Algorithmique et Simulation
|
|
- François-Xavier Beaudoin
- il y a 8 ans
- Total affichages :
Transcription
1 Licence3 SV Université Nice Sophia Antipolis April 8, 2013
2 Plan Simulation à Événements Discrets 1 Simulation à Événements Discrets
3 Schéma général Simulation à Événements Discrets objet de l étude (réel ou virtuel)
4 Schéma général Simulation à Événements Discrets histoires possibles objet de l étude (réel ou virtuel)
5 Schéma général Simulation à Événements Discrets histoires possibles moteur de simulation objet de l étude (réel ou virtuel)
6 Schéma général Simulation à Événements Discrets histoires possibles moteur de simulation modèle informatique objet de l étude (réel ou virtuel)
7 Schéma général Simulation à Événements Discrets implémente histoires possibles moteur de simulation modèle informatique objet de l étude (réel ou virtuel)
8 Schéma général Simulation à Événements Discrets implémente histoires possibles moteur de simulation modèle informatique modèle conceptuel objet de l étude (réel ou virtuel)
9 Schéma général Simulation à Événements Discrets implémente représente histoires possibles moteur de simulation modèle informatique modèle conceptuel objet de l étude (réel ou virtuel)
10 Schéma général Simulation à Événements Discrets exécute (interprète) implémente représente expérience scénario histoires possibles moteur de simulation modèle informatique modèle conceptuel objet de l étude (réel ou virtuel)
11 Schéma général Simulation à Événements Discrets exécute (interprète) implémente représente expérience scénario démarche expérimentale histoires possibles moteur de simulation modèle informatique modèle conceptuel objet de l étude (réel ou virtuel)
12 Schéma général Simulation à Événements Discrets produit exécute (interprète) implémente représente expérience scénario démarche expérimentale histoires possibles moteur de simulation modèle informatique modèle conceptuel objet de l étude (réel ou virtuel)
13 Schéma général Simulation à Événements Discrets produit exécute (interprète) implémente représente expérience scénario démarche expérimentale histoires possibles moteur de simulation observations (échantillons) modèle informatique modèle conceptuel objet de l étude (réel ou virtuel)
14 Schéma général Simulation à Événements Discrets produit exécute (interprète) implémente représente expérience scénario démarche expérimentale histoires possibles outils d analyse moteur de simulation observations (échantillons) modèle informatique modèle conceptuel objet de l étude (réel ou virtuel)
15 Schéma général Simulation à Événements Discrets produit produit exécute (interprète) implémente représente expérience scénario démarche expérimentale histoires possibles outils d analyse moteur de simulation observations (échantillons) modèle informatique modèle conceptuel objet de l étude (réel ou virtuel)
16 Schéma général Simulation à Événements Discrets produit produit exécute (interprète) implémente représente indicateurs statistiques expérience scénario démarche expérimentale histoires possibles outils d analyse moteur de simulation observations (échantillons) modèle informatique modèle conceptuel objet de l étude (réel ou virtuel)
17 Schéma général Simulation à Événements Discrets produit produit exécute (interprète) implémente représente indicateurs statistiques expérience scénario démarche expérimentale histoires possibles outils d analyse moteur de simulation observations (échantillons) modèle informatique modèle conceptuel librairie environnement... sous forme de... programme instructions code... objet de l étude (réel ou virtuel)
18 Schéma général Simulation à Événements Discrets produit produit exécute (interprète) implémente représente indicateurs statistiques expérience scénario démarche expérimentale histoires possibles outils d analyse moteur de simulation observations (échantillons) modèle informatique modèle conceptuel sous forme de... librairie environnement... données brutes traces... librairie environnement... sous forme de... programme instructions code... objet de l étude (réel ou virtuel)
19 Schéma général Simulation à Événements Discrets produit produit exécute (interprète) implémente représente indicateurs statistiques expérience scénario démarche expérimentale histoires possibles outils d analyse moteur de simulation observations (échantillons) modèle informatique modèle conceptuel sous forme de... librairie environnement... données brutes traces... librairie environnement... sous forme de... programme instructions code... ce qu on veut! objet de l étude (réel ou virtuel)
20 Schéma général Simulation à Événements Discrets produit indicateurs statistiques produit exécute (interprète) contrôle expérience scénario implémente démarche expérimentale représente histoires possibles outils d analyse moteur de simulation observations (échantillons) modèle informatique modèle conceptuel sous forme de... librairie environnement... données brutes traces... librairie environnement... sous forme de... programme instructions code... ce qu on veut! objet de l étude (réel ou virtuel)
21 Charactérisation des modèles Définitions Simulation dite à événements discrets modèle de système
22 Charactérisation des modèles Définitions Simulation dite à événements discrets Modèles stochastiques (vs. déterministe) modèle de système deterministe stochastique
23 Charactérisation des modèles Définitions Simulation dite à événements discrets Modèles stochastiques (vs. déterministe) Modèles dynamiques (vs. statiques) modèle de système deterministe stochastique statique dynamique statique dynamique
24 Charactérisation des modèles Définitions Simulation dite à événements discrets Modèles stochastiques (vs. déterministe) Modèles dynamiques (vs. statiques) Modèles discrets (vs. continus) modèle de système deterministe stochastique statique dynamique statique dynamique continu discret continu discret
25 Charactérisation des modèles Définitions Simulation dite à événements discrets Modèles stochastiques (vs. déterministe) Modèles dynamiques (vs. statiques) Modèles discrets (vs. continus) modèle de système deterministe stochastique statique dynamique statique dynamique Méthode Monté-Carlo continu discret continu discret Simulation à événements discrets (D.E.S.)
26 Algorithmes de méthode Deux algorithmes directeurs :
27 Algorithmes de méthode Deux algorithmes directeurs : Développement de modèles
28 Algorithmes de méthode Deux algorithmes directeurs : Développement de modèles Conduite d étude
29 Algorithmes de méthode Deux algorithmes directeurs : Développement de modèles Conduite d étude Peuvent être changés partiellement ou totalement selon l étude.
30 Algorithme de développement de modèles 1 Definir les buts et objectifs Par exemple sous forme de décision (Q/R) numérique ou booléenne. combien de cellules? doit-on simuler la propagation de la protéine XXX?...
31 Algorithme de développement de modèles 1 Definir les buts et objectifs 2 Construire un modèle conceptuel Quelles sont les variables d état? Comment sont-elles reliées? Quelle est leur dynamique?...
32 Algorithme de développement de modèles 1 Definir les buts et objectifs 2 Construire un modèle conceptuel 3 Convertir le modèle conceptuel en une spécification Construction du scénario de l expérience Définition des entrées (stimuli) du modèle Spécification de la configuration initiale...
33 Algorithme de développement de modèles 1 Definir les buts et objectifs 2 Construire un modèle conceptuel 3 Convertir le modèle conceptuel en une spécification 4 Convertir la spćification en modèle informatique Implique le choix d un langage/formalisme/framework NetLogo DEVS (Discrete Event Systems Specification) automates cellulaires...
34 Algorithme de développement de modèles 1 Definir les buts et objectifs 2 Construire un modèle conceptuel 3 Convertir le modèle conceptuel en une spécification 4 Convertir la spćification en modèle informatique 5 Vérifier Est-ce que le code implémente bien la spécification? Exemple: Spec= Tumeur grossit de 50 cellules par jour. Est-ce bien ce qui est implémenté par l automate cellulaire?
35 Algorithme de développement de modèles 1 Definir les buts et objectifs 2 Construire un modèle conceptuel 3 Convertir le modèle conceptuel en une spécification 4 Convertir la spćification en modèle informatique 5 Vérifier La simulation produit-elle un résultat similaire au système sujet de l étude. Artifacts de simulation? Sorties/échantillons similaires en anture et quantité?... 6 Valider
36 Example (L. Leemis et S. Park. Discrete-Event Simulation: A First Course) Un atelier de production 150 machines identiques fonctionnement continu réparation au fur et à mesure des pannes réparation par un employé technicien remise en production dès réparation
37 Example (L. Leemis et S. Park. Discrete-Event Simulation: A First Course) Un atelier de production 150 machines identiques fonctionnement continu réparation au fur et à mesure des pannes réparation par un employé technicien remise en production dès réparation
38 Example (L. Leemis et S. Park. Discrete-Event Simulation: A First Course) Un atelier de production 150 machines identiques fonctionnement continu réparation au fur et à mesure des pannes réparation par un employé technicien remise en production dès réparation
39 Example (L. Leemis et S. Park. Discrete-Event Simulation: A First Course) Un atelier de production 150 machines identiques fonctionnement continu réparation au fur et à mesure des pannes réparation par un employé technicien remise en production dès réparation
40 Example (L. Leemis et S. Park. Discrete-Event Simulation: A First Course) Un atelier de production 150 machines identiques fonctionnement continu réparation au fur et à mesure des pannes réparation par un employé technicien remise en production dès réparation
41 Example (L. Leemis et S. Park. Discrete-Event Simulation: A First Course) Problème Soit l atelier de production précédent et sachant que: chaque machine produit 20$ de revenu par heure tous les techniciens sont embauchés ensemble (tous les 2 ans) Un technicien coûte 52000$/an Un technicien travaille 230 jours x 8h / an Vacances coordonnées pour maximizer le nombre de techniciens en service chaque jour
42 Example (L. Leemis et S. Park. Discrete-Event Simulation: A First Course) Problème Soit l atelier de production précédent et sachant que: chaque machine produit 20$ de revenu par heure tous les techniciens sont embauchés ensemble (tous les 2 ans) Un technicien coûte 52000$/an Un technicien travaille 230 jours x 8h / an Vacances coordonnées pour maximizer le nombre de techniciens en service chaque jour
43 Example (L. Leemis et S. Park. Discrete-Event Simulation: A First Course) Problème Soit l atelier de production précédent et sachant que: chaque machine produit 20$ de revenu par heure tous les techniciens sont embauchés ensemble (tous les 2 ans) Un technicien coûte 52000$/an Un technicien travaille 230 jours x 8h / an Vacances coordonnées pour maximizer le nombre de techniciens en service chaque jour
44 Example (L. Leemis et S. Park. Discrete-Event Simulation: A First Course) Problème Soit l atelier de production précédent et sachant que: chaque machine produit 20$ de revenu par heure tous les techniciens sont embauchés ensemble (tous les 2 ans) Un technicien coûte 52000$/an Un technicien travaille 230 jours x 8h / an Vacances coordonnées pour maximizer le nombre de techniciens en service chaque jour
45 Example (L. Leemis et S. Park. Discrete-Event Simulation: A First Course) Problème Soit l atelier de production précédent et sachant que: chaque machine produit 20$ de revenu par heure tous les techniciens sont embauchés ensemble (tous les 2 ans) Un technicien coûte 52000$/an Un technicien travaille 230 jours x 8h / an Vacances coordonnées pour maximizer le nombre de techniciens en service chaque jour
46 Example (L. Leemis et S. Park. Discrete-Event Simulation: A First Course) Problème Soit l atelier de production précédent et sachant que: chaque machine produit 20$ de revenu par heure tous les techniciens sont embauchés ensemble (tous les 2 ans) Un technicien coûte 52000$/an Un technicien travaille 230 jours x 8h / an Vacances coordonnées pour maximizer le nombre de techniciens en service chaque jour Combien de techniciens doivent être embauchés?
47 Example (L. Leemis et S. Park. Discrete-Event Simulation: A First Course) 1. Objectifs Solution extrêmes:
48 Example (L. Leemis et S. Park. Discrete-Event Simulation: A First Course) 1. Objectifs Solution extrêmes: 1 technicien pour chaque machine
49 Example (L. Leemis et S. Park. Discrete-Event Simulation: A First Course) 1. Objectifs Solution extrêmes: 1 technicien pour chaque machine 1 technicien pour toutes les machines
50 Example (L. Leemis et S. Park. Discrete-Event Simulation: A First Course) 1. Objectifs Solution extrêmes: 1 technicien pour chaque machine 1 technicien pour toutes les machines Peu de chances que l un des extrêmes soit optimal!
51 Example (L. Leemis et S. Park. Discrete-Event Simulation: A First Course) 2. Modèle conceptuel Modèle exprimé en fonction des états:
52 Example (L. Leemis et S. Park. Discrete-Event Simulation: A First Course) 2. Modèle conceptuel Modèle exprimé en fonction des états: de la machine en panne ou en service
53 Example (L. Leemis et S. Park. Discrete-Event Simulation: A First Course) 2. Modèle conceptuel Modèle exprimé en fonction des états: de la machine en panne ou en service des techniciens occupé ou disponible
54 Example (L. Leemis et S. Park. Discrete-Event Simulation: A First Course) 2. Modèle conceptuel Modèle exprimé en fonction des états: de la machine en panne ou en service des techniciens occupé ou disponible Deux variables : haut niveau de description du système.
55 Example (L. Leemis et S. Park. Discrete-Event Simulation: A First Course) 3. Spécification du modèle (scénario) Informations manquantes pour un scénario:
56 Example (L. Leemis et S. Park. Discrete-Event Simulation: A First Course) 3. Spécification du modèle (scénario) Informations manquantes pour un scénario: Pannes aléatoires. De quelle façon? Quelle loi de probabilité?
57 Example (L. Leemis et S. Park. Discrete-Event Simulation: A First Course) 3. Spécification du modèle (scénario) Informations manquantes pour un scénario: Pannes aléatoires. De quelle façon? Quelle loi de probabilité? Durée des réparations aléatoire. Idem, quelle loi de probabilité?
58 Example (L. Leemis et S. Park. Discrete-Event Simulation: A First Course) 3. Spécification du modèle (scénario) Informations manquantes pour un scénario: Pannes aléatoires. De quelle façon? Quelle loi de probabilité? Durée des réparations aléatoire. Idem, quelle loi de probabilité? Besoin d une méthode pour simuler l évolution du temps...
59 Example (L. Leemis et S. Park. Discrete-Event Simulation: A First Course) 4. Modèle informatique Le langage/formalisme/framework choisi inclut en principe des éléments pour:
60 Example (L. Leemis et S. Park. Discrete-Event Simulation: A First Course) 4. Modèle informatique Le langage/formalisme/framework choisi inclut en principe des éléments pour: la gestion du temps de la simulation
61 Example (L. Leemis et S. Park. Discrete-Event Simulation: A First Course) 4. Modèle informatique Le langage/formalisme/framework choisi inclut en principe des éléments pour: la gestion du temps de la simulation une file pour les pannes
62 Example (L. Leemis et S. Park. Discrete-Event Simulation: A First Course) 4. Modèle informatique Le langage/formalisme/framework choisi inclut en principe des éléments pour: la gestion du temps de la simulation une file pour les pannes une file pour les techniciens disponibles
63 Example (L. Leemis et S. Park. Discrete-Event Simulation: A First Course) 4. Modèle informatique Le langage/formalisme/framework choisi inclut en principe des éléments pour: la gestion du temps de la simulation une file pour les pannes une file pour les techniciens disponibles statistiques sur les structures de données (files) et procédure associées
64 Example (L. Leemis et S. Park. Discrete-Event Simulation: A First Course) 4. Modèle informatique Le langage/formalisme/framework choisi inclut en principe des éléments pour: la gestion du temps de la simulation une file pour les pannes une file pour les techniciens disponibles statistiques sur les structures de données (files) et procédure associées Statistique la plus intéressante: revenu total associé à l atelier.
65 Example (L. Leemis et S. Park. Discrete-Event Simulation: A First Course) 5. Vérification Vérification à l aide de tests. Activité typique de Génie logiciel, requiérant l utilisation d un langage/framework moderne. Exemple: technique TDD (Test-Driven Development)
66 Example (L. Leemis et S. Park. Discrete-Event Simulation: A First Course) 5. Vérification Vérification à l aide de tests. Activité typique de Génie logiciel, requiérant l utilisation d un langage/framework moderne. Exemple: technique TDD (Test-Driven Development) C/C++ : CTest, Boost.Test,...
67 Example (L. Leemis et S. Park. Discrete-Event Simulation: A First Course) 5. Vérification Vérification à l aide de tests. Activité typique de Génie logiciel, requiérant l utilisation d un langage/framework moderne. Exemple: technique TDD (Test-Driven Development) C/C++ : CTest, Boost.Test,... Java : JUnit,...
68 Example (L. Leemis et S. Park. Discrete-Event Simulation: A First Course) 5. Vérification Vérification à l aide de tests. Activité typique de Génie logiciel, requiérant l utilisation d un langage/framework moderne. Exemple: technique TDD (Test-Driven Development) C/C++ : CTest, Boost.Test,... Java : JUnit,... Ruby : RSpec
69 Example (L. Leemis et S. Park. Discrete-Event Simulation: A First Course) 5. Vérification Vérification à l aide de tests. Activité typique de Génie logiciel, requiérant l utilisation d un langage/framework moderne. Exemple: technique TDD (Test-Driven Development) C/C++ : CTest, Boost.Test,... Java : JUnit,... Ruby : RSpec...
70 Example (L. Leemis et S. Park. Discrete-Event Simulation: A First Course) 6. Validation Le modèle informatique est-il une approximation raisonnable de l atelier?
71 Example (L. Leemis et S. Park. Discrete-Event Simulation: A First Course) 6. Validation Le modèle informatique est-il une approximation raisonnable de l atelier? Si l atelier existe : comparer avec le système existant
72 Example (L. Leemis et S. Park. Discrete-Event Simulation: A First Course) 6. Validation Le modèle informatique est-il une approximation raisonnable de l atelier? Si l atelier existe : comparer avec le système existant Si l atelier n existe pas encore : contrôles de cohérence
73 Example (L. Leemis et S. Park. Discrete-Event Simulation: A First Course) 6. Validation Le modèle informatique est-il une approximation raisonnable de l atelier? Si l atelier existe : comparer avec le système existant Si l atelier n existe pas encore : contrôles de cohérence nombre de pannes augmente avec le nombre de machines
74 Example (L. Leemis et S. Park. Discrete-Event Simulation: A First Course) 6. Validation Le modèle informatique est-il une approximation raisonnable de l atelier? Si l atelier existe : comparer avec le système existant Si l atelier n existe pas encore : contrôles de cohérence nombre de pannes augmente avec le nombre de machines nombre de pannes diminue quand le nombre de techniciens augmente
75 Algorithme d une étude par simulation 1 Concevoir les expériences de simulation Pas toujours facile quand le nombre de paramètre est grand (problème d explosition combinatoire)
76 Algorithme d une étude par simulation 1 Concevoir les expériences de simulation 2 Lancer les exécutions de production Démarche systématique (cahier d experience): pour chaque donnée produite, enregistrer les paramètres du scénario.
77 Algorithme d une étude par simulation 1 Concevoir les expériences de simulation 2 Lancer les exécutions de production 3 Analyser les résultats de simulation Analyse statistique car modèles stochastiques. Outils classiques: moyennes, écarts-types, pourcentiles, histogrammes, corrélations, etc.
78 Algorithme d une étude par simulation 1 Concevoir les expériences de simulation 2 Lancer les exécutions de production 3 Analyser les résultats de simulation 4 Prendre des décisions Avec de la chance les résulats de l analyse permettent de prendre des décisions.
79 Algorithme d une étude par simulation 1 Concevoir les expériences de simulation 2 Lancer les exécutions de production 3 Analyser les résultats de simulation 4 Prendre des décisions Si succès: resumer les observations et conjectures. Sinon: raisons de l echec. 5 Documenter les résultats
80 Example (L. Leemis et S. Park. Discrete-Event Simulation: A First Course) 1. conception des expériences Paramètre principal du système: nombre de techniciens.
81 Example (L. Leemis et S. Park. Discrete-Event Simulation: A First Course) 1. conception des expériences Paramètre principal du système: nombre de techniciens. Faire varier le nombre de techniciens
82 Example (L. Leemis et S. Park. Discrete-Event Simulation: A First Course) 1. conception des expériences Paramètre principal du système: nombre de techniciens. Faire varier le nombre de techniciens Paramètres secondaires:
83 Example (L. Leemis et S. Park. Discrete-Event Simulation: A First Course) 1. conception des expériences Paramètre principal du système: nombre de techniciens. Faire varier le nombre de techniciens Paramètres secondaires: nombre de machines en service initialement
84 Example (L. Leemis et S. Park. Discrete-Event Simulation: A First Course) 1. conception des expériences Paramètre principal du système: nombre de techniciens. Faire varier le nombre de techniciens Paramètres secondaires: nombre de machines en service initialement nombre de replications
85 Example (L. Leemis et S. Park. Discrete-Event Simulation: A First Course) 2. Exécution des expériences Si de nombreuses exécutions sont requises, la gestion des données produites devient complexe. Une étude basée sur la S.E.D. peut produire beaucoup de données: Inutile d archiver les données brutes, elles sont reproductibles à volonté
86 Example (L. Leemis et S. Park. Discrete-Event Simulation: A First Course) 3. Analyse Attention aux problèmes de coorélation: hypothèse incontournable des analyses statistiques. Exemple: peut-n supposer que les pannees observées heure par heure sont indépendentes?
87 Example (L. Leemis et S. Park. Discrete-Event Simulation: A First Course) 4. Prise de décision Ici: Un graphique techniciens/revenus est suffisant.
88 Example (L. Leemis et S. Park. Discrete-Event Simulation: A First Course) 5. Documentation
89 Example (L. Leemis et S. Park. Discrete-Event Simulation: A First Course) 5. Documentation Schéma du système
90 Example (L. Leemis et S. Park. Discrete-Event Simulation: A First Course) 5. Documentation Schéma du système Explication des hypothèses retenues
91 Example (L. Leemis et S. Park. Discrete-Event Simulation: A First Course) 5. Documentation Schéma du système Explication des hypothèses retenues Description du modèle et du scénario
92 Example (L. Leemis et S. Park. Discrete-Event Simulation: A First Course) 5. Documentation Schéma du système Explication des hypothèses retenues Description du modèle et du scénario Description des tables et figures
93 Example (L. Leemis et S. Park. Discrete-Event Simulation: A First Course) 5. Documentation Schéma du système Explication des hypothèses retenues Description du modèle et du scénario Description des tables et figures Description de l analyse des données
94 Simulation à Événements Discrets Simulation à événements discrets
95 Simulation à Événements Discrets Simulation à événements discrets Dirigée par les traces
96 Simulation à Événements Discrets Simulation à événements discrets Dirigée par les traces Un seul serveur
97 Simulation à Événements Discrets Simulation à événements discrets Dirigée par les traces Un seul serveur On commence au niveau conceptuel
98 Simulation à Événements Discrets Simulation à événements discrets Dirigée par les traces Un seul serveur On commence au niveau conceptuel Exemples: Un guichet banquaire Une mitochondrie...
99 Modèle conceptuel (L. Leemis et S. Park. Discrete-Event Simulation: A First Course) arrivées file serveur départs noeud de service Les travaux (clients, molécules de glucose) arrivent au noeud de service à des instants aléatoires la durée du service est aléatoire le travail disparaît lorsqu il est terminé
100 Modèle conceptuel Contraintes de fonctionnement Le noeud de service fonctionne comme suit: un travail qui arrive est mis en attente (file) si le serveur est occupé un travail qui arrive est traîté sans attente si le serveur est disponible quand un travail se termine, un nouveau démarre immédiatement ou alors le serveur s endort. A tout moment, le serveur est soit au travail (occupé) soit endormi (libre) A tout moment, la file est soit vide, soit non vide; si la file est vide le serveur est endormi; si la file n est pas vide, le serveur est occupé.
101 Modèle conceptuel Contraintes de fonctionnement Le noeud de service fonctionne comme suit: un travail qui arrive est mis en attente (file) si le serveur est occupé un travail qui arrive est traîté sans attente si le serveur est disponible quand un travail se termine, un nouveau démarre immédiatement ou alors le serveur s endort. A tout moment, le serveur est soit au travail (occupé) soit endormi (libre) A tout moment, la file est soit vide, soit non vide; si la file est vide le serveur est endormi; si la file n est pas vide, le serveur est occupé.
102 Modèle conceptuel Contraintes de fonctionnement Le noeud de service fonctionne comme suit: un travail qui arrive est mis en attente (file) si le serveur est occupé un travail qui arrive est traîté sans attente si le serveur est disponible quand un travail se termine, un nouveau démarre immédiatement ou alors le serveur s endort. A tout moment, le serveur est soit au travail (occupé) soit endormi (libre) A tout moment, la file est soit vide, soit non vide; si la file est vide le serveur est endormi; si la file n est pas vide, le serveur est occupé.
103 Modèle conceptuel Contraintes de fonctionnement Le noeud de service fonctionne comme suit: un travail qui arrive est mis en attente (file) si le serveur est occupé un travail qui arrive est traîté sans attente si le serveur est disponible quand un travail se termine, un nouveau démarre immédiatement ou alors le serveur s endort. A tout moment, le serveur est soit au travail (occupé) soit endormi (libre) A tout moment, la file est soit vide, soit non vide; si la file est vide le serveur est endormi; si la file n est pas vide, le serveur est occupé.
104 Modèle conceptuel Contraintes de fonctionnement Le noeud de service fonctionne comme suit: un travail qui arrive est mis en attente (file) si le serveur est occupé un travail qui arrive est traîté sans attente si le serveur est disponible quand un travail se termine, un nouveau démarre immédiatement ou alors le serveur s endort. A tout moment, le serveur est soit au travail (occupé) soit endormi (libre) A tout moment, la file est soit vide, soit non vide; si la file est vide le serveur est endormi; si la file n est pas vide, le serveur est occupé.
105 Modèle conceptuel Contraintes de fonctionnement Le noeud de service fonctionne comme suit: un travail qui arrive est mis en attente (file) si le serveur est occupé un travail qui arrive est traîté sans attente si le serveur est disponible quand un travail se termine, un nouveau démarre immédiatement ou alors le serveur s endort. A tout moment, le serveur est soit au travail (occupé) soit endormi (libre) A tout moment, la file est soit vide, soit non vide; si la file est vide le serveur est endormi; si la file n est pas vide, le serveur est occupé.
106 Modèle conceptuel Contraintes de fonctionnement Le noeud de service fonctionne comme suit: un travail qui arrive est mis en attente (file) si le serveur est occupé un travail qui arrive est traîté sans attente si le serveur est disponible quand un travail se termine, un nouveau démarre immédiatement ou alors le serveur s endort. A tout moment, le serveur est soit au travail (occupé) soit endormi (libre) A tout moment, la file est soit vide, soit non vide; si la file est vide le serveur est endormi; si la file n est pas vide, le serveur est occupé.
107 Exemple Simulation à Événements Discrets Le modèle d atelier de fabrication:
108 Exemple Simulation à Événements Discrets Le modèle d atelier de fabrication: Avec un seul technicien
109 Exemple Simulation à Événements Discrets Le modèle d atelier de fabrication: Avec un seul technicien Les machines sont les travaux
110 Exemple Simulation à Événements Discrets Le modèle d atelier de fabrication: Avec un seul technicien Les machines sont les travaux Les machines arrivent quand elles sont en panne...
111 Exemple Simulation à Événements Discrets Le modèle d atelier de fabrication: Avec un seul technicien Les machines sont les travaux Les machines arrivent quand elles sont en panne et repartent quand elles sont réparées
112 Politique de service de la file La file d attente peut fonctionner suivant différentes politiques: FIFO (First In First Out Premier arrivé, premier servi)
113 Politique de service de la file La file d attente peut fonctionner suivant différentes politiques: FIFO (First In First Out Premier arrivé, premier servi) LIFO (Last In First Out Dernier arrivé, premier servi)
114 Politique de service de la file La file d attente peut fonctionner suivant différentes politiques: FIFO (First In First Out Premier arrivé, premier servi) LIFO (Last In First Out Dernier arrivé, premier servi) SIRO (Service In Random Order Service en ordre aléatoire)
115 Politique de service de la file La file d attente peut fonctionner suivant différentes politiques: FIFO (First In First Out Premier arrivé, premier servi) LIFO (Last In First Out Dernier arrivé, premier servi) SIRO (Service In Random Order Service en ordre aléatoire) Priorité: typiquement SJF (Shortest Job First Plus court d abord)
116 Vocabulaire des files d attente Capacité taille maximale de la file d attente finie: rejet des travaux quand la limite est atteinte infinie
117 Vocabulaire des files d attente Capacité taille maximale de la file d attente finie: rejet des travaux quand la limite est atteinte infinie Préemption Non: tout travail commencé est terminé sans interruption Oui: un travail peut être interrompu par un plus prioritaire
118 Vocabulaire des files d attente Capacité taille maximale de la file d attente finie: rejet des travaux quand la limite est atteinte infinie Préemption Non: tout travail commencé est terminé sans interruption Oui: un travail peut être interrompu par un plus prioritaire Conservative Oui: le serveur n attend jamais pour se mettre au travail Non: le serveur peut attendre s il a une connaissance préalable (ex: urgence en train d arriver à l hopital)
119 Spécification du modèle Variables descriptives : l index i = 1, 2, 3,... reprśente le numero du travail à son arrivée heure d arrivée du travail i : a i
120 Spécification du modèle Variables descriptives : l index i = 1, 2, 3,... reprśente le numero du travail à son arrivée heure d arrivée du travail i : a i durée d attente du travail i dans la file : d i 0
121 Spécification du modèle Variables descriptives : l index i = 1, 2, 3,... reprśente le numero du travail à son arrivée heure d arrivée du travail i : a i durée d attente du travail i dans la file : d i 0 heure de début de service du travail i : b i = a i + d i
122 Spécification du modèle Variables descriptives : l index i = 1, 2, 3,... reprśente le numero du travail à son arrivée heure d arrivée du travail i : a i durée d attente du travail i dans la file : d i 0 heure de début de service du travail i : b i = a i + d i la durée de traitement du travail i : s i 0
123 Spécification du modèle Variables descriptives : l index i = 1, 2, 3,... reprśente le numero du travail à son arrivée heure d arrivée du travail i : a i durée d attente du travail i dans la file : d i 0 heure de début de service du travail i : b i = a i + d i la durée de traitement du travail i : s i 0 la durée d attente du travail i dans le noeud de service : w i = d i + s i
124 Spécification du modèle Variables descriptives : l index i = 1, 2, 3,... reprśente le numero du travail à son arrivée heure d arrivée du travail i : a i durée d attente du travail i dans la file : d i 0 heure de début de service du travail i : b i = a i + d i la durée de traitement du travail i : s i 0 la durée d attente du travail i dans le noeud de service : w i = d i + s i l heure à laquelle le travail i se termine : ci = a i + w i
125 Enumération des arrivées Avec une capacité finie, des travaux peuvent être éliminés Problème pour calcul des statistiques (seuls les travaux qui entrent dans la file sont comptabilisés). Il est parfois préférable de regarder les délais d inter-arrivée Définition Le délai d inter-arrivée entre deux travaux consécutif i 1 et i, est noté r i = a i a i 1. Et donc a i = a i 1 + r i, d où: a i = r 1 + r r i i = 1, 2, 3,...
126 Question Algorithmique Question Connaissant les heures d arrivée a 1, a 2,... (ou inter-arrivée), les heures de service associées s 1, s 2,... et la politique de service de la file, comment calculer les délais d attente dans la file d 1, d 2,...?
127 Question Algorithmique Question Connaissant les heures d arrivée a 1, a 2,... (ou inter-arrivée), les heures de service associées s 1, s 2,... et la politique de service de la file, comment calculer les délais d attente dans la file d 1, d 2,...? Réponse (de Normand) Question plus ou moins compliquée selon la politique de service...
128 Question Algorithmique Question Connaissant les heures d arrivée a 1, a 2,... (ou inter-arrivée), les heures de service associées s 1, s 2,... et la politique de service de la file, comment calculer les délais d attente dans la file d 1, d 2,...? Réponse (de Normand) Question plus ou moins compliquée selon la politique de service... Réponse simple dans le cas de FIFO...
129 Calcul du délai d attente dans le cas FIFO Délai d i dépend de l heure d;arrivée a i et de la terminaison du travail précédent c i 1. Deux cas à considerer
130 Calcul du délai d attente dans le cas FIFO Délai d i dépend de l heure d;arrivée a i et de la terminaison du travail précédent c i 1. Deux cas à considerer Cas 1 Si a i < c i 1 (avant le départ du précédent), alors le travail i sera retardé de d i = c i 1 a i.
131 Calcul du délai d attente dans le cas FIFO Délai d i dépend de l heure d;arrivée a i et de la terminaison du travail précédent c i 1. Deux cas à considerer Cas 1 Si a i < c i 1 (avant le départ du précédent), alors le travail i sera retardé de d i = c i 1 a i. Cas 2 Si a i c i 1 (après le départ du travail i 1, alors aucun delai, d i = 0.
132 Exercice (pour la prochaine fois) Connaissant les heures d arrivée a1, a 2,... et les durée de traitement s 1, s 2,..., et en supposant que le serveur est initialement endormi, donner l algorithme qui calcule les délais d 1, d 2,... avec un file FIFO.
Partie 7 : Gestion de la mémoire
INF3600+INF2610 Automne 2006 Partie 7 : Gestion de la mémoire Exercice 1 : Considérez un système disposant de 16 MO de mémoire physique réservée aux processus utilisateur. La mémoire est composée de cases
Plus en détailIntroduction à la théorie des files d'attente. Claude Chaudet Claude.Chaudet@enst.fr
Introduction à la théorie des files d'attente Claude Chaudet Claude.Chaudet@enst.fr La théorie des files d'attente... Principe: modélisation mathématique de l accès à une ressource partagée Exemples réseaux
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 détailTSTI 2D CH X : Exemples de lois à densité 1
TSTI 2D CH X : Exemples de lois à densité I Loi uniforme sur ab ; ) Introduction Dans cette activité, on s intéresse à la modélisation du tirage au hasard d un nombre réel de l intervalle [0 ;], chacun
Plus en détailRétablissement d un réseau cellulaire après un désastre
Rétablissement d un réseau cellulaire après un désastre Anaïs Vergne avec Laurent Decreusefond, Ian Flint, et Philippe Martins Journées MAS 2014 29 août 2014 Rétablissement d un réseau cellulaire après
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 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 détailRaisonnement probabiliste
Plan Raisonnement probabiliste IFT-17587 Concepts avancés pour systèmes intelligents Luc Lamontagne Réseaux bayésiens Inférence dans les réseaux bayésiens Inférence exacte Inférence approximative 1 2 Contexte
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 détailProbabilités et Statistiques. Feuille 2 : variables aléatoires discrètes
IUT HSE Probabilités et Statistiques Feuille : variables aléatoires discrètes 1 Exercices Dénombrements Exercice 1. On souhaite ranger sur une étagère 4 livres de mathématiques (distincts), 6 livres de
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 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 détailGuidance de Statistique : Epreuve de préparation à l examen
Guidance de Statistique : Epreuve de préparation à l examen Durée totale : 90 min (1h30) 5 questions de pratique (12 pts) 20 décembre 2011 Matériel Feuilles de papier De quoi écrire Calculatrice Latte
Plus en détailBases de données Cours 1 : Généralités sur les bases de données
Cours 1 : Généralités sur les bases de données POLYTECH Université d Aix-Marseille odile.papini@univ-amu.fr http://odile.papini.perso.esil.univmed.fr/sources/bd.html Plan du cours 1 1 Qu est ce qu une
Plus en détailJulien MATHEVET Alexandre BOISSY GSID 4. Rapport RE09. Load Balancing et migration
Julien MATHEVET Alexandre BOISSY GSID 4 Rapport Load Balancing et migration Printemps 2001 SOMMAIRE INTRODUCTION... 3 SYNTHESE CONCERNANT LE LOAD BALANCING ET LA MIGRATION... 4 POURQUOI FAIRE DU LOAD BALANCING?...
Plus en détailDAns un système multi-utilisateurs à temps partagé, plusieurs processus
Chapitre 8 Ordonnancement des processus Dns un système multi-utilisateurs à temps partagé, plusieurs processus peuvent être présents en mémoire centrale en attente d exécution. Si plusieurs processus sont
Plus en détailLe data center moderne virtualisé
WHITEPAPER Le data center moderne virtualisé Les ressources du data center ont toujours été sous-utilisées alors qu elles absorbent des quantités énormes d énergie et occupent une surface au sol précieuse.
Plus en détailTests de comparaison de moyennes. Dr Sahar BAYAT MASTER 1 année 2009-2010 UE «Introduction à la biostatistique»
Tests de comparaison de moyennes Dr Sahar BAYAT MASTER 1 année 2009-2010 UE «Introduction à la biostatistique» Test de Z ou de l écart réduit Le test de Z : comparer des paramètres en testant leurs différences
Plus en détailFouillez facilement dans votre système Big Data. Olivier TAVARD
Fouillez facilement dans votre système Big Data Olivier TAVARD A propos de moi : Cofondateur de la société France Labs Développeur (principalement Java) Formateur en technologies de moteurs de recherche
Plus en détailChapitre 4 : Guide de Mouvement et Masque
Cours Flash Chapitre 4 : Guide de Mouvement et Masque Rappel : les fichiers fla et swf sont dans le fichier «4_Guide de mouvement et masque.zip». SOMMAIRE 1 OBJECTIFS DU CHAPITRE... 1 2 INTRODUCTION...
Plus en détailCompetence Management System (Système de Gestion de Compétences)
Dispositif :... 3 Qu est-ce qu un CMS?... 3 Quels sont les dispositifs intégrés à un CMS... 3 Comment envoyer des emails?... 3 Puis-je envoyer des emails seulement à un groupe de personnes?... 4 Comment
Plus en détailEstimation et tests statistiques, TD 5. Solutions
ISTIL, Tronc commun de première année Introduction aux méthodes probabilistes et statistiques, 2008 2009 Estimation et tests statistiques, TD 5. Solutions Exercice 1 Dans un centre avicole, des études
Plus en détailIFT3245. Simulation et modèles
IFT 3245 Simulation et modèles DIRO Université de Montréal Automne 2012 Tests statistiques L étude des propriétés théoriques d un générateur ne suffit; il estindispensable de recourir à des tests statistiques
Plus en détailUn ordonnanceur stupide
Un ordonnanceur simple Université Paris Sud L objet des exercices qui suivent est de créer un ordonanceur implantant l algorithme du tourniquet ( round-robin scheduler ). La technique utilisée pour élire
Plus en détailJ2SE Threads, 1ère partie Principe Cycle de vie Création Synchronisation
J2SE Threads, 1ère partie Principe Cycle de vie Création Synchronisation Cycle Ingénierie 2e année SIGL Dernière mise à jour : 19/10/2006 Christophe Porteneuve Threads Principes Cycle de vie Création java.lang.thread
Plus en détailEXAMEN CRITIQUE D UN DOSSIER TECHNIQUE
EXAMEN CRITIQUE D UN DOSSIER TECHNIQUE (Préparation : 5 heures -- Exposé et Questions : 1 heure) Rapport établi par : P.J. BARRE, E. JEAY, D. MARQUIS, P. RAY, A. THIMJO 1. PRESENTATION DE L EPREUVE 1.1.
Plus en détailActuariat I ACT2121. septième séance. Arthur Charpentier. Automne 2012. charpentier.arthur@uqam.ca. http ://freakonometrics.blog.free.
Actuariat I ACT2121 septième séance Arthur Charpentier charpentier.arthur@uqam.ca http ://freakonometrics.blog.free.fr/ Automne 2012 1 Exercice 1 En analysant le temps d attente X avant un certain événement
Plus en détailBases de données documentaires et distribuées Cours NFE04
Bases de données documentaires et distribuées Cours NFE04 Introduction a la recherche d information Auteurs : Raphaël Fournier-S niehotta, Philippe Rigaux, Nicolas Travers prénom.nom@cnam.fr Département
Plus en détailRéforme des comptes d épargne réglementés
Réforme des comptes d épargne réglementés Liste des questions Liste des questions Pourquoi une réforme des comptes d épargne réglementés? 3 En quoi consiste concrètement la réforme? 3 Qui est touché par
Plus en détailPRESENSTATION VMWARE ESXi NOTION DE MACHINE VIRTUELLE
PRESENSTATION VMWARE ESXi C est un logiciel qui permet de : 1. Virtualiser les postes informatiques 2. Virtualiser les serveurs d un réseau ESXi est la plate-forme de virtualisation sur laquelle vous créez
Plus en détailGroupe Eyrolles, 2006, ISBN : 2-212-11734-5
Groupe Eyrolles, 2006, ISBN : 2-212-11734-5 Chapitre 6 La gestion des incidents Quelles que soient la qualité du système d information mis en place dans l entreprise ou les compétences des techniciens
Plus en détailLA SÉCURITÉ DE VOTRE ÉDIFICE S APPUIE DÉSORMAIS SUR UNE DORSALE RENFORCÉE
LA SÉCURITÉ DE VOTRE ÉDIFICE S APPUIE DÉSORMAIS SUR UNE DORSALE RENFORCÉE É T U D E DE C A S Voyez les obstacles se transformer en points de départ Besoin du locataire : Installer une caméra de sécurité
Plus en détailINF2015 Développement de logiciels dans un environnement Agile Examen final hiver 2015
INF2015 Développement de logiciels dans un environnement Agile Examen final hiver 2015 Question #1 Quelle technique de mise sous test devons-nous utiliser si nous voulons simuler le comportement d'une
Plus en détailPourquoi toutes les entreprises peuvent se priver de centrale téléphonique?
WHITE PAPER Pourquoi toutes les entreprises peuvent se priver de centrale téléphonique? Le «cloud voice» : l avenir de la communication Introduction Il fut un temps où, par définition, les entreprises
Plus en détailWebSphere MQ & Haute Disponibilité
L objectif de cet article est d identifier les problèmes pouvant se poser lors de la mise en place d un système de secours dans une configuration WebSphere MQ, et de proposer des pistes pour régler ces
Plus en détailTP Bases de données réparties
page 1 TP Bases de données réparties requêtes réparties Version corrigée Auteur : Hubert Naacke, révision 5 mars 2003 Mots-clés: bases de données réparties, fragmentation, schéma de placement, lien, jointure
Plus en détailCEG4566/CSI4541 Conception de systèmes temps réel
CEG4566/CSI4541 Conception de systèmes temps réel Chapitre 6 Vivacité, sécurité (Safety), fiabilité et tolérance aux fautes dans les systèmes en temps réel 6.1 Introduction générale aux notions de sécurité
Plus en détailCours de Systèmes d Exploitation
Licence d informatique Synchronisation et Communication inter-processus Hafid Bourzoufi Université de Valenciennes - ISTV Introduction Les processus concurrents s exécutant dans le système d exploitation
Plus en détailProgrammation parallèle et distribuée
ppd/mpassing p. 1/43 Programmation parallèle et distribuée Communications par messages Philippe MARQUET Philippe.Marquet@lifl.fr Laboratoire d informatique fondamentale de Lille Université des sciences
Plus en détailL assurance des moules, gabarits, modèles, archives,
L assurance des moules, gabarits, modèles, archives, Notre expérience de formation et de consultant nous permet d affirmer que cette assurance est en général mal comprise par les entreprises et collectivités,
Plus en détail14. Introduction aux files d attente
14. Introduction aux files d attente MTH2302D S. Le Digabel, École Polytechnique de Montréal H2015 (v2) MTH2302D: Files d attente 1/24 Plan 1. Introduction 2. Modèle M/M/1 3. Modèle M/M/1/K MTH2302D: Files
Plus en détail1 Mesure de la performance d un système temps réel : la gigue
TP TR ENSPS et MSTER 1 Travaux Pratiques Systèmes temps réel et embarqués ENSPS ISV et Master TP1 - Ordonnancement et communication inter-processus (IPC) Environnement de travail Un ordinateur dual-core
Plus en détailGuide d Intégration PPM et ERP:
LIVRE BLANC Guide d Intégration PPM et ERP: Stratégies d intégration de logiciels dans les entreprises organisées par projet De: Neil Stolovitsky E-mail: sales@geniusinside.com Website: www.geniusinside.com
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 détailTransmission d informations sur le réseau électrique
Transmission d informations sur le réseau électrique Introduction Remarques Toutes les questions en italique devront être préparées par écrit avant la séance du TP. Les préparations seront ramassées en
Plus en détailInformatique industrielle A7-19571 Systèmes temps-réel J.F.Peyre. Partie I : Introduction
Informatique industrielle A7-19571 Systèmes temps-réel J.F.Peyre Partie I : Introduction Plan de la première partie Quelques définitions Caractéristiques communes des applications temps-réel Exemples d
Plus en détailDéroulement. Evaluation. Préambule. Définition. Définition. Algorithmes et structures de données 28/09/2009
Déroulement Algorithmes et structures de données Cours 1 et 2 Patrick Reuter http://www.labri.fr/~preuter/asd2009 CM mercredi de 8h00 à 9h00 (Amphi Bât. E, 3 ème étage) ED - Groupe 3 : mercredi, 10h30
Plus en détailQUELQUES PROBLEMATIQUES
Serrurerie QUELQUES PROBLEMATIQUES Métier aux multiples facettes, la serrurerie s adapte à tous les travaux et ouvrages métalliques comme les ferrures, rampes, grilles, charpentes métalliques De la conception,
Plus en détailEchapper légalement à l impôt sur les données
Echapper légalement à l impôt sur les données L IMPOT SUR LES DONNEES EST UN IMPOT SUR LE VOLUME... 3 L IMPOT SUR LES DONNEES EST UN IMPOT SUR LA DIVERSITE... 4 L IMPOT SUR LES DONNEES EST IMPREVISIBLE...
Plus en détailTP N 57. Déploiement et renouvellement d une constellation de satellites
TP N 57 Déploiement et renouvellement d une constellation de satellites L objet de ce TP est d optimiser la stratégie de déploiement et de renouvellement d une constellation de satellites ainsi que les
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 détailTP n 2 Concepts de la programmation Objets Master 1 mention IL, semestre 2 Le type Abstrait Pile
TP n 2 Concepts de la programmation Objets Master 1 mention IL, semestre 2 Le type Abstrait Pile Dans ce TP, vous apprendrez à définir le type abstrait Pile, à le programmer en Java à l aide d une interface
Plus en détailIN SYSTEM. Préconisations techniques pour Sage 100 Windows, MAC/OS, et pour Sage 100 pour SQL Server V16. Objectif :
IN SYSTEM Préconisations techniques pour Sage 100 Windows, MAC/OS, et pour Sage 100 pour SQL V16 Objectif : En synthèse des manuels de référence de Sage Ligne 100, ce document vous présente les préconisations,
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 détailPrésentation d'un MOM open-source
Présentation d'un MOM open-source Saber Dir - Victor Laborie - Guillaume Penaud Licence ASRALL 25 mars 2015 Middleware Orientés Message 25 mars 2015 1 / 29 Sommaire 1 Introduction 2 Etat de l'art 3 Maquette
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 détailPrésentation d'un Réseau Eole +
Présentation d'un Réseau Eole + Le Pourquoi du comment... Comprendre les différents types de documentation fournit avec la solution Eole Plus. Novice Confirmé Expert Version 1.0 Mai 2006 Permission est
Plus en détail4. Utilisation d un SGBD : le langage SQL. 5. Normalisation
Base de données S. Lèbre slebre@unistra.fr Université de Strasbourg, département d informatique. Présentation du module Contenu général Notion de bases de données Fondements / Conception Utilisation :
Plus en détailSimulation d application des règles CNAV AGIRC ARRCO sur des carrières type de fonctionnaires d Etat
CONSEIL D ORIENTATION DES RETRAITES Séance plénière du 10 avril 2014 à 9 h 30 «Carrières salariales et retraites dans les secteurs et public» Document N 9 Document de travail, n engage pas le Conseil Simulation
Plus en détailOptimisation for Cloud Computing and Big Data
1 / 23 Optimisation for Cloud Computing and Big Data Olivier Beaumont, Lionel Eyraud-Dubois 2 / 23 Aujourd hui Problèmes de fiabilité on va oublier la dynamicité Placement de VMs en programmation par contraintes
Plus en détail4D v11 SQL Release 5 (11.5) ADDENDUM
ADDENDUM Bienvenue dans la release 5 de 4D v11 SQL. Ce document présente les nouveautés et modifications apportées à cette nouvelle version du programme. Prise en charge de nouvelles plates-formes La release
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 détail1 Introduction à l infrastructure Active Directory et réseau
1 Introduction à l infrastructure Active Directory et réseau Objectifs d examen de ce chapitre Ce premier chapitre, qui donne un aperçu des technologies impliquées par la conception d une infrastructure
Plus en détaildonnées en connaissance et en actions?
1 Partie 2 : Présentation de la plateforme SPSS Modeler : Comment transformer vos données en connaissance et en actions? SPSS Modeler : l atelier de data mining Large gamme de techniques d analyse (algorithmes)
Plus en détailSurveillance et maintenance prédictive : évaluation de la latence de fautes. Zineb SIMEU-ABAZI Univ. Joseph Fourier, LAG)
Surveillance et maintenance prédictive : évaluation de la latence de fautes Zineb SIMEU-ABAZI Univ. Joseph Fourier, LAG) SURVEILLANCE Analyser une situation et fournir des indicateurs! Détection de symptômes!
Plus en détailGuide de référence pour l achat de Business Analytics
Guide de référence pour l achat de Business Analytics Comment évaluer une solution de décisionnel pour votre petite ou moyenne entreprise : Quelles sont les questions à se poser et que faut-il rechercher?
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 détailProbabilités III Introduction à l évaluation d options
Probabilités III Introduction à l évaluation d options Jacques Printems Promotion 2012 2013 1 Modèle à temps discret 2 Introduction aux modèles en temps continu Limite du modèle binomial lorsque N + Un
Plus en détailCours A7 : Temps Réel
Cours A7 : Temps Réel Pierre.Paradinas / @ / cnam.fr Cnam/Cedric Systèmes Enfouis et Embarqués (SEE) Motivations Du jour : les mécanismes multitâches, la gestion des priorités, l ordonnancement, la gestion
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 détailCHAPITRE 4 LA VALORISATION DES STOCKS COURS DE COMPTABILITE ANALYTIQUE SEMESTRE 2 DUT TC
COURS DE COMPTABILITE ANALYTIQUE SEMESTRE 2 DUT TC CHAPITRE 4 LA VALORISATION DES STOCKS CORINNE ZAMBOTTO - COURS DE COMPTABILITE ANALYTIQUE IUT SENART-FONTAINEBLEAU 1 I. LA PLACE DES STOCKS DANS LE CYCLE
Plus en détailConception et contrôle des SMA tolérants aux fautes
Conception et contrôle des SMA tolérants aux fautes Une plate-forme multiagents tolérante aux fautes à base de réplication Nora FACI Contexte SMA large échelle Nombre important d agents Ressources éloignées
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 détailCahier des Clauses Techniques Particulières
COMMUNE DE CHATEAUFORT Marché de services pour le suivi de l environnement Informatique Systèmes et Réseaux Procédure adaptée en vertu des dispositions de l article 28 du Code des Marchés Publics Cahier
Plus en détailBig Data. Cyril Amsellem Consultant avant-vente. 16 juin 2011. Talend 2010 1
Big Data Cyril Amsellem Consultant avant-vente 16 juin 2011 Talend 2010 1 Big Data Architecture globale Hadoop Les projets Hadoop (partie 1) Hadoop-Core : projet principal. HDFS : système de fichiers distribués
Plus en détailFAQ sur le Service courriel d affaires TELUS
FAQ sur le Service courriel d affaires TELUS Questions d ordre général 1. En quoi consiste le service Courriel Affaires de TELUS? 2. J utilise actuellement le logiciel Outlook avec un compte de courriel
Plus en détailArtica Proxy Appliance Haute disponibilite
Artica Proxy Appliance Haute disponibilite Table des matières Introduction... 2 Prérequis... 2 Architectures... 3 Fabriquer une sorte de clusteur.... 3 Si le serveur secondaire est passerelle de statistiques,
Plus en détailTechnologie SDS (Software-Defined Storage) de DataCore
Technologie SDS (Software-Defined Storage) de DataCore SANsymphony -V est notre solution phare de virtualisation du stockage, dans sa 10e génération. Déployée sur plus de 10000 sites clients, elle optimise
Plus en détailIntroduction à l approche bootstrap
Introduction à l approche bootstrap Irène Buvat U494 INSERM buvat@imedjussieufr 25 septembre 2000 Introduction à l approche bootstrap - Irène Buvat - 21/9/00-1 Plan du cours Qu est-ce que le bootstrap?
Plus en détail1 Recherche en table par balayage
1 Recherche en table par balayage 1.1 Problème de la recherche en table Une table désigne une liste ou un tableau d éléments. Le problème de la recherche en table est celui de la recherche d un élément
Plus en détailTP redondance DHCP. Gillard Frédéric Page 1/17. Vue d ensemble du basculement DHCP
Vue d ensemble du basculement DHCP Dans Windows Server 2008 R2, il existe deux options à haute disponibilité dans le cadre du déploiement du serveur DHCP. Chacune de ces options est liée à certains défis.
Plus en détailGestion de mémoire secondaire F. Boyer, Laboratoire Sardes Fabienne.Boyer@imag.fr
Gestion de mémoire secondaire F. Boyer, Laboratoire Sardes Fabienne.Boyer@imag.fr 1- Structure d un disque 2- Ordonnancement des requêtes 3- Gestion du disque - formatage - bloc d amorçage - récupération
Plus en détailASSURANCE : DÉFINITION***
ASSURANCE : DÉFINITION*** Opération d assurance Garantie panne mécanique des véhicules d occasion - Garantie octroyée par un opérateur indépendant du revendeur - Paiement d une somme forfaitaire - Articles
Plus en détailDéfinir une politique de maintenance et sa stratégie de mise en œuvre de responsabilités
Chapitre 1 Définir une politique de maintenance et sa stratégie de mise en œuvre de responsabilités La politique de maintenance, entre prévention et correction 25 f Qu est-ce que le «préventif» et le «correctif»?
Plus en détailSymantec Backup Exec 2012
Better backup for all Fiche technique : Sauvegarde et reprise après incident Présentation est un produit unique et intégré qui protège les environnements physiques et virtuels, simplifie la sauvegarde
Plus en détailCHAPITRE 2 : L'INVESTISSEMENT ET SES DETERMINANTS
CHAPITRE 2 : L'INVESTISSEMENT ET SES DETERMINANTS Notions à connaître: Taux de rentabilité, taux d'intérêt, demande anticipée, investissement matériel, investissement immatériel, investissement public,
Plus en détailMesurer le succès Service Desk Guide d évaluation pour les moyennes entreprises :
LIVRE BLANC SUR LES MEILLEURES PRATIQUES Mesurer le succès Service Desk Guide d évaluation pour les moyennes entreprises : Choisir la meilleure solution de support technique et améliorer le retour sur
Plus en détailDérivés Financiers Contrats à terme
Dérivés Financiers Contrats à terme Mécanique des marchés à terme 1) Supposons que vous prenez une position courte sur un contrat à terme, pour vendre de l argent en juillet à 10,20 par once, sur le New
Plus en détailELECTIONS MUNICIPALES 2014 LISTE ELECTORALE
ELECTIONS MUNICIPALES 2014 LISTE ELECTORALE Un candidat vient demander copie de la liste électorale. Quelle liste électorale doit-on lui fournir : celle qui est arrêtée au 10 janvier ou la liste avec les
Plus en détailLUT QU EST-CE QUE C EST? Version 1.0 Mars 2010
A1 BOX DOCUMENT TECHNIQUE LUT QU EST-CE QUE C EST? Version 1.0 Mars 2010 LUT veut dire Look Up Table, en francisant, table de conversion. Il en existe de différents degrés de complexité, dont les deux
Plus en détail1 La visualisation des logs au CNES
1 La visualisation des logs au CNES 1.1 Historique Depuis près de 2 ans maintenant, le CNES a mis en place une «cellule d analyse de logs». Son rôle est multiple : Cette cellule est chargée d analyser
Plus en détailGPA770 Microélectronique appliquée Exercices série A
GPA770 Microélectronique appliquée Exercices série A 1. Effectuez les calculs suivants sur des nombres binaires en complément à avec une représentation de 8 bits. Est-ce qu il y a débordement en complément
Plus en détailDOSSIER SOLUTION Amélioration de la planification de la capacité à l aide de la gestion des performances applicatives
DOSSIER SOLUTION Amélioration de la planification de la capacité à l aide de la gestion des performances applicatives Comment assurer une expérience utilisateur exceptionnelle pour les applications métier
Plus en détailRégime de retraite patronal-syndical (Québec) de l'association internationale des machinistes (A.I.M.)
Régime de retraite patronal-syndical (Québec) de l'association internationale des machinistes (A.I.M.) 2002 Pourquoi la planification de la retraite est-elle importante? Peu importe vos projets pour la
Plus en détailChapitre 2 : Systèmes radio mobiles et concepts cellulaires
Chapitre 2 : Systèmes radio mobiles et concepts cellulaires Systèmes cellulaires Réseaux cellulaires analogiques de 1ère génération : AMPS (USA), NMT(Scandinavie), TACS (RU)... Réseaux numériques de 2ème
Plus en détailconseils de gestion budgétaire tout simples pour vous aider à améliorer votre situation financière
Prenez vos finances en main DIX conseils de gestion budgétaire tout simples pour vous aider à améliorer votre situation financière Si vous vous sentez dépassé à l idée de prendre vos finances en main pour
Plus en détailMATHÉMATIQUES. Mat-4104
MATHÉMATIQUES Pré-test D Mat-404 Questionnaire e pas écrire sur le questionnaire Préparé par : M. GHELLACHE Mai 009 Questionnaire Page / 0 Exercice ) En justifiant votre réponse, dites quel type d étude
Plus en détailBien programmer. en Java 7. 10 000 ex. couleur. Avec plus de 50 études de cas et des comparaisons avec C++ et C# Emmanuel Puybaret.
Bien programmer en Java 7 Avec plus de 50 études de cas et des comparaisons avec C++ et C# Plus de 10 000 ex. vendus! Édition en couleur Emmanuel Puybaret, ISBN : 978-2-212-12974-8 chapitre1 Présentation
Plus en détailIntroduction aux systèmes temps réel. Iulian Ober IRIT ober@iut-blagnac.fr
Introduction aux systèmes temps réel Iulian Ober IRIT ober@iut-blagnac.fr Définition Systèmes dont la correction ne dépend pas seulement des valeurs des résultats produits mais également des délais dans
Plus en détailL informatique comme discipline au gymnase. Renato Renner Institut für Theoretische Physik ETH Zürich
L informatique comme discipline au gymnase Renato Renner Institut für Theoretische Physik ETH Zürich Comment puis-je transférer des fichiers de musique sur mon nouvel iphone? Comment puis-je archiver mes
Plus en détail