Exploration informée
|
|
- Christian St-Hilaire
- il y a 8 ans
- Total affichages :
Transcription
1 Exploration informée Jerôme Champavère lifl.fr
2 Stratégies d'exploration informée
3 Exploration «meilleur d'abord» Best-first search Algorithme d'exploration en arbre (ou en graphe) avec une fonction d'évaluation f(n) Dépend, en général, de la description du nœud n, de la description du but, de l'information cumulée jusqu'à ce point, et de toute autre connaissance relative au problème (Pearl, 1984) Sélection du nœud avec l'évaluation la plus faible Implémentation via une file de priorité maintenant la frontière dans l'ordre croissant des valeurs de f Choix du nœud qui semble le meilleur, compte-tenu de la fonction d'évaluation Fonction heuristique h(n) : coût estimé du chemin le moins coûteux menant du nœud n à un but
4 Recherche gloutonne Greedy search Développe le nœud le plus proche de but Évaluation des nœuds avec f(n) = h(n)
5 Recherche gloutonne Itinéraire : aller de Toulouse à Paris Heuristique : distance à vol d'oiseau Bordeaux 498 Brest 504 Clermont-F. 346 Dijon 346 Grenoble 481 Limoges 346 Lyon 392 Marseille 661 Montpellier 595 Nantes 342 Rennes 308 Rouen 111 Toulouse 588
6 Recherche gloutonne 1 Toulouse Bordeaux 498 Montpellier 595 Limoges Nantes 342 Toulouse 588 Bordeaux 498 Limoges Rennes 308 Brest 504 Nantes Paris 0 Rouen 108
7 Recherche gloutonne 54 A 63 B C E D Editor at Large / Wikimedia Commons
8 Recherche gloutonne Similaire à l'exploration en profondeur d'abord Ni optimale, ni complète Complexité en temps et en espace : O(b m)
9 Exploration A* «A étoile» Minimisation du coût total estimé de la solution : f(n) = g(n) + h(n) S g(n) : coût du chemin entre le nœud de départ et le nœud n g(n) h(n) : coût estimé du chemin le moins onéreux de n au but n f(n) f(n) : coût estimé de la solution la moins onéreuse passant par n Équivaut à l'exploration à coût uniforme si h(n) = 0 pour tout n h(n) G
10 Exploration A* Optimalité Exploration en arbre : oui si h(n) est admissible, c'est-à-dire si h(n) ne surestime jamais le coût pour atteindre le but Exploration en graphe : oui si h(n) est consistante, càd, pour tout n, n', a, h(n) coût(n,a,n') + h(n') 2 A 10 B h(a) = 10 coût(a,a B,B) + h(b) = = 7 h(a) > coût (A,A B,B) + h(b) inconsistance G 0
11 Exploration A* Complétude : oui si b est fini et coûts d'étape > 0 Efficacité optimale quelle que soit la fonction heuristique Complexité en temps et en espace : exponentielle dans la longueur de la solution optimale A* est généralement à court de mémoire bien avant d'être à court de temps Variantes de A* pour résoudre le problème de l'espace
12 Explorations heuristiques à mémoire limitée
13 IDA* Iterative-Deepening A* Exploration itérative en profondeur adaptée au contexte de l'exploration heuristique Limite utilisée : coût de f (g + h) au lieu de la profondeur
14 RBFS Recursive Best-First Search (Korf, 1993) Exploration «meilleur d'abord» récursive qui n'utilise qu'un espace linéaire Mémorise la valeur f du meilleur chemin alternatif parmi les ancêtres du nœud courant
15 RBFS function RBFS(problème) RBFS-REC(problème,CRÉÉR-NŒUD-ÉTAT-INITIAL(problème), ) function RBFS-REC(problème,nœud,limite) if TEST-ÉTAT-FINAL(problème,ÉTAT(nœud)) then return SOLUTION(nœud) successeurs DÉVELOPPER(nœud,problème) if successeurs est vide then return échec, foreach s sucesseurs do f[s] max(g(s)+h(s),f[nœud]) loop meilleur nœud ayant la plus faible valeur f dans successeurs if f[meilleur] > limite then return échec,f[meilleur] alternative deuxième plus faible valeur f dans successeurs résultat,f[meilleur] RBFR-REC(problème,meilleur, min(limite,alternative)) if résultat échec then return résultat
16 RBFS Un peu plus efficace que IDA* Optimal si h(n) est admissible Complexité en espace : O(bd) Complexité en temps : exponentielle
17 SMA* Simple Memory-Bounded A* Développe la meilleure feuille jusqu'à ce que la mémoire soit pleine Supprime le nœud feuille le moins favorable Comme RBFS, mémorise la valeur du nœud oublié au niveau de son parent
18 SMA* Complétude : oui s'il existe une solution accessible Optimalité : oui s'il existe une solution optimale accessible Compromis espace / temps
19 Fonctions heuristiques Jeu de taquin
20 Jeu de taquin à 8 pièces Facteur de branchement : 3 Coût moyen de la solution : 22 étapes Exploration exhaustive en profondeur : états En mémorisant les états dupliqués : états Mais taquin à 15 pièces : 1013 états 26 étapes
21 Heuristiques pour le jeu de taquin h 1 : nombre de pièces mal placées h 2 : somme des distances des pièces par rapport à leur position cible suivant la distance de Manhattan h 2 domine h 1 : h 2 (n) h 1 (n) pour tout n h 1 = 8 h 2 = = 18
22 Création d'heuristiques Problème relaxé Problème formel : «Une pièce peut passer de la case A à la case B si A est adjacent à B et si B est vide.» Problème relaxé «Une pièce peut passer de la case A à la case B si A est adjacent à B.» : h 2 «Une pièce peut passer de la case A à la case B si B est vide.» (Gaschnig, 1979) «Une pièce peut passe de la case A à la case B.» : h 1 Le coût d'une solution optimale à un problème relaxé est une heuristique admissible pour le problème initial Si l'heuristique dérivée est un coût exact pour le problème relaxé, elle est consistante Les problèmes relaxés doivent pouvoir être résolus facilement, idéalement sans exploration Si l'on dispose d'une collection d'heuristiques admissibles h 1,,h m et qu'aucune ne domine, on peut définir h(n) = max{h 1 (n),,h m (n)}
23 Création d'heuristiques Bases de données de motifs Définir des heuristiques à partir du coût de la solution d'un sous-problème Mémoriser les coûts des solutions exactes de tous les exemples de sousproblèmes possibles Base de données construite en explorant en amont à partir de l'état final et en enregistrant le coût de chaque nouveau motif rencontré Réduction du nombre de nœuds générés d'un facteur 1000 pour la résolution du problème du taquin à 15 pièces
24 Création d'heuristiques Apprentissage Définir des heuristiques à partir du coût de chaque solution optimale d'un problème Algorithme d'apprentissage inductif pour construire une fonction h(n) qui prédit les coûts des solutions pour les autres états qui surviennent dans l'exploration
25 Algorithmes d'exploration locale et problèmes d'optimisation
26 Problèmes d'optimisation Problèmes dans lesquels le chemin vers le but n'est pas pertinent Problème jouet : les 8 dames Problèmes du monde réel : conception de circuits intégrés, ordonnancement d'ateliers, de tâches, programmation automatique, optimisation de réseaux de télécommunication, routage de véhicules, etc. Trouver le meilleur état selon une fonction objectif
27 Exploration locale Algorithmes d'exploration locale Ne tiennent pas compte des chemins N'utilisent qu'un seul état courant Ne s'occupent que du voisinage de l'état courant Avantages par rapports aux algorithmes systématiques Consomment très peu de mémoire Trouvent des solutions raisonnables dans des espaces d'états de grande taille ou infinis (continus)
28 Paysage de l'espace des états
29 Exploration par escalade Hill-climbing Idée générale : «Atteindre le sommet de l'everest dans un épais brouillard tout en souffrant d'amnésie.» function HILL-CLIMBING(problème) courant CRÉÉR-NŒUD-ÉTAT-INITIAL(problème) loop voisin un successeur de courant ayant une valeur plus élevée if VALEUR(voisin) VALEUR(courant) then return ÉTAT(courant) courant voisin
30 Exploration par escalade h = 17 h = 1 minimum local (5 itérations)
31 Exploration par escalade Pour quelles raisons l'escalade échoue? Maxima locaux Crêtes Plateaux et paliers Variantes Déplacement latéral Escalade stochastique Escalade du premier choix Escalade avec reprise aléatoire
32 Exploration par recuit simulé Simulated annealing Combine escalade (intensification) et parcours aléatoire (diversification) Inspiré de la métallurgie Équilibre énergétique lors de la cristallisation des métaux Paramètre de température qui décroît avec avec le temps
33 Exploration par recuit simulé function SIMULATED-ANNEALING(problème,cadence) courant CRÉÉR-NŒUD-ÉTAT-INITIAL(problème) for t = 1 to do T cadence[t] if T = 0 then return courant suivant un voisin de courant choisi au hasard E VALEUR(suivant) VALEUR(courant) if E > 0 then courant suivant else courant suivant avec une probabilité de e E/T
34 Exploration locale en faisceau Local beam search Mémorise k états au lieu d'un seul Commence avec k états générés aléatoirement À chaque étape, tous les successeurs des k états sont générés Si l'un d'eux est un but, l'algorithme s'arrête Sinon, il sélectionne les k meilleurs successeurs et recommence Variante stochastique : sélectionne les k successeurs au hasard
35 Algorithme génétique Variante de l'exploration en faisceau stochastique États successeurs générés en combinant deux états parents au lieu de modifier un seul état Maintien d'une population de k individus, autrement dit en ensemble de k états Représentation des individus sous forme de chaînes de caractères (généralement 0 et 1)
36 Algorithme génétique Population initiale Fonction d'adaptation Sélection Recombinaison Mutation
37 Algorithme génétique function GENETIC-ALGORITHM(population,ADAPTATION) courant CRÉÉR-NŒUD-ÉTAT-INITIAL(problème) do nouvelle_population Ø for i = 1 to TAILLE(population) do x SÉLECTION-ALÉATOIRE(population,ADAPTATION) y SÉLECTION-ALÉATOIRE(population,ADAPTATION) enfant REPRODUIRE(x,y) if [petite probabilité aléatoire] then enfant MUTER(enfant) nouvelle_population nouvelle_population {enfant} population nouvelle_population while un individu convienne suffisamment ou suffisamment de temps s'est écoulé return meilleur individu de le population selon ADAPTATION function REPRODUIRE(x,y) n LONGUEUR(x) c nombre aléatoire compris entre 1 et n return AJOUTER(SOUS-CHAÎNE(x,1,c),SOUS-CHAÎNE(y,c+1,n))
38 Exercice
39 Taquin à 8 pièces et A* Développer l'algorithme A* pour le problème du taquin à 8 pièces avec l'heuristique h 2 puis h 1.
Algorithmes de recherche
Algorithmes de recherche 1 Résolution de problèmes par recherche On représente un problème par un espace d'états (arbre/graphe). Chaque état est une conguration possible du problème. Résoudre le problème
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 détailOptimisation Combinatoire (Méthodes approchées) II. Recherche Locale simple (Les bases)
Optimisation Combinatoire (Méthodes approchées) II. Recherche Locale simple (Les bases) Heuristique Constructive Itérativement, ajoute de nouvelles composantes à une solution partielle candidate Espace
Plus en détailCours des Méthodes de Résolution Exactes Heuristiques et Métaheuristiques
Université Mohammed V, Faculté des Sciences de Rabat Laboratoire de Recherche Mathématiques, Informatique et Applications Cours des Méthodes de Résolution Exactes Heuristiques et Métaheuristiques MASTER
Plus en détailMéthaheuristiques pour l optimisation combinatoire et l affectation sous contraintes
Méthaheuristiques pour l optimisation combinatoire et l affectation sous contraintes Jin-Kao Hao *, Philippe Galinier **, Michel Habib *** * LERIA, U.F.R. Sciences, Université d Angers, 2 bd Lavoisier,
Plus en détailPROBLEMES D'ORDONNANCEMENT AVEC RESSOURCES
Leçon 11 PROBLEMES D'ORDONNANCEMENT AVEC RESSOURCES Dans cette leçon, nous retrouvons le problème d ordonnancement déjà vu mais en ajoutant la prise en compte de contraintes portant sur les ressources.
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 détailLes structures de données. Rajae El Ouazzani
Les structures de données Rajae El Ouazzani Les arbres 2 1- Définition de l arborescence Une arborescence est une collection de nœuds reliés entre eux par des arcs. La collection peut être vide, cad l
Plus en détailPourquoi l apprentissage?
Pourquoi l apprentissage? Les SE sont basés sur la possibilité d extraire la connaissance d un expert sous forme de règles. Dépend fortement de la capacité à extraire et formaliser ces connaissances. Apprentissage
Plus en détailEbauche Rapport finale
Ebauche Rapport finale Sommaire : 1 - Introduction au C.D.N. 2 - Définition de la problématique 3 - Etat de l'art : Présentatio de 3 Topologies streaming p2p 1) INTRODUCTION au C.D.N. La croissance rapide
Plus en détailAtelier Transversal AT11. Activité «Fourmis» Pierre Chauvet. pierre.chauvet@uco.fr
Atelier Transversal AT11 Activité «Fourmis» Pierre Chauvet pierre.chauvet@uco.fr Ant : un algorithme inspiré de l éthologie L éthologie Etude scientifique des comportements animaux, avec une perspective
Plus en détail6. Hachage. Accès aux données d'une table avec un temps constant Utilisation d'une fonction pour le calcul d'adresses
6. Hachage Accès aux données d'une table avec un temps constant Utilisation d'une fonction pour le calcul d'adresses PLAN Définition Fonctions de Hachage Méthodes de résolution de collisions Estimation
Plus en détailSystème Immunitaire Artificiel Parallèle appliqué aux Flow Shop Hybride (FSH)
République Algérienne Démocratique et Populaire Ministère de l Enseignement Supérieur et de la Recherche Scientifique Université des Sciences et de la Technologie d Oran -Mohamed Boudiaf USTO-MB Faculté
Plus en détailApplication 1- VBA : Test de comportements d'investissements
Application 1- VBA : Test de comportements d'investissements Notions mobilisées Chapitres 1 à 5 du cours - Exemple de récupération de cours en ligne 1ère approche des objets (feuilles et classeurs). Corps
Plus en détailHela Boukef. To cite this version: HAL Id: tel-00577101 https://tel.archives-ouvertes.fr/tel-00577101
Sur l ordonnancement d ateliers job-shop flexibles et flow-shop en industries pharmaceutiques : optimisation par algorithmes génétiques et essaims particulaires Hela Boukef To cite this version: Hela Boukef.
Plus en détailIntroduction. I Étude rapide du réseau - Apprentissage. II Application à la reconnaissance des notes.
Introduction L'objectif de mon TIPE est la reconnaissance de sons ou de notes de musique à l'aide d'un réseau de neurones. Ce réseau doit être capable d'apprendre à distinguer les exemples présentés puis
Plus en détailProblème à résoudre. min f(s) s.c. s S
Métaheuristiques Le mot métaheuristique est dérivé de la composition de deux mots grecs: - heuristique qui vient du verbe heuriskein (ευρισκειν) et qui signifie trouver - meta qui est un suffixe signifiant
Plus en détailInitiation à l algorithmique
Informatique S1 Initiation à l algorithmique procédures et fonctions 2. Appel d une fonction Jacques TISSEAU Ecole Nationale d Ingénieurs de Brest Technopôle Brest-Iroise CS 73862-29238 Brest cedex 3 -
Plus en détailArbres binaires de recherche
1 arbre des comparaisons 2 recherche dichotomique l'arbre est recalculé à chaque recherche 2 5 3 4 7 9 1 6 1 2 3 4 5 6 7 9 10 conserver la structure d'arbre au lieu de la reconstruire arbre binaire de
Plus en détailQuelques Algorithmes simples
Quelques Algorithmes simples Irène Guessarian ig@liafa.jussieu.fr 10 janvier 2012 Je remercie Patrick Cegielski de son aide efficace pour la programmation Java ; la section sur le codage de Huffman a été
Plus en détailJean-Philippe Préaux http://www.i2m.univ-amu.fr/~preaux
Colonies de fourmis Comment procèdent les colonies de fourmi pour déterminer un chemin presque géodésique de la fourmilière à un stock de nourriture? Les premières fourmis se déplacent au hasard. Les fourmis
Plus en détailApprentissage par renforcement (1a/3)
Apprentissage par renforcement (1a/3) Bruno Bouzy 23 septembre 2014 Ce document est le chapitre «Apprentissage par renforcement» du cours d apprentissage automatique donné aux étudiants de Master MI, parcours
Plus en détailInfo0804. Cours 6. Optimisation combinatoire : Applications et compléments
Recherche Opérationnelle Optimisation combinatoire : Applications et compléments Pierre Delisle Université de Reims Champagne-Ardenne Département de Mathématiques et Informatique 17 février 2014 Plan de
Plus en détailLE PROBLEME DU PLUS COURT CHEMIN
LE PROBLEME DU PLUS COURT CHEMIN Dans cette leçon nous définissons le modèle de plus court chemin, présentons des exemples d'application et proposons un algorithme de résolution dans le cas où les longueurs
Plus en détailObjectifs du cours d aujourd hui. Informatique II : Cours d introduction à l informatique et à la programmation objet. Complexité d un problème (2)
Objectifs du cours d aujourd hui Informatique II : Cours d introduction à l informatique et à la programmation objet Complexité des problèmes Introduire la notion de complexité d un problème Présenter
Plus en détailSommaire. Introduction. I. Notions de routage a) Technologies actuelles b) Avantages et désavantages
Sommaire Introduction I. Notions de routage a) Technologies actuelles b) Avantages et désavantages II. Routage et fourmis a) Principe et avantages b) Structure du simulateur III.Implémentation a) Présentation
Plus en détailL exclusion mutuelle distribuée
L exclusion mutuelle distribuée L algorithme de L Amport L algorithme est basé sur 2 concepts : L estampillage des messages La distribution d une file d attente sur l ensemble des sites du système distribué
Plus en détailAlgorithmes d'apprentissage
Algorithmes d'apprentissage 1 Agents qui apprennent à partir d'exemples La problématique : prise de décision automatisée à partir d'un ensemble d'exemples Diagnostic médical Réponse à une demande de prêt
Plus en détailALGORITHME 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 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 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 détailChapitre 7. Récurrences
Chapitre 7 Récurrences 333 Plan 1. Introduction 2. Applications 3. Classification des récurrences 4. Résolution de récurrences 5. Résumé et comparaisons Lectures conseillées : I MCS, chapitre 20. I Rosen,
Plus en détailIntelligence Artificielle et Systèmes Multi-Agents. Badr Benmammar bbm@badr-benmammar.com
Intelligence Artificielle et Systèmes Multi-Agents Badr Benmammar bbm@badr-benmammar.com Plan La première partie : L intelligence artificielle (IA) Définition de l intelligence artificielle (IA) Domaines
Plus en détailChapitre 9. Algorithmique. Quelques définitions. L'informatique au lycée. http://ow.ly/36jth
L'informatique au lycée http://ow.ly/36jth On désigne par algorithmique l'ensemble des activités logiques qui relèvent des algorithmes ; en particulier, en informatique, cette discipline désigne l'ensemble
Plus en détailOrdonnancement. N: nains de jardin. X: peinture extérieure. E: électricité T: toit. M: murs. F: fondations CHAPTER 1
CHAPTER 1 Ordonnancement 1.1. Étude de cas Ordonnancement de tâches avec contraintes de précédences 1.1.1. Exemple : construction d'une maison. Exercice. On veut construire une maison, ce qui consiste
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 détailCoup de Projecteur sur les Réseaux de Neurones
Coup de Projecteur sur les Réseaux de Neurones Les réseaux de neurones peuvent être utilisés pour des problèmes de prévision ou de classification. La représentation la plus populaire est le réseau multicouche
Plus en détailARBRES BINAIRES DE RECHERCHE
ARBRES BINAIRES DE RECHERCHE Table de symboles Recherche : opération fondamentale données : éléments avec clés Type abstrait d une table de symboles (symbol table) ou dictionnaire Objets : ensembles d
Plus en détailDécrets, arrêtés, circulaires
Décrets, arrêtés, circulaires TEXTES GÉNÉRAUX MINISTÈRE DE L ENSEIGNEMENT SUPÉRIEUR ET DE LA RECHERCHE Arrêté du 19 mars 2013 autorisant au titre de l année 2013 l ouverture de concours externes et internes
Plus en détailLancement de la mise à jour de la feuille de route nationale «Infrastructures de Recherche»
Lancement de la mise à jour de la feuille de route nationale «Infrastructures de Recherche» 7 juillet 2014 L infrastructure de données scientifiques: un système qui combine contenu, services et infrastructures
Plus en détailProgrammation C++ (débutant)/instructions for, while et do...while
Programmation C++ (débutant)/instructions for, while et do...while 1 Programmation C++ (débutant)/instructions for, while et do...while Le cours du chapitre 4 : le for, while et do...while La notion de
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 détailProgrammation Par Contraintes
Programmation Par Contraintes Cours 2 - Arc-Consistance et autres amusettes David Savourey CNRS, École Polytechnique Séance 2 inspiré des cours de Philippe Baptiste, Ruslan Sadykov et de la thèse d Hadrien
Plus en détailIntroduction au maillage pour le calcul scientifique
Introduction au maillage pour le calcul scientifique CEA DAM Île-de-France, Bruyères-le-Châtel franck.ledoux@cea.fr Présentation adaptée du tutorial de Steve Owen, Sandia National Laboratories, Albuquerque,
Plus en détailRecherche dans un tableau
Chapitre 3 Recherche dans un tableau 3.1 Introduction 3.1.1 Tranche On appelle tranche de tableau, la donnée d'un tableau t et de deux indices a et b. On note cette tranche t.(a..b). Exemple 3.1 : 3 6
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 détailTHÈSE. présentée à l Université d Avignon et des Pays de Vaucluse pour obtenir le diplôme de DOCTORAT
ACADÉMIE D AIX-MARSEILLE UNIVERSITÉ D AVIGNON ET DES PAYS DE VAUCLUSE THÈSE présentée à l Université d Avignon et des Pays de Vaucluse pour obtenir le diplôme de DOCTORAT SPÉCIALITÉ : Informatique École
Plus en détailSujet proposé par Yves M. LEROY. Cet examen se compose d un exercice et de deux problèmes. Ces trois parties sont indépendantes.
Promotion X 004 COURS D ANALYSE DES STRUCTURES MÉCANIQUES PAR LA MÉTHODE DES ELEMENTS FINIS (MEC 568) contrôle non classant (7 mars 007, heures) Documents autorisés : polycopié ; documents et notes de
Plus en détailCours d algorithmique pour la classe de 2nde
Cours d algorithmique pour la classe de 2nde F.Gaudon 10 août 2009 Table des matières 1 Avant la programmation 2 1.1 Qu est ce qu un algorithme?................................. 2 1.2 Qu est ce qu un langage
Plus en détailChristophe CANDILLIER Cours de DataMining mars 2004 Page 1
Christophe CANDILLIER Cours de DataMining mars 2004 age 1 1. Introduction 2. rocessus du DataMining 3. Analyse des données en DataMining 4. Analyse en Ligne OLA 5. Logiciels 6. Bibliographie Christophe
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 détailResolution limit in community detection
Introduction Plan 2006 Introduction Plan Introduction Introduction Plan Introduction Point de départ : un graphe et des sous-graphes. But : quantifier le fait que les sous-graphes choisis sont des modules.
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 détailTravaux pratiques. Compression en codage de Huffman. 1.3. Organisation d un projet de programmation
Université de Savoie Module ETRS711 Travaux pratiques Compression en codage de Huffman 1. Organisation du projet 1.1. Objectifs Le but de ce projet est d'écrire un programme permettant de compresser des
Plus en détailLe classement des villes les plus gay-friendly de France
Le classement des villes les plus gay-friendly de France TÊTU publie le classement de 23 grandes agglomérations françaises, de la plus gay-friendly à la plus froide à l égard de ses habitants homos. 6.000
Plus en détailBILAN D ACTIVITE DU PÔLE DE SOUTIEN PSYCHOLOGIQUE Année 2010
Formation préventive et accompagnement psychologique des agents 51 11 46 / 01 53 33 11 46 victimologie@sncf.fr BILAN D ACTIVITE DU PÔLE DE SOUTIEN PSYCHOLOGIQUE Année 2010 Permanence Téléphonique Prise
Plus en détailCONSEIL AUX PERSONNES CONSEIL AUX ORGANISATIONS
CONSEIL AUX PERSONNES CONSEIL AUX ORGANISATIONS ... le professionnalisme des consultants BPI group et la qualité du pilotage des missions nous permettent de déployer nos projets de transformation en toute
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 détailNouvelles propositions pour la résolution exacte du sac à dos multi-objectif unidimensionnel en variables binaires
Nouvelles propositions pour la résolution exacte du sac à dos multi-objectif unidimensionnel en variables binaires Julien Jorge julien.jorge@univ-nantes.fr Laboratoire d Informatique de Nantes Atlantique,
Plus en détailLes algorithmes de base du graphisme
Les algorithmes de base du graphisme Table des matières 1 Traçage 2 1.1 Segments de droites......................... 2 1.1.1 Algorithmes simples.................... 3 1.1.2 Algorithmes de Bresenham (1965).............
Plus en détailOptimisation Combinatoire et Colonies de Fourmis Nicolas Monmarche April 21, 1999 Sommaire Inspiration biologiques Ant Colony Optimization Applications TSP QAP Flow Shop Problemes dynamiques 1 Historique
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 détailCH.6 Propriétés des langages non contextuels
CH.6 Propriétés des langages non contetuels 6.1 Le lemme de pompage 6.2 Les propriétés de fermeture 6.3 Les problèmes de décidabilité 6.4 Les langages non contetuels déterministes utomates ch6 1 6.1 Le
Plus en détailPlus courts chemins, programmation dynamique
1 Plus courts chemins, programmation dynamique 1. Plus courts chemins à partir d un sommet 2. Plus courts chemins entre tous les sommets 3. Semi-anneau 4. Programmation dynamique 5. Applications à la bio-informatique
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 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 détailLa classification automatique de données quantitatives
La classification automatique de données quantitatives 1 Introduction Parmi les méthodes de statistique exploratoire multidimensionnelle, dont l objectif est d extraire d une masse de données des informations
Plus en détailSystème immunitaire artificiel
République Algérienne Démocratique et Populaire Ministère de l Enseignement Supérieure Université des Sciences et de la Technologie D Oran Mohammed Boudiaf (USTO) Faculté des Sciences Département d Informatique
Plus en détailmetal USB PEOPLE tel 01 43 21 47 52 contact@objets-pub-express.com USB people Electronique 03 Objets et Cadeaux Publicitaires
Electronique USB people USB people Electronique USB PEOPLE USM8010-GU USM8010-GD metal USM8010-SL METAL USB PEOPLE USM8010-SL/GD/GU (S) Clé USB people, édition en métal. Alliage avec une finition brillante.
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 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 détailConception d'un réseau de transport d'électricité
La Fédération Française des Jeux Mathématiques et la Société de Calcul Mathématique SA avec l'appui de Réseau de Transport d'electricité Conception d'un réseau de transport d'électricité Auteurs : Florian
Plus en détailOPTIMISATION À UNE VARIABLE
OPTIMISATION À UNE VARIABLE Sommaire 1. Optimum locaux d'une fonction... 1 1.1. Maximum local... 1 1.2. Minimum local... 1 1.3. Points stationnaires et points critiques... 2 1.4. Recherche d'un optimum
Plus en détailCOURS CAPITOLE CONCOURS TREMPLIN 2 :
COURS CAPITOLE CONCOURS TREMPLIN 2 : Les admissions parallèles sont un moyen d intégrer une école supérieure de commerce, sans avoir à effectuer les classes préparatoires. Les étudiants issus d un 1er
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 détailExercices types Algorithmique et simulation numérique Oral Mathématiques et algorithmique Banque PT
Exercices types Algorithmique et simulation numérique Oral Mathématiques et algorithmique Banque PT Ces exercices portent sur les items 2, 3 et 5 du programme d informatique des classes préparatoires,
Plus en détailLe théorème de Perron-Frobenius, les chaines de Markov et un célèbre moteur de recherche
Le théorème de Perron-Frobenius, les chaines de Markov et un célèbre moteur de recherche Bachir Bekka Février 2007 Le théorème de Perron-Frobenius a d importantes applications en probabilités (chaines
Plus en détailLISTE DES ECOLES PERMETTANT UN RECLASSEMENT DANS LE 3 ème GRADE D INGENIEUR DE LA FILIERE TECHNIQUE
Direction générale des services ----- Nouméa, le 22 octobre 2009 Direction des ressources humaines et de la fonction publique de Nouvelle-Calédonie ----- Service des affaires juridiques, des études et
Plus en détailFeature Team Primer. par Craig Larman et Bas Vodde. Version 1.2
ÉQUIPE FEATURE par Craig Larman et Bas Vodde Version 1.2 Les Équipes Feature 1 et les Domaines Fonctionnels 2 sont des éléments essentiels pour dimensionner le développement en mode agile et lean. Ces
Plus en détailLe stockage local de données en HTML5
Le stockage local HTML5, pourquoi faire? Dans une optique de réduction des couts de maintenance, de déploiement, beaucoup d'entreprises ont fait le choix de migrer leurs applicatifs (comptables, commerciales,
Plus en détailComplexité. Licence Informatique - Semestre 2 - Algorithmique et Programmation
Complexité Objectifs des calculs de complexité : - pouvoir prévoir le temps d'exécution d'un algorithme - pouvoir comparer deux algorithmes réalisant le même traitement Exemples : - si on lance le calcul
Plus en détailQualité du logiciel: Méthodes de test
Qualité du logiciel: Méthodes de test Matthieu Amiguet 2004 2005 Analyse statique de code Analyse statique de code Étudier le programme source sans exécution Généralement réalisée avant les tests d exécution
Plus en détailChapitre V : La gestion de la mémoire. Hiérarchie de mémoires Objectifs Méthodes d'allocation Simulation de mémoire virtuelle Le mapping
Chapitre V : La gestion de la mémoire Hiérarchie de mémoires Objectifs Méthodes d'allocation Simulation de mémoire virtuelle Le mapping Introduction Plusieurs dizaines de processus doivent se partager
Plus en détailCalculateur quantique: factorisation des entiers
Calculateur quantique: factorisation des entiers Plan Introduction Difficulté de la factorisation des entiers Cryptographie et la factorisation Exemple RSA L'informatique quantique L'algorithme quantique
Plus en détailChp. 4. Minimisation d une fonction d une variable
Chp. 4. Minimisation d une fonction d une variable Avertissement! Dans tout ce chapître, I désigne un intervalle de IR. 4.1 Fonctions convexes d une variable Définition 9 Une fonction ϕ, partout définie
Plus en détailProgrammation Linéaire - Cours 1
Programmation Linéaire - Cours 1 P. Pesneau pierre.pesneau@math.u-bordeaux1.fr Université Bordeaux 1 Bât A33 - Bur 265 Ouvrages de référence V. Chvátal - Linear Programming, W.H.Freeman, New York, 1983.
Plus en détailModélisation multi-agents - Agents réactifs
Modélisation multi-agents - Agents réactifs Syma cursus CSI / SCIA Julien Saunier - julien.saunier@ifsttar.fr Sources www-lih.univlehavre.fr/~olivier/enseignement/masterrecherche/cours/ support/algofourmis.pdf
Plus en détailCentre CPGE TSI - Safi 2010/2011. Algorithmique et programmation :
Algorithmique et programmation : STRUCTURES DE DONNÉES A. Structure et enregistrement 1) Définition et rôle des structures de données en programmation 1.1) Définition : En informatique, une structure de
Plus en détailLes formations en cycle ingénieur
Les formations en cycle ingénieur Eau, environnement, aménagement Ce domaine forme des ingénieurs capables d'explorer et d'organiser l'espace (surface et sous-sol), d'exploiter durablement les ressources
Plus en détailRapport d'analyse des besoins
Projet ANR 2011 - BR4CP (Business Recommendation for Configurable products) Rapport d'analyse des besoins Janvier 2013 Rapport IRIT/RR--2013-17 FR Redacteur : 0. Lhomme Introduction...4 La configuration
Plus en détailEn vue de l'obtention du. Présentée et soutenue par Abir BEN HMIDA SAKLY Le 12/12/2009
THÈSE En vue de l'obtention du DOCTORAT DE L UNIVERSITÉ DE TOULOUSE Délivré par l'institut National des Sciences Appliquées de Toulouse Discipline ou spécialité : Systèmes Informatiques Présentée et soutenue
Plus en détailGuide de l année-recherche
Guide de l année-recherche Destiné aux Internes de Médecine Générale Mars 2011 Mis à jour Octobre 2013 Co signé en octobre 2013 par : Page 2 sur 20 SOMMAIRE I. Introduction 5 II. Définition de l année-recherche
Plus en détailProgrammation Objet - Cours II
Programmation Objet - Cours II - Exercices - Page 1 Programmation Objet - Cours II Exercices Auteur : E.Thirion - Dernière mise à jour : 05/07/2015 Les exercices suivants sont en majorité des projets à
Plus en détailPropagation sur réseau statique et dynamique
Université de la Méditerranée UFR Sciences de Luminy Rapport de stage informatique pour le Master 2 de Physique, Parcours Physique Théorique et Mathématique, Physique des Particules et Astroparticules.
Plus en détailCréation intuitive des éléments d un paysage
Création intuitive des éléments d un paysage Marie-Paule Cani Univ. Grenoble-Alpes, CNRS & Inria Organisation du cours «Façonner l imaginaire» Partie 1 : Création numérique 3D Modélisation géométrique
Plus en détailLes cartes de Bruit. Recueil des données du trafic aérien. La a Mise en œuvre de la Directive 2002-49. Service Technique de l Aviation Civile
La a Mise en œuvre de la Directive 2002-49 Les cartes de Bruit Recueil des données du trafic aérien Service Technique de l Aviation Civile François WATRIN Recueil et mise en forme des données du trafic
Plus en détailAnnexe B Rapport d état détaillé relatif aux recommandations depuis 2010
Rapport d état détaillé relatif aux recommandations depuis 2010 Rapport d'état détaillé relatif aux recommandations depuis 2010 Rapport d état détaillé relatif aux recommandations depuis 2010 2010 2 3
Plus en détailChapitre 5 : Flot maximal dans un graphe
Graphes et RO TELECOM Nancy A Chapitre 5 : Flot maximal dans un graphe J.-F. Scheid 1 Plan du chapitre I. Définitions 1 Graphe Graphe valué 3 Représentation d un graphe (matrice d incidence, matrice d
Plus en détail