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

strugge, ma tutto si trasforma! Quella di Lavoisier fu la pri-
ma legge di conservazione di cui si ha memoria. Nella se-
conda metà dell’800, le scoperte di diversi scienziati (Jou-
le, Carnot, Thomson, Clausius e Faraday) svelarono che lo
stesso principio valeva anche per l’energia, pervenendo ad
una compiuta descrizione dei primi due principi della Ter-
modinamica. Oggi si parla di legge di conservazione del-
l’energia, del momento, della carica ecc. Se ne parla mol-
to, ma con maggiore prudenza perché nel 1913 un ex im-
piegato dell’ufficio brevetti di Berna avanzò l’ipotesi che la
legge di conservazione della massa non fosse sempre ve-
ra. Ma questa è un’altra storia…
Di leggi di conservazione si sono occupati i fisici, da sem-
pre interessati a tutto ciò che può aiutarli a penetrare nei
misteri della natura, i matematici, attratti dalle difficoltà e
dalle strane proprietà di questi oggetti matematici (perché
le leggi di conservazione sono anche oggetti matematici,
equazioni), e infine gli ingegneri, intravedendo la possibi-
lità di poter applicare le leggi di conservazione per la riso-
luzione di problemi pratici.
Infatti, leggi di conservazione sono alla base di modelli ma-
croscopici per la descrizione, l’analisi e il controllo di flus-
si su reti (stradali, di trasmissione dati, di produzione,
ecc.). Una comprensione profonda dei fenomeni legati ai flus-
si e una loro simulazione è cruciale in fase di progettazio-
ne e di scelta di politiche che possano alleviare la congestione
e massimizzare il flusso. Per esempio, i modelli di traffico
urbano possono essere utili per rispondere a domande del
tipo: dove installare semafori o segnali di stop, come deci-
dere la durata delle fasi di verde e rosso di un ciclo se-
maforico, se trasformare o meno una strada a due corsie
in una ad una singola corsia, dove costruire entrate, usci-
te, sottopassaggi, ecc.
Il primo modello fluidodinamico per singola strada risale
agli anni ’50 quando J. Lighthill e G. Whitham, due esper-
ti di Fluidodinamica (ed indipendentemente P. Richards), in-
tuirono come le equazioni che descrivono il flusso d’acqua
(equazioni alle derivate parziali note come equazioni di
Eulero o di Navier-Stokes, che esprimono la conservazio-
ne della massa, del momento e dell’energia) potessero es-
sere capaci di catturare anche la dinamica del flusso del traf-
fico stradale. L’idea di base è di considerare un’ampia sca-
la spaziale, il che equivale ad osservare il fenomeno da “mol-
to lontano”, in maniera da considerare le auto come piccole
particelle (senza distinzioni tra camion, auto, autobus, ecc.)
e da supporre che la densità abbia una distribuzione con-
tinua. In ogni caso, è ragionevole assumere la conservazione
del numero di auto in un tratto stradale senza uscite né en-
trate, giungendo così ad una legge di conservazione.
Supponiamo di avere una strada a senso unico priva di di-
I N T E R V E N T I
ramazioni. Due osservatori, ad esempio un benzinaio ed un
vigile urbano, disposti in due punti diversi lungo la strada,
vedranno transitare (se hanno tempo per farlo) lo stesso nu-
mero di auto.
Concentrandoci su tratti stradali senza entrate ed uscite, si
può affermare con certezza che il numero di auto si con-
serva. Se c’è una quantità che si conserva, allora ha senso
parlare di leggi di conservazione (vedi Box 1).
Intuitivamente, un fattore che influenza la velocità è la den-
sità delle auto (numero di auto per chilometro, ad esempio)
presenti. La velocità media è sostenuta in caso di assenza
di traffico, moderata quando il traffico è scorrevole, molto
bassa in caso di traffico intenso e quasi nulla o nulla nel ca-
so di incolonnamenti (code). Appare dunque ragionevole
supporre che la velocità sia funzione decrescente della den-
sità. Consideriamo gli incolonnamenti (ad esempio, a cau-
sa di un incidente). Dal punto in cui si è verificato l’incidente
(supponendo che esso ostruisca il passaggio), le auto co-
minciano ad incodarsi e la densità di auto in quel tratto ini-
zia ad aumentare fino a diventare massima quando le au-
to si trovano paraurti contro paraurti (o quasi). Intanto le
auto alla fine della coda continuano ad incolonnarsi. L’ef-
fetto dell’incidente avvenuto in un punto x* si propaga al-
l’indietro per valori di x minori di x*. Matematicamente, la
29
coda rappresenta una discontinuità (shock) per la funzio-
ne densità di automobili: la densità di auto risulta essere
massima nel tratto prima dell’incidente e nulla in quello suc-
cessivo. Analizziamo ora cosa avviene quando la strada vie-
ne liberata. Se provassimo a risolvere il problema di Rie-
mann (problema di Cauchy con dato iniziale costante a
tratti) che ha come equazione differenziale alle derivate par-
ziali l’equazione di conservazione scritta per la densità di
auto e come dato iniziale l’ipotesi di densità massima (nor-
malizzando, possiamo assumerla unitaria) per x< x* e nul-
la per x> x*, il risultato che otterremmo, per la funzione den-
sità, sarebbe una rarefazione. Ed è quello che succede ef-
fettivamente quando viene ripristinata la strada: il traffico
diventa via via più rarefatto e la densità delle auto diminuisce
progressivamente. Un discorso analogo si può fare analiz-
zando ciò che avviene in presenza di un semaforo.
Come si può osservare, una legge di conservazione è una
particolare equazione differenziale alle derivate parziali
dove la variabile è una quantità che si conserva, cioè una
quantità che non può essere né creata né distrutta. Una par-
ticolare caratteristica dei sistemi di leggi di conservazione
è che anche per dati iniziali regolari la soluzione del pro-
blema di Cauchy può sviluppare discontinuità in tempi fi-
niti. Per avere soluzioni globali bisogna dunque lavorare al-
l’interno di una classe di funzioni discontinue e ricercare
soluzioni deboli entropiche.
lettera matematica  76
I N T E R V E N T I
BOX 1
Formalizziamo quanto detto.
 Figura 1 Tratto stradale
Nell’ipotesi che la densità sia continua, il numero di automo-
bili N su un tratto di strada, tra x = a e x = b, è dato dall’inte-
grale della densità di traffico:
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:
dove f(t,x) è il flusso dato dal numero di automobili per unità
di tempo.
Combinando le equazioni si ottiene, sotto opportune ipotesi di
regolarità della funzione densità:
Da qui segue che:
e, data l’arbitrarietà degli estremi di integrazione, si ottiene:
in cui, essendo il flusso legato alla densità e alla velocità dal-
la relazione f = Çv e supponendo v funzione decrescente della
densità, il flusso è a sua volta funzione della sola densità.
76  lettera matematica
Recentemente si è assistito ad un rinnovato interesse per i mo-
delli fluidodinamici, interesse che trae origine da una cresci-
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
merci su catene di produzione, reti di gas, reti elettriche,
flussi sanguigni ecc. (Figura 2). In altre parole, questi mo-
delli sono capaci di descrivere sistemi reali in cui qualcosa
viene conservato: il numero medio di auto in una strada,
di pacchetti in una rete Internet, il numero di merci prodotte
in una catena di produzione ecc.
 Figura 2 Alcune applicazioni dei modelli fluidodinamici
Il vantaggio principale dell’approccio fluidodinamico è che,
usando un numero parsimonioso di parametri, i modelli so-
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.
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
di programmazione lineare.
2. Simulazione e ottimizzazione di reti stradali
Nonostante esista una copiosa letteratura sui modelli flui-
dodinamici di traffico per singola strada (a una o più cor-
sie) solo recenti contributi sono stati dedicati al caso di re-
ti di traffico. In effetti, i primi lavori in questa direzione so-

no di Holden-Risebro (1995) e di Coclite, Garavello, Picco-
li (2005) che hanno esteso il modello di Lighthill-Whitham-
Richards ad una rete e risolto il problema di Riemann alle
giunzioni, cioè il problema di Cauchy con dato iniziale co-
stante su ogni strada entrante ed uscente, proponendo una
massimizzazione del flusso.
Una rete stradale può essere rappresentata con un grafo
orientato, composto da un numero finito di strade model-
late da intervalli [ai, bi], possibilmente con estremi infiniti,
che si incontrano in qualche incrocio. Su ogni strada l’e-
voluzione della densità è descritta dall’equazione di Li-
ghthill-Whitham-Richards:
dove
è la densità delle auto, Çmax la massima densità che può es-
sere supportata dalla strada, n = n (Ç) la velocità e f(Ç) = Çn (Ç)
il flusso (un buon modello per il flusso è f(Ç) = Ç (1-Ç)). Per
estremi che non toccano una giunzione (e non sono infini-
ti), viene assegnato un dato al bordo e viene risolto il cor-
rispondente problema al bordo.
Il punto chiave è dato dalle giunzioni in corrispondenza del-
le quali il problema di Riemann è sotto-determinato anche
considerando la conservazione delle auto, che può essere
scritta come la relazione di Rankine – Hugoniot o legge ti-
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
più strade uscenti tutte le auto si dirigano verso una sola stra-
da uscente, soluzione che garantisce la conservazione del-
le auto ma non è plausibile da un punto di vista modellisti-
co. La seconda regola, invece, esclude la soluzione banale
che i veicoli si fermino all’incrocio senza attraversarlo, so-
luzione che rispetta anch’essa la conservazione delle auto.
Nel caso in cui il numero di strade entranti sia maggiore del
numero di strade uscenti, si introducono dei parametri di
precedenza che regolano il flusso entrante nel nodo.
I N T E R V E N T I
A partire dalle soluzioni dei problemi di Riemann si co-
struiscono soluzioni ai problemi di Cauchy, usando un’op-
portuna versione dell’algoritmo di Wave-Front-Tracking
di Bressan. La difficoltà principale nel risolvere un siste-
ma di leggi di conservazione è il controllo della variazio-
ne totale. È abbastanza facile verificare che, per una sin-
gola legge di conservazione, la variazione totale decresce
all’interno di una singola strada ma può aumentare a
causa dell’interazione di onde con le giunzioni. In ([6]) si
è provato che la variazione totale del flusso è limitata per
giunzioni semplici. Poiché non è equivalente alla variazione
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
il valore in cui il flusso ha un unico massimo) in prossi-
mità delle giunzioni.
Discretizzando la legge di conservazione secondo lo sche-
ma di Godunov e schemi cinetici di tipo rilassamento iper-
bolico (del primo e del secondo ordine) con opportune con-
dizioni al contorno, si è realizzato un simulatore di traffi-
co stradale che prende in input le condizioni iniziali di
densità su ogni strada e condizioni al bordo e consente di
prevedere l’evoluzione della densità di traffico in ogni trat-
to stradale. In Figura 3 il simulatore evidenzia la formazione
31
di code (in rosso) nella rotatoria della piazza dei Re di Ro-
ma (una parte della rete urbana di Roma) e presso lo svin-
colo Salerno-Fratte e la propagazione all’indietro.
 Figura 3 Piazza dei re di Roma e svincolo Salerno-Fratte
Nel caso della piazza dei Re di Roma, l’eccessiva presenza
di zone congestionate può essere spiegata con il compor-
tamento scorretto dei guidatori che non rispettano le regole
di precedenza all’atto dell’immissione nella rotatoria. Il si-
mulatore consente la gestione di reti stradali costituite da
un gran numero di archi e nodi, come mostrato in Figura
4, in cui è riportata l’evoluzione del traffico sull’intera re-
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
equivalente ad una simulazione fissa con parametro di pre-
cedenza pari a 0.5, valore che minimizza J1 ([4]).
In Figura 10 presentiamo l’andamento dei funzionali J1 e
J2 per gli incroci di via Lungomare Clemente Tafuri. Risul-
tano evidenti dei miglioramenti apportati dal caso ottimo
rispetto agli altri casi.
3. Un modello fluidodinamico per reti di dati
34
Idee provenienti dall’approccio fluidodinamico classico per
il traffico stradale sono state estese per trattare flussi di da-
ti su reti. Basta immaginare di sostituire le automobili con
i pacchetti (pezzi di informazione scambiati all’interno di una
rete dati) e la rete stradale con una rete di telecomunicazione
(ad esempio Internet). I nodi non sono più gli incroci stra-
dali ma router, switch, ecc. I concetti di shock e di rarefa-
zione possono essere riportati di pari passo (con qualche pic-
colissima modifica) in questo nuovo mondo ed ottenere tut-
ta una serie di interessanti risultati. Nel nuovo mondo, af-
finché sia ragionevole la conservazione dei pacchetti (che
ahimè spesso si perdono), bisogna assumere una scala tem-
porale intermedia e un meccanismo di comunicazione tra
nodi regolato da protocolli che garantiscono una perdita
temporanea ma non definitiva di pacchetti di informazione.
Se infatti vi è l’impossibilità di “perdere” automobili, i pac-
chetti invece, viaggiando su un link, possono essere persi,
possono non raggiungere la destinazione oppure possono
raggiungerla ma essere rigettati perchè danneggiati. In que-
sti casi, non sembrerebbe valida l’applicazione delle leggi di
conservazione. In realtà, il numero di pacchetti, osservato
in una scala temporale intermedia, si conserva. I pacchetti
ricevuti dal receiver sono nello stesso numero di quelli spe-
diti dal sender perchè alcuni protocolli, attraverso l’attua-
zione di meccanismi di segnalazione, permettono di ritra-
smettere i pacchetti persi o danneggiati.
76  lettera matematica
La rete viene ancora una volta descritta da un numero fi-
nito di linee di trasmissione modellate da intervalli [ai, bi],
con uno dei due estremi possibilmente infinito, che si in-
contrano in qualche nodo (switch o router) che riceve e in-
via informazioni in forma di pacchetti ([8]). Rispetto alle re-
ti di traffico, la differenza principale è che la densità evol-
ve su un singolo arco con velocità costante. La matrice di
distribuzione delle percentuali di pacchetti ad ogni giunzione
gioca ancora un ruolo fondamentale ma deve essere mo-
dificata tenendo in considerazione gli algoritmi che rego-
lano il funzionamento di switch e router.
Focalizziamo l’attenzione dapprima su una singola linea
tra due nodi di una rete Internet. Si assume che ogni pac-
chetto viaggi sulla rete con una velocità fissata e con
un’assegnata destinazione finale e che i router ricevano,
processino e poi smistino i pacchetti, i quali possono es-
sere persi con una probabilità che cresce all’aumentare del
numero di pacchetti processati. Ogni pacchetto perso vie-
ne rispedito.
Se consideriamo due router consecutivi, dal momento
che ogni router rispedisce al nodo successivo i pacchet-
ti persi fino a quando non riceve il segnale di avvenuta
ricezione, possiamo assumere che, in una scala tempo-
rale intermedia, i pacchetti siano conservati. Quindi, con-
siderando i backbones della rete formati da molti router
consecutivi, si giunge a considerare un modello sempli-
ce che consiste di una singola legge di conservazione di
tipo (1) dove Ç è la densità dei pacchetti (numero di pac-
chetti per unità di spazio) e f(Ç) = Çn (Ç) è il flusso (nu-
mero di pacchetti per unità di tempo) con n (Ç) velocità
di trasmissione dei pacchetti. Assegnando una probabi-
lità di perdita (vedi Box 3) di pacchetti come funzione del-
la densità, passando al limite nella procedura di invio e
rinvio dei pacchetti, si ottiene una funzione velocità e quin-
di una funzione flusso.

BOX 3
Consideriamo due nodi consecutivi Nk e Nk+1. Supponiamo che
non tutti i pacchetti inviati dal sender raggiungano il receiver
al primo tentativo di invio e che il nodo Nk mandi di nuovo i
pacchetti persi al nodo successivo Nk+1. Più precisamente, as-
sumiamo che esista una funzione p: [0,Çmax] 哫 [0,1] che asse-
gna la probabilità di perdita come funzione della densità.
Siano d la distanza tra i nodi Nk e Nk+1 , Dt0 il tempo di tra-
smissione dei pacchetti dal nodo Nk al nodo Nk+1 nel caso in
cui arrivino con successo al primo tentativo e Dtav il tempo me-
dio di trasmissione quando alcuni pacchetti sono persi da Nk+1
e rispediti da Nk. Denotiamo con:
la velocità dei pacchetti, rispettivamente, nei due casi.
Dunque, al primo tentativo i pacchetti mandati dal nodo Nk rag-
giungono con successo il nodo Nk+1 con probabilità 1- p e so-
no persi con probabilità p . Al secondo tentativo, 1 - p pacchetti
sono spediti nuovamente; di questi, (1 –p) p arrivano con suc-
cesso al nodo successivo mentre p2 sono persi. Procedendo in
questo modo, al tentativo n-esimo (1 –p) pn-1 pacchetti arriva-
no a destinazione e pn si perdono. Il tempo medio di tra-
smissione è dato da:
da cui si ottiene la velocità media di trasmissione:
Una volta misurata la probabilità di perdita di pacchetti, si de-
termina la velocità e da qui la funzione flusso.
Supponiamo una funzione di probabilità di perdita di pacchet-
ti del tipo:
dove Çmax è la densità massima supportata da una linea e d è
un valore soglia prefissato. A partire da tale probabilità si ricava
una velocità media di trasmissione:
e la funzione flusso che è una funzione a “tendina”.
I N T E R V E N T I
Al fine di modellare reti complesse costituite da router e swit-
ch, si è introdotto un modo per risolvere le dinamiche ai no-
di in cui si intersecano molte linee proponendo due diver-
si algoritmi di instradamento:
 (RA1) I pacchetti vengono mandati dalle linee entranti
alle uscenti in accordo alla loro destinazione finale e
massimizzando il flusso.
 (RA2) I pacchetti vengono spediti sulle linee di uscita per
massimizzare il flusso attraverso il nodo.
Le differenze principali tra i due algoritmi sono le seguen-
ti. Il primo manda semplicemente ogni pacchetto sulla li-
nea di uscita che viene scelta in maniera naturale in accordo
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-
chetti sulle linee di uscita considerando i carichi, e quindi
ridirezionando possibilmente i pacchetti. Ancora con qual-
che abuso di notazione, questo è simile al comportamento
di un router. L’algoritmo di instradamento RA1 può esse-
re descritto da due regole (A e B) ed è stato già usato per il
traffico urbano (si veda sopra). In particolare, viene asse-
gnata una matrice A di distribuzione del traffico che descrive
le percentuali di pacchetti che da una linea entrante ven-
35
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,
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-
cuni parametri aggiuntivi, chiamati parametri di priorità,
che descrivono le priorità tra le linee entranti e i parame-
tri di distribuzione del traffico che hanno lo stesso signifi-
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-
riazione del flusso in un nodo si conserva per interazioni
delle onde con le linee di trasmissione e ciò consente di ot-
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
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-
finato accoppiando alla legge di conser-
vazione un’equazione semilineare:
in cui il vettore π descrive su ogni linea di
trasmissione i tipi di traffico ovvero le per-
centuali di pacchetti che vanno da una fis-
sata sorgente ad un’assegnata destina-
zione ([9]).
Sono state considerate differenti funzioni
di distribuzione del traffico che descrivo-
no diverse strategie di instradamento:
sorgente s e con destinazione finale d,
proveniente dalla linea di trasmissio-
ne i, viene instradato su un’assegna-
ta linea j;
 ad una giunzione, il traffico da una
sorgente s e con destinazione finale d,
proveniente dalla linea di trasmissio-
ne i, viene instradato su più linee
uscenti secondo percentuali fisse.
A partire dalla funzione di distribuzione del
traffico ed usando il vettore p, si è deter-
minata la matrice di distribuzione del traf-
fico. Poi, sono stati proposti metodi per ri-
do gli algoritmi di instradamento RA1 e RA2.
Il punto chiave per costruire una soluzione
sull’intera rete, usando il metodo del Wave-
Front Tracking, è derivare alcune stime BV
su soluzioni approssimate costanti a tratti
in maniera tale da passare al limite. Nel ca-
so in cui il traffico alle giunzioni venga di-
stribuito sulle linee uscenti in accordo ad al-
cuni coefficienti di probabilità, sono state
derivate stime sulla funzione di densità dei
pacchetti e sulle funzioni di tipo-traffico per
l’algoritmo RA2 per provare l’esistenza di so-
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-
dom dinamica sia molto simile a quella ottima, fenomeno
che non si verifica per J1. Inoltre, l’algoritmo di ottimiz-
zazione per J1 presenta una caratteristica interessante:
per tempi piccoli il comportamento ottimo di J1 è peggio-
re della configurazione fissa; per tempi grandi, invece, il
caso ottimo è il più alto come del resto ci si aspetta. Foca-
lizzando l’attenzione sulla simulazione random dinamica,
ci si può chiedere se sia preferibile una procedura di que-
sto tipo ad una ottima dal momento che le prestazioni del-
la rete (come evidente dal funzionale J1) sembrano essere
le stesse. In realtà, effettuare una simulazione random di-
namica significa simulare la rete in condizioni molto cao-
tiche con conseguente origine di strani fenomeni (picchi di
densità su alcune linee in alcuni istanti di tempo) che non
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-
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-
38
senta molto oscillante.
 Figura 16 Comportamento della densità sulle linea 13 della
rete nel decimo istante di simulazione; curva rossa: ottimo;
curva blu: random dinamico
4. Gestione di catene di produzione
Uno dei primi modelli continui per catene di produzione è
presentato in [1] dove gli autori, passando al limite nei mo-
delli discreti, hanno ottenuto la legge di conservazione:
(3)
76  lettera matematica
con Ç densità di oggetti processati e m massima capacità di
produzione. È ben noto che l’equazione (3) può non am-
mettere soluzione per m non regolare.
Si è dunque proposto un modello misto continuo-discreto
(si veda Box 5) ovvero una catena di produzione descritta
da archi continui e nodi discreti, il che significa che la di-
namica di carico è risolta in maniera continua sugli archi
e ai nodi, imponendo la conservazione della densità delle
merci ma non della frequenza di produzione ([11]).
BOX 5
La dinamica su ogni arco è modellata da un sistema di due equa-
zioni: una legge di conservazione per la densità delle merci e un’e-
quazione di evoluzione per la frequenza di produzione:
con:
dove assumiamo:
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:
con Lk e Tk, rispettivamente, lunghezza fissata e tempo di pro-
duzione del processore k.
Sono state discusse possibili scelte di soluzioni ai nodi Pk
garantendo la conservazione dei flussi per (4). Una scelta
è quella di fissare la regola:
 (SC1) Il flusso di densità entrante è uguale a quello uscen-
te. Se esiste una soluzione con onde nella sola densità Ç,

allora viene presa tale soluzione; altrimenti, viene consi-
derata la soluzione che produce minime variazioni di m.
Per il Riemann solver corrispondente alla regola SC1, si è
provata l’esistenza di soluzioni mediante stime accurate del-
la variazione totale di f(Ç,m) (per dati iniziali BV). Come ac-
cade per altri modelli macroscopici su rete (vedi [8]) una sti-
ma diretta della variazione totale di Ç non è possibile. È in-
teressante notare che, anche all’interno delle sotto-catene,
viene ottenuto il controllo della variazione totale del flusso
ragionando solo sul particolare Riemann solver scelto. An-
cora, TV(Ç) è dell’ordine di (1/e) TV(f) e quindi non si ha un
bound uniforme per un e arbitrario.
BOX 6
Consideriamo una catena con N = 4 processori e imponiamo i se-
guenti dati iniziali e condizioni al bordo:
dove l’intervallo spaziale è [0, 6] e il tempo di osservazione è Tmax
= 20, con Dx=0.1 e Dt=0.05. Su ogni processore, assumiamo
m(0,x) = mk e i dati al bordo entranti ed uscenti dati da mk. Notia-
mo che in questo caso il profilo di input Ç1(t, 0) eccede la mas-
sima capacità del processore. Assumiamo una velocità di pro-
duzione fissa su ogni processore, precisamente
dove Lk è la lunghezza della sotto-catena e Tk il tempo di pro-
cessamento (vedi Tabella 3).
 Figura 17 Andamento di densità, flusso e frequenza di produzione
I N T E R V E N T I
La regola SC1 corrisponde al caso in cui vengono fatti ag-
giustamenti della frequenza di produzione solo se necessa-
rio mentre la densità Ç può essere regolata liberamente. Da
un punto di vista modellistico ciò è plausibile in quanto va-
riazioni della frequenza di produzione richiedono la ripro-
gettazione della catena di produzione, con conseguente no-
tevole aumento dei costi e dei tempi, mentre aggiustamen-
ti della densità possono essere fatti facilmente (stoccaggio).
Nonostante la regola SC1 sia la più naturale anche da un pun-
to di vista geometrico, nello spazio dei dati di Riemann,
produce onde solo con bassi valori di m. Come conseguen-
za, in alcuni casi il valore della frequenza di produzione non
Processore k Lk mk
1 99 1
2 15 1
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-
39
diante il Riemann solver SC3 per e = 0.1.
Poiché l’algoritmo SC3 massimizza il flusso e aggiusta la fre-
quenza di produzione solo se necessario, minimizzando i cam-
biamenti, vediamo che la frequenza di produzione del primo pro-
cessore inizialmente uguale a 22, in accordo alla Tabella 3, vie-
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
flusso consistente di merci.
lettera matematica  76
I N T E R V E N T I
aumenta e non è possibile massimizzare il flusso. Per evi-
tare questo problema, sono state analizzate due differenti re-
gole per risolvere le dinamiche ad un nodo (vedi [7]):
 (SC2) Gli oggetti vengono processati per massimizzare il flus-
so con il minimo valore della frequenza di produzione.
 (SC3) Gli oggetti vengono processati per massimizzare
il flusso. Se esiste una soluzione con sole onde nella den-
sità, allora viene presa tale soluzione; altrimenti, viene
prodotta la minima onda m.
In accordo alle regole SC2 e SC3 sono stati definiti due Rie-
mann solver. Mediante simulazioni numeriche, si è osser-
vato che SC1 appare molto conservativo (come aspettato)
mentre SC2 e SC3 sono più elastici, permettendo così di-
namiche più ricche (si veda Box 6). La differenza principale
tra SC2 e SC3 è la seguente. L’algoritmo SC2 tende a fare
aggiustamenti della frequenza di produzione più di SC3, an-
che quando non è necessario per scopi di massimizzazio-
ne del flusso. Quando delle onde oscillanti raggiungono
una sotto-catena, SC2 reagisce tagliando tali oscillazioni. In
conclusione, SC3 è più appropriato per riprodurre anche il
noto effetto bull-whip ovvero, sotto certe condizioni (ritar-
di nell’adattamento della produzione o frequenze di tra-
sporto), le oscillazioni nella consegna e nel risultante livel-
lo di stoccaggio dei prodotti crescono da un produttore al
40
precedente, portando instabilità rispetto alla perturbazio-
ne nella frequenza di consumo.
Il modello descritto consente di trattare il caso di catene,
ovvero di processori sequenziali, modellate da una linea rea-
le vista come una sequenza di sotto-catene corrispondenti
a intervalli reali.
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 18 Grafo della rete di produzione per imbottigliamen-
to di succhi di frutta
76  lettera matematica
uscente. I problemi di Riemann sono stati risolti fissando
gli algoritmi di smistamento RA1 e RA2, simili ai prece-
denti per le reti di dati, combinati con le regole SC2 e SC3.
Per capire i meccanismi descritti dalla regole considerate,
illustriamo alcuni esempi reali di reti di produzione. Ana-
lizziamo il comportamento di una rete di produzione per l’im-
bottigliamento di succo di frutta alla pera e alla mela, il cui
schema è presentato nella figura seguente in Figura 18.
Le bottiglie provenienti dall’arco I1 vengono sterilizzate al
nodo 1. Poi, le bottiglie sterilizzate vengono direzionate al
nodo 3, dove viene imbottigliato il succo di mela, con pro-
babilità a e con probabilità 1 - a verso il nodo 4, che pro-
duce bottiglie con il succo di pera. Nei nodi 5 e 6 le botti-
glie vengono etichettate, rispettivamente, per il succo di me-
la e il succo di pera. Infine, nel nodo 7 le bottiglie vengo-
no tappate. Si assuma che le bottiglie di succo di pera e me-
la siano prodotte utilizzando due differenti forme di botti-
glia. Le bottiglie vengono indirizzate dall’arco I2 alle sotto-
catene uscenti I3 e I4 in cui vengono riempite con succo di
mela o di pera in accordo alla forma della bottiglia e quin-
di in accordo alla loro destinazione finale: la produzione di
succo di frutta di mela o di pera. In un modello capace di
descrivere questa situazione, la dinamica al nodo 2 viene
risolta usando l’algoritmo RA1. Infatti, non è possibile la ri-
direzione delle bottiglie per massimizzare la produzione sia
sulle sotto-catene entranti che su quelle uscenti dal momento
che le bottiglie con succo di mela e succo di pera hanno for-
me differenti.
Si consideri una rete di produzione per tazze colorate, il cui
schema è nella seguente figura:
 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
sia sulle sotto-catene entranti che sulle uscenti. Segue su-
bito che questo modello è basato sulla regola RA2. 

BIBLIOGRAFIA
[1] D. Armbruster, P. Degond and C. Ringhofer, “A Model for the
Dynamics of Large Queuing Networks and Supply Chains”
in SIAM J. Applied Mathematics, SIAP, Vol. 66, No. 3, 2006,
pp. 896-920.
[2] A. Bressan, Hyperbolic Systems of Conservation Laws - The
One-dimensional Cauchy Problem, Oxford Univ. Press, 2000.
[3] A. Cascone, C. D’Apice, B. Piccoli, L. Rarità, “Optimization of
traffic on road networks” in Mathematical Models and Meth-
ods in Applied Sciences (M3AS), Vol. 17, No. 10, 2007,
pp.1587-1617.
[4] A. Cascone, R. Manzo, B. Piccoli, L. Rarità, “Optimal vs ran-
domness for car traffic regulation” in Physica Review E, Vol.
78, No. 2, 2008, pubblicazione online agosto 2008, DOI:
10.1103/PhysRevE.78.026113.
[5] A. Cascone, A. Marigo, B. Piccoli, L. Rarità, “Decentralized
optimal routing for packets flow on data networks”, in Di-
screte and Continuous Dynamical Systems - Series B (DCDS-
B), Vol. 13, No. 1, pp. 59-78, 2010.
[6] G. Coclite, M. Garavello, B. Piccoli, “Traffic Flow on Road Net-
works” in SIAM J. Math. An., No. 36, 2005, pp. 1862-1886.
I N T E R V E N T I
[7] C. D’Apice, G. Bretti, R. Manzo, B. Piccoli, “A continuum-
discrete model for supply chains dynamics” in Networks
and Heterogeneous Media (NHM), Vol. 2, No. 4, 2007, pp.
661-694.
[8] C. D’Apice, R. Manzo, B. Piccoli, “Packets flow on teleco-
munication networks” in SIAM Journal of Mathematical
Analysis, Vol. 38, No. 3, 2007, pp. 717-740.
[9] C. D’Apice, R. Manzo, B. Piccoli, “A fluid dynamic model for
telecommunication networks with sources and destina-
tions” in SIAM Journal on Applied Mathematics (SIAP), Vol.
68, No. 4, 2008, pp. 981-1003.
[10] C. D’Apice, R. Manzo, B. Piccoli, “Modelling supply net-
works with partial differential equations”, in Quarterly of Ap-
plied Mathematics, Vol. 67, No. 3, pp. 419-440, 2009.
[11] C. D’Apice, R. Manzo, “A fluid-dynamic model for supply
chain” in Networks and Heterogeneous Media (NHM), Vol.
1, No. 3, 2006, pp. 379-398.
[12] M. Garavello, B. Piccoli, “Traffic flow on networks” in AIMS
book series on Applied Mathematics, 2006.
[13] M. Garavello, B. Piccoli, “Conservation laws on complete net-
works”, in Annales de l’Institute Henri Poincarè (C) Analyse
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