DE L OPTIMISATION DE SYSTEMES VIA SIMULATION A LA CONFIGURATION DE SYSTEMES VIA SIMULATION
|
|
- Henriette Lanthier
- il y a 8 ans
- Total affichages :
Transcription
1 3 e Conférence Francophone de Modélisation et Simulation «Conception, Analyse et Gestion des Systèmes Industriels» MOSIM 01 du 25 au 27 avril 2001 Troyes (France) DE L OPTIMISATION DE SYSTEMES VIA SIMULATION A LA CONFIGURATION DE SYSTEMES VIA SIMULATION Henri PIERREVAL et Jean Luc PARIS Equipe de recherche en systèmes de production de l IFMA LIMOS, FRE CNRS Campus de Clermont Ferrand Les Cézeaux, BP 265 F Aubière Cedex (henri.pierreval/jean-luc.paris)@ifma.fr RESUME : L optimisation via simulation concerne des paramètres à déterminer. Nous nous intéressons aux cas plus complexes où l on doit choisir entre des options de conception qui peuvent à leur tour donner lieu à des choix de sousoptions ou de paramètres numériques. La notion de configuration via simulation est introduite à l aide d un algorithme évolutionniste distribué et illustrée par un exemple. Nous montrons que les limites de l approche résident désormais dans les outils de modélisation et de simulation. Dans cet esprit, nous discutons une direction possible basée sur une modélisation et simulation «fonctionnelle» et présentons des perspectives de recherche dans ce domaine. MOTS-CLEFS : Simulation, optimisation, configuration de systèmes, approches évolutionnistes/ évolutives/évolutionnaires, génétique, simulation fonctionnelle 1. INTRODUCTION De nombreuses approches permettant d optimiser les paramètres d un système simulé existent (Fu, 1994 ; Dolgui et Ofitsero, 1997 ; Andradottir, 1998, Riley, 2000 ; Cheikhrouhou 2001). Typiquement, ces approches déterminent les meilleures valeurs possibles pour un vecteur d entrées d un modèle de simulation (taille d un stock tampon, nombre de ressources, etc.), de sorte à optimiser une fonction (espérance par exemple) d une variable de sortie qui représente souvent un critère d évaluation de performance. L examen de la littérature montre que la plupart des approches d optimisation via simulation se limitent effectivement à la recherche d un vecteur de paramètres en entrée, (souvent numériques), comme suit : Min (f(x)), (1) X D où f est le critère évalué par simulation ; X = (X 1,.X n ) est un vecteur appartenant à un domaine D = D i, où les D i sont les domaines de chaque X i. En conséquence, elles ne permettent pas d aborder des situations plus complexes, mais fréquemment rencontrées, où la recherche de performance ne dépend pas seulement d un vecteur de paramètres, mais plus globalement de la façon dont le système est «configuré». Par configuration, nous entendons la façon dont les constituants du système (sous systèmes) vont être choisis. Il est clair que nous nous intéressons seulement aux options ou aux paramètres pouvant avoir un effet sur les performances et donc sur les sorties de la simulation. Nous parlerons d options de conception (Gibson, 1993), étant entendu que chaque option peut elle-même comprendre des sousoptions et dépendre de paramètres numériques ou non. Par exemple si l on s intéresse à la fonction transport de pièces, on peut envisager une option «convoyeurs» et une option «chariots». Si l on s intéresse à la fonction qualité, on peut envisager une option «auto-contrôle» à chaque poste ou une option «contrôle final». Ces options peuvent dépendre à leur tour d autres options ou d autres paramètres. conwip Système de Gestion en Flux tirés kanban Cartes conwip kanbans boucle 1 kanbans Boucle 2 2 kanbans Boucle n Figure 1. Options et paramètres pour le système de flux tiré
2 La figure 1 illustre le cas d une ligne de production pouvant être gérée en Kanban ou en ConWIP (Gaury 2000). Dans la première option, un seul paramètre doit être déterminé : le nombre de cartes ConWIP ; dans l autre cas, n nombres de cartes Kanban doivent être déterminés. On peut donc noter que le nombre de paramètres à optimiser dépend des options et des sousoptions choisies. L usage direct de la simulation par une approche «essais-erreurs» peut permettre de tester plusieurs situations au regard d une fonction objectif, mais est à proscrire si le nombre de combinaisons possibles des options et des sous options, ainsi que des valeurs possibles des paramètres qui leurs sont associés, devient trop grand. Dans cet article, nous décrivons d abord une approche de recherche d une configuration optimale en utilisant la simulation (Tautou, 1997). Notons que les cas d optimisation via simulation relatifs à l ordonnancement ne sont pas abordés ici (Boukachour, 1992, Lacomme et Gougeon, 1996). Cette approche utilise des algorithmes évolutionnistes (ou évolutionnaires ou évolutifs, selon la terminologie utilisée par le lecteur), nous en présentons les principes et décrirons la représentation des solutions et les opérateurs proposés. Un exemple simplifié dans le domaine des systèmes de production en illustre l usage. Nous nous intéressons ensuite aux limites de l approche et introduisons la notion de simulation fonctionnelle ainsi que des perspectives de recherche dans ce domaine. 2. METHODE DE CONFIGURATION EVO- LUTIONNISTE BASEE SUR LA SIMULATION L approche d optimisation présentée repose sur des principes évolutionnistes, qui se caractérisent par la recherche simultanée de plusieurs solutions (population de solutions), qui évoluent au cours de générations. Plusieurs types d algorithmes (algorithmes génétiques, programmation évolutionniste par exemple), peuvent être utilisés pour mettre en œuvre la méthode que nous allons présenter. Le lecteur non familier aux approches évolutionnistes pourra consulter par exemple (Bäck, 1996 ou Bäck et al., 1997) et (Yunker et Tew, 1994 ; Pierreval et Tautou, 1996 ; Gaury 2000), pour leur usage en optimisation via simulation ou (Portmann, 1996) pour leur utilisation en ordonnancement. Ces algorithmes peuvent incorporer des méthodes plus locales (de type «hill climbing» par exemple) afin d en améliorer l efficacité. La méthode que nous utilisons dans l exemple plus bas utilise des recombinaisons. Nous proposons donc une représentation des solutions et des opérateurs de mutation et de recombinaison, ceux-ci pouvant être employés dans divers types d algorithmes. Représentation des solutions La structure de données utilisée pour représenter les solutions (individus) doit permettre de représenter les diverses options possibles, ainsi que les paramètres. Pour décrire l ensemble des configurations possibles, un arbre est utilisé, dont la racine est constituée d un vecteur, dont les composantes désignent les options et les paramètres au plus haut niveau (options et paramètres globaux). Les nœuds sont des vecteurs, décrivant les paramètres et les composants des sous systèmes. Les arcs expriment les choix possibles entre les options. Plus formellement, une solution S de la population est codée comme un arbre de tp vecteurs : S= {( S j k )j=1..nk, k = 1.. tp} où : tp est le nombre de vecteurs (sous-systèmes) du problème, nk est le nombre de (sous)paramètres et/ou (sous) options nécessaires pour caractériser un sous système donné, c est à dire la taille du vecteur numéro k de l arbre. Options et parmètres globaux S 1 1 S 1 2 S 1 3 S 1 4 S 1 5 Sous options et sous paramètres A B C D S 2 1 S 2 2 S 2 3 S 5 1 S 5 2 S 5 3 S 6 1 S 6 2 S 7 1 S 7 2 S 7 3 E F S 3 1 S 3 2 S 4 1 S 4 2 S 4 3 Figure 2. Exemple de représentation des configurations possibles
3 A titre d exemple, considérons un système présentant 6 options de conception (A vs. B, C vs. D, E vs. F). Globalement, le système est décrit par le vecteur (S 1 1, S 1 2, S 1 3, S 1 4, S 1 5), où S 1 1, S 1 2 et S 1 5 sont des paramètres, S 1 3 est associé au choix entre l option A et l option B et S 1 4 au choix entre l option C et l option D. L option A nécessite la détermination du vecteur (S 2 1, S 2 2, S 2 3) où S 2 1, S 2 3 sont des paramètres et S 2 2 représente le choix entre l option E et l option F. L option B nécessite de déterminer le vecteur de paramètres (S 5 1, S 5 2, S 5 3). L options C nécessite la détermination des paramètres (S 6 1, S 6 2), tandis que l option D nécessite la détermination des paramètres (S 7 1, S 7 2, S 7 3). L option E repose sur les paramètres (S 3 1, S 3 2) et F sur (S 4 1, S 4 2, S 4 3). Ces possibilités de configurations sont présentées par l arbre de la figure 2. Opérateurs évolutionnistes La modification des solutions au cours des générations s effectue grâce à des opérateurs : de mutation et éventuellement de recombinaison, selon le type d algorithme employé (Michlewicz., 1995). Dans la suite, nous appellerons élément un paramètre, une option ou un arc et nous dirons qu il est actif s il a été choisi pour caractériser la solution courante. En résumé la structure d arbre exprime les configurations possibles et les éléments actifs identifient la solution particulière qui est représentée. La mutation proposée, appliquée à une solution S1, est effectuée de la façon suivante (et illustrée figure 3) : Etape 0 : choisir aléatoirement un élément p parmi les éléments actifs de S1. Etape 1 : substituer p par un élément p choisi aléatoirement dans le domaine de p (au voisinage de la valeur si celle-ci est numérique, par exemple). Etape 2 : si p est une option et p différent de p, retirer de l ensemble des éléments actifs ceux qui dépendent de p et ajouter ceux qui dépendent de p sinon ne rien faire. Pour les algorithmes nécessitant une recombinaison, l opérateur suivant est proposé pour 2 solutions S1 et S2 (illustré par la figure 4). Etape 0 : sélectionner de façon équiprobable de couper un arc ou un vecteur Etape 1 : sélectionner aléatoirement un arc (respectivement un vecteur ou une position dans ce vecteur) Etape 2 : couper l arc (respectivement le vecteur) Etape 3 : échanger les sous arbres des parents (respectivement le début et la fin des vecteurs des 2 parents) éléments actifs éléments non actifs Z T H 12 Élément choisi aléatoirement 1 3 r 12 r E t f 14 e Z T H 12 La nouvelle valeur de cet élément a modifié l ensemble actifd des éléments actifs 1 3 r 12 r F t f 14 e Figure 3. Mutation d une solution
4 parent 1 parent 2 Enfant 1 Enfant 2 Figure 4. Recombinaison impliquant un arc actif et un arc inactif L impact de cet échange entre sous-arbres sur le résultat est différent, selon que les éléments concernés sont actifs ou non (Tautou, 1987). La figure 4 montre les conséquences d une recombinaison impliquant un arc actif et un arc inactif. Le parent 1 et l enfant 1 seront identiques, car ils décrivent la même configuration de l atelier. Les modifications effectuées n ont pas de conséquences immédiates ; elles pourront apparaître plus tard, si l arc modifié devient actif par mutation. Le parent 2 et l enfant 2 sont eux différents : ils n auront pas les mêmes performances. Ce point, illustré par la figure 4 pour les arcs, s applique également aux recombinaisons impliquant des vecteurs. Utilisation d un algorithme distribué L usage des opérateurs présentés dans un algorithme évolutionniste permet la convergence vers une bonne solution. L approche étant heuristique, nous ne sommes pas en mesure de prouver sa convergence globale. Néanmoins, des expérimentations numériques, à partir de fonction mathématique complexe «reproduisant» la structure d arbre étudiée avec un optimum connu, ont permis de retrouver l optimum dans un délai raisonnable (Tautou et al., 1997). Lorsque le modèle de simulation est stochastique, l optimisation pose le problème de comparaison des solutions, qui doit se faire avec une taille d échantillon suffisante (Law et Kelton, 1991). Ceci implique des répliques et/ou des exécutions longues et peut nécessiter de vérifier que les différences sont significatives, selon le principe adopté pour la sélection (solutions comparées par tournoi par exemple), entraînant des temps de calcul qui peuvent être importants. Il apparaît donc intéressant de mettre en œuvre les algorithmes sur plusieurs processeurs, de façon distribuée. Ceci présente le triple avantage d accélérer l obtention de résultats, d améliorer la qualité des solutions obtenues et d utiliser des jeux de paramètres différents pour les opérateurs, ce qui élimine ou simplifie les étapes de recherche empirique de «bons» jeux de paramètres (Pierreval et Paris 2000, Paris et Pierreval, 2001). Chaque processeur gère sa propre population de solutions et son propre modèle de simulation. Des échanges de solutions sont effectués par un principe de migration de solutions sur des processeurs voisins Ces migrations sont effectuées via PVM (Aversa et al., 1996 ; Schuster et Breitenecker, 1995). Les approches actuelles basées sur JAVA et/ou de distribution via le WEB sont également propices à ce genre de développement. Les expérimentations fournies dans la suite sont basées sur un algorithme utilisant mutation et recombinaison, fonctionnant sur un réseau de 8 stations SUN, organisées en cube. 3. EXEMPLE L exemple d école simplifié présenté est issu de (Tautou et al. 1998). Il consiste en un atelier fabricant deux types de produits, passant respectivement dans des cellules A et B. Ces produits sont ensuite assemblés, puis acheminés vers un poste de contrôle de qualité. Ils sont ensuite expédiés (Figure 5). Il s agit de déterminer la meilleure configuration possible qui minimise le temps de fabrication de programmes de production donnés sous une certaine contrainte de budget. Dans cet exemple, la première question est de déterminer le nombre de stations dans la cellule A. Dans la cellule B, on peut utiliser soit un centre de fabrication flexible ou un tour et une fraiseuse : quelle option choisir? Pour l option centre flexible combien sont nécessaires et pour l autre option, combien de fraiseuses et de tours et quelle est la taille du stock intermédiaire à prévoir?
5 cellule A Matière première cellule B Assemblage Produits finis Conditionnement Contrôle qualité Figure 5. Exemple de système à configurer Le transport des pièces peut être assuré par convoyeur ou chariots filo-guidés (CFG). Si l on choisit la première option, les paramètres «vitesse» et «longueur», doivent être déterminés. Dans le cas CFG, on peut avoir un système avec un ou deux filo-guidés. Dans le cas : un CFG, on doit choisir la taille du lot de transport. Si l on choisit deux CFG, en plus de la taille de lot, il faut déterminer le meilleur chemin. En effet, les chariots peuvent partager le même chemin, ou bien avoir deux chemins différents. Dans ce dernier cas, un CFG transporte les pièces entre A et l assemblage et l autre transporte les pièces entre B, l assemblage, le contrôle qualité et l emballage. La Figure 6 décrit la représentation de ces possibilités de conception sous forme d arbre. Pour optimiser cet atelier, des sous-populations locales de 25 individus ont été utilisées ainsi que des jeux de paramètres différents (probabilité de recombinaison et de mutation) sur chaque algorithme local. L optimisation a été arrêtée après 700 générations. Un modèle de simulation présent sur chaque station, regroupant l ensemble des possibilités indiquées a été utilisé pour calculer la moyenne de la performance sur cinq répliques pour une configuration donnée. Le principe de la roue a été choisi pour la sélection, sans méthode d analyse de significativité (Pierreval et Tautou, 1996). Des tests de comparaison peuvent ainsi être effectués pour vérifier que la meilleure solution obtenue diffère significativement de la seconde et de la troisième. La contrainte de budget est prise en compte par pénalisation de la fonction objectif (Michalewicz, 1995). La convergence de l algorithme distribué est illustrée par la figure 7 où la progression de chaque algorithme évolutionniste local (LEA) est donnée. La meilleure solution est obtenue en 20 minutes sur le réseau de Sun Spark 10 reliées par Ethernet. Elle est décrite par la figure 8. Une telle solution aurait été pour le moins difficile à obtenir avec d autres types d approches. Nombre machines Cellule A Solution technique Cellule B Nombre stations D assemblage Système de transport Fraisage + tour Centre flexible convoyeur CFGs tours et fraiseuses Taille du Stock intermédiaire centres longueur convoyeur vitesse convoyeur CFG 1 2 Taille lot transport chemin n Taille lot transport Figure 6. Représentation des configurations possibles par un arbre
6 F (1) (2) (3) générations LEA0 LEA1 LEA2 LEA3 LEA4 LEA5 LEA6 LEA7 30 Figure 7. Convergence de la fonction objectif 5 centres 4 CFG flexibles 1 2 même chemin 49 Fig. 8. Meilleure configuration trouvée. 4. VERS LA CONFIGURATION AUTOMATIQUE : SIMULATION FONCTIONNELLE? Une telle approche offre un potentiel important pour aborder des problèmes relatifs à la conception et l organisation de systèmes. En effet, d une part la recherche par essai-erreurs peut être extrêmement fastidieuse, voire impossible (si les paramètres sont dans un intervalle continu par exemple). D autre part, les limites des méthodes d optimisation via simulation traditionnelles, qui se contentent d un «réglage» de paramètres, sont dépassées : on s approche de méthodes de configuration automatique «optimale 1» d un système, ce qui ouvre de nombreuses perspectives. Les options, sous-options et paramètres étant connus, nous sommes capables d en déduire la meilleure 1 configuration avec une mise en œuvre informatique sans difficulté majeure. Néanmoins, les limites théoriques franchies au niveau de l optimisation se reportent sur les limites associées au développement des modèles de simulation puisqu il peut être, dans certains cas, fastidieux de programmer un modèle capable de basculer d une option à une autre, afin que le module de configuration puisse changer les options à volonté, selon les solutions à tester. Dans l état actuel des logiciels, le changement d option peut être par exemple programmé grâce à des branchements conditionnels. Selon la valeur prise par une variable R, on destinera les arrivées d entités (pièces, clients, etc.) vers le sous système SS1 ou SS2 (voir figure 9). R=1 R=2 Sous système SS1 Sous système SS2 Figure 9. Choix entre deux options par routage conditionnel Une telle stratégie de programmation peut se trouver facilitée par l usage de logiciels permettant une décomposition hiérarchique des modèles (ARENA par exemple). On peut ainsi introduire de nouveaux détails (sous-options) en décomposant le fonctionnement d une option. Néanmoins, on note que les outils de simulation actuels sont, en termes de concepts, orientés vers la modélisation de solutions et non pas vers la description de fonctions pouvant être mises en œuvre par des solutions différentes (exprimées ici, au regard d un problème de configuration, en termes d options possibles pour effectuer la fonction). Etre capable de définir des modèles de simulation à partir des fonctions que le système devra réaliser et pouvoir «instancier» différentes solutions pour une fonction représente une direction de recherche importante. On parlera alors de simulation fonctionnelle. 1 Meilleure ou optimale étant entendu au sens de la puissance de l heuristique utilisée
7 Entrées de la fonction Fonction Sorties de La fonction Solutions possibles pour mettre en œuvre la fonction Figure 10. Représentation d activités par des fonctions Dans ce type de simulation, la description du système s effectue par des fonctions et l on doit disposer d une bibliothèque de solutions permettant la mise en œuvre de la fonction (figure 10). Chaque solution peut elle même comprendre des sous-fonctions et dépendre de paramètres numériques ou non. Par exemple la manutention entre deux postes de travail est décrite par une fonction «transporter», qui peut être effectuée par un convoyeur, une navette, des chariots, etc., l objectif étant que l utilisateur puisse sélectionner «navette» ou «chariots», afin de les comparer par simulation, sans avoir à programmer deux modèles différents ou deux sous modèles différents. Une telle approche aurait pour avantage de considérablement diminuer les efforts de développement de modèles de simulation et d être proche des raisonnements mis en œuvre en conception de systèmes, où en principe le «quoi?» est abordé avant le «comment?». Au regard de notre approche de recherche de configuration optimale, elle autoriserait un «pilotage» des essais et des simulations en changeant facilement les options, sous-options et paramètres. Malheureusement, il est clair qu en pratique une telle approche présente d importantes difficultés. Un certain nombre de travaux ont déjà considéré l usage de méthodes d analyse fonctionnelle, telles IDEF0, GRAI, etc. avant la simulation (Pierreval, 1987 ; Taoutaou et El Mhamedi, 1997). Certains auteurs ont même proposé des règles de passage de SADT à la simulation (Evers et Al., 1981) ; le passage automatique de modèles IDEF3 à des modèles de simulation existant déjà dans certains logiciels. Dans MOSES, Pruett et Vasudev (1990) introduisent quatre fonctions sur lesquelles l utilisateur peut travailler : marketing, production, gestion de stock et comptabilité. Si ces approches font donc un pas dans la direction «fonctionnelle», elles ne permettent pas de résoudre complètement le problème en terme de mise en œuvre, compte tenu des deux difficultés majeures suivantes. Notons d abord que l identification des solutions possibles pour effectuer une fonction peut nécessiter que le logiciel de simulation soit capable de connaître les possibilités techniques pouvant être choisies, selon la nature de la fonction, son environnement etc. De telles préoccupations ont été considérées à la fin des années 1980, dans le cadre de l étude de la contribution des méthodes d intelligence artificielle (IA) à la simulation (O Keefe, 1986). Il s agissait notamment d introduire des connaissances sur le système (Heragu et Kusiak., 1987), permettant de faciliter le développement de modèles. Si l'intelligence artificielle n a eu que peu de répercussion à ce niveau sur les logiciels, les approches objets ont eut plus de succès : des bibliothèques d objets destinées, à instancier des situations fréquemment rencontrées ont été développées (Bel et Cavaille 1990 ; Becker, 1994 ; Hill, 1997 ; Kellert, 1998). Un certain nombre de logiciels récents vont donc dans le sens souhaité, mais se restreignent néanmoins pour l instant à des cas dont la complexité est limitée En effet, l autre difficulté majeure qui nuit à la mise en œuvre de solutions diverses associées à une fonction réside dans l interaction entre les fonctions modélisées. Par exemple, basculer d un transport par chariots à un transport par convoyeur entraîne des répercutions sur les choix techniques concernant les fonctions : alimentation, évacuation des pièces, ou stockage, par exemple. Ces interactions s avèrent difficiles à répertorier et mettre en œuvre, ce qui explique en partie le peu de développement existant dans ce domaine. Plusieurs voies méritent donc d être explorées pour avancer vers une simulation fonctionnelle et donc vers une configuration «automatique» des systèmes (approche par objets génériques (Becker, 1994, Kellert 1998), réseaux de Pétri hiérarchiques, approches agents, etc.), en ne perdant pas de vue que les difficultés que nous avons évoquées restent des obstacles majeurs.
8 5. CONCLUSION Dans cet article, nous avons montré qu il est possible de dépasser la simple optimisation via simulation des systèmes pour aller vers la recherche d une configuration optimale de systèmes, où les possibilités de choix ne se cantonnent pas à des paramètres, mais impliquent des options, pouvant dépendre elles-mêmes de sous options ou de paramètres numériques ou non. L exemple donné illustre le potentiel de cette approche et montre que l ampleur des temps de calcul nécessaires peut être compensée par l utilisation d une approche distribuée sur plusieurs processeurs, dont la mise en œuvre avec des algorithmes évolutionnistes est assez naturelle. Cette approche ouvre des voies dans différents domaines d applications, dans la mesure où l on dispose d un modèle de simulation ou l on peut changer les options et les paramètres. L usage de critères multiples est envisageable avec l approche proposée, si des compromis sont recherchés, par exemple entre en-cours moyens à minimiser et taux de satisfaction des clients (voir par exemple Pierreval et Plaquin, 1998). Les limites de cette approche résident malheureusement maintenant principalement au niveau du développement des modèles de simulation, qui doivent offrir la possibilité de passer d une option à l autre facilement. Les approches orientées objets et les modélisations hiérarchiques peuvent faciliter la mise en œuvre de cette possibilité. Pour tenter d aller plus loin, nous avons introduit le principe de simulation «fonctionnelle», dont nous avons identifié les écueils. Cette voie laisse la porte ouverte à des perspectives de recherches, destinées à faciliter la mise en œuvre de projets de simulation, mais aussi dorénavant, à rechercher les configurations optimales de systèmes. Il s agit pour cela de faire cohabiter des connaissances sur la conception des systèmes de production et sur leur fonctionnement dynamique (simulation) avec des concepts unifiés dans un même ensemble logiciel. REFERENCES Andradottir, S., 1998, Simulation optimization, in Handbook of simulation, (edited by Jerry Banks, John Wiley & sons inc. New York), p Aversa, R., Mazzoca, N., Villano, U., Design of a simulator of heterogeneous computing environments, Simulation practice and theory, 4 (2-3), p Bel G., Cavaille J.B., Intégration de la simulation dans la conception de systèmes de production: avantages et inconvénients de l'approche par langages objets. Actes de CIM 90 : Productique et intégration, Bordeaux, Juin. Back, 1996, Evolutionary Algorithms in Theory and Practice, Oxford University Press Back, T., Hammelek, U. and Schwefel, H.P., Evolutionary computation: comments on the history and current state, IEEE Transactions on evolutionary computation, vol 1, n 1, p Becker R The innovative concepts of Simple ++ and their application in industry and science. Proc. of the first joint conference of the international simulation societies, Aout, Zurich, Suisse, p Boukachour, Ordonnancement d atelier par simulation : une approche orientée objet, thèse de doctorat de l université de Rouen, Mai. Cheikhrouhou N. 2001, Apport de l analyse de perturbation pour le dimensionnement et le pilotage des systèmes de production, thèse de l INP de Grenoble, Janvier. Dolgui A., Ofitsero A., 1997, Stochastic Method for Discrete and Continuous Optimization in Manufacturing Systems, Journal of intelligent manufacturing, Vol. 8, No 5, p Evers, K. H., Bachert R. F. et Santucci P. R., SADT/SAINT : large scale simulation methodology, Proc.ot the 1981 winter simulation conference. Fu, M.C., Optimization via simulation, Annals of O. R., n 53, p Heragu S. S., Kusiak A., Analysis of expert systems in Manufacturing design, IEEE Transactions on systems, man and cybernetics, Vol. 17, n 6, p Hill D., 1997, Introduction aux concepts de la simulation par objets, L'Objet, Volume 3, n 1, p Kellert P., 1998, Méthodologie de modélisation orientée objets de systèmes de production, unprocessus de construction/validation du modèle générique orienté objets d un système de production, j. Eur. des Syst. Auto. (JESA), vol. 32, n 1, p C Gaury, E.G.A. 2000, Designing pull production control systems : customization and robustness, Ph. D. dissertation université Blaise Pascal Clermont Ferrand n 1196 et Tilburg university : ISBN Gibson, G.M., 1993, A genetic algorithm for optimizing problem with embedded design options, Proceedings of the AI conference, Melbourne, pp Lacomme, P., Gougeon, J. Y.,1996. Plannification pour les fonderies de type sable : une méthode combinant optimisation stochastique et simulation, j. Eur. des Syst. Auto. (JESA), vol. 30, n 7, p Law A. M., Kelton, Simulation modeling and analysis, 2d. Edition, McGraw Hill, New York. Michalewicz, Z., Heuristic methods for evolutionary computation techniques, Journal of heuristics, Vol 1, N 2, p O Keefef R. M., Simulation and expert systems : a taxonomy and some examples, Simulation, janvier, p Paris, J. L., Pierreval H A Distributed Evolutionary Simulation Optimisation Approach for the Configuration of Multiproduct Kanban Systems, International journal of computer integrated manufacturing, à paraître (accepté). Pierreval H Analyse, modélisation et simulation des systèmes de production, application au cas d une
9 fonderie, thèse de l université Claude Bernard n 4487, mai, Lyon. Pierreval, H., Tautou, L., Using evolutionary algorithms and simulation for the optimization of manufacturing systems, IIE Transactions 29 (3), p Pierreval H., Paris J. L Distributed evolutionnary algorithms for simulation optimization, IEEE transactions on systems man and cybernetics, Vol. 30 n 1, p Pierreval H., Plaquin M. F An evolutionnary approach to muticriteria cell formation problems, International transactions in operational research, vol 5 n 2, p Portmann, M.C., Genetic algorithms and scheduling : a state of the art and some propositions, Proceeding of the workshop on production planning and control, Mons, Belgium, septembre 9-11, p. I- XIV. Pruett J. M., Vasudev V. K., MOSES : manufacturing organization simulation and evaluation system, Simulation, janvier, p Rao, H.A., Pham, S.N. and Gu, A genetic algorithms-based approach for design of manufacturing systems : an industrial application, International Journal of Production Research, Vol 37, N 3, pp Riley L. A., Methodological Perspectives for optimizing discrete-event simulation models, Proc. of 2000 Advanced Simulation Technologies Conference (ASTC 2000), Washington, D.C., USA, April. Schuster, G., Breitenecker, F., Coupling simulators with the model interconnection concept and PVM, Proceedings of Eurosim'95, Vienna, Austria, sept., Edition Breitenecker et Husinsky, pp Taoutaou T., El Mhamedi A., Modular approach to model iteratives activities and business process, proc. of Int. Conf. on Ind. Eng. and Prod. Manag. (IEPM 97), Lyon, octobre 20-24, p Tautou L Contribution des méthodes évolutionnistes à l optimisation via simulation des systèmes de production, thèse de l université Blaise Pascal n 967, Clermont Ferrand, décembre. Tautou L., Paris S J. L., Pierreval H Configuration of a simulated flexible manufacturing systems at a design stage : case study using a distributed evolutionnary optimization approach, Proc. Of the summer computer simualtion conference, SCSC 98, Reno, Nevada, USA, Juillet, p Tautou L., Paris J. L., Pierreval H New simulation optimization approach for the design of manufacturing systems, proc. 1rst world congress on system simulation, Singapoure, p Yunker, J.M., Tew, J.D., Simulation optimization by genetic search, Mathematics and Computers in Simulation 37 (1), pp
ALGORITHME GENETIQUE ET MODELE DE SIMULATION POUR L'ORDONNANCEMENT D'UN ATELIER DISCONTINU DE CHIMIE
ALGORITHME GENETIQUE ET MODELE DE SIMULATION POUR L'ORDONNANCEMENT D'UN ATELIER DISCONTINU DE CHIMIE P. Baudet, C. Azzaro-Pantel, S. Domenech et L. Pibouleau Laboratoire de Génie Chimique - URA 192 du
Plus en détailMinimisation de la somme des retards dans un jobshop flexible
Minimisation de la somme des retards dans un jobshop flexible Nozha ZRIBI, Imed KACEM, Abdelkader EL KAMEL, Pierre BORNE LAGIS Ecole Centrale de Lille, BP 48, 5965 Villeneuve d Ascq Cedex, France ISTIT
Plus en détailUne application des algorithmes génétiques à l ordonnancement d atelier
Une application des algorithmes génétiques à l ordonnancement d atelier VACHER Jean-Philippe - GALINHO Thierry - MAMMERI Zoubir Laboratoire d Informatique du Havre Université du Havre 25, Rue Philippe
Plus en détailOPTIMISATION DE LA MAINTENANCE DES EQUIPEMENTS DE MANUTENTION DU TERMINAL A CONTENEURS DE BEJAIA (BMT)
OPTIMISATION DE LA MAINTENANCE DES EQUIPEMENTS DE MANUTENTION DU TERMINAL A CONTENEURS DE BEJAIA (BMT) LAGGOUNE Radouane 1 et HADDAD Cherifa 2 1,2: Dépt. de G. Mécanique, université de Bejaia, Targa-Ouzemour
Plus en détailCURRICULUM VITAE. Informations Personnelles
CURRICULUM VITAE Informations Personnelles NOM: BOURAS PRENOM : Zine-Eddine STRUCTURE DE RATTACHEMENT: Département de Mathématiques et d Informatique Ecole Préparatoire aux Sciences et Techniques Annaba
Plus en détailEtude d un cas industriel : Optimisation de la modélisation de paramètre de production
Revue des Sciences et de la Technologie RST- Volume 4 N 1 /janvier 2013 Etude d un cas industriel : Optimisation de la modélisation de paramètre de production A.F. Bernate Lara 1, F. Entzmann 2, F. Yalaoui
Plus en détailProblèmes d ordonnancement dans les systèmes de production. Journée Automatique et Optimisation Université de Paris 12 20 Mars 2003
Problèmes d ordonnancement dans les systèmes de production Michel Gourgand Université Blaise Pascal Clermont Ferrand LIMOS CNRS UMR 6158 1 Le LIMOS Laboratoire d Informatique, de Modélisation et d Optimisation
Plus en détailHigh Performance by Exploiting Information Locality through Reverse Computing. Mouad Bahi
Thèse High Performance by Exploiting Information Locality through Reverse Computing Présentée et soutenue publiquement le 21 décembre 2011 par Mouad Bahi pour l obtention du Doctorat de l université Paris-Sud
Plus en détailLes simulations dans l enseignement des sondages Avec le logiciel GENESIS sous SAS et la bibliothèque Sondages sous R
Les simulations dans l enseignement des sondages Avec le logiciel GENESIS sous SAS et la bibliothèque Sondages sous R Yves Aragon, David Haziza & Anne Ruiz-Gazen GREMAQ, UMR CNRS 5604, Université des Sciences
Plus en détailDéfinition et diffusion de signatures sémantiques dans les systèmes pair-à-pair
Définition et diffusion de signatures sémantiques dans les systèmes pair-à-pair Raja Chiky, Bruno Defude, Georges Hébrail GET-ENST Paris Laboratoire LTCI - UMR 5141 CNRS Département Informatique et Réseaux
Plus en détailPrincipe de symétrisation pour la construction d un test adaptatif
Principe de symétrisation pour la construction d un test adaptatif Cécile Durot 1 & Yves Rozenholc 2 1 UFR SEGMI, Université Paris Ouest Nanterre La Défense, France, cecile.durot@gmail.com 2 Université
Plus en détailCours de Master Recherche
Cours de Master Recherche Spécialité CODE : Résolution de problèmes combinatoires Christine Solnon LIRIS, UMR 5205 CNRS / Université Lyon 1 2007 Rappel du plan du cours 16 heures de cours 1 - Introduction
Plus en détailGestion de production
Maurice Pillet Chantal Martin-Bonnefous Pascal Bonnefous Alain Courtois Les fondamentaux et les bonnes pratiques Cinquième édition, 1989, 1994, 1995, 2003, 2011 ISBN : 978-2-212-54977-5 Sommaire Remerciements...
Plus en détailL apprentissage automatique
L apprentissage automatique L apprentissage automatique L'apprentissage automatique fait référence au développement, à l analyse et à l implémentation de méthodes qui permettent à une machine d évoluer
Plus en détailAnnexe 6. Notions d ordonnancement.
Annexe 6. Notions d ordonnancement. APP3 Optimisation Combinatoire: problèmes sur-contraints et ordonnancement. Mines-Nantes, option GIPAD, 2011-2012. Sophie.Demassey@mines-nantes.fr Résumé Ce document
Plus en détailContrôle par commande prédictive d un procédé de cuisson sous infrarouge de peintures en poudre.
Contrôle par commande prédictive d un procédé de cuisson sous infrarouge de peintures en poudre. Isabelle Bombard, Bruno da Silva, Pascal Dufour *, Pierre Laurent, Joseph Lieto. Laboratoire d Automatique
Plus en détailJade. Projet Intelligence Artificielle «Devine à quoi je pense»
Jade Projet Intelligence Artificielle «Devine à quoi je pense» Réalisé par Djénéba Djikiné, Alexandre Bernard et Julien Lafont EPSI CSII2-2011 TABLE DES MATIÈRES 1. Analyse du besoin a. Cahier des charges
Plus en détailDimensionnement Introduction
Dimensionnement Introduction Anthony Busson Dimensionnement Pourquoi dimensionner? Création d un système informatique ou réseau Problème de décision (taille des différents paramètres) Evaluer les performances
Plus en détailPLAN DE COURS. GPA750 Ordonnancement des systèmes de production aéronautique
Département de génie de la production automatisée Programme de baccalauréat Professeur Pontien Mbaraga, Ph.D. Session/année Automne 2004 Groupe(s) 01 PLAN DE COURS GPA750 Ordonnancement des systèmes de
Plus en détailA GRASPxELS approach for the Job Shop with generic time-lags and new statistical determination of the parameters
A GRASPxELS approach for the Job Shop with generic time-lags and new statistical determination of the parameters Présenté par : Equipe de travail : Laboratoire : Maxime CHASSAING Philippe LACOMME, Nikolay
Plus en détailLES MÉTA-HEURISTIQUES : quelques conseils pour en faire bon usage
LES MÉTA-HEURISTIQUES : quelques conseils pour en faire bon usage Alain HERTZ Ecole Polytechnique - GERAD Département de mathématiques et de génie industriel CP 679, succ. Centre-ville, Montréal (QC) H3C
Plus en détailModèles à Événements Discrets. Réseaux de Petri Stochastiques
Modèles à Événements Discrets Réseaux de Petri Stochastiques Table des matières 1 Chaînes de Markov Définition formelle Idée générale Discrete Time Markov Chains Continuous Time Markov Chains Propriétés
Plus en détailOrdonnancement en temps réel d un jobshop par métaheuristique hybride : étude comparative
Ordonnancement en temps réel d un jobshop par métaheuristique hybride : étude comparative Y. Houbad, M. Souier, A. Hassam, Z.Sari Laboratoire d automatique Tlemcen Faculté de technologie, Université Abou
Plus en détailRapport d activité. Mathieu Souchaud Juin 2007
Rapport d activité Mathieu Souchaud Juin 2007 Ce document fait la synthèse des réalisations accomplies durant les sept premiers mois de ma mission (de novembre 2006 à juin 2007) au sein de l équipe ScAlApplix
Plus en détailLaboratoire d Automatique et Productique Université de Batna, Algérie
Anale. Seria Informatică. Vol. IX fasc. 2 Annals. Computer Science Series. 9 th Tome st Fasc. 2 La sélection de paramètres d un système industriel par les colonies de fourmis Ouahab Kadri, L. Hayet Mouss,
Plus en détailLES OUTILS D ALIMENTATION DU REFERENTIEL DE DB-MAIN
LES OUTILS D ALIMENTATION DU REFERENTIEL DE DB-MAIN Les contenues de ce document sont la propriété exclusive de la société REVER. Ils ne sont transmis qu à titre d information et ne peuvent en aucun cas
Plus en détailEquilibrage de charge pour les grilles de calcul : classe des tâches dépendantes et indépendantes.
Equilibrage de charge pour les grilles de calcul : classe des tâches dépendantes et indépendantes. Meriem Meddeber 1 et Belabbas Yagoubi 2 1 Université de Mascara, Faculté des sciences, Département des
Plus en détailOrdonnancement robuste et décision dans l'incertain
Ordonnancement robuste et décision dans l'incertain 4 ème Conférence Annuelle d Ingénierie Système «Efficacité des entreprises et satisfaction des clients» Centre de Congrès Pierre Baudis,TOULOUSE, 2-4
Plus en détailSolution A La Gestion Des Objets Java Pour Des Systèmes Embarqués
International Journal of Engineering Research and Development e-issn: 2278-067X, p-issn: 2278-800X, www.ijerd.com Volume 7, Issue 5 (June 2013), PP.99-103 Solution A La Gestion Des Objets Java Pour Des
Plus en détailGrandes lignes ASTRÉE. Logiciels critiques. Outils de certification classiques. Inspection manuelle. Definition. Test
Grandes lignes Analyseur Statique de logiciels Temps RÉel Embarqués École Polytechnique École Normale Supérieure Mercredi 18 juillet 2005 1 Présentation d 2 Cadre théorique de l interprétation abstraite
Plus en détailIntroduction au Data-Mining
Introduction au Data-Mining Alain Rakotomamonjy - Gilles Gasso. INSA Rouen -Département ASI Laboratoire PSI Introduction au Data-Mining p. 1/25 Data-Mining : Kèkecé? Traduction : Fouille de données. Terme
Plus en détailSciences de Gestion Spécialité : SYSTÈMES D INFORMATION DE GESTION
Sciences de Gestion Spécialité : SYSTÈMES D INFORMATION DE GESTION Classe de terminale de la série Sciences et Technologie du Management et de la Gestion Préambule Présentation Les technologies de l information
Plus en détailRéseaux grande distance
Chapitre 5 Réseaux grande distance 5.1 Définition Les réseaux à grande distance (WAN) reposent sur une infrastructure très étendue, nécessitant des investissements très lourds. Contrairement aux réseaux
Plus en détailSommaire. Introduction.2. 1. Définition..2. 2. Historique.2. 3. Domaine d application.2. 4.Les Travaux réalisés sur les domaines d application.
Sommaire Introduction.2 1. Définition..2 2. Historique.2 3. Domaine d application.2 4.Les Travaux réalisés sur les domaines d application.3 5.Algorithme 4 6.Exemple d application 5 7. Avantage et inconvénient..6
Plus en détailAgrégation des portefeuilles de contrats d assurance vie
Agrégation des portefeuilles de contrats d assurance vie Est-il optimal de regrouper les contrats en fonction de l âge, du genre, et de l ancienneté des assurés? Pierre-O. Goffard Université d été de l
Plus en détail4.2 Unités d enseignement du M1
88 CHAPITRE 4. DESCRIPTION DES UNITÉS D ENSEIGNEMENT 4.2 Unités d enseignement du M1 Tous les cours sont de 6 ECTS. Modélisation, optimisation et complexité des algorithmes (code RCP106) Objectif : Présenter
Plus en détailEtude comparative de différents motifs utilisés pour le lancé de rayon
Etude comparative de différents motifs utilisés pour le lancé de rayon Alexandre Bonhomme Université de Montréal 1 Introduction Au cours des dernières années les processeurs ont vu leurs capacités de calcul
Plus en détailProgrammation par contraintes. Laurent Beaudou
Programmation par contraintes Laurent Beaudou On se trouve où? Un problème, une solution : la solution est-elle une solution du problème? simulation, vérification 2 On se trouve où? Un problème, une solution
Plus en détailUne proposition d extension de GML pour un modèle générique d intégration de données spatio-temporelles hétérogènes
303 Schedae, 2007 Prépublication n 46 Fascicule n 2 Une proposition d extension de GML pour un modèle générique d intégration de données spatio-temporelles hétérogènes Samya Sagar, Mohamed Ben Ahmed Laboratoire
Plus en détailPascal Forget 2310, Avenue Notre-Dame Québec, (Québec) Canada, G2E 3G5 Tél. (418) 380-8767 Fax (418) 656-7415 pascal.forget@cirrelt.
Pascal Forget 2310, Avenue Notre-Dame Québec, (Québec) Canada, G2E 3G5 Tél. (418) 380-8767 Fax (418) 656-7415 pascal.forget@cirrelt.ca FORMATION Doctorat, génie mécanique Université Laval, Québec, Canada
Plus en détailUne méthode d apprentissage pour la composition de services web
Une méthode d apprentissage pour la composition de services web Soufiene Lajmi * Chirine Ghedira ** Khaled Ghedira * * Laboratoire SOIE (ENSI) University of Manouba, Manouba 2010, Tunisia Soufiene.lajmi@ensi.rnu.tn,
Plus en détailEXPLORATION DES BASES DE DONNÉES INDUSTRIELLES À L AIDE DU DATA MINING PERSPECTIVES
EXPLORATION DES BASES DE DONNÉES INDUSTRIELLES À L AIDE DU DATA MINING PERSPECTIVES Bruno Agard (1), Andrew Kusiak (2) (1) Département de Mathématiques et de Génie Industriel, École Polytechnique de Montréal,
Plus en détailModélisation et simulation du trafic. Christine BUISSON (LICIT) Journée Simulation dynamique du trafic routier ENPC, 9 Mars 2005
Modélisation et simulation du trafic Christine BUISSON (LICIT) Journée Simulation dynamique du trafic routier ENPC, 9 Mars 2005 Plan de la présentation! Introduction : modèles et simulations définition
Plus en détailDimensionnement d une roue autonome pour une implantation sur un fauteuil roulant
Dimensionnement d une roue autonome pour une implantation sur un fauteuil roulant I Présentation I.1 La roue autonome Ez-Wheel SAS est une entreprise française de technologie innovante fondée en 2009.
Plus en détailIncertitude et variabilité : la nécessité de les intégrer dans les modèles
Incertitude et variabilité : la nécessité de les intégrer dans les modèles M. L. Delignette-Muller Laboratoire de Biométrie et Biologie Evolutive VetAgro Sup - Université de Lyon - CNRS UMR 5558 24 novembre
Plus en détailApproche d'évaluation pour les problèmes d'ordonnancement multicritères : Méthode d'agrégation avec direction de recherche dynamique
Approche d'évaluation pour les problèmes d'ordonnancement multicritères : Méthode d'agrégation avec direction de recherche dynamiue D. BERKOUNE 2, K. MESGHOUNI, B. RABENASOLO 2 LAGIS UMR CNRS 846, Ecole
Plus en détail!-.!#- $'( 1&) &) (,' &*- %,!
0 $'( 1&) +&&/ ( &+&& &+&))&( -.#- 2& -.#- &) (,' %&,))& &)+&&) &- $ 3.#( %, (&&/ 0 ' Il existe plusieurs types de simulation de flux Statique ou dynamique Stochastique ou déterministe A événements discrets
Plus en détailProposition d un modèle pour Ordonnancement d un Système Automatisé de Production Applications des algorithmes génétiques hybrides
Proposition d un modèle pour Ordonnancement d un Système Automatisé de Production Applications des algorithmes génétiques hybrides Djamila Bouhalouan 1, Nassima Aissani 1, Bouziane Beldjilali 2 1 Département
Plus en détailAPPROCHE DE LA SURVEILLANCE DES SYSTEMES PAR RESEAUX DE PETRI SYNCHRONISES FLOUS
THE PUBLISHING HOUSE PROCEEDINGS OF THE ROMANIAN ACADEMY, Series A, OF THE ROMANIAN ACADEMY Volume 9, Number 2/2008, pp. 000 000 APPROCHE DE LA SURVEILLANCE DES SYSTEMES PAR RESEAUX DE PETRI SYNCHRONISES
Plus en détailConception des systèmes répartis
Conception des systèmes répartis Principes et concepts Gérard Padiou Département Informatique et Mathématiques appliquées ENSEEIHT Octobre 2012 Gérard Padiou Conception des systèmes répartis 1 / 37 plan
Plus en détailTP 2 Réseaux. Adresses IP, routage et sous-réseaux
TP 2 Réseaux Adresses IP, routage et sous-réseaux C. Pain-Barre INFO - IUT Aix-en-Provence version du 24/2/2 Adressage IP. Limites du nombre d adresses IP.. Adresses de réseaux valides Les adresses IP
Plus en détailContributions à l expérimentation sur les systèmes distribués de grande taille
Contributions à l expérimentation sur les systèmes distribués de grande taille Lucas Nussbaum Soutenance de thèse 4 décembre 2008 Lucas Nussbaum Expérimentation sur les systèmes distribués 1 / 49 Contexte
Plus en détailVers une approche Adaptative pour la Découverte et la Composition Dynamique des Services
69 Vers une approche Adaptative pour la Découverte et la Composition Dynamique des Services M. Bakhouya, J. Gaber et A. Koukam Laboratoire Systèmes et Transports SeT Université de Technologie de Belfort-Montbéliard
Plus en détailMétriques de performance pour les algorithmes et programmes parallèles
Métriques de performance pour les algorithmes et programmes parallèles 11 18 nov. 2002 Cette section est basée tout d abord sur la référence suivante (manuel suggéré mais non obligatoire) : R. Miller and
Plus en détailOptimisation et programmation mathématique. Professeur Michel de Mathelin. Cours intégré : 20 h
Télécom Physique Strasbourg Master IRIV Optimisation et programmation mathématique Professeur Michel de Mathelin Cours intégré : 20 h Programme du cours d optimisation Introduction Chapitre I: Rappels
Plus en détailSimulation D une Chaîne Logistique À Echelle Réelle
Simulation D une Chaîne Logistique À Echelle Réelle sous Arena A. Bensmaine 1, L. Benyoucef 2 et Z. Sari 1 1 Laboratoire d Automatique, Université de Tlemcen, Algérie ({a_bensmaine, z_sari}@mail.univ-tlemcen.dz)
Plus en détailChaînes de Markov au lycée
Journées APMEP Metz Atelier P1-32 du dimanche 28 octobre 2012 Louis-Marie BONNEVAL Chaînes de Markov au lycée Andreï Markov (1856-1922) , série S Problème 1 Bonus et malus en assurance automobile Un contrat
Plus en détailMathématique et Automatique : de la boucle ouverte à la boucle fermée. Maïtine bergounioux Laboratoire MAPMO - UMR 6628 Université d'orléans
Mathématique et Automatique : de la boucle ouverte à la boucle fermée Maïtine bergounioux Laboratoire MAPMO - UMR 6628 Université d'orléans Maitine.Bergounioux@labomath.univ-orleans.fr Plan 1. Un peu de
Plus en détailLa Recherche du Point Optimum de Fonctionnement d un Générateur Photovoltaïque en Utilisant les Réseaux NEURO-FLOUS
Rev. Energ. Ren. : Chemss 2000 39-44 La Recherche du Point Optimum de Fonctionnement d un Générateur Photovoltaïque en Utilisant les Réseaux NEURO-FLOUS D.K. Mohamed, A. Midoun et F. Safia Département
Plus en détailFormula Negator, Outil de négation de formule.
Formula Negator, Outil de négation de formule. Aymerick Savary 1,2, Mathieu Lassale 1,2, Jean-Louis Lanet 1 et Marc Frappier 2 1 Université de Limoges 2 Université de Sherbrooke Résumé. Cet article présente
Plus en détailLaboratoire 4 Développement d un système intelligent
DÉPARTEMENT DE GÉNIE LOGICIEL ET DES TI LOG770 - SYSTÈMES INTELLIGENTS ÉTÉ 2012 Laboratoire 4 Développement d un système intelligent 1 Introduction Ce quatrième et dernier laboratoire porte sur le développement
Plus en détailAméliorer la Performance des Fournisseurs
Les Solutions SQA de Solumina L Assurance Qualité Fournisseur Figure 1 Influence sur les affaires de nos clients actuels. Réduire des Stocks lors des Inspections Le Système de Contrôle Qualité Fournisseurs
Plus en détailDe la mesure à l analyse des risques
De la mesure à l analyse des risques Séminaire ISFA - B&W Deloitte Jean-Paul LAURENT Professeur à l'isfa, Université Claude Bernard Lyon 1 laurent.jeanpaul@free.fr http://laurent.jeanpaul.free.fr/ 0 De
Plus en détailAPPLICATION DE LA GESTION DES FILES D ATTENTE PAR RÈGLES DE PRIORITÉ DANS UN JOB SHOP EN TEMPS RÈEL
APPLICATION DE LA GESTION DES FILES D ATTENTE PAR RÈGLES DE PRIORITÉ DANS UN JOB SHOP EN TEMPS RÈEL N. Keddari (1) - A. Hassam (1) 1 keddarinassima@yahoo.fr 1 a_hassam@mail.univ-tlemcen.dz RESUME L ordonnancement
Plus en détailL'intelligence d'affaires: la statistique dans nos vies de consommateurs
L'intelligence d'affaires: la statistique dans nos vies de consommateurs Jean-François Plante, HEC Montréal Marc Fredette, HEC Montréal Congrès de l ACFAS, Université Laval, 6 mai 2013 Intelligence d affaires
Plus en détailAlimenter un entrepôt de données par des données issues de services web. Une approche médiation pour le prototype DaWeS
Alimenter un entrepôt de données par des données issues de services web. Une approche médiation pour le prototype DaWeS John Samuel LIMOS (Laboratoire d Informatique, de Modélisation et d Optimisation
Plus en détailBig Data et Graphes : Quelques pistes de recherche
Big Data et Graphes : Quelques pistes de recherche Hamamache Kheddouci http://liris.cnrs.fr/hamamache.kheddouci Laboratoire d'informatique en Image et Systèmes d'information LIRIS UMR 5205 CNRS/INSA de
Plus en détailFrancis BISSON (06 794 819) Kenny CÔTÉ (06 836 427) Pierre-Luc ROGER (06 801 883) IFT702 Planification en intelligence artificielle
Francis BISSON (06 794 819) Kenny CÔTÉ (06 836 427) Pierre-Luc ROGER (06 801 883) PLANIFICATION DE TÂCHES DANS MS PROJECT IFT702 Planification en intelligence artificielle Présenté à M. Froduald KABANZA
Plus en détailITIL Gestion de la capacité
ITIL Sommaire 1 GENERALITES 3 2 PERIMETRE DE LA GESTION DES CAPACITES 3 3 ACTIVITES ET LIVRABLES DE LA GESTION DES CAPACITES 4 3.1 ACTIVITES ITERATIVES OU GESTION DE PERFORMANCES : 4 3.2 GESTION DE LA
Plus en détailSimulation du transport de matière par diffusion surfacique à l aide d une approche Level-Set
Simulation du transport de matière par diffusion surfacique à l aide d une approce Level-Set J. Brucon 1, D. Pino-Munoz 1, S. Drapier 1, F. Valdivieso 2 Ecole Nationale Supérieure des Mines de Saint-Etienne
Plus en détailSamuel Bassetto 04/2010
Industrialisation Lean manufacturing 4.2 Réalisé avec V. FIGENWALD - SIEMENS Samuel Bassetto 04/2010 Plan de la partie 2 : Vers une production Lean 1. Valeur Ajoutée et Gaspillages Muda walk 2. Temps de
Plus en détailPROGRAMME DETAILLE. Parcours en première année en apprentissage. Travail personnel. 4 24 12 24 CC + ET réseaux
PROGRAMME DETAILLE du Master IRS Parcours en première année en apprentissage Unités d Enseignement (UE) 1 er semestre ECTS Charge de travail de l'étudiant Travail personnel Modalités de contrôle des connaissances
Plus en détailArithmétique binaire. Chapitre. 5.1 Notions. 5.1.1 Bit. 5.1.2 Mot
Chapitre 5 Arithmétique binaire L es codes sont manipulés au quotidien sans qu on s en rende compte, et leur compréhension est quasi instinctive. Le seul fait de lire fait appel au codage alphabétique,
Plus en détailIBM Business Process Manager
IBM Software WebSphere Livre blanc sur le leadership en matière d innovation IBM Business Process Manager Une plateforme de BPM complète, unifiée et facilement adaptable aux projets et aux programmes d
Plus en détailRé-ordonnancement adaptatif de messages dans un réseau ad hoc de véhicules
Ré-ordonnancement adaptatif de messages dans un réseau ad hoc de véhicules M. Shawky, K. Chaaban, P. Crubillé Heudiasyc UMR 6599 CNRS, Univ. Tech. De Compiègne 1 ADAS (Advanced Driving Aid System) Reactive
Plus en détailUn couplage métaheuristique / simulation appliqué au problème du job shop avec transport
Un couplage métaheuristique / simulation appliqué au problème du job shop avec transport LAURENT DEROUSSI 1, ICHEL GOURGAND 2 LIOS CNRS UR 6158 1 IUT de ontluçon, Avenue Aristide Briand B.P. 2235, 03101
Plus en détailMéthodologie de conceptualisation BI
Méthodologie de conceptualisation BI Business Intelligence (BI) La Business intelligence est un outil décisionnel incontournable à la gestion stratégique et quotidienne des entités. Il fournit de l information
Plus en détailSemarchy Convergence for MDM La Plate-Forme MDM Évolutionnaire
FICHE PRODUIT Semarchy Convergence for MDM La Plate-Forme MDM Évolutionnaire BENEFICES POUR LES DSI Réussir les projets de gouvernance dans les délais et les budgets Démarrer de manière tactique tout en
Plus en détailAnne-Sophie FERNANDEZ
Anne-Sophie FERNANDEZ Courriel : Anne-sophie.fernandez@umontpellier.fr Fonction : Maître de conférences Biographie Anne-Sophie FERNANDEZ est Maître de Conférences au sein de l Université de Montpellier.
Plus en détailMéthode de sureté de fonctionnement pour une maintenance efficace Application à un poste électrique (60/10KV)
Quatrième Conférence Internationale sur le Génie Electrique CIGE 10, 03-04 Novembre 2010, Université de Bechar, Algérie Méthode de sureté de fonctionnement pour une maintenance efficace Application à un
Plus en détailÉvaluation et implémentation des langages
Évaluation et implémentation des langages Les langages de programmation et le processus de programmation Critères de conception et d évaluation des langages de programmation Les fondations de l implémentation
Plus en détailEchantillonnage Non uniforme
Echantillonnage Non uniforme Marie CHABERT IRIT/INP-ENSEEIHT/ ENSEEIHT/TéSASA Patrice MICHEL et Bernard LACAZE TéSA 1 Plan Introduction Echantillonnage uniforme Echantillonnage irrégulier Comparaison Cas
Plus en détailFICHE UE Licence/Master Sciences, Technologies, Santé Mention Informatique
NOM DE L'UE : Algorithmique et programmation C++ LICENCE INFORMATIQUE Non Alt Alt S1 S2 S3 S4 S5 S6 Parcours : IL (Ingénierie Logicielle) SRI (Systèmes et Réseaux Informatiques) MASTER INFORMATIQUE Non
Plus en détailBig Data et Graphes : Quelques pistes de recherche
Big Data et Graphes : Quelques pistes de recherche Hamamache Kheddouci Laboratoire d'informatique en Image et Systèmes d'information LIRIS UMR 5205 CNRS/INSA de Lyon/Université Claude Bernard Lyon 1/Université
Plus en détailPropriétés du Document EMA. Résumé
Propriétés du Document Source du Document FSN OpenPaaS Titre du Document Définition et exploitation d un référentiel de processus collaboratifs : Rapport de synthèse quant aux référentiels existants Module(s)
Plus en détailCours Base de données relationnelles. M. Boughanem, IUP STRI
Cours Base de données relationnelles 1 Plan 1. Notions de base 2. Modèle relationnel 3. SQL 2 Notions de base (1) Définition intuitive : une base de données est un ensemble d informations, (fichiers),
Plus en détailCouplage efficace entre Optimisation et Simulation stochastique Application à la maintenance optimale d une constellation de satellites
Couplage efficace entre Optimisation et Simulation stochastique Application à la maintenance optimale d une constellation de satellites Benoît Beghin Pierre Baqué André Cabarbaye Centre National d Etudes
Plus en détailINTRODUCTION AUX METHODES D INGENIERIE DES DONNEES DIRIGEE PAR LES MODELES
INTRODUCTION AUX METHODES D INGENIERIE DES DONNEES DIRIGEE PAR LES MODELES Les contenus de ce document sont la propriété exclusive de la société REVER. Ils ne sont transmis qu à titre d information et
Plus en détailVoulez-vous donner à vos clients la meilleure expérience possible en agence?
Voulez-vous donner à vos clients la meilleure expérience possible en agence? SOLUTIONS D AGENCE NCR Pour une expérience d agence financière plus moderne, intelligente et efficace. Experience a new world
Plus en détailNON-LINEARITE ET RESEAUX NEURONAUX
NON-LINEARITE ET RESEAUX NEURONAUX Vêlayoudom MARIMOUTOU Laboratoire d Analyse et de Recherche Economiques Université de Bordeaux IV Avenue. Leon Duguit, 33608 PESSAC, France tel. 05 56 84 85 77 e-mail
Plus en détailDUT. Informatique, orientation Imagerie Numérique. Domaine : Sciences, Technologies, Santé. Mention : Informatique
DUT Informatique, orientation Imagerie Numérique Domaine : Sciences, Technologies, Santé Mention : Informatique Organisation : Institut Universitaire de Technologie Lieu de formation : Le Puy en Velay
Plus en détailOrdonnancement temps réel
Ordonnancement temps réel Laurent.Pautet@enst.fr Version 1.5 Problématique de l ordonnancement temps réel En fonctionnement normal, respecter les contraintes temporelles spécifiées par toutes les tâches
Plus en détailDéveloppez votre entreprise avec un ERP plus rapide, simple et flexible
Développez votre entreprise avec un ERP plus rapide, simple et flexible Faites évoluer votre entreprise. Améliorez la productivité, la croissance et la rentabilité de votre entreprise grâce à une solution
Plus en détailUn environnement de déploiement automatique pour les applications à base de composants
ICSSEA 2002-7 Lestideau Un environnement de déploiement automatique pour les applications à base de composants Vincent Lestideau Adele Team Bat C LSR-IMAG, 220 rue de la chimie Domaine Universitaire, BP
Plus en détailMCMC et approximations en champ moyen pour les modèles de Markov
MCMC et approximations en champ moyen pour les modèles de Markov Gersende FORT LTCI CNRS - TELECOM ParisTech En collaboration avec Florence FORBES (Projet MISTIS, INRIA Rhône-Alpes). Basé sur l article:
Plus en détailTechniques d interaction dans la visualisation de l information Séminaire DIVA
Techniques d interaction dans la visualisation de l information Séminaire DIVA Zingg Luca, luca.zingg@unifr.ch 13 février 2007 Résumé Le but de cet article est d avoir une vision globale des techniques
Plus en détailModélisation aléatoire en fiabilité des logiciels
collection Méthodes stochastiques appliquées dirigée par Nikolaos Limnios et Jacques Janssen La sûreté de fonctionnement des systèmes informatiques est aujourd hui un enjeu économique et sociétal majeur.
Plus en détailMAITRISE DE LA CHAINE LOGISTIQUE GLOBALE (SUPPLY CHAIN MANAGEMENT) Dimensionnement et pilotage des flux de produits
MAITRISE DE LA CHAINE LOGISTIQUE GLOBALE (SUPPLY CHAIN MANAGEMENT) Dimensionnement et pilotage des flux de produits Préambule La performance flux, quel que soit le vocable sous lequel on la désigne ( Juste
Plus en détailThéorèmes de Point Fixe et Applications 1
Théorèmes de Point Fixe et Applications 1 Victor Ginsburgh Université Libre de Bruxelles et CORE, Louvain-la-Neuve Janvier 1999 Published in C. Jessua, C. Labrousse et D. Vitry, eds., Dictionnaire des
Plus en détail