Περιγραφή Μαθήματος
Το μάθημα εισάγει τις μαθηματικές δομές που χρησιμοποιούνται για τη διατύπωση και την ανάλυση αποφάσεων σχεδιασμού και μηχανικής υπό περιορισμούς. Κεντρικός στόχος είναι η ανάπτυξη της ικανότητας αναπαράστασης προβλημάτων μηχανικού ως σαφώς ορισμένων μαθηματικών μοντέλων και η κατανόηση του χώρου των εφικτών λύσεων.
Το μάθημα επικεντρώνεται σε διακριτές και συνδυαστικές δομές που εμφανίζονται συχνά στον μηχανικό σχεδιασμό, όπως συστήματα περιορισμών, μοντέλα βελτιστοποίησης και αναπαραστάσεις δικτύων. Οι φοιτητές μαθαίνουν να μεταφράζουν πραγματικά προβλήματα σχεδιασμού σε τυπικά μαθηματικά μοντέλα, να διερευνούν τον χώρο των εφικτών λύσεων και να εντοπίζουν βέλτιστες ή σχεδόν βέλτιστες λύσεις.
Τα θέματα που καλύπτονται περιλαμβάνουν τη μοντελοποίηση και τον εφικτό χώρο λύσεων, τη γραμμική και ακέραια βελτιστοποίηση, τους λογικούς περιορισμούς, τις γραφικές αναπαραστάσεις συστημάτων και δικτύων, τις συντομότερες διαδρομές και τις ροές, τα ελάχιστα δέντρα κάλυψης, τη συνδυαστική αύξηση του χώρου λύσεων, την υπολογιστική πολυπλοκότητα, τις ευρετικές μεθόδους και τη λήψη αποφάσεων με πολλαπλά κριτήρια.
Αντί να δίνει έμφαση σε αυστηρές αποδείξεις, το μάθημα δίνει έμφαση στη δομημένη μαθηματική σκέψη για μηχανικούς σχεδιασμού. Μέσα από παραδείγματα και ασκήσεις μοντελοποίησης, οι φοιτητές κατανοούν πώς η μαθηματική σκέψη υποστηρίζει την ανάλυση, τον σχεδιασμό και τη βελτιστοποίηση σύνθετων τεχνικών συστημάτων.
Course Description
This course introduces the mathematical structures used to formulate and analyze design and engineering decisions under constraints. The central objective is to develop the ability to represent engineering problems as well-defined mathematical models and to reason about the space of feasible solutions.
The course focuses on discrete and combinatorial structures that frequently arise in engineering design, such as constraint systems, optimization models, and network representations. Students learn how to translate real-world design problems into formal models, explore feasible solution spaces, and identify optimal or near-optimal solutions.
Topics include modeling and feasible regions, linear and integer optimization, logical constraints, graph representations of systems and networks, shortest paths and flows, spanning trees, combinatorial growth of solution spaces, computational complexity, heuristic methods, and multi-criteria decision making.
Rather than emphasizing formal proofs, the course emphasizes structured mathematical thinking for design engineers. Through examples and modeling exercises, students learn how mathematical reasoning supports the analysis, design, and optimization of complex engineering systems.
