 10-12 marzo 2008.

● "Mathematical Foundations of Learning Theory - II" - Parigi, Ecole Normale Superieure, maggio-giugno 2006.

● "The Analysis of Patterns" - Centro "Ettore Majorana", Erice, 28 ottobre - 6 novembre 2005.

Attività di specializzazione all’estero

Ottobre 2007: visiting scientist presso l’Accademia delle Scienze della Repubblica Ceca.

Attività scientifico-organizzativa

● 2013: Membro del Program Committee della 14th Conf. on Engineering Applications of Neural Networks (EANN 2013).

10

● 2012: Membro del Program Committee della 13th Conf. on Engineering Applications of Neural Networks (EANN 2012).

● 2011: Membro del Program Committee della 12th Conf. on Engineering Applications of Neural Networks (EANN 2011).

● 2010: Membro del Program Committee della 20th Int. Conf. on Artificial Neural Networks (ICANN 2010).

● 2008: Segretario del Local Organizing Committee della VII Int. Conf. "Mathematical Problems in Engineering, Aerospace, and Sciences" (ICNPAA 2008).

● Dal 2009: partecipazione a concerti nell'ambito delle attività musicali di Ateneo di Genova.

● Giugno 2008: violinista al concerto inaugurale della VII Int. Conf. "Mathematical Problems in Engineering, Aerospace and Sciences", ICNPAA 2008.

● Settembre 2007: violinista alla Serata di Gala della 38esima Conferenza dell’Associazione Italiana di Ricerca Operativa (AIRO 2007).

Attività di revisore

Reviewer per riviste internazionali (58 papers)

● SIAM Journal on Optimization (1 paper).

● Computational Management Science (1 paper).

● Automatica (1 paper).

● International Journal of Information Technology & Decision Making (2 papers).

● International Journal of Computer Mathematics (1 paper).

● IEEE Transactions on Neural Networks (20 papers).

● Neural Networks (5 papers).

● Neurocomputing (4 papers).

● Neural Computing & Applications (1 paper).

● Neural Processing Letters (7 papers).

● Applied Mathematical Sciences (15 papers).

Reviewer per conferenze internazionali (32 papers)

11

Int. Conf. on Adaptive and Natural Computing Algorithms, 2007 (1 paper).

47th IEEE Conference on Decision and Control, 2008 (1 paper).

Int. Conf. on Artificial Neural Networks, 2008 (1 paper).

Int. Conf. on Artificial Neural Networks, 2009 (10 papers).

48th IEEE Conference on Decision and Control, 2009 (1 paper).

49th IEEE Conference on Decision and Control, 2010 (1 paper).

Int. Conf. on Artificial Neural Networks, 2010 (5 papers).

50th IEEE Conference on Decision and Control and European Control Conference, 2011 (1 paper).

12th Conf. on Engineering Applications of Neural Networks, 2011 (3 papers).

12th Conf. on Informatics in Control, Automation and Robotics, 2011 (2 papers).

13th Conf. on Engineering Applications of Neural Networks, 2012 (2 papers).

51st IEEE Conference on Decision and Control and European Control Conference, 2011 (2 papers).

2013 American Control Conference (2 papers).

Reviewer per capitoli di volumi a diffusione internazionale

● Complex-Valued Neural Networks: Utilizing High-Dimensional Parameters, T. Nitta, Ed. (Publisher: Medical Information Science Reference), 2009.

Partecipazione a congressi in qualità di relatore

● AIRO WINTER 2011, Cortina d'Ampezzo, 7-12 febbraio 2011.

● EURO 2010, Lisbona, Portogallo, 11-14 luglio 2010.

● SOFSEM 2010, Špindlerův Mlýn, Repubblica Ceca, 23–29 gennaio 2010.

● International Network Optimization Conference (INOC 2009), Pisa, aprile 2009.

● Int. Conf. on Mathematical Science and Engineering (ICMSE 09), Venezia, 28-30 ottobre 2009.

● AIRO 2009, Siena, settembre 2009.

● AIRO 2007, Genova, settembre 2007.

12

Interventi su invito

● 22 Ottobre 2007: invited talk all'Institute of Computer Science - Academy of Sciences of the Czech Republic, Praga.

● 7 Ottobre 2009: invited talk al seminario SLIPGURU - DISI, Università di Genova.

● 21 Febbraio 2012: invited talk al seminario “Ottimizzazione e Teoria dei giochi” - DIMA, Università di Genova.

Attività editoriale

● Dal 2011: Associate Editor per la rivista internazionale “Mathematics in Engineering, Science and Aerospace”.

● 2009: Guest Editor dello Special Issue "Mathematical Problems in Engineering" sulla rivista "Applied Mathematical Sciences".

Partecipazione a progetti internazionali

Membro dello staff di ricerca del DIBRIS nel progetto EU 7FP ICT FET SIEMPRE (www.siempre.infomus.org), nell’ambito del quale collaboro allo studio e alla definizione di tecniche per l'analisi automatica di segnali sociali non verbali in gruppi di persone.

Dal settembre 2007: membro del progetto di scambio scientifico 2004-2009 "Learning from data by neural networks and kernel methods: an approach based on approximate optimization'', fra Università di Genova, CNR e Accademia delle Scienze della Repubblica Ceca, attivato nel 2004-2006 e rinnovato per il 2007-2009. Coordinatore italiano: Marcello Sanguineti. Coordinatore Ceco: Vĕra Kůrkova.

Membro del progetto di scambio scientifico 2010-2012 "Complexity of neural-network and kernel computational models'', fra Università di Genova, CNR e Accademia delle Scienze della Repubblica Ceca. Coordinatore italiano: Prof. Marcello Sanguineti. Coordinatore Ceco: Vĕra Kůrkova.

Partecipazione a progetti nazionali

● Membro del Progetto di Ateneo 2008 (Univ. di Genova) "Risoluzione di problemi di ottimizzazione funzionale mediante approssimatori non lineari e tecniche di apprendimento da dati".

● Membro del Programma di ricerca scientifica di interesse nazionale PRIN - MIUR 2008 "Stima dello stato adattativa e controllo ottimo adattativo''. Coordinatore nazionale: Prof. G. Picci (Univ. di Padova); responsabile dell''unità di ricerca: Prof. R. Zoppoli (Univ. di Genova).

13

● Membro del Programma di ricerca scientifica di interesse nazionale PRIN - MIUR 2006 "Modelli ed algoritmi per l'ottimizzazione robusta delle reti'' (2006-08). Coordinatore nazionale: Prof. M. Fischetti (Univ. di Padova); responsabile dell''unità di ricerca: Prof.ssa P. Zuddas (Univ. di Cagliari).

● Membro del Progetto di Ateneo 2006 (Univ. di Genova) "Applicazione del metodo di Ritz esteso a problemi di controllo".

Appartenenza ad associazioni scientifiche

● Dal 2011: Membro del CNIT (Consorzio Nazionale Interuniversitario per le Telecomunicazioni).

● Dal 2009: Membro dello GNAMPA (Gruppo Nazionale per l'Analisi Matematica, la Probabilità e le loro Applicazioni), Sezione 2: Calcolo delle Variazioni, Teoria del Controllo e Ottimizzazione.

● Dal 2007: Membro dell’Associazione Italiana di Ricerca Operativa (AIRO).

Attività di laboratorio

Dal 2005: membro del laboratorio NOCC (Nonlinear Optimization, Complexity, and Control Laboratory), presso il DIST.

Attività didattica (presso la Facoltà di Ingengeria dell’Univ. di Genova)

● Dall’A.A. 2007-08: nominato "Cultore della Materia" per la Ricerca Operativa da vari Consigli di Corso di Corsi di Studio (Ing. dei Trasporti e della Logistica, Ing. delle Telecomunicazioni, Ing. Informatica, Ing. Gestionale).

A.A. 2012-13: attività didattica come esercitatore e interventi seminariali nell’ambito dei Corsi di:

- Ricerca Operativa (Laurea Magistrale in Ing. dei Trasporti e della Logistica)- Business Management and Operations Research (Laurea Magistrale in Ing. Elettronica- Ricerca Operativa (Laurea Magistrale in Ing. Informatica)- Ricerca Operativa 1(Laurea Triennale in Ing. Gestionale – Campus Universitario di Savona).

A.A. 2011-2012: attività didattica come esercitatore e interventi seminariali nell’ambito dei Corso di Ricerca Operativa della Laurea Magistrale in Ing. dei Trasporti e della Logistica (10 ore).

A.A. 2011-12: titolare di un incarico di collaborazione per lo svolgimento di attività di supporto alla didattica (esercitazioni e lezioni, 40 ore) nell’ambito del Corsi di:

14

-Ricerca Operativa (Laurea Magistrale in Ing. Informatica) -Business Management and Operations Research (Laurea Magistrale in Ing. Elettronica).

A.A. 2010-11: incarico per attività di supporto alla didattica per il Corso di Metodi Matematici e Statistici e Ricerca Operativa (Corso di Laurea Magistrale in Ing. dei Trasporti e della Logistica), nell’ambito del quale ho svolto esercitazioni e lezioni (30 ore).

A.A. 2007-08: incarico per attività di supporto alla didattica per il Corso di Ricerca Operativa 1 (Corso di Laurea in Ing. Elettronica), nell’ambito del quale ho svolto esercitazioni, lezioni, e preparazione di dispense (30 ore).

A.A. 2006-07: incarico di attività di supporto alla didattica previsto dal regolamento per l’attuazione dell’art. 33 dello Statuto dell’Univ. di Genova. L’incarico si è svolto nell’ambito del Corso di Ricerca Operativa 1(Corso di Laurea in Ing. Civile e Ambientale), sotto forma di esercitazioni e lezioni (30 ore).

A.A. 2006-07: incarico di attività di supporto alla didattica previsto dal regolamento per l’attuazione dell’art. 33 dello Statuto dell’Univ. di Genova. L’incarico si è svolto nell’ambito del Corso di Ricerca Operativa 1 (Corso di Laurea in Ing. Elettronica), sotto forma di esercitazioni, lezioni, e preparazione di dispense (30 ore).

2005-06: incarico per la preparazione delle dispense del Corso di Ricerca Operativa 1 (Corso di Laurea in Ing. Elettronica).

Supervisione di tesi di dottorato in controllo di ammissione di chiamata e controllo di congestione.

Attività istituzionale

Membro presso la Facoltà di Ingegneria dell’Univ. di Genova delle Commissioni d’Esame dei corsi di:

• "Ricerca Operativa 1" (Laurea Specialistica in Ing. dei Trasporti e della Logistica, dall'A.A: 2006-07 all'A.A. 2008-09).

• "Ricerca Operativa 2" (Laurea Specialistica in Ing. delle Telecomunicazioni, dall'A.A. 2006-07 all'A.A. 2008-09).

• "Metodi Matematici e Statistici e Ricerca Operativa" (Laurea Magistrale in Ing. dei Trasporti e della Logistica, dall'A.A: 2009-10 all'A.A. 2010-11).

• "Ricerca operativa" (Laurea Magistrale in Ing. dei Trasporti e della Logistica, A.A. 2011/2012).

• "Ricerca operativa" (Laurea Magistrale in Ing. Informatica, dall’A.A. 2011-12).

15

• "Business Management and Operations Research" (Laurea Magistrale in Ing. Elettronica, dall’A.A. 2011-12).

16

Pubblicazioni

Articoli su riviste internazionali

Tecniche di approssimazione per problemi di ottimizzazione funzionale

1. G. Gnecco, M. Sanguineti, "On a variational norm tailored to variable-basis approximation schemes", IEEE Transactions on Information Theory, vol. 57, pp. 549-558, 2011.

2. G. Gnecco, V. Kủrková, M. Sanguineti, "Some comparisons of complexity in dictionary-based and linear computational models", Neural Networks, vol. 24, pp. 171-182, 2011.

3. G. Gnecco, V. Kủrková, M. Sanguineti, "Can dictionary-based computational models outperform the best linear ones?", Neural Networks, vol. 24, pp. 881-887, 2011.

4. G. Gnecco, V. Kủrková, M. Sanguineti, "Accuracy of approximations of solutions to Fredholm equations by kernel methods", Applied Mathematics and Computation, vol. 218, pp. 7481-7497, 2012.

5. G. Gnecco, "A comparison between fixed-basis and variable-basis schemes for function approximation and functional optimization", Journal of Applied Mathematics, vol. 2012, article ID, 806945, 17 pages, 2012.

6. G. Gnecco, M. Sanguineti, "Estimates of variation with respect to a set and applications to optimization problems", Journal of Optimization Theory and Applications, vol. 145, pp. 53-75, 2010.

7. G. Gnecco, "Functional optimization by variable-basis approximation schemes", Summary of the PhD Thesis, 4OR: A Quarterly Journal of the Operations Research, vol. 9, pp. 103-106, 2011.

8. G. Gnecco, M. Sanguineti, "Information complexity of functional optimization problems and their approximation schemes", Mathematics in Engineering, Science and Aerospace, vol. 1, no. 3, pp. 303-317, 2010.

9. A. Alessandri, G. Gnecco, M. Sanguineti, "Computationally efficient approximation schemes for functional optimization''. International Journal of Computer Research, vol. 17, no. 1/2, pp. 153-189, 2008 (cross-published in "Computational Optimization: New Research Developments", R. F. Linton and T. B. Carroll Jr. (Eds.), Nova Science Publishers, 2010).

17

Ottimizzazione a stadi

10. M. Gaggero, G. Gnecco, M. Sanguineti, "Dynamic programming and value-function approximation in sequential decision problems: Error analysis and numerical results", Journal of Optimization Theory and Applications, DOI: 10.1007/s10957-012-0118-2.

11. G. Gnecco, M. Sanguineti, "Suboptimal solutions to dynamic optimization problems via approximations of the policy functions", Journal of Optimization Theory and Applications, vol. 146, pp. 764-794, 2010.

12. G. Gnecco, M. Sanguineti, "Value and policy function approximations in infinite-horizon optimization problems", Journal of Dynamical Systems and Geometric Theories, vol. 6, no. 2, pp. 123-147, 2008.

Ottimizzazione “a squadra”

13. G. Gnecco, M. Sanguineti, M. Gaggero, "Suboptimal solutions to team optimization problems with stochastic information structure", SIAM Journal on Optimization, vol. 22, pp. 212-243, 2012.

14. G. Gnecco, M. Sanguineti, "New insights into Witsenhausen's counterexample", Optimization Letters, vol. 6, no. 7, pp. 1425-1446, 2012.

15. G. Gnecco, M. Sanguineti, "Team optimization problems with Lipschitz continuous strategies", Optimization Letters, vol. 5, no. 2, pp. 333-346, 2011.

Ottimizzazione in reti di telecomunicazione

16. M. Cello, G. Gnecco, M. Marchese, M. Sanguineti, "Optimality conditions for CAC with nonlinear feasibility regions", IEEE Transactions on Networking, to appear.

17. M. Cello, G. Gnecco, M. Marchese, M. Sanguineti, "A model of buffer occupancy for ICNs", IEEE Communications Letters, DOI: 10.1109/LCOMM.2012.042312.120369.

18. M. Cello, G. Gnecco, M. Marchese, M. Sanguineti, "CAC with nonlinearly-constrained feasibility regions", IEEE Communications Letters, vol. 15, pp. 467 – 469, 2011.

Stima ottima dello stato

18

19. A. Alessandri, G. Gnecco, M. Sanguineti, "Minimizing sequences for a family of functional optimal estimation problems", Journal of Optimization Theory and Applications, vol. 147, pp. 243–262, 2010.

Apprendimento da dati/metodi variazionali per l'ottimizzazione

20. G. Gnecco, M. Gori, M. Sanguineti, "Learning with boundary conditions", Neural Computation, to appear.

21. G. Gnecco, M. Gori, S. Melacci, M. Sanguineti, "A theoretical framework for supervised learning from regions", Neurocomputing, to appear.

22. M. Degiorgis, G. Gnecco, S. Gorni, G. Roth, M. Sanguineti, A. C. Taramasso, "Cassifiers for the detection of flood prone areas from remote sensed elevation data", Journal of Hydrology, DOI: 10.1016/j.jhydrol.2012.09.006.

23. G. Gnecco, M. Sanguineti, "Regularization techniques and suboptimal solutions to optimization problems in learning from data", Neural Computation, vol. 22, pp. 793-829, 2010.

24. G. Gnecco, M. Sanguineti, "Error bounds for suboptimal solutions to kernel principal component analysis", Optimization Letters, vol. 4, pp. 197-210, 2010.

25. G. Gnecco, M. Sanguineti, "On spectral windows in supervised learning from data", Information Processing Letters, vol. 110, no. 23, pp. 1031-1036, 2010.

26. G. Gnecco, M. Sanguineti, "Accuracy of suboptimal solutions to kernel principal component analysis", Computational Optimization and Applications, vol. 42, pp. 265-287, 2009.

27. G. Gnecco, M. Sanguineti, "The weight-decay technique in learning from data: An optimization point of view", Computational Management Science, vol. 6, pp. 53-79, 2009.

28. G. Gnecco, M. Sanguineti, "Estimates of the approximation error using Rademacher's complexity: Learning vector-valued functions". Journal of Inequalities and Applications, vol. 2008, article ID, 640758, 16 pages, 2008.

29. G. Gnecco, M. Sanguineti, "Approximation error bounds via Rademacher’s complexity", Applied Mathematical Sciences, vol. 2. n. 4, pp. 153-176, 2008.

Editoriale

19

30. G. Gnecco, M. Sanguineti, Editorial for the special issue: "Mathematical problems in engineering, aerospace and sciences", Applied Mathematical Sciences, vol. 4, no. 73, pp. 3621-3624, 2010.

Articoli sottomessi a riviste internazionali

31. G. Gnecco, M. Sanguineti, M. Gaggero, "Stochastic N-stage optimization via approximations of value and policy functions", sottomesso a Computational Optimization and Applications, in fase di prima revisione.

32. G. Gnecco, "Approximation and estimation bounds for subsets of reproducing kernel Krein spaces", sottomesso a Neural Processing Letters, in fase di revisione.

33. M. Degiorgis, G. Gnecco, S. Gorni, G. Roth, M. Sanguineti, A.C. Taramasso, "Flood Hazard Assessment via Threshold Binary Classifiers: the Case Study of the Tanaro Basin", sottomesso a Irrigation and Drainage.

Articoli sottomessi a conferenze internazionali

34. A. Camurri, G. Gnecco, M. Sanguineti, "Towards Automated Analysis of Joint Music Performance in the Orchestra", sottomesso alla 3rd International Conference on Arts and Technology (ArtsIT 2013).

Articoli in preparazione

35. M. Cello, G. Gnecco, M. Marchese, M. Sanguineti, "Determination of the number of policies satisfying necessary optimality conditions for a generalized stochastic knapsack problem", in preparazione.

36. M. Cello, G. Gnecco, M. Marchese, M. Sanguineti, "An energy model based on cell zooming for cellular networks", in preparazione.

37. M. Cello, G. Gnecco, M. Marchese, M. Sanguineti, "Congestion-aware forwarding strategies for intermittently connected networks", in preparazione.

Capitoli in volumi a diffusione internazionale

38. G. Gnecco, V. Kủrková, M. Sanguineti, "Bounds for approximate solutions of Fredholm integral equations using kernel networks''. In "Lecture Notes in Computer Science", vol. 6791, pp. 126-133, Springer, Berlin Heidelberg, 2011.

39. G. Gnecco, V. Kủrková, M. Sanguineti, "Some comparisons of model complexity in linear and neural-network approximation''. In "Lecture

20

Notes in Computer Science", vol. 6354, pp. 358-367, Springer, Berlin Heidelberg, 2010.

40. G. Gnecco, M. Sanguineti, "Smooth optimal decision strategies for static team optimization problems and their approximations''. In "Lecture Notes in Computer Science", vol. 5901, pp. 440-451, Springer, Berlin Heidelberg, 2010.

41. G. Gnecco, M. Sanguineti, "Regularization and suboptimal solutions in learning from data". In "Innovations in Neural Information Paradigms and Applications", M. Bianchini, M. Maggini, F. Scarselli (Eds.), Springer, 2010.

42. A. Alessandri, G. Gnecco, M. Sanguineti, "Computationally efficient approximation schemes for functional optimization''. In "Computational Optimization: New Research Developments", R. F. Linton and T. B. Carroll Jr. (Eds.), Nova Science Publishers, 2010 (cross-published in International Journal of Computer Research, vol. 17, no. 1/2, pp. 153-189, 2008).

Lavori a conferenze

Alle conferenze [48, 52, 56, 58, 59, 60, 61, 63, 65, 66] ho partecipato in qualità di relatore.

43. M. Gaggero, G. Gnecco, T. Parisini, M. Sanguineti, R. Zoppoli, "Approximation schemes with moderate domplexity in functional optimization and dynamic programming'', Proceedings of the 51st IEEE Conference on Decision and Control (IEEE CDC 2012), Maui, Hawaii, 2012.

44. M. Cello, G. Gnecco, M. Marchese, M. Sanguineti, "Optimality Conditions for a Nonlinear Stochastic Knapsack Problem'', AIRO 2012, Vietri sul Mare, 2012.

45. M. Gaggero, G. Gnecco, M. Sanguineti, R. Zoppoli, "Dynamic Programming and Value-Function Approximation with Application to Optimal Consumption'', AIRO 2012, Vietri sul Mare, 2012.

46. M. Cello, G. Gnecco, M. Marchese, M. Sanguineti, "An Application to Two-Hop Forwarding of a Model of Buffer Occupancy in ICNs'', Proceedings of IEEE SOSE 2012, Genova, 16.19 luglio 2012.

47. M. Degiorgis, G. Gnecco, S. Gorni, G. Roth, M. Sanguineti, A.C. Taramasso, "Classifiers for the detection of flood prone areas from remote sensed elevation data'', 5th CNR-Princeton workshop, Miami, 2012.

21

48. M. Cello, G. Gnecco, M. Marchese, M. Sanguineti, "A stochastic knapsack problem with nonlinear capacity constraint'', AIRO 2011, 6-9 settembre 2011.

49. G. Gnecco, M. Sanguineti, R. Zoppoli, "Functional optimization in OR problems with very large numbers of variables'', AIRO 2011, 6-9 settembre 2011.

50. M. Cello, G. Gnecco, M. Marchese, M. Sanguineti, "A generalized stochastic knapsack problem with application in call admission control'', 10th Cologne-Twente Workshop, Frascati, 14-16 giugno 2011.

51. G. Gnecco, V. Kủrková, M. Sanguineti, "Bounds for approximate solutions of Fredholm integral equations using kernel networks'', ICANN 2011, Espoo, Finland, 14-17 giugno 2011.

52. G. Gnecco, M. Sanguineti, M. Gaggero, "Approximate dynamic programming by variable-basis schemes: Error analysis and numerical results", AIRO WINTER 2011, Cortina d'Ampezzo, 7-12 febbraio 2011.

53. M. Marchese , M. Cello, G. Gnecco, M. Sanguineti, "Structural properties of optimal coordinate-convex policies for CAC with nonlinearly-constrained feasibility regions", IEEE INFOCOM (Mini-Conference) 2011, Shanghai, Cina, 10-15 aprile 2011.

54. G. Gnecco, V. Kủrková, M. Sanguineti, "Some comparisons of model complexity in linear and neural-network approximation'', ICANN 2010, Thessaloniki, Grecia, 15-18 settembre 2010.

55. M. Gaggero, G. Gnecco, M. Sanguineti, "Decentralized optimization problems with cooperating decision makers'', AIRO 2010, Villa San Giovanni, 7-10 settembre 2010.

56. M. Cello, G. Gnecco, M. Marchese, M. Sanguineti, "On call admission control with nonlinearly constrained feasibility regions'', EURO 2010, Lisbona, Portogallo, 11-14 luglio 2010.

57. M. Gaggero, G. Gnecco, M. Sanguineti, "Suboptimal solutions to team optimization problems with statistical information structure", EURO 2010, Lisbona, Portogallo, 11-14 luglio 2010.

58. G. Gnecco, M. Sanguineti, "Smooth optimal decision strategies for static team optimization problems and their approximations'', SOFSEM 2010, Špindlerův Mlýn, Repubblica Ceca, 23–29 gennaio 2010.

59. G. Gnecco, M. Sanguineti, "Suboptimal solutions to network team optimization problems", Proceedings of the International Network Optimization Conference (INOC 2009), Pisa, aprile 2009.

22

60. G. Gnecco, M. Sanguineti, "Lipschitz continuity of the solutions to team optimization problems revisited'', Proceedings of the Int. Conf. on Mathematical Science and Engineering (ICMSE 09), Venezia, 28-30 ottobre 2009.

61. G. Gnecco, M. Sanguineti, "Approximate dynamic programming by value-function approximation via variable-basis schemes'', AIRO 2009, Siena, settembre 2009.

62. G. Gnecco, M. Sanguineti, "Smoothness and approximation of optimal decision strategies in team optimization problems'', AIRO 2009, Siena, settembre 2009.

63. G. Gnecco, M. Sanguineti, "Functional optimization by variable-basis approximation schemes'', AIRO 2009, Siena, settembre 2009.

64. G. Gnecco, M. Sanguineti, "Structural properties of stochastic dynamic concave optimization problems and approximations of the value and optimal policy functions", AIRO 2008, Ischia.

65. G. Gnecco, M. Sanguineti, "Deriving approximation error bounds via Rademacher’s complexity and learning theory", AIRO 2007, Genova.

66. G. Gnecco, M. Sanguineti, R. Zoppoli, "Suboptimal solutions to dynamic optimization problems: Extended Ritz method versus approximate dynamic programming", AIRO 2007, Genova.

67. G. Gnecco, M. Sanguineti, R. Zoppoli, "Exploiting structural results in approximate dynamic programming", EURO 2007, Praga, Repubblica Ceca.

Tesi di Dottorato in Matematica ed Applicazioni

68. G. Gnecco, "Functional optimization by variable-basis approximation schemes". Dipartimento di Matematica, Università di Genova, Aprile 2009.

Tesi di Laurea Quinquennale in Ingegneria delle Telecomunicazioni

69. G..Gnecco, "Applicazione delle support vector machines a problemi di controllo ottimo". Dipartimento di Informatica, Sistemistica e Telematica (DIST), Università di Genova, Dicembre 2004.

Rapporti di ricerca

70. G. Gnecco, M. Sanguineti, "Approximate solutions to infinite-dimensional optimization problems".

23

71. G. Gnecco, "Confronto tra reti approssimanti lineari e non lineari a un livello nascosto".

72. G. Gnecco, "Definizione di criteri di ottimalità per la scelta dei parametri nel modello di Cole-Davidson ed applicazione ad un caso particolare".

Genova, 04/11/2012

24