You are on page 1of 14

I N T E R V E N T I

I modelli fluidodinamici
di flussi di reti
e la loro ottimizzazione
di Ciro D’Apice,
Rosanna Manzo
e Benedetto Piccoli
ROSANNA MANZO è ricercatrice in Analisi mate-
matica presso il Dipartimento di Ingegneria dell’Infor-
mazione e Matematica Applicata dell’Università degli
Studi di Salerno. I suoi interessi di ricerca comprendono
28 modelli fluidodinamici per flussi su reti
BENEDETTO PICCOLI è Diret- stradali, di telecomunicazione, di pro-
tore di Ricerca presso l’Istituto per duzione, controllo ottimo, teoria delle
le Applicazioni del Calcolo “Mau- code, processi self-similar e computer ai-
ro Picone” del C.N.R. I suoi inte- ded learning. È autrice di numerosi ar-
ressi di ricerca includono control- ticoli pubblicati su riviste internaziona-
lo ottimo, controllo ibrido, Biolo- li e proceedings.
gia dei sistemi, flussi su reti, Mate-
matica finanziaria e Matematica applicata. È autore di
diversi libri e di oltre 150 articoli. È editor in chief della ri- 1. Dalla conservazione della massa
vista Networks and Heterogeneous Media ed ha ricevu- ai modelli di traffico
to il Premio Fubini 2009. Il primo novembre del 1772 il signor Antoine-Laurent La-
voisier, chimico, fisico, naturalista, economista, esattore
delle tasse e futuro uomo politico (una vita molto intensa
CIRO D’APICE insegna Analisi matematica presso che la ghigliottina interromperà nel 1794), depositò pres-
la Facoltà di Ingegneria dell’Università degli Studi di Sa- so l’Accademia delle Scienze di Parigi un plico nel quale era
lerno. È autore di libri e di oltre 100 contenuto l’annuncio di una scoperta rivoluzionaria. Da
articoli che trattano di omoge- una serie di esperimenti sulla combustione dello zolfo era
neizzazione e controllo ottimo, giunto ad una conclusione che avrebbe cambiato il corso del-
modelli basati su leggi di con- la Chimica e forse dato origine ad un nuovo modo di fare
servazione per traffico urbano, Chimica. Le trasformazioni chimiche o reazioni chimiche
reti di dati e catene di produ- – affermava il signor Lavoisier – mutano le proprietà della
zione, comportamento spazia- materia senza alterarne la massa complessiva. Questa af-
le di problemi dinamici, sistemi fermazione è oggi nota come legge di conservazione della
e reti di code. massa o principio di Lavoisier. Qualcuno, addirittura, ama
usare il suggestivo aforisma: nulla si crea e nulla si di-

76  lettera matematica
I N T E R V E N T I
strugge, ma tutto si trasforma! Quella di Lavoisier fu la pri- ramazioni. Due osservatori, ad esempio un benzinaio ed un
ma legge di conservazione di cui si ha memoria. Nella se- vigile urbano, disposti in due punti diversi lungo la strada,
conda metà dell’800, le scoperte di diversi scienziati (Jou- vedranno transitare (se hanno tempo per farlo) lo stesso nu-
le, Carnot, Thomson, Clausius e Faraday) svelarono che lo mero di auto.
stesso principio valeva anche per l’energia, pervenendo ad Concentrandoci su tratti stradali senza entrate ed uscite, si
una compiuta descrizione dei primi due principi della Ter- può affermare con certezza che il numero di auto si con-
modinamica. Oggi si parla di legge di conservazione del- serva. Se c’è una quantità che si conserva, allora ha senso
l’energia, del momento, della carica ecc. Se ne parla mol- parlare di leggi di conservazione (vedi Box 1).
to, ma con maggiore prudenza perché nel 1913 un ex im- Intuitivamente, un fattore che influenza la velocità è la den-
piegato dell’ufficio brevetti di Berna avanzò l’ipotesi che la sità delle auto (numero di auto per chilometro, ad esempio)
legge di conservazione della massa non fosse sempre ve- presenti. La velocità media è sostenuta in caso di assenza
ra. Ma questa è un’altra storia… di traffico, moderata quando il traffico è scorrevole, molto
Di leggi di conservazione si sono occupati i fisici, da sem- bassa in caso di traffico intenso e quasi nulla o nulla nel ca-
pre interessati a tutto ciò che può aiutarli a penetrare nei so di incolonnamenti (code). Appare dunque ragionevole
misteri della natura, i matematici, attratti dalle difficoltà e supporre che la velocità sia funzione decrescente della den-
dalle strane proprietà di questi oggetti matematici (perché sità. Consideriamo gli incolonnamenti (ad esempio, a cau-
le leggi di conservazione sono anche oggetti matematici, sa di un incidente). Dal punto in cui si è verificato l’incidente
equazioni), e infine gli ingegneri, intravedendo la possibi- (supponendo che esso ostruisca il passaggio), le auto co-
lità di poter applicare le leggi di conservazione per la riso- minciano ad incodarsi e la densità di auto in quel tratto ini-
luzione di problemi pratici. zia ad aumentare fino a diventare massima quando le au-
Infatti, leggi di conservazione sono alla base di modelli ma- to si trovano paraurti contro paraurti (o quasi). Intanto le
croscopici per la descrizione, l’analisi e il controllo di flus- auto alla fine della coda continuano ad incolonnarsi. L’ef-
si su reti (stradali, di trasmissione dati, di produzione, fetto dell’incidente avvenuto in un punto x* si propaga al-
ecc.). Una comprensione profonda dei fenomeni legati ai flus- l’indietro per valori di x minori di x*. Matematicamente, la
29
si e una loro simulazione è cruciale in fase di progettazio- coda rappresenta una discontinuità (shock) per la funzio-
ne e di scelta di politiche che possano alleviare la congestione ne densità di automobili: la densità di auto risulta essere
e massimizzare il flusso. Per esempio, i modelli di traffico massima nel tratto prima dell’incidente e nulla in quello suc-
urbano possono essere utili per rispondere a domande del cessivo. Analizziamo ora cosa avviene quando la strada vie-
tipo: dove installare semafori o segnali di stop, come deci- ne liberata. Se provassimo a risolvere il problema di Rie-
dere la durata delle fasi di verde e rosso di un ciclo se- mann (problema di Cauchy con dato iniziale costante a
maforico, se trasformare o meno una strada a due corsie tratti) che ha come equazione differenziale alle derivate par-
in una ad una singola corsia, dove costruire entrate, usci- ziali l’equazione di conservazione scritta per la densità di
te, sottopassaggi, ecc. auto e come dato iniziale l’ipotesi di densità massima (nor-
Il primo modello fluidodinamico per singola strada risale malizzando, possiamo assumerla unitaria) per x< x* e nul-
agli anni ’50 quando J. Lighthill e G. Whitham, due esper- la per x> x*, il risultato che otterremmo, per la funzione den-
ti di Fluidodinamica (ed indipendentemente P. Richards), in- sità, sarebbe una rarefazione. Ed è quello che succede ef-
tuirono come le equazioni che descrivono il flusso d’acqua fettivamente quando viene ripristinata la strada: il traffico
(equazioni alle derivate parziali note come equazioni di diventa via via più rarefatto e la densità delle auto diminuisce
Eulero o di Navier-Stokes, che esprimono la conservazio- progressivamente. Un discorso analogo si può fare analiz-
ne della massa, del momento e dell’energia) potessero es- zando ciò che avviene in presenza di un semaforo.
sere capaci di catturare anche la dinamica del flusso del traf- Come si può osservare, una legge di conservazione è una
fico stradale. L’idea di base è di considerare un’ampia sca- particolare equazione differenziale alle derivate parziali
la spaziale, il che equivale ad osservare il fenomeno da “mol- dove la variabile è una quantità che si conserva, cioè una
to lontano”, in maniera da considerare le auto come piccole quantità che non può essere né creata né distrutta. Una par-
particelle (senza distinzioni tra camion, auto, autobus, ecc.) ticolare caratteristica dei sistemi di leggi di conservazione
e da supporre che la densità abbia una distribuzione con- è che anche per dati iniziali regolari la soluzione del pro-
tinua. In ogni caso, è ragionevole assumere la conservazione blema di Cauchy può sviluppare discontinuità in tempi fi-
del numero di auto in un tratto stradale senza uscite né en- niti. Per avere soluzioni globali bisogna dunque lavorare al-
trate, giungendo così ad una legge di conservazione. l’interno di una classe di funzioni discontinue e ricercare
Supponiamo di avere una strada a senso unico priva di di- soluzioni deboli entropiche.

lettera matematica  76
I N T E R V E N T I

Recentemente si è assistito ad un rinnovato interesse per i mo-


BOX 1
delli fluidodinamici, interesse che trae origine da una cresci-
Formalizziamo quanto detto. ta delle possibilità offerte dal calcolo numerico e da una se-
rie di raffinamenti ed estensioni dei modelli stessi che hanno
permesso la descrizione di strade multi-corsia, eventualmente
con semafori, e la descrizione dei flussi su reti stradali.
Anche se il primo modello basato su leggi di conservazio-
ne è stato applicato al traffico su singola strada, i modelli
fluidodinamici trovano un ampio range di applicazione.
Possono infatti essere usati per descrivere l’evoluzione del
traffico su reti stradali di grandi città o su autostrade di gran-
di stati, flussi di dati su reti di telecomunicazioni e flussi di
 Figura 1 Tratto stradale merci su catene di produzione, reti di gas, reti elettriche,
flussi sanguigni ecc. (Figura 2). In altre parole, questi mo-
Nell’ipotesi che la densità sia continua, il numero di automo- delli sono capaci di descrivere sistemi reali in cui qualcosa
bili N su un tratto di strada, tra x = a e x = b, è dato dall’inte- viene conservato: il numero medio di auto in una strada,
grale della densità di traffico: di pacchetti in una rete Internet, il numero di merci prodotte
in una catena di produzione ecc.

in cui Ç(t,x) denota la densità di auto (numero di auto per unità


di lunghezza).
Se non ci sono né entrate né uscite nel tratto stradale, assu-
mendo che le automobili non possano essere né create né di-
30
strutte tra x = a e x = b, la variazione del numero di automo-
bili è uguale al numero di auto per unità di tempo che attra-
versano x = a (spostamenti verso destra) meno il numero di
automobili che attraversano, muovendosi ancora verso destra,
x = b:

 Figura 2 Alcune applicazioni dei modelli fluidodinamici


dove f(t,x) è il flusso dato dal numero di automobili per unità
di tempo. Il vantaggio principale dell’approccio fluidodinamico è che,
Combinando le equazioni si ottiene, sotto opportune ipotesi di usando un numero parsimonioso di parametri, i modelli so-
regolarità della funzione densità: no in grado di descrivere l’evoluzione del carico di rete ad
ogni istante di tempo e di rivelare alcuni fenomeni come la
formazione delle code e la loro propagazione come conse-
guenza di repentini cambiamenti o particolari situazioni.
Da qui segue che: Inoltre la teoria permette lo sviluppo di efficienti schemi nu-
merici anche per reti di grandi dimensioni, grazie alla mo-
dellazione del flusso alle giunzioni in un modo semplice e
computazionalmente conveniente, che fa uso di problemi
e, data l’arbitrarietà degli estremi di integrazione, si ottiene: di programmazione lineare.

2. Simulazione e ottimizzazione di reti stradali


in cui, essendo il flusso legato alla densità e alla velocità dal- Nonostante esista una copiosa letteratura sui modelli flui-
la relazione f = Çv e supponendo v funzione decrescente della dodinamici di traffico per singola strada (a una o più cor-
densità, il flusso è a sua volta funzione della sola densità. sie) solo recenti contributi sono stati dedicati al caso di re-
ti di traffico. In effetti, i primi lavori in questa direzione so-

76  lettera matematica
I N T E R V E N T I
no di Holden-Risebro (1995) e di Coclite, Garavello, Picco- A partire dalle soluzioni dei problemi di Riemann si co-
li (2005) che hanno esteso il modello di Lighthill-Whitham- struiscono soluzioni ai problemi di Cauchy, usando un’op-
Richards ad una rete e risolto il problema di Riemann alle portuna versione dell’algoritmo di Wave-Front-Tracking
giunzioni, cioè il problema di Cauchy con dato iniziale co- di Bressan. La difficoltà principale nel risolvere un siste-
stante su ogni strada entrante ed uscente, proponendo una ma di leggi di conservazione è il controllo della variazio-
massimizzazione del flusso. ne totale. È abbastanza facile verificare che, per una sin-
Una rete stradale può essere rappresentata con un grafo gola legge di conservazione, la variazione totale decresce
orientato, composto da un numero finito di strade model- all’interno di una singola strada ma può aumentare a
late da intervalli [ai, bi], possibilmente con estremi infiniti, causa dell’interazione di onde con le giunzioni. In ([6]) si
che si incontrano in qualche incrocio. Su ogni strada l’e- è provato che la variazione totale del flusso è limitata per
voluzione della densità è descritta dall’equazione di Li- giunzioni semplici. Poiché non è equivalente alla variazione
ghthill-Whitham-Richards: totale della densità, per provare l’esistenza di soluzioni si
è usato un argomento di compattezza insieme ad un con-
trollo del numero di onde grandi (onde che attraversano
dove il valore in cui il flusso ha un unico massimo) in prossi-
mità delle giunzioni.
Discretizzando la legge di conservazione secondo lo sche-
è la densità delle auto, Çmax la massima densità che può es- ma di Godunov e schemi cinetici di tipo rilassamento iper-
sere supportata dalla strada, n = n (Ç) la velocità e f(Ç) = Çn (Ç) bolico (del primo e del secondo ordine) con opportune con-
il flusso (un buon modello per il flusso è f(Ç) = Ç (1-Ç)). Per dizioni al contorno, si è realizzato un simulatore di traffi-
estremi che non toccano una giunzione (e non sono infini- co stradale che prende in input le condizioni iniziali di
ti), viene assegnato un dato al bordo e viene risolto il cor- densità su ogni strada e condizioni al bordo e consente di
rispondente problema al bordo. prevedere l’evoluzione della densità di traffico in ogni trat-
Il punto chiave è dato dalle giunzioni in corrispondenza del- to stradale. In Figura 3 il simulatore evidenzia la formazione
31
le quali il problema di Riemann è sotto-determinato anche di code (in rosso) nella rotatoria della piazza dei Re di Ro-
considerando la conservazione delle auto, che può essere ma (una parte della rete urbana di Roma) e presso lo svin-
scritta come la relazione di Rankine – Hugoniot o legge ti- colo Salerno-Fratte e la propagazione all’indietro.
po Kirchhoff:

dove Çi (i = 1, …, n) è la densità di auto sulle strade entranti


mentre Çj,( j = n+1, …, n+m) è la densità sulle strade uscenti.
In [6] per garantire l’unicità della soluzione del proble-
ma di Riemann agli incroci, vengono assunte le seguen-
ti regole:
 A. il traffico dalle strade entranti viene distribuito sulle
uscenti in accordo a coefficienti statistici;
 b. nel rispetto della regola precedente, i guidatori scelgono
di massimizzare i flussi sulle linee entranti all’incrocio.
La prima regola esclude, ad esempio, che in un incrocio con  Figura 3 Piazza dei re di Roma e svincolo Salerno-Fratte
più strade uscenti tutte le auto si dirigano verso una sola stra-
da uscente, soluzione che garantisce la conservazione del- Nel caso della piazza dei Re di Roma, l’eccessiva presenza
le auto ma non è plausibile da un punto di vista modellisti- di zone congestionate può essere spiegata con il compor-
co. La seconda regola, invece, esclude la soluzione banale tamento scorretto dei guidatori che non rispettano le regole
che i veicoli si fermino all’incrocio senza attraversarlo, so- di precedenza all’atto dell’immissione nella rotatoria. Il si-
luzione che rispetta anch’essa la conservazione delle auto. mulatore consente la gestione di reti stradali costituite da
Nel caso in cui il numero di strade entranti sia maggiore del un gran numero di archi e nodi, come mostrato in Figura
numero di strade uscenti, si introducono dei parametri di 4, in cui è riportata l’evoluzione del traffico sull’intera re-
precedenza che regolano il flusso entrante nel nodo. te stradale di Salerno.

lettera matematica  76
 Figura 4
I N T E R V E N T I

Rete di Salerno BOX 2


Presentiamo alcuni esempi, in cui vengono ottimizzati i para-
metri di precedenza [3, 4]. Focalizziamo l’attenzione su piazza
dei Re di Roma (Figura 5 a sinistra), formata da incroci con due
strade entranti ed una uscente (giunzioni 2x1) ed incroci con una
strada entrante e due strade uscenti (giunzioni 1x2). Conside-
riamo poi un’area della rete urbana di Salerno (Figura 5 a de-
stra), data da un incrocio o con due strade entranti (a – o e b –
o) ed una strada uscente. L’incrocio o ha un semaforo con un
A partire dal modello fluidodinamico, sono state sviluppa- ciclo di due minuti dove la fase di verde è 15 secondi per i gui-
te delle tecniche di ottimizzazione per la scelta ottimale dei datori che viaggiano sulla strada a – o. Quindi, la strada a – o
parametri caratteristici del modello, che si basano sulla ha un parametro di precedenza:
massimizzazione del funzionale J1 che misura la velocità me-
dia delle automobili e la minimizzazione del funzionale J2
che misura il tempo medio di percorrenza sulla rete. L’ot-
timizzazione dei flussi è basata su un’accurata scelta dei mentre b – o un parametro di precedenza q = 1 - p = 0,875.
coefficienti di distribuzione e dei parametri di precedenza. Infine, analizziamo un’area del Lungomare di via Clemente Ta-
Mentre scegliere i coefficienti di distribuzione corrisponde furi a Salerno, composta da tre incroci aventi ognuno due stra-
a ridirezionare il traffico, l’ottimizzazione dei parametri di de entranti ed una uscente (Figura 6). Ogni incrocio ha un se-
precedenza si traduce in interventi stradali consistenti nel- maforo con una fase di verde pari a 48 secondi e un ciclo tota-
l’opportuna regolazione di cicli semaforici o nella scelta di le di due minuti, per cui assumiamo che le strade a, c ed e ab-
un’adeguata segnaletica di precedenza. biamo un uguale parametro di precedenza, pari a 0.4.
La determinazione della soluzione analitica ottima rap-
32
presenta un problema difficile anche per giunzioni sempli-
ci. Il motivo è la natura ibrida del problema, dove variabi-
li continue dal punto di vista spaziale e temporale si in-
fluenzano tra loro e sono a loro volta influenzate da varia-
bili discrete come i parametri del traffico.
Rivolgiamo l’attenzione dapprima a due particolari casi: il
caso 2x1, con due strade entranti ed una strada uscente, e
il caso 1x2, con una strada entrante e due uscenti. Per re-
ti complesse, è stata adottata la seguente strategia:
 Si sono determinati i parametri ottimi per semplici re-  Figura 5 Topologia della piazza dei Re di Roma (sinistra)
ti formate da una singola giunzione. Per queste, si è con- e dell’incrocio di via Parmenide (destra)
siderata la soluzione asintotica sulla rete (assunte stra-
de di lunghezza infinita in maniera tale da evitare ef-
fetti di dati al bordo).
 Per una rete complessa, si sono usati parametri (local-
mente) ottimi ad ogni giunzione, aggiornando il valore
dei parametri in ogni istante mediante la densità cor-  Figura 6 Topologia della rete con tre incroci
rente sulle strade. di via Lungomare Clemente Tafuri, Salerno
 Si sono verificate le prestazioni dei parametri (local-
mente) ottimi, confrontandoli mediante simulazioni,
con altre situazioni come scelte di parametri fissi o ran- Studiamo tre diversi casi di simulazione: (a) parametri di
dom (i coefficienti vengono scelti in maniera casuale ad precedenza che ottimizzano i funzionali di costo J1 e J2 (ca-
ogni istante di simulazione per ogni giunzione). so ottimo); (b) parametri di precedenza fissi (caso fisso) in
cui cioè il parametro di precedenza è lo stesso per ogni giun-
I risultati di ottimizzazione sono stati testati su casi reali di zione (per la piazza dei Re di Roma p=0.2; per l’incrocio di
reti urbane (vedi Box 2). via Parmenide e gli incroci di via Lungomare Clemente Ta-

76  lettera matematica
I N T E R V E N T I
 Figura 7 Simulazione di J2 al variare del tempo considerando come dato iniziale strade vuote e dato al bordo 0.3 per strade
esterne alla piazza. Curva blu: caso fisso; curva verde: caso random dinamico; curva rossa: caso ottimo. A destra, zoom su caso
ottimo e caso random dinamico

furi assumiamo che il caso fisso sia dato dalla situazione rea- Per via Parmenide presentiamo in Figura 9 l’andamento del
le); (c) parametri random dinamici, in cui i parametri di pre- funzionale J1 che, essendo più alto nel caso ottimo, indica
cedenza per ogni incrocio di tipo 2x1 cambiano in manie- che il semaforo dell’incrocio ha fasi di rosso e verde non con-
ra casuale ad ogni step di simulazione. La Figura 7 mostra venienti per decongestionare il traffico. Contrariamente al
il comportamento temporale del funzionale J2 per piazza dei caso della piazza dei Re di Roma, l’andamento del funzio-
Re di Roma. nale per la simulazione random dinamica è diverso dal-
Si può notare che il funzionale per il caso fisso è più alto l’andamento del caso ottimo. In particolare, è possibile di-
del caso ottimo. Le prestazioni dei casi ottimo e random
dinamico sono molto simili e ci si può chiedere se si può
33
evitare una procedura di ottimizzazione. In effetti, il ca-
so ottimo è preferibile a quello random dinamico, come si
evince dall’analisi del funzionale (Figura 8) di Stop and Go
Waves (SGW). Tale funzionale, che misura le variazioni di
velocità e rappresenta un indice della sicurezza sulle stra-
de, è più basso nel caso ottimo per cui, ponendo i para-
metri dell’incrocio uguali ai valori ricavati dalla procedu-
ra di ottimizzazione, si garantisce maggiore sicurezza
sulle strade [3, 4].

 Figura 8 Simulazione di SGW al variare del tempo conside-  Figura 9 Simulazione di J1 al variare del tempo consideran-
rando come dato iniziale strade vuote e dato al bordo 0.75 per do come dato iniziale strade vuote e dato al bordo 0.8 per le
strade esterne alla piazza. Curva blu: caso fisso; curva verde: strade entranti e 0.3 per l’uscente. Curva blu: caso fisso; curva
caso random dinamico; curva rossa: caso ottimo verde: caso random dinamico; curva rossa: caso ottimo

lettera matematica  76
I N T E R V E N T I

 Figura 10 Simulazione di J1 e J2 al variare del tempo partendo da rete vuota e dato al bordo 0.2 per le strade che iniettano traffi-
co nella rete. Curva blu: caso fisso; curva verde: caso random dinamico; curva rossa: caso ottimo

mostrare che una simulazione random dinamica risulta La rete viene ancora una volta descritta da un numero fi-
equivalente ad una simulazione fissa con parametro di pre- nito di linee di trasmissione modellate da intervalli [ai, bi],
cedenza pari a 0.5, valore che minimizza J1 ([4]). con uno dei due estremi possibilmente infinito, che si in-
In Figura 10 presentiamo l’andamento dei funzionali J1 e contrano in qualche nodo (switch o router) che riceve e in-
J2 per gli incroci di via Lungomare Clemente Tafuri. Risul- via informazioni in forma di pacchetti ([8]). Rispetto alle re-
tano evidenti dei miglioramenti apportati dal caso ottimo ti di traffico, la differenza principale è che la densità evol-
rispetto agli altri casi. ve su un singolo arco con velocità costante. La matrice di
distribuzione delle percentuali di pacchetti ad ogni giunzione
3. Un modello fluidodinamico per reti di dati gioca ancora un ruolo fondamentale ma deve essere mo-
34
Idee provenienti dall’approccio fluidodinamico classico per dificata tenendo in considerazione gli algoritmi che rego-
il traffico stradale sono state estese per trattare flussi di da- lano il funzionamento di switch e router.
ti su reti. Basta immaginare di sostituire le automobili con Focalizziamo l’attenzione dapprima su una singola linea
i pacchetti (pezzi di informazione scambiati all’interno di una tra due nodi di una rete Internet. Si assume che ogni pac-
rete dati) e la rete stradale con una rete di telecomunicazione chetto viaggi sulla rete con una velocità fissata e con
(ad esempio Internet). I nodi non sono più gli incroci stra- un’assegnata destinazione finale e che i router ricevano,
dali ma router, switch, ecc. I concetti di shock e di rarefa- processino e poi smistino i pacchetti, i quali possono es-
zione possono essere riportati di pari passo (con qualche pic- sere persi con una probabilità che cresce all’aumentare del
colissima modifica) in questo nuovo mondo ed ottenere tut- numero di pacchetti processati. Ogni pacchetto perso vie-
ta una serie di interessanti risultati. Nel nuovo mondo, af- ne rispedito.
finché sia ragionevole la conservazione dei pacchetti (che Se consideriamo due router consecutivi, dal momento
ahimè spesso si perdono), bisogna assumere una scala tem- che ogni router rispedisce al nodo successivo i pacchet-
porale intermedia e un meccanismo di comunicazione tra ti persi fino a quando non riceve il segnale di avvenuta
nodi regolato da protocolli che garantiscono una perdita ricezione, possiamo assumere che, in una scala tempo-
temporanea ma non definitiva di pacchetti di informazione. rale intermedia, i pacchetti siano conservati. Quindi, con-
Se infatti vi è l’impossibilità di “perdere” automobili, i pac- siderando i backbones della rete formati da molti router
chetti invece, viaggiando su un link, possono essere persi, consecutivi, si giunge a considerare un modello sempli-
possono non raggiungere la destinazione oppure possono ce che consiste di una singola legge di conservazione di
raggiungerla ma essere rigettati perchè danneggiati. In que- tipo (1) dove Ç è la densità dei pacchetti (numero di pac-
sti casi, non sembrerebbe valida l’applicazione delle leggi di chetti per unità di spazio) e f(Ç) = Çn (Ç) è il flusso (nu-
conservazione. In realtà, il numero di pacchetti, osservato mero di pacchetti per unità di tempo) con n (Ç) velocità
in una scala temporale intermedia, si conserva. I pacchetti di trasmissione dei pacchetti. Assegnando una probabi-
ricevuti dal receiver sono nello stesso numero di quelli spe- lità di perdita (vedi Box 3) di pacchetti come funzione del-
diti dal sender perchè alcuni protocolli, attraverso l’attua- la densità, passando al limite nella procedura di invio e
zione di meccanismi di segnalazione, permettono di ritra- rinvio dei pacchetti, si ottiene una funzione velocità e quin-
smettere i pacchetti persi o danneggiati. di una funzione flusso.

76  lettera matematica
I N T E R V E N T I
Al fine di modellare reti complesse costituite da router e swit-
BOX 3
ch, si è introdotto un modo per risolvere le dinamiche ai no-
Consideriamo due nodi consecutivi Nk e Nk+1. Supponiamo che di in cui si intersecano molte linee proponendo due diver-
non tutti i pacchetti inviati dal sender raggiungano il receiver si algoritmi di instradamento:
al primo tentativo di invio e che il nodo Nk mandi di nuovo i  (RA1) I pacchetti vengono mandati dalle linee entranti
pacchetti persi al nodo successivo Nk+1. Più precisamente, as- alle uscenti in accordo alla loro destinazione finale e
sumiamo che esista una funzione p: [0,Çmax] 哫 [0,1] che asse- massimizzando il flusso.
gna la probabilità di perdita come funzione della densità.  (RA2) I pacchetti vengono spediti sulle linee di uscita per
Siano d la distanza tra i nodi Nk e Nk+1 , Dt0 il tempo di tra- massimizzare il flusso attraverso il nodo.
smissione dei pacchetti dal nodo Nk al nodo Nk+1 nel caso in Le differenze principali tra i due algoritmi sono le seguen-
cui arrivino con successo al primo tentativo e Dtav il tempo me- ti. Il primo manda semplicemente ogni pacchetto sulla li-
dio di trasmissione quando alcuni pacchetti sono persi da Nk+1 nea di uscita che viene scelta in maniera naturale in accordo
e rispediti da Nk. Denotiamo con: alla destinazione finale del pacchetto stesso. L’algoritmo è
cieco a possibili sovraccarichi di alcune linee uscenti e, con
qualche abuso di notazione, è simile al comportamento di
uno switch. Il secondo algoritmo, al contrario, spedisce i pac-
la velocità dei pacchetti, rispettivamente, nei due casi. chetti sulle linee di uscita considerando i carichi, e quindi
Dunque, al primo tentativo i pacchetti mandati dal nodo Nk rag- ridirezionando possibilmente i pacchetti. Ancora con qual-
giungono con successo il nodo Nk+1 con probabilità 1- p e so- che abuso di notazione, questo è simile al comportamento
no persi con probabilità p . Al secondo tentativo, 1 - p pacchetti di un router. L’algoritmo di instradamento RA1 può esse-
sono spediti nuovamente; di questi, (1 –p) p arrivano con suc- re descritto da due regole (A e B) ed è stato già usato per il
cesso al nodo successivo mentre p2 sono persi. Procedendo in traffico urbano (si veda sopra). In particolare, viene asse-
questo modo, al tentativo n-esimo (1 –p) pn-1 pacchetti arriva- gnata una matrice A di distribuzione del traffico che descrive
no a destinazione e pn si perdono. Il tempo medio di tra- le percentuali di pacchetti che da una linea entrante ven-
35
smissione è dato da: gono indirizzate verso le uscenti. Il secondo algoritmo RA2,
invece, non è stato considerato per il traffico urbano per-
ché il ridirezionamento delle auto non è atteso da un pun-
to di vista modellistico (ad eccezione di speciali situazioni,
da cui si ottiene la velocità media di trasmissione: come la chiusura di una strada) in quanto i tempi di per-
correnza delle auto variano sensibilmente al variare della
lunghezza del percorso. Per determinare in maniera unica
le soluzioni ai problemi di Riemann sono stati introdotti al-
Una volta misurata la probabilità di perdita di pacchetti, si de- cuni parametri aggiuntivi, chiamati parametri di priorità,
termina la velocità e da qui la funzione flusso. che descrivono le priorità tra le linee entranti e i parame-
Supponiamo una funzione di probabilità di perdita di pacchet- tri di distribuzione del traffico che hanno lo stesso signifi-
ti del tipo: cato della matrice di distribuzione del traffico.
Stime sulla variazione totale del flusso hanno permesso di
costruire una soluzione entropica ai problemi di Cauchy.
Mentre per il primo algoritmo si riesce solo a determinare
una stima per la variazione del flusso, per il secondo la va-
dove Çmax è la densità massima supportata da una linea e d è riazione del flusso in un nodo si conserva per interazioni
un valore soglia prefissato. A partire da tale probabilità si ricava delle onde con le linee di trasmissione e ciò consente di ot-
una velocità media di trasmissione: tenere stime sulla variazione totale della densità e di pro-
vare l’unicità e la dipendenza lipschitziana per soluzioni sul-
l’intera rete. Quest’ultima è stata provata utilizzando la
tecnica dei vettori tangenti e cioè introducendo una metri-
ca tipo Finsler su L¹. Più precisamente, la distanza tra le so-
luzioni è misurata lungo cammini in L¹ che ammettono
e la funzione flusso che è una funzione a “tendina”. vettori tangenti generalizzati. Il punto chiave è che la nor-
ma dei vettori tangenti decresce all’interno di ciascuna li-

lettera matematica  76
I N T E R V E N T I

nea mentre, per le interazioni con le onde, l’evoluzione è


determinata dalla variazione di flusso.
I risultati ottenuti mostrano che la scelta di un algoritmo di
tipo router, ad esempio RA2, implica stabilità delle soluzioni
rispetto alla perturbazione dei dati, in opposizione all’in-
stabilità ottenuta con quello di tipo switch.
Uno dei drawbacks dei precedenti algoritmi è che essi non
considerano il percorso globale dei pacchetti, provocando
quindi la possibile formazione di loop. Per esempio, si con-
sideri una rete di telecomunicazioni in cui alcuni nodi so-
no congestionati: se usiamo solo l’algoritmo RA2, i pacchetti
non vengono ridirezionati verso i nodi congestionati e quin-  Figura 12 Topologia della rete simulata
di possono entrare in loop.
Per simulare il comportamento dei flussi con l’algoritmo
RA1, vengono definite le seguenti matrici di distribuzione
del traffico per i due nodi della rete mentre, nel caso in cui
i nodi smistino i pacchetti secondo l’algoritmo RA2, si fis-
sano per ciascun nodo i parametri di priorità e distribuzione
per le linee entrati ed uscenti (vedi Tabella 1).

l1 l4 Nome Priorità Distribuzione


0.8 0.8 l2 l1 0.3 /
0.2 0.2 l7 l2 0.2 0.8
 Figura 11 Rete congestionata
36
l3 / 0.4
l2 l5 l4 0.7 /
Quest’ultimi vengono evitati se consideriamo che i pacchetti, 0.4 0.3 l3 l5 0.8 /
originati da una sorgente e con un’assegnata destinazione, 0.6 0.7 l6 l6 / 0.6
hanno percorsi precisi all’interno della rete (si veda Box 4). l7 / 0.2
Per capire le principali differenze tra gli algoritmi RA1 e RA2,
possiamo mostrare un esempio di simulazione, costituito  Tabella 1 Coefficienti di distribuzione per l’algoritmo RA1
dalla rete in Figura 12 composta da due incroci aventi (a sinistra) e coefficienti di priorità e distribuzione per l’algorit-
ognuno due linee entranti e due linee uscenti. mo RA2 (a destra)

BOX 4  ad una giunzione, il traffico da una solvere i problemi di Riemann consideran-


A tal fine, il modello descritto è stato raf- sorgente s e con destinazione finale d, do gli algoritmi di instradamento RA1 e RA2.
finato accoppiando alla legge di conser- proveniente dalla linea di trasmissio- Il punto chiave per costruire una soluzione
vazione un’equazione semilineare: ne i, viene instradato su un’assegna- sull’intera rete, usando il metodo del Wave-
ta linea j; Front Tracking, è derivare alcune stime BV
 ad una giunzione, il traffico da una su soluzioni approssimate costanti a tratti
in cui il vettore π descrive su ogni linea di sorgente s e con destinazione finale d, in maniera tale da passare al limite. Nel ca-
trasmissione i tipi di traffico ovvero le per- proveniente dalla linea di trasmissio- so in cui il traffico alle giunzioni venga di-
centuali di pacchetti che vanno da una fis- ne i, viene instradato su più linee stribuito sulle linee uscenti in accordo ad al-
sata sorgente ad un’assegnata destina- uscenti secondo percentuali fisse. cuni coefficienti di probabilità, sono state
zione ([9]). A partire dalla funzione di distribuzione del derivate stime sulla funzione di densità dei
Sono state considerate differenti funzioni traffico ed usando il vettore p, si è deter- pacchetti e sulle funzioni di tipo-traffico per
di distribuzione del traffico che descrivo- minata la matrice di distribuzione del traf- l’algoritmo RA2 per provare l’esistenza di so-
no diverse strategie di instradamento: fico. Poi, sono stati proposti metodi per ri- luzioni ai problemi di Cauchy.

76  lettera matematica
I N T E R V E N T I
In Figura 13, riportiamo la simulazione delle densità sulle
linee della rete nello stesso istante temporale con i due di-
versi algoritmi (RA1 a sinistra, RA2 a destra).

 Figura 13 simulazioni effettuate con dato al bordo sulle


linee l1, l4 e l5, rispettivamente, pari a 0.3, 0.3, 0.35, dato
al bordo sulle linee l3, l6 e l7 pari a zero; il colore viola
corrisponde ad alte densità di pacchetti

Si può notare che, per l’algoritmo RA1, si forma una coda


sui link l4 e l5 dovuta alla natura stessa dell’algoritmo che
smista i pacchetti senza considerare lo stato dei link di

 Figura 14 Topologia della rete di telecomunicazioni


uscita. Invece, nelle stesse condizioni di simulazione, non
c’è alcuna coda se si usa l’algoritmo RA2. Infatti, quest’ul-
timo prevede la massimizzazione del flusso di pacchetti sia
sulle linee entranti che su quelli uscenti ai nodi. I risultati
delle simulazioni mostrano chiaramente le differenze tra gli
37
algoritmi confermando la scelta dell’algoritmo RA2 per la
modellazione delle reti di dati.
Anche per il modello di flusso dati sono state sviluppa-
te tecniche di ottimizzazione, ottimizzando due funzio-
nali di costo, J1 e J2, che si riferiscono rispettivamente
alla velocità media dei pacchetti in circolo sulla rete e ai
tempi di percorrenza. L’ottimizzazione è fatta su coeffi-
cienti di distribuzione e parametri di priorità per incro-
ci con due linee entranti e due linee uscenti. Poi i risul-
tati ottimi locali con la strategia descritta per il traffico
stradale vengono usati per l’ottimizzazione di reti con più
incroci semplici. La procedura di ottimizzazione è stata
testata su una rete con 24 nodi e 60 linee ([5]), mostra-
ta in Figura 14.
I risultati numerici sono stati ottenuti considerando gli stes-
si tipi di simulazione già esaminati per il traffico stradale,
con l’aggiunta del caso random statico per il quale i para-
metri della rete vengono scelti casualmente nell’istante ini-
ziale di simulazione e poi mantenuti costanti fino alla fine
della simulazione stessa. Si suppone che le linee della rete
abbiano dati iniziali molto alti, prossimi alla massima den-
sità consentita per ogni linea. A differenza del caso del
traffico stradale, poiché viene utilizzata una funzione di
flusso diversa, sono stati definiti diversi algoritmi di otti-  Figura 15 Andamento del funzionale J1 (a sinistra) e J2 (a de-
mizzazione per i funzionali J1 e J2 a cui si fa riferimento stra). Curva viola: random statico; curva blu: fisso; curva verde:
in Figura 15. random dinamico; curva rossa: ottimo

lettera matematica  76
I N T E R V E N T I

Si può notare come l’andamento di J2 nella simulazione ran- con Ç densità di oggetti processati e m massima capacità di
dom dinamica sia molto simile a quella ottima, fenomeno produzione. È ben noto che l’equazione (3) può non am-
che non si verifica per J1. Inoltre, l’algoritmo di ottimiz- mettere soluzione per m non regolare.
zazione per J1 presenta una caratteristica interessante: Si è dunque proposto un modello misto continuo-discreto
per tempi piccoli il comportamento ottimo di J1 è peggio- (si veda Box 5) ovvero una catena di produzione descritta
re della configurazione fissa; per tempi grandi, invece, il da archi continui e nodi discreti, il che significa che la di-
caso ottimo è il più alto come del resto ci si aspetta. Foca- namica di carico è risolta in maniera continua sugli archi
lizzando l’attenzione sulla simulazione random dinamica, e ai nodi, imponendo la conservazione della densità delle
ci si può chiedere se sia preferibile una procedura di que- merci ma non della frequenza di produzione ([11]).
sto tipo ad una ottima dal momento che le prestazioni del-
la rete (come evidente dal funzionale J1) sembrano essere
BOX 5
le stesse. In realtà, effettuare una simulazione random di-
namica significa simulare la rete in condizioni molto cao- La dinamica su ogni arco è modellata da un sistema di due equa-
tiche con conseguente origine di strani fenomeni (picchi di zioni: una legge di conservazione per la densità delle merci e un’e-
densità su alcune linee in alcuni istanti di tempo) che non quazione di evoluzione per la frequenza di produzione:
possono essere ben modellati. Questa situazione è evi-
dente nella Figura 16 che mostra l’andamento della den-
sità sulla linea 13 della rete. La scelta di questa linea è es-
senziale dal momento che è una di quelle che si trovano
nel centro della rete ed è fortemente influenzata dalle di- con:
namiche dei vari nodi. Dall’analisi della Figura 16 è pos-
sibile notare che l’andamento della densità che si ottiene
con la simulazione ottima risulta più regolare di quella ri-
cavata con una simulazione random dinamica, che si pre- dove assumiamo:
38
senta molto oscillante.

L’evoluzione ai nodi Pk è stata descritta risolvendo problemi


di Riemann per l’equazione di densità (4) con i dati m come pa-
rametri.
È possibile considerare il caso di diversi flussi f ek per ogni linea
Ik (anche scegliendo e dipendente da k) e il caso di diverse
pendenze mk per ogni linea, considerando il flusso seguente:

dove mk ≥ 0 rappresenta la velocità di ciascun processore e è


data da:

 Figura 16 Comportamento della densità sulle linea 13 della


rete nel decimo istante di simulazione; curva rossa: ottimo;
con Lk e Tk, rispettivamente, lunghezza fissata e tempo di pro-
curva blu: random dinamico
duzione del processore k.

4. Gestione di catene di produzione


Uno dei primi modelli continui per catene di produzione è Sono state discusse possibili scelte di soluzioni ai nodi Pk
presentato in [1] dove gli autori, passando al limite nei mo- garantendo la conservazione dei flussi per (4). Una scelta
delli discreti, hanno ottenuto la legge di conservazione: è quella di fissare la regola:
 (SC1) Il flusso di densità entrante è uguale a quello uscen-
(3) te. Se esiste una soluzione con onde nella sola densità Ç,

76  lettera matematica
I N T E R V E N T I
allora viene presa tale soluzione; altrimenti, viene consi- La regola SC1 corrisponde al caso in cui vengono fatti ag-
derata la soluzione che produce minime variazioni di m. giustamenti della frequenza di produzione solo se necessa-
Per il Riemann solver corrispondente alla regola SC1, si è rio mentre la densità Ç può essere regolata liberamente. Da
provata l’esistenza di soluzioni mediante stime accurate del- un punto di vista modellistico ciò è plausibile in quanto va-
la variazione totale di f(Ç,m) (per dati iniziali BV). Come ac- riazioni della frequenza di produzione richiedono la ripro-
cade per altri modelli macroscopici su rete (vedi [8]) una sti- gettazione della catena di produzione, con conseguente no-
ma diretta della variazione totale di Ç non è possibile. È in- tevole aumento dei costi e dei tempi, mentre aggiustamen-
teressante notare che, anche all’interno delle sotto-catene, ti della densità possono essere fatti facilmente (stoccaggio).
viene ottenuto il controllo della variazione totale del flusso Nonostante la regola SC1 sia la più naturale anche da un pun-
ragionando solo sul particolare Riemann solver scelto. An- to di vista geometrico, nello spazio dei dati di Riemann,
cora, TV(Ç) è dell’ordine di (1/e) TV(f) e quindi non si ha un produce onde solo con bassi valori di m. Come conseguen-
bound uniforme per un e arbitrario. za, in alcuni casi il valore della frequenza di produzione non

BOX 6 Processore k Lk mk
1 99 1
Consideriamo una catena con N = 4 processori e imponiamo i se-
2 15 1
guenti dati iniziali e condizioni al bordo:
3 10 3
4 8 1

 Tabella 3 Parametri per la catena di produzione

In Figura 17 viene rappresentata l’evoluzione temporale della


densità, del flusso e della frequenza di produzione ottenute me-
dove l’intervallo spaziale è [0, 6] e il tempo di osservazione è Tmax 39
diante il Riemann solver SC3 per e = 0.1.
= 20, con Dx=0.1 e Dt=0.05. Su ogni processore, assumiamo
Poiché l’algoritmo SC3 massimizza il flusso e aggiusta la fre-
m(0,x) = mk e i dati al bordo entranti ed uscenti dati da mk. Notia-
quenza di produzione solo se necessario, minimizzando i cam-
mo che in questo caso il profilo di input Ç1(t, 0) eccede la mas-
biamenti, vediamo che la frequenza di produzione del primo pro-
sima capacità del processore. Assumiamo una velocità di pro-
cessore inizialmente uguale a 22, in accordo alla Tabella 3, vie-
duzione fissa su ogni processore, precisamente
ne abbassato per massimizzare il flusso. Lo stesso succede per
gli altri processori ma il fenomeno è meno evidente a causa dei
valori iniziali della frequenza di produzione che sono bassi. Inoltre
osserviamo che il secondo processore è caratterizzato da un
dove Lk è la lunghezza della sotto-catena e Tk il tempo di pro-
flusso consistente di merci.
cessamento (vedi Tabella 3).

 Figura 17 Andamento di densità, flusso e frequenza di produzione

lettera matematica  76
I N T E R V E N T I

aumenta e non è possibile massimizzare il flusso. Per evi- uscente. I problemi di Riemann sono stati risolti fissando
tare questo problema, sono state analizzate due differenti re- gli algoritmi di smistamento RA1 e RA2, simili ai prece-
gole per risolvere le dinamiche ad un nodo (vedi [7]): denti per le reti di dati, combinati con le regole SC2 e SC3.
 (SC2) Gli oggetti vengono processati per massimizzare il flus- Per capire i meccanismi descritti dalla regole considerate,
so con il minimo valore della frequenza di produzione. illustriamo alcuni esempi reali di reti di produzione. Ana-
 (SC3) Gli oggetti vengono processati per massimizzare lizziamo il comportamento di una rete di produzione per l’im-
il flusso. Se esiste una soluzione con sole onde nella den- bottigliamento di succo di frutta alla pera e alla mela, il cui
sità, allora viene presa tale soluzione; altrimenti, viene schema è presentato nella figura seguente in Figura 18.
prodotta la minima onda m. Le bottiglie provenienti dall’arco I1 vengono sterilizzate al
In accordo alle regole SC2 e SC3 sono stati definiti due Rie- nodo 1. Poi, le bottiglie sterilizzate vengono direzionate al
mann solver. Mediante simulazioni numeriche, si è osser- nodo 3, dove viene imbottigliato il succo di mela, con pro-
vato che SC1 appare molto conservativo (come aspettato) babilità a e con probabilità 1 - a verso il nodo 4, che pro-
mentre SC2 e SC3 sono più elastici, permettendo così di- duce bottiglie con il succo di pera. Nei nodi 5 e 6 le botti-
namiche più ricche (si veda Box 6). La differenza principale glie vengono etichettate, rispettivamente, per il succo di me-
tra SC2 e SC3 è la seguente. L’algoritmo SC2 tende a fare la e il succo di pera. Infine, nel nodo 7 le bottiglie vengo-
aggiustamenti della frequenza di produzione più di SC3, an- no tappate. Si assuma che le bottiglie di succo di pera e me-
che quando non è necessario per scopi di massimizzazio- la siano prodotte utilizzando due differenti forme di botti-
ne del flusso. Quando delle onde oscillanti raggiungono glia. Le bottiglie vengono indirizzate dall’arco I2 alle sotto-
una sotto-catena, SC2 reagisce tagliando tali oscillazioni. In catene uscenti I3 e I4 in cui vengono riempite con succo di
conclusione, SC3 è più appropriato per riprodurre anche il mela o di pera in accordo alla forma della bottiglia e quin-
noto effetto bull-whip ovvero, sotto certe condizioni (ritar- di in accordo alla loro destinazione finale: la produzione di
di nell’adattamento della produzione o frequenze di tra- succo di frutta di mela o di pera. In un modello capace di
sporto), le oscillazioni nella consegna e nel risultante livel- descrivere questa situazione, la dinamica al nodo 2 viene
lo di stoccaggio dei prodotti crescono da un produttore al risolta usando l’algoritmo RA1. Infatti, non è possibile la ri-
40
precedente, portando instabilità rispetto alla perturbazio- direzione delle bottiglie per massimizzare la produzione sia
ne nella frequenza di consumo. sulle sotto-catene entranti che su quelle uscenti dal momento
Il modello descritto consente di trattare il caso di catene, che le bottiglie con succo di mela e succo di pera hanno for-
ovvero di processori sequenziali, modellate da una linea rea- me differenti.
le vista come una sequenza di sotto-catene corrispondenti Si consideri una rete di produzione per tazze colorate, il cui
a intervalli reali. schema è nella seguente figura:
Recentemente (vedi [10]), si è proposta un’estensione del
modello a reti di produzione considerando due tipi di no-
di che sono i più comuni nelle normali catene di produ-
zione: nodi con una sotto-catena entrante e più uscenti e
nodi con più sotto-catene entranti e una sotto-catena

 Figura 19 Nodo per verniciare le tazze

Le tazze bianche vengono indirizzate verso n sotto-catene


in cui vengono colorate usando colori diversi. Dal momen-
to che si vuole massimizzare la produzione delle tazze in-
dipendentemente dai colori, viene realizzato un meccani-
smo che indirizza le tazze sulle sotto-catene uscenti consi-
derando il carico in maniera tale da massimizzare i flussi
 Figura 18 Grafo della rete di produzione per imbottigliamen- sia sulle sotto-catene entranti che sulle uscenti. Segue su-
to di succhi di frutta bito che questo modello è basato sulla regola RA2. 

76  lettera matematica
I N T E R V E N T I
BIBLIOGRAFIA [7] C. D’Apice, G. Bretti, R. Manzo, B. Piccoli, “A continuum-
discrete model for supply chains dynamics” in Networks
[1] D. Armbruster, P. Degond and C. Ringhofer, “A Model for the and Heterogeneous Media (NHM), Vol. 2, No. 4, 2007, pp.
Dynamics of Large Queuing Networks and Supply Chains” 661-694.
in SIAM J. Applied Mathematics, SIAP, Vol. 66, No. 3, 2006, [8] C. D’Apice, R. Manzo, B. Piccoli, “Packets flow on teleco-
pp. 896-920. munication networks” in SIAM Journal of Mathematical
[2] A. Bressan, Hyperbolic Systems of Conservation Laws - The Analysis, Vol. 38, No. 3, 2007, pp. 717-740.
One-dimensional Cauchy Problem, Oxford Univ. Press, 2000. [9] C. D’Apice, R. Manzo, B. Piccoli, “A fluid dynamic model for
[3] A. Cascone, C. D’Apice, B. Piccoli, L. Rarità, “Optimization of telecommunication networks with sources and destina-
traffic on road networks” in Mathematical Models and Meth- tions” in SIAM Journal on Applied Mathematics (SIAP), Vol.
ods in Applied Sciences (M3AS), Vol. 17, No. 10, 2007, 68, No. 4, 2008, pp. 981-1003.
pp.1587-1617. [10] C. D’Apice, R. Manzo, B. Piccoli, “Modelling supply net-
[4] A. Cascone, R. Manzo, B. Piccoli, L. Rarità, “Optimal vs ran- works with partial differential equations”, in Quarterly of Ap-
domness for car traffic regulation” in Physica Review E, Vol. plied Mathematics, Vol. 67, No. 3, pp. 419-440, 2009.
78, No. 2, 2008, pubblicazione online agosto 2008, DOI: [11] C. D’Apice, R. Manzo, “A fluid-dynamic model for supply
10.1103/PhysRevE.78.026113. chain” in Networks and Heterogeneous Media (NHM), Vol.
[5] A. Cascone, A. Marigo, B. Piccoli, L. Rarità, “Decentralized 1, No. 3, 2006, pp. 379-398.
optimal routing for packets flow on data networks”, in Di- [12] M. Garavello, B. Piccoli, “Traffic flow on networks” in AIMS
screte and Continuous Dynamical Systems - Series B (DCDS- book series on Applied Mathematics, 2006.
B), Vol. 13, No. 1, pp. 59-78, 2010. [13] M. Garavello, B. Piccoli, “Conservation laws on complete net-
[6] G. Coclite, M. Garavello, B. Piccoli, “Traffic Flow on Road Net- works”, in Annales de l’Institute Henri Poincarè (C) Analyse
works” in SIAM J. Math. An., No. 36, 2005, pp. 1862-1886. non linéaire, Vol. 26, No.5, pp. 1925-1951, 2009.

41

La scuola romana
di raggi cosmici
di F. Foresta Martin Nella seconda metà degli anni Trenta, per iniziativa di Gilberto
e Geppi Calcara Bernardini e Edoardo Amaldi, si realizzò a Roma una vasta
collaborazione fra fisici e geofisici, finalizzata allo studio dei
raggi cosmici, nell’ambito del neo costituito Istituto Nazionale
di Geofisica del CNR diretto da Antonino Lo Surdo. Un volume
appena uscito, nel ricostruire la nascita e la prima fase di
sviluppo dell’Istituto Nazionale di Geofisica, dedica un intero
capitolo a questa impresa dimenticata, che fu l’antefatto
dello storico esperimento Conversi, Pancini e Piccioni (CPP).
Pubblichiamo qui alcuni passi tratti da “Per una storia
della geofisica italiana”, collana i blu - pagine di scienza,
© Springer Italia 2010, per gentile concessuine dell’editore.

lettera matematica  76