Department of Computer, Control and Management Engineering

In linea con la normativa in vigore, il Dott. Antonio Maria SUDOSO, vincitore della procedura selettiva per il SC 01/A6 - SSD MAT/09 di cui al bando n.3/2022 del 03/01/2023, per il reclutamento di n.1 ricercatore con rapporto di lavoro a tempo determinato di tipologia “A”, con regime di impegno a tempo pieno, presso il Dipartimento di Ingegneria Informatica Automatica e Gestionale “Antonio Ruberti”, i cui atti sono stati approvati dalla DIrettrice Repertorio n. 198/2023 Prot n. 2842 del 09/06/2023,  terrà presso questo dipartimento un seminario 

TITLE: 

We propose a branch-and-bound algorithm for solving nonconvex quadratic programming problems with box constraints (BoxQP). Our approach combines existing tools, such as semidefinite programming (SDP) bounds strengthened through valid inequalities with a new class of optimality-based linear cuts which leads to variable fixing. The most important effect of fixing the value of some variables is the size reduction along the branch-and-bound tree, allowing to compute bounds by solving SDPs of smaller dimensions. Extensive computational experiments over large dimensional (up to n=200) test instances show that our method is the state-of-the-art solver on large-scale BoxQPs. Joint work with Marco Locatelli and Veronica Piccialli.

Antonio Maria Sudoso ha conseguito la laurea magistrale in Ingegneria Informatica (summa cum laude) e il dottorato di ricerca in Computer Science, Control and Geoinformation presso l'Università degli Studi di Roma Tor Vergata rispettivamente nel 2018 e nel 2022. Nel 2022 è stato assegnista di ricerca presso il Dipartimento di Ingegneria Informatica, Automatica e Gestionale “Antonio Ruberti” della Sapienza Università di Roma. Nel 2023 è stato assegnista di ricerca presso l'Istituto di Analisi dei Sistemi ed Informatica "Antonio Ruberti" (IASI) del Consiglio Nazionale delle Ricerche (CNR). I temi di ricerca principali riguardano modelli e algoritmi di ottimizzazione per problemi di machine learning, metodi di analisi e previsione per grandi raccolte di serie temporali ed applicazioni della ricerca operativa nella gestione ambientale sostenibile.