Nouvelles propositions pour la résolution exacte du sac à dos multi-objectif unidimensionnel en variables binaires
|
|
|
- Charles Viau
- il y a 2 ans
- Total affichages :
Transcription
1 Nouvelles propositions pour la résolution exacte du sac à dos multi-objectif unidimensionnel en variables binaires Julien Jorge Laboratoire d Informatique de Nantes Atlantique, UMR CNRS 6241, UFR de Sciences et Techniques de Nantes 11 mai 2010 Julien Jorge (LINA) Soutenance de thèse 11 mai / 50
2 Le problème multi-objectif de sac à dos 1 Le problème multi-objectif de sac à dos 2 Procédures en deux phases 3 Procédures de séparation et d évaluation 4 Conclusions et perspectives Julien Jorge (LINA) Soutenance de thèse 11 mai / 50
3 Le problème multi-objectif de sac à dos Exemple de problème de sac à dos multi-objectif (5, 6, 4) n objets (2, 2, 7) (8, 3, 6) (8, 2, 2) Profits (c 1 i,...,c p i ) Poids w i (1, 2, 8) Capacité ω du sac Quels objets pour un profit maximum? Julien Jorge (LINA) Soutenance de thèse 11 mai / 50
4 Le problème multi-objectif de sac à dos Exemple de problème de sac à dos multi-objectif Quelques solutions Maximiser le premier profit : valeur = (16, 5, 8) (8, 3, 6) (8, 2, 2) Julien Jorge (LINA) Soutenance de thèse 11 mai / 50
5 Le problème multi-objectif de sac à dos Exemple de problème de sac à dos multi-objectif Quelques solutions Maximiser le premier profit : valeur = (16, 5, 8) (8, 3, 6) (8, 2, 2) Maximiser le second profit : valeur = (13, 9, 10) (5, 6, 4) (8, 3, 6) Julien Jorge (LINA) Soutenance de thèse 11 mai / 50
6 Le problème multi-objectif de sac à dos Exemple de problème de sac à dos multi-objectif Quelques solutions Maximiser le premier profit : valeur = (16, 5, 8) (8, 3, 6) (8, 2, 2) Maximiser le second profit : valeur = (13, 9, 10) (5, 6, 4) (8, 3, 6) Maximiser le troisième profit : valeur = (3, 4, 15) (2, 2, 7) (1, 2, 8) Julien Jorge (LINA) Soutenance de thèse 11 mai / 50
7 Le problème multi-objectif de sac à dos Le sac à dos en résumé De nombreuses variantes : nombre d exemplaires des objets (unitaire, entier) : domaine des profits, des poids, de la capacité (entiers, réels, unitaires) plusieurs contraintes (plusieurs poids par objet) un ou plusieurs profits (mono- multi-objectif)... Notre problème de sac à dos est N P-complet, #P-complet. Julien Jorge (LINA) Soutenance de thèse 11 mai / 50
8 Le problème multi-objectif de sac à dos Formulation mathématique du problème R q = {y Rq : y i 0, i} R q = Rq \ (0,...,0) R q > = {y R q : y i > 0, i} n max z j (x) = c j i x i j {1,...,p}, c i N p s.c. i=1 n w i x i ω i=1 x i {0, 1} ω, w i N i {1,...,n} 01MOKP X est l ensemble des solutions réalisables Y = {z(x) : x X} Julien Jorge (LINA) Soutenance de thèse 11 mai / 50
9 Le problème multi-objectif de sac à dos Dominance de Pareto (illustrée) y > y R p Julien Jorge (LINA) Soutenance de thèse 11 mai / 50
10 Le problème multi-objectif de sac à dos Dominance de Pareto (illustrée) image non dominée solution efficace X E est l ensemble des solutions efficaces Y N = {z(x) : x X E } Ensemble complet maximal X EM ensemble complet minimal X Em Julien Jorge (LINA) Soutenance de thèse 11 mai / 50
11 Le problème multi-objectif de sac à dos Somme pondérée (Geoffrion, 1968) Soit λ R p. La somme pondérée P λ se formule max z λ (x) = p j=1 λ jz j (x) s.c. x X } P λ C est un problème mono-objectif Les solutions de P λ sont dites supportées Si λ R p >, ce sont des solutions efficaces (X SE, Y SN ) λ 1 λ 2 λ 3 En général, X SE X E λ 4 Julien Jorge (LINA) Soutenance de thèse 11 mai / 50
12 Le problème multi-objectif de sac à dos Somme pondérée (Geoffrion, 1968) Soit λ R p. La somme pondérée P λ se formule max z λ (x) = p j=1 λ jz j (x) s.c. x X } P λ C est un problème mono-objectif Les solutions de P λ sont dites supportées Si λ R p >, ce sont des solutions efficaces (X SE, Y SN ) λ 1 λ 2 λ 3 En général, X SE X E X NE = X E \ X SE, (Y NN ) λ 4 Julien Jorge (LINA) Soutenance de thèse 11 mai / 50
13 Le problème multi-objectif de sac à dos Méthodes de résolution exacte pour le sac à dos PSE, programmation dynamique (Martello et Toth, 1990) (mono-objectif) Dichotomie (Aneja et Nair, 1979) (X SE, Y SN ) Algorithmes en deux phases (Ulungu, 1995, Visée et al., 1998) bi-objectif, (X Em, Y N ) Dichotomie par ajout de contraintes (Degoutin et Gandibleux, 2002) (X Em, Y N ) Programmation dynamique (Bazgan et al. 2009) (Y N ) Analogie avec les plus longs chemins (Captivo et al. 2003) (Y N ) + algorithmes de réduction a priori dans le cas mono-objectif. Julien Jorge (LINA) Soutenance de thèse 11 mai / 50
14 Le problème multi-objectif de sac à dos Constat Résolution de MOKP, deux approches, deux difficultés : Programmation dynamique, plus longs chemins : algorithmes performants mais gourmands en mémoire À l opposé, une procédure en 2-phases, mais limitée au cas bi-objectif Remarques : 2-phases + ranking efficace sur d autres problèmes, quid de MOKP? 2-phases multi pour AP, jamais évaluée sur KP PSE : algo classique en optimisation, peu de travaux sur une procédure multi- (Bouibede-Hocine, 2007, Sourd et Spanjaard, 2008) Performantes pour KP mono-objectif, passage au multi? Julien Jorge (LINA) Soutenance de thèse 11 mai / 50
15 Procédures en deux phases 1 Le problème multi-objectif de sac à dos 2 Procédures en deux phases 3 Procédures de séparation et d évaluation 4 Conclusions et perspectives Julien Jorge (LINA) Soutenance de thèse 11 mai / 50
16 Procédures en deux phases Principe général Procédure initialement proposé par Ulungu (1995), appliquée au KP. Améliorée par Visée et al. (1998). Phase 1 (X SE ) : bi-objectif : dichotomie (Aneja et Nair, 1979) tri-objectif : partitionnement de l espace des poids (Przybylski, 2006) Phase 2 (X NE ) : PSE (Visée et al., 1998) ranking (affectation (Przybylski, 2006), chemins (Raith, 2008)) Toujours conserver la structure du problème Julien Jorge (LINA) Soutenance de thèse 11 mai / 50
17 Procédures en deux phases Calcul de X SE, cas bi-objectif Phase 1 Phase 2 bi tri bi tri xp Julien Jorge (LINA) Soutenance de thèse 11 mai / 50
18 Procédures en deux phases Phase 1 : dichotomie (illustration) 22 y r 14 y s Julien Jorge (LINA) Soutenance de thèse 11 mai / 50
19 Procédures en deux phases Phase 1 : dichotomie (illustration) 22 y r 14 y s Julien Jorge (LINA) Soutenance de thèse 11 mai / 50
20 Procédures en deux phases Phase 1 : dichotomie (illustration) 22 y r 19 y t 14 y s Julien Jorge (LINA) Soutenance de thèse 11 mai / 50
21 Procédures en deux phases Phase 1 : dichotomie (illustration) 22 y r 19 y t 14 y s Julien Jorge (LINA) Soutenance de thèse 11 mai / 50
22 Procédures en deux phases Phase 1 : dichotomie (illustration) Julien Jorge (LINA) Soutenance de thèse 11 mai / 50
23 Procédures en deux phases Phase 1 : dichotomie (Aneja et Nair) Procédure : 1 Calculer les solutions lexicographiquement optimales 2 Choisir deux points supportés adjacents y r et y s 3 Construire et résoudre P λ, λ (y r, y s ), obtenir y t N 2 4 Si λ y t λ y r, conserver y t 5 Si il reste des adjacences non traitées, retourner en 2 Julien Jorge (LINA) Soutenance de thèse 11 mai / 50
24 Procédures en deux phases Calcul de X SE, cas tri-objectif Phase 1 Phase 2 bi tri bi tri xp Julien Jorge (LINA) Soutenance de thèse 11 mai / 50
25 Cas multi-objectif Procédures en deux phases W 0 = {λ R p > : λ p = 1 p 1 i=1 } permet d obtenir toutes les solutions supportées. λ 2 1 Chaque point de Y SN est optimal pour un P λ, λ choisi dans W 0 : 1 1 λ 1 W 0 (y) = {λ W 0 : λ y λ y, y Y SN } λ 3 Calcul de Y SN déterminer W 0 (y), y Y SN Julien Jorge (LINA) Soutenance de thèse 11 mai / 50
26 Cas multi-objectif Procédures en deux phases W 0 = {λ R p > : λ p = 1 p 1 i=1 } permet d obtenir toutes les solutions supportées. Chaque point de Y SN est optimal pour un P λ, λ choisi dans W 0 : W 0 (y) = {λ W 0 : λ y λ y, y Y SN } 1,0 0,8 0,6 λ2 0,4 0,2 0 W 0 0,2 0,4 λ 0,6 0,8 1,0 1 Calcul de Y SN déterminer W 0 (y), y Y SN Julien Jorge (LINA) Soutenance de thèse 11 mai / 50
27 Procédures en deux phases Illustration 1,0 Points initiaux : 0,8 y 1 = (16, 5, 8) y 2 = (13, 9, 10) 0,6 y 3 = (3, 4, 15) λ2 0,4 W 0 p (y 2 ) Exploration de la facette W 0 p (y 1 )/W 0 p (y 2 ) 0,2 W 0 p (y 3 ) W 0 p (y 1 ) 0 0,2 0,4 0,6 0,8 1,0 λ 1 Julien Jorge (LINA) Soutenance de thèse 11 mai / 50
28 Illustration Procédures en deux phases 1,0 0,8 Construction d un problème bi-objectif. 0,6 Puis calcul des solution supportées : λ2 0,4 W 0 p (y 2 ) y 4 = (9, 5, 14) 0,2 W 0 p (y 3 ) W 0 p (y 1 ) 0 0,2 0,4 0,6 0,8 1,0 λ 1 Julien Jorge (LINA) Soutenance de thèse 11 mai / 50
29 Illustration Procédures en deux phases Mise à jour de W 0 p (y) Exploration de la facette W 0 p (y 1 )/W 0 p (y 4 ) Pas de nouveau point. Toutes les facettes de W 0 p (y 1 ) ont été explorées : W 0 (y 1 ) = W 0 p (y 1 ) 1,0 0,8 0,6 λ2 0,4 0,2 0 Wp 0 (y 2 ) Wp 0 (y 1 ) Wp 0 (y 4 ) 0,2 0,4 0,6 0,8 1,0 W 0 p (y 3 ) λ 1 Julien Jorge (LINA) Soutenance de thèse 11 mai / 50
30 Illustration Procédures en deux phases 1,0 Traitemente de W 0 p (y 2 ). 0,8 Exploration de la facette 0,6 W 0 p (y 2 )/W 0 p (y 4 ) λ2 0,4 W 0 p (y 2 ) Nouveau point supporté : y 5 = (6, 8, 12) 0,2 W 0 p (y 4 ) W 0 (y 1 ) 0 0,2 0,4 0,6 0,8 1,0 W 0 p (y 3 ) λ 1 Julien Jorge (LINA) Soutenance de thèse 11 mai / 50
31 Illustration Procédures en deux phases 1,0 0,8 W 0 (y 5 ) Processus répété tant qu il existe des faces non explorées. λ2 0,6 0,4 W 0 (y 2 ) 0,2 W 0 (y 4 ) W 0 (y 1 ) 0 0,2 0,4 0,6 0,8 1,0 λ 1 W 0 (y 3 )... Julien Jorge (LINA) Soutenance de thèse 11 mai / 50
32 Procédures en deux phases Calcul de X NE, cas bi-objectif Phase 1 Phase 2 bi tri bi tri xp Julien Jorge (LINA) Soutenance de thèse 11 mai / 50
33 Procédures en deux phases Seconde phase, cas bi-objectif Espace représenté par des triangles. La seconde phase explore ces triangles un à un Procédure de Visée et al. : PSE «mono-objectif» 14 Y SN R 2 Évaluation des nœuds adaptée au cas multi-objectif Julien Jorge (LINA) Soutenance de thèse 11 mai / 50
34 Procédures en deux phases Amélioration de l évaluation : point utopique z 1 z 1 Relaxation objectif 1 z 1, arrêt si z 1 z 1 Julien Jorge (LINA) Soutenance de thèse 11 mai / 50
35 Procédures en deux phases Amélioration de l évaluation : point utopique z 2 z 2 Relaxation objectif 2 z 2, arrêt si z 2 z 2 Julien Jorge (LINA) Soutenance de thèse 11 mai / 50
36 Procédures en deux phases Amélioration de l évaluation : point utopique y U = ( z 1, z 2 ) Le point ( z 1, z 2 ) est dominé Julien Jorge (LINA) Soutenance de thèse 11 mai / 50
37 Procédures en deux phases Amélioration de l évaluation : z λ plus serrée P λ Borne évaluée sur les points nadirs locaux. Relaxation objectif P λ z λ, arrêt si z λ z λ. Julien Jorge (LINA) Soutenance de thèse 11 mai / 50
38 Procédures en deux phases Amélioration de l évaluation : z λ plus serrée P λ Borne évaluée sur les images des solutions potentiellement efficaces. Julien Jorge (LINA) Soutenance de thèse 11 mai / 50
39 Procédures en deux phases Amélioration de l évaluation : z λ plus serrée P λ Borne évaluée sur les images des solutions potentiellement efficaces, avec conservation des solutions équivalentes. Julien Jorge (LINA) Soutenance de thèse 11 mai / 50
40 Procédures en deux phases Phase 2 : exploration des triangles avec un ranking Obtenir les solutions de P λ dans l ordre décroissant de z λ (x) Points forts : Trouve au plus tôt les solutions efficaces Ces solutions ne seront pas remises en question Incrément rapide de z λ Pour le sac à dos : une analogie KP plus longs chemins (PLC) un ranking pour les PLC Julien Jorge (LINA) Soutenance de thèse 11 mai / 50
41 Procédures en deux phases Illustration du ranking P λ borne inférieure z λ Julien Jorge (LINA) Soutenance de thèse 11 mai / 50
42 Procédures en deux phases Illustration du ranking valeur courante de z λ (x) Julien Jorge (LINA) Soutenance de thèse 11 mai / 50
43 Procédures en deux phases Illustration du ranking Julien Jorge (LINA) Soutenance de thèse 11 mai / 50
44 Procédures en deux phases Illustration du ranking Julien Jorge (LINA) Soutenance de thèse 11 mai / 50
45 Procédures en deux phases Illustration du ranking Julien Jorge (LINA) Soutenance de thèse 11 mai / 50
46 Procédures en deux phases Illustration du ranking Julien Jorge (LINA) Soutenance de thèse 11 mai / 50
47 Procédures en deux phases Illustration du ranking Julien Jorge (LINA) Soutenance de thèse 11 mai / 50
48 Procédures en deux phases Illustration du ranking Julien Jorge (LINA) Soutenance de thèse 11 mai / 50
49 Procédures en deux phases Illustration du ranking Julien Jorge (LINA) Soutenance de thèse 11 mai / 50
50 Procédures en deux phases Calcul de X NE, cas tri-objectif Phase 1 Phase 2 bi tri bi tri xp Julien Jorge (LINA) Soutenance de thèse 11 mai / 50
51 Procédures en deux phases Seconde phase, cas tri-objectif Espace non dominé non exploré à l issue de la phase 1 Y SN R p Y SN z z z Julien Jorge (LINA) Soutenance de thèse 11 mai / 50
52 Procédures en deux phases Cas multi-objectif Principale difficulté du passage bi-objectif à multi-objectif : l espace à explorer n est plus décrit de manière triviale Solution : autre description de la zone de recherche (Przybylski, 2006) Description de la zone de recherche Un ensemble de points D(U), U Y N tel que : aucun point n est dans l espace strictement dominé tout l espace non dominé est au dessus d un point de D(U) les points de D(U) ne se dominent pas Julien Jorge (LINA) Soutenance de thèse 11 mai / 50
53 Mise à jour de D(U) Procédures en deux phases 1 Obtenir les points Q = {d D(U) : d y} y Julien Jorge (LINA) Soutenance de thèse 11 mai / 50
54 Procédures en deux phases Mise à jour de D(U) 1 Obtenir les points Q = {d D(U) : d y} 2 j {1,...,p}, remplacer la coordonnée j de d Q par y j. Obtenir l ensemble Q de ces nouveaux points. y Julien Jorge (LINA) Soutenance de thèse 11 mai / 50
55 Procédures en deux phases Mise à jour de D(U) 1 Obtenir les points Q = {d D(U) : d y} 2 j {1,...,p}, remplacer la coordonnée j de d Q par y j. Obtenir l ensemble Q de ces nouveaux points. 3 Retirer les d Q tels que d Q : d d y Julien Jorge (LINA) Soutenance de thèse 11 mai / 50
56 Procédures en deux phases Mise à jour de D(U) 1 Obtenir les points Q = {d D(U) : d y} 2 j {1,...,p}, remplacer la coordonnée j de d Q par y j. Obtenir l ensemble Q de ces nouveaux points. 3 Retirer les d Q tels que d Q : d d 4 D(U {y}) D(U) \ Q Q Julien Jorge (LINA) Soutenance de thèse 11 mai / 50
57 Procédures en deux phases Application du ranking 1,0 Le ranking est appliqué comme dans le cas bi-objectif, avec 0,8 W 0 (y 5 ) partitionnement de W 0 donne λ D(Y SN ) associé avec les les plus proches facettes λ2 0,6 0,4 W 0 (y 2 ) z λ adapté à D(Y SN ) 0,2 W 0 (y 4 ) W 0 (y 1 ) 0 0,2 0,4 λ 1 0,6 0,8 1,0 W 0 (y 3 ) Julien Jorge (LINA) Soutenance de thèse 11 mai / 50
58 Procédures en deux phases Expérimentations numériques Phase 1 Phase 2 bi tri bi tri xp Julien Jorge (LINA) Soutenance de thèse 11 mai / 50
59 Procédures en deux phases Expérimentations numériques (bi-objectif) Pentium 4 à 3,73 GHz avec 3 Go de mémoire vive Phase 1 : P λ résolus par programmation dynamique (Martello et Toth, 1990) Environ 300 instances aux caractéristiques variées : A-1, B-1, C-1 de type random A-2, A-4 aux objectifs conflictuels A-3, A-4 aux profits générés par plateaux B-2, C-{2-3} aux profits corrélés B-3 profits corrélés avec les poids C-4 profits de B-3 et poids corrélés avec profits Julien Jorge (LINA) Soutenance de thèse 11 mai / 50
60 Procédures en deux phases Conséquences de nos modifications de l évaluation Un gain allant jusqu à 60% sur des instances de 50 à 500 variables. 70 Pourcentage de gain CPU Taille de l instance Gain moyen par taille d instance. Julien Jorge (LINA) Soutenance de thèse 11 mai / 50
61 Procédures en deux phases Temps de résolution (bi-objectif) Taille des instances Programmation dynamique Ranking PLC CPU (s.) ,1 0,01 0,001 A-1 A-2 A-3 A-4 B-1 Instance B-2 B-3 Julien Jorge (LINA) Soutenance de thèse 11 mai / 50
62 Procédures en deux phases Temps de résolution (bi-objectif) Taille des instances CPU (s.) ,1 C-1 Prog. dynamique Ranking C-2 C-3 Instance C-4 Julien Jorge (LINA) Soutenance de thèse 11 mai / 50
63 Procédures en deux phases Évidence du point faible du ranking z 2 z 1 Points visités X Julien Jorge (LINA) Soutenance de thèse 11 mai / 50
64 Procédures en deux phases Nombre de solutions (bi-objectif) X EM XEm Nombre de solutions A-1 A-2 A-3 A-4 B-1 Instance B-2 B-3 Julien Jorge (LINA) Soutenance de thèse 11 mai / 50
65 Procédures en deux phases Nombre de solutions (bi-objectif) Nombre de solutions C-1 C-2 Instance C-3 X Em X EM C-4 Julien Jorge (LINA) Soutenance de thèse 11 mai / 50
66 Procédures en deux phases Expérimentations numériques (tri-objectif) Présentation des instances 700 instances D-1 de type random D-2 second profit corrélé avec le premier, troisième profit corrélé avec les deux autres Julien Jorge (LINA) Soutenance de thèse 11 mai / 50
67 Procédures en deux phases Expérimentations numériques (tri-objectif), résultats Taille des instances CPU (s.) ,1 Ranking Prog. dynamique D-1 D-2 Instance Julien Jorge (LINA) Soutenance de thèse 11 mai / 50
68 Procédures en deux phases Expérimentations numériques (tri-objectif), résultats Taille de X EM Taille de l instance Julien Jorge (LINA) Soutenance de thèse 11 mai / 50
69 Procédures de séparation et d évaluation 1 Le problème multi-objectif de sac à dos 2 Procédures en deux phases 3 Procédures de séparation et d évaluation 4 Conclusions et perspectives Julien Jorge (LINA) Soutenance de thèse 11 mai / 50
70 Procédures de séparation et d évaluation Grandes lignes Trois éléments dans les PSE : 1 Ordre des sélection des variables 2 Évaluation des nœuds 3 Ordre de traitement des nœuds Pour le KP mono : 1 Efficacité d un objet c w ց 2 Relaxation linéaire 3 Profondeur d abord PSE pour KP mono grandement aidées par une fixation a priori des variables. Quid de MOKP? Julien Jorge (LINA) Soutenance de thèse 11 mai / 50
71 Procédures de séparation et d évaluation Une procédure de réduction de problème pour MOKP Ensemble des données : V = {v i = (ci 1,...,c p i, w i )} Définition de : Pref(i) = {j : v j V v i } Dom(i) = {j : v j V v i } w i Dom Propriétés : 1 x i = 0 si j Pref(i) w j + w i > ω Pref 2 x i = 1 si j Dom(i) w j ω w i c i En pratique, résultat mitigés, efficaces sur les instances bi- sans corrélation. Julien Jorge (LINA) Soutenance de thèse 11 mai / 50
72 Procédures de séparation et d évaluation Ordre de considération des objets Multi-objectif : π j : un objectif à la fois rang (position selon π j ) min, max et somme, croissant rang «niveau de dominance» préférence pour les non dominés nombre de données dominantes, ր c i w i Julien Jorge (LINA) Soutenance de thèse 11 mai / 50
73 Procédures de séparation et d évaluation Ordre de considération des objets Multi-objectif : π j : un objectif à la fois rang (position selon π j ) min, max et somme, croissant rang «niveau de dominance» préférence pour les non dominés nombre de données dominantes, ր π 1 Julien Jorge (LINA) Soutenance de thèse 11 mai / 50
74 Procédures de séparation et d évaluation Ordre de considération des objets Multi-objectif : π j : un objectif à la fois rang (position selon π j ) min, max et somme, croissant rang «niveau de dominance» préférence pour les non dominés nombre de données dominantes, ր π 2 Julien Jorge (LINA) Soutenance de thèse 11 mai / 50
75 Procédures de séparation et d évaluation Ordre de considération des objets Multi-objectif : π j : un objectif à la fois rang (position selon π j ) min, max et somme, croissant rang «niveau de dominance» préférence pour les non dominés nombre de données dominantes, ր (6, 3) (3, 2) (5, 6) (4, 1) π min (2, 5) (1, 4) Julien Jorge (LINA) Soutenance de thèse 11 mai / 50
76 Procédures de séparation et d évaluation Ordre de considération des objets Multi-objectif : π j : un objectif à la fois rang (position selon π j ) min, max et somme, croissant rang «niveau de dominance» préférence pour les non dominés nombre de données dominantes, ր (6, 3) (3, 2) (5, 6) (4, 1) π max (2, 5) (1, 4) Julien Jorge (LINA) Soutenance de thèse 11 mai / 50
77 Procédures de séparation et d évaluation Ordre de considération des objets Multi-objectif : π j : un objectif à la fois rang (position selon π j ) min, max et somme, croissant rang «niveau de dominance» préférence pour les non dominés nombre de données dominantes, ր π sum Julien Jorge (LINA) Soutenance de thèse 11 mai / 50
78 Procédures de séparation et d évaluation Ordre de considération des objets Multi-objectif : π j : un objectif à la fois rang (position selon π j ) min, max et somme, croissant rang «niveau de dominance» préférence pour les non dominés nombre de données dominantes, ր π rg Julien Jorge (LINA) Soutenance de thèse 11 mai / 50
79 Procédures de séparation et d évaluation Ordre de considération des objets Multi-objectif : π j : un objectif à la fois rang (position selon π j ) min, max et somme, croissant rang «niveau de dominance» préférence pour les non dominés nombre de données dominantes, ր π dom Julien Jorge (LINA) Soutenance de thèse 11 mai / 50
80 Procédures de séparation et d évaluation Ordre de considération des objets Multi-objectif : π j : un objectif à la fois rang (position selon π j ) min, max et somme, croissant rang «niveau de dominance» préférence pour les non dominés nombre de données dominantes, ր π # Julien Jorge (LINA) Soutenance de thèse 11 mai / 50
81 Procédures de séparation et d évaluation Évaluation des nœuds Description de l espace de recherche D(U) point utopique (cf phase 2) mono (vers utopique) enveloppe, de utopique à conv(y SN ) (phase 1 utilisée par la suite) Julien Jorge (LINA) Soutenance de thèse 11 mai / 50
82 Procédures de séparation et d évaluation Évaluation des nœuds Description de l espace de recherche D(U) point utopique (cf phase 2) mono (vers utopique) enveloppe, de utopique à conv(y SN ) (phase 1 utilisée par la suite) Julien Jorge (LINA) Soutenance de thèse 11 mai / 50
83 Procédures de séparation et d évaluation Évaluation des nœuds Description de l espace de recherche D(U) point utopique (cf phase 2) mono (vers utopique) enveloppe, de utopique à conv(y SN ) (phase 1 utilisée par la suite) Julien Jorge (LINA) Soutenance de thèse 11 mai / 50
84 Procédures de séparation et d évaluation Évaluation des nœuds Description de l espace de recherche D(U) point utopique (cf phase 2) mono (vers utopique) enveloppe, de utopique à conv(y SN ) (phase 1 utilisée par la suite) Julien Jorge (LINA) Soutenance de thèse 11 mai / 50
85 Procédures de séparation et d évaluation Branchement Profondeur d abord : Sélection de la première variable x i libre selon l ordre initial Brancher sur x i = 1, diffusion sur Pref(v i ) Brancher sur x i = 0, diffusion sur Dom(v i ) Délai : Même sélection Préparer et évaluer un nœud pour x i = 1 Préparer et évaluer un nœud pour x i = 0 Ajouter ces nœuds dans une file d attente Brancher sur le nœud en tête de file Julien Jorge (LINA) Soutenance de thèse 11 mai / 50
86 Procédures de séparation et d évaluation File d attente des nœuds Critère de sélection du suivant : ratio résiduel au plus loin de 1 2 solutions supportées du sous arbre peu dominées un maximum de solutions supportées capacité disponible la plus faible cardinalité la plus grande Julien Jorge (LINA) Soutenance de thèse 11 mai / 50
87 Procédures de séparation et d évaluation Temps de résolution en moyenne (profondeur), D-1 CPU (s.) π 1 π 2 π 3 π dom π max π min π sum π rnd π rg π # 2-phases ,1 0,01 0, Nombre de variables Julien Jorge (LINA) Soutenance de thèse 11 mai / 50
88 Procédures de séparation et d évaluation Temps de résolution en moyenne (délai), D-1 CPU (s.) π 1 π 2 π 3 π dom π max π min π sum π rnd π rg π # ,1 0,01 0, Nombre de variables Julien Jorge (LINA) Soutenance de thèse 11 mai / 50
89 Procédures de séparation et d évaluation Nombre de nœuds en moyenne π min, D z U 43, 5% 60, 2% 60, 8% 71, 7% 64, 8% 74, 6% 66, 2% P λ 0, 7% 4, 8% 16, 4% 16, 3% 28, 4% 22, 2% 30, 8% Vus , , , , Nœuds fermés et nombre de nœuds visités (profondeur) z U 46, 9% 63, 5% 58% 66% 67, 6% 57, 7% P λ 0% 2, 3% 13, 9% 13, 4% 15, 5% 22, 5% conv 20, 34% 13% 16, 3% 13, 3% 12, 4% 17, 8% Vus , , , Nœuds fermés et nombre de nœuds visités (délai) Julien Jorge (LINA) Soutenance de thèse 11 mai / 50
90 Conclusions et perspectives 1 Le problème multi-objectif de sac à dos 2 Procédures en deux phases 3 Procédures de séparation et d évaluation 4 Conclusions et perspectives Julien Jorge (LINA) Soutenance de thèse 11 mai / 50
91 Conclusions Conclusions et perspectives Programmation dynamique : multi-objectif, rapide et gourmand 2-phases : lent mais endurant La 2-phases bi-objectif avec ranking surpasse l existant 2-phases : jamais évaluée pour plus de 2 objectifs sur MOKP Une limitation qui n a plus lieu d être. L efficacité de la méthode est confirmée. PSE : une approche principalement mono-objectif, deux travaux sur du bi-objectif Deux procédures multi-objectif Une nouvelle approche pour la réduction de problème Julien Jorge (LINA) Soutenance de thèse 11 mai / 50
92 Perspectives Conclusions et perspectives PSE : le passage au multi révèle plusieurs verrous Positionnement par rapport à ǫ-contrainte, k PPM? Réduction de problème : une procédure aux performances discrètes Procédure par comparaison de frontières et d ensembles bornant? 2-phases : Extraction d un type d instance bloquant le ranking Influence directe des données, nécessité de caractériser les instances. Julien Jorge (LINA) Soutenance de thèse 11 mai / 50
93 Nouvelles propositions pour la résolution exacte du sac à dos multi-objectif unidimensionnel en variables binaires Julien Jorge Laboratoire d Informatique de Nantes Atlantique, UMR CNRS 6241, UFR de Sciences et Techniques de Nantes 11 mai 2010 Julien Jorge (LINA) Soutenance de thèse 11 mai / 1
94 Illustration Points initiaux : y 1 = (16, 5, 8) y 2 = (13, 9, 10) y 3 = (3, 4, 15) Face Wp(y 0 1 )/Wp(y 0 2 ) : λ W 0 : λ y 1 = λ y 2 λ 1 y1 1 +λ 2y2 1 +(1 λ 1 λ 2 )y3 1 =λ 1 y1 2 +λ 2y2 2 +(1 λ 1 λ 2 )y3 2 1,0 0,8 0,6 λ2 0,4 0,2 W 0 0 0,2 0,4 0,6 0,8 1,0 λ 1 Julien Jorge (LINA) Soutenance de thèse 11 mai / 1
95 Illustration Points initiaux : y 1 = (16, 5, 8) y 2 = (13, 9, 10) y 3 = (3, 4, 15) Face Wp(y 0 1 )/Wp(y 0 2 ) : λ W 0 : λ y 1 = λ y 2 λ 1 y1 1 +λ 2y2 1 +(1 λ 1 λ 2 )y3 1 =λ 1 y1 2 +λ 2y2 2 +(1 λ 1 λ 2 )y3 2 5λ 1 2λ 2 2 = 0 1,0 0,8 0,6 λ2 0,4 0,2 0 5λ 1 2λ 2 2 = 0 W 0 0,2 0,4 0,6 0,8 1,0 λ 1 Julien Jorge (LINA) Soutenance de thèse 11 mai / 1
96 Description de la zone de recherche D(U) z z z Toutes les solutions efficaces ont leur image dans 0+R p, représenté par D(0) Julien Jorge (LINA) Soutenance de thèse 11 mai / 1
97 Description de la zone de recherche D(U) z z z La connaissance d un point y Y N invalide une partie de l espace décrite par (D(U)+R p ) (y Rp ) Julien Jorge (LINA) Soutenance de thèse 11 mai / 1
98 Description de la zone de recherche D(U) z z z déterminer les remplaçants à d D(U) (y R p ) pour décrire l espace hors de y R p Julien Jorge (LINA) Soutenance de thèse 11 mai / 1
99 Temps de résolution en moyenne, D-2 CPU (s.) π 1 π 2 π 3 π dom π max π min π sum π rnd π rg π # 2-phases ,1 0,01 0, Nombre de variables Julien Jorge (LINA) Soutenance de thèse 11 mai / 1
100 Temps de résolution en moyenne (délai), D-2 CPU (s.) π 1 π 2 π 3 π dom π max π min π sum π rnd π rg π # ,1 0,01 0, Nombre de variables Julien Jorge (LINA) Soutenance de thèse 11 mai / 1
Nouvelles propositions pour la résolution exacte du problème de sac à dos bi-objectif unidimensionnel en variables binaires
Nouvelles propositions pour la résolution exacte du problème de sac à dos bi-objectif unidimensionnel en variables binaires Julien Jorge, Xavier Gandibleux Laboratoire d Informatique de Nantes Atlantique
Une heuristique hybride pour le problème de set packing biobjectif p.1/19
Une heuristique hybride pour le problème de set packing biobjectif Xavier Delorme 1,2, Xavier Gandibleux 2,3 et Fabien DEGOUTIN 2,4 1. Ecole Nationale Supérieure des Mines de Saint-Etienne Centre : Génie
Optimisation en nombres entiers
Optimisation en nombres entiers p. 1/83 Optimisation en nombres entiers Michel Bierlaire michel.bierlaire@epfl.ch EPFL - Laboratoire Transport et Mobilité - ENAC Optimisation en nombres entiers p. 2/83
Résolution approchée du problème de set packing bi-objectif
Résolution approchée du problème de set packing bi-objectif Xavier Delorme 1,2, Xavier Gandibleux 2 et Fabien DEGOUTIN 1,2 1. Laboratoire d Automatique, de Mécanique et d Informatique industrielles et
Parallel Tree-based Exact Algorithms using Heterogeneous Many and Multi-core Computing for Solving Challenging Problems in Combinatorial Optimization
Parallel Tree-based Exact Algorithms using Heterogeneous Many and Multi-core Computing for Solving Challenging Problems in Combinatorial Optimization Rudi Leroy Encadrement : N. Melab (Univ. Lille 1),
Résolution d un problème de Job-Shop intégrant des contraintes de Ressources Humaines
Résolution d un problème de Job-Shop intégrant des contraintes de Ressources Humaines ROADEF 09, 10-12 février 2009, Nancy (France) O. Guyon 1.2, P. Lemaire 2, É. Pinson 1 et D. Rivreau 1 1 LISA - Institut
Introduction à la programmation en variables entières Cours 3
Introduction à la programmation en variables entières Cours 3 F. Clautiaux francois.clautiaux@math.u-bordeaux1.fr Université Bordeaux 1 Bât A33 - Bur 272 Sommaire Notion d heuristique Les algorithmes gloutons
Intelligence Artificielle Jeux
Intelligence Artificielle Jeux Bruno Bouzy http://web.mi.parisdescartes.fr/~bouzy bruno.bouzy@parisdescartes.fr Licence 3 Informatique UFR Mathématiques et Informatique Université Paris Descartes Programmation
Le problème du flot maximal avec contraintes sur le nombre de chemins
Le problème du flot maximal avec contraintes sur le nombre de chemins Jérôme Truffot, Christophe Duhamel, Philippe Mahey jerome.truffot@isima.fr, christophe.duhamel@isima.fr, philippe.mahey@isima.fr LIMOS,
Notion de complexité
1 de 27 Algorithmique Notion de complexité Florent Hivert Mél : Florent.Hivert@lri.fr Adresse universelle : http://www-igm.univ-mlv.fr/ hivert Outils mathématiques 2 de 27 Outils mathématiques : analyse
des réapprovisionnements pour système d assemblage à deux niveaux quand les délais d approvisionnement sont aléatoires
Planification des réapprovisionnements pour système d assemblage à deux niveaux quand les délais d approvisionnement sont aléatoires Oussama Ben Ammar, Faicel Hnaien, Hélène Marian, Alexandre Dolgui To
Algorithmique et Programmation Projets 2012/2013
3 Dames 3. Objectif Il s agit d écrire un programme jouant aux Dames selon les règles. Le programme doit être le meilleur possible. Vous utiliserez pour cela l algorithme α β de recherche du meilleur coup
Définitions. Numéro à préciser. (Durée : )
Numéro à préciser (Durée : ) On étudie dans ce problème l ordre lexicographique pour les mots sur un alphabet fini et plusieurs constructions des cycles de De Bruijn. Les trois parties sont largement indépendantes.
Séance 12: Algorithmes de Support Vector Machines
Séance 12: Algorithmes de Support Vector Machines Laboratoire de Statistique et Probabilités UMR 5583 CNRS-UPS www.lsp.ups-tlse.fr/gadat Douzième partie XII Algorithmes de Support Vector Machines Principe
Le problème des multiplications matricielles enchaînées peut être énoncé comme suit : étant
Licence informatique - L Année 0/0 Conception d algorithmes et applications (LI) COURS Résumé. Dans cette cinquième séance, nous continuons l exploration des algorithmes de type Programmation Dynamique.
Programmation 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
Multiplication par une constante entière
Multiplication par une constante entière Vincent Lefèvre Juin 2001 Introduction But : générer du code optimal à l aide d opérations élémentaires (décalages vers la gauche, additions, soustractions). Utile
Devoir Surveillé informatique MP, PC, PSI
NOM : Classe : Devoir Surveillé informatique MP, PC, PSI L utilisation des calculatrices n est pas autorisée pour cette épreuve. Le langage de programmation choisi est Python. L espace laissé pour les
APPLICATION DE LA RECHERCHE OPÉRATIONNELLE DANS DES APPLICATIONS OPÉRATIONNELLES FRANCIS SOURD SNCF INNOVATION & RECHERCHE
APPLICATION DE LA RECHERCHE OPÉRATIONNELLE DANS DES APPLICATIONS OPÉRATIONNELLES FRANCIS SOURD SNCF INNOVATION & RECHERCHE INAUGURATION DE L INSTITUT HENRI FAYOL 17/05/2013 DE L OPTIMISATION MATHEMATIQUE
Programmation 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
ARBRES 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
Problème combinatoire sur le réseau de transport de gaz. Nicolas Derhy, Aurélie Le Maitre, Nga Thanh CRIGEN Manuel Ruiz, Sylvain Mouret ARTELYS
Problème combinatoire sur le réseau de transport de gaz Nicolas Derhy, Aurélie Le Maitre, Nga Thanh CRIGEN Manuel Ruiz, Sylvain Mouret ARTELYS Au programme Présentation du problème Un problème d optimisation
Programmation linéaire
Programmation linéaire DIDIER MAQUIN Ecole Nationale Supérieure d Electricité et de Mécanique Institut National Polytechnique de Lorraine Mathématiques discrètes cours de 2ème année Programmation linéaire
Évaluation d une approche de classification conceptuelle
Évaluation d une approche de classification conceptuelle Marie Chavent Yves Lechevallier Mathématiques Appliquées de Bordeaux, UMR 5466 CNRS Université Bordeaux 1-351, Cours de la libération 33405 Talence
Resolution 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.
Evolution d un scénario dans l expérience e-colab. EMF, Dakar avril 2009 Gilles Aldon, Eductice, INRP Dominique Raymond-Baroux, IREM Paris 7
Evolution d un scénario dans l expérience e-colab EMF, Dakar avril 2009 Gilles Aldon, Eductice, INRP Dominique Raymond-Baroux, IREM Paris 7 Cadre général Groupe e-colab au sein de l INRP Collaboration
Cours 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
Chapitre 6. Programmation Dynamique. Méthodes P.S.E.P. 6.1 Programmation dynamique. 6.1.1 Exemple introductif
Chapitre 6 Programmation Dynamique. Méthodes P.S.E.P. 6.1 Programmation dynamique 6.1.1 Exemple introductif Problème : n matrices M i (m i, m i+1 ) à multiplier en minimisant le nombre de multiplications,
Reconnaissance des formes : Classement d ensembles d objets
Reconnaissance des formes : Classement d ensembles d objets Données Méthodes Extraction de connaissances Applications Expertise Apprentissage Bernard FERTIL Directeur de Recherche CNRS Équipe LXAO, UMR
OPTIMISATION DE LA TARIFICATION DES RÉSEAUX MOBILES
OPTIMISATION DE LA TARIFICATION DES RÉSEAUX MOBILES ST50 - Projet de fin d études Matthieu Leromain - Génie Informatique Systèmes temps Réel, Embarqués et informatique Mobile - REM 1 Suiveur en entreprise
Chapitre 6. Modélisation en P.L.I. 6.1 Lien entre PL et PLI. 6.1.1 Approximation de la PLI
Chapitre 6 Modélisation en P.L.I. 6.1 Lien entre PL et PLI (P) problème de PL. On restreint les variables à être entières : on a un problème de PLI (ILP en anglais). On restreint certaines variables à
Exemples de problèmes et d applications. INF6953 Exemples de problèmes 1
Exemples de problèmes et d applications INF6953 Exemples de problèmes Sommaire Quelques domaines d application Quelques problèmes réels Allocation de fréquences dans les réseaux radio-mobiles Affectation
Cours 3. La conditionnelle: instructions si et selon Les boucles Comment raisonner sur les boucles: les invariants de boucle
Cours 3 : Instructions qui changent l ordre d exécution séquentiel 1 Cours 3 Instructions qui changent l ordre d exécution séquentiel La conditionnelle: instructions si et selon Les boucles Comment raisonner
Heuristique et métaheuristique. 8. Optimisation combinatoire et métaheuristiques. Optimisation combinatoire. Problème du voyageur de commerce
Heuristique et métaheuristique IFT1575 Modèles de recherche opérationnelle (RO) 8. Optimisation combinatoire et métaheuristiques Un algorithme heuristique permet d identifier au moins une solution réalisable
Planification des salles opératoires avec durées d interventions aléatoires
Planification des salles opératoires avec durées d interventions aléatoires Mehdi LAMIRI, Xiaolan XIE, Alexandre DOLGUI et Frédéric GRIMAUD Centre Ingénierie et santé Centre Génie Industriel et Informatique
Programmation 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.
Optimisation en nombres entiers
Optimisation en nombres entiers Recherche Opérationnelle GC-SIE Branch & bound Algorithmes On distingue 3 types d algorithmes. Algorithmes exacts Ils trouvent la solution optimale Ils peuvent prendre un
Les méthodes d optimisation appliquées à la conception de convertisseurs électromécaniques. Elec 2311 : S7
Les méthodes d optimisation appliquées à la conception de convertisseurs électromécaniques Elec 2311 : S7 1 Plan du cours Qu est-ce l optimisation? Comment l optimisation s intègre dans la conception?
Contrainte de flot pour RCPSP avec temps de transfert
Contrainte de flot et x-rcpsc T 1 Contrainte de flot pour RCPSP avec temps de transfert PS temp, s ij Cmax BENOIST Thierry BOUYGUES/e-Lab DIAMANTINI Maurice ENSTA/LMA Contrainte de flot et x-rcpsc T Présentation
Sérialisation d un schéma de sous gradient avec des métaheuristiques pour la résolution approchée de problèmes de sacs à dos multidimensionnels
Sérialisation d un schéma de sous gradient avec des métaheuristiques pour la résolution approchée de problèmes de sacs à dos multidimensionnels Vincent Pinte Deregnaucourt - 5 juillet 2007 Sommaire 1 Le
Recherche Opérationnelle I
Recherche Opérationnelle I Nadia Brauner Nadia.Brauner@imag.fr Programmation linéaire en nombres entiers Programmation linéaire en nombres entiers Introduction Programmation Linéaire (PL) Variables de
NFP136- Cours 2 ALGORITHMES ET COMPLEXITÉ. Définition d'un algorithme Un exemple Présentation des algorithmes Évaluation d'un algorithme Complexité
NFP136- Cours 2 ALGORITHMES ET COMPLEXITÉ PLAN Définition d'un algorithme Un exemple Présentation des algorithmes Évaluation d'un algorithme Complexité 1 DÉFINITION D'UN ALGORITHME Procédure de calcul
Théorie des graphes pour l analyse de réseaux d intéractions
Théorie des graphes pour l analyse de réseaux d intéractions Bertrand Jouve Laboratoire ERIC - IXXI - Université Lyon 2 SMAI 2013 Plan 1 Introduction 2 Décomposition en Clans Exemple d étude : modélisation
Construction distribuée de groupes pour le calcul à grande échelle. O. Beaumont, N. Bonichon, P. Duchon, L. Eyraud-Dubois, H.
Construction distribuée de groupes pour le calcul à grande échelle O. Beaumont, N. Bonichon, P. Duchon, L. Eyraud-Dubois, H. Larchevêque O. Beaumont, N. Bonichon, P. Duchon, L. Construction Eyraud-Dubois,
Programmation linéaire
1 Programmation linéaire 1. Le problème, un exemple. 2. Le cas b = 0 3. Théorème de dualité 4. L algorithme du simplexe 5. Problèmes équivalents 6. Complexité de l Algorithme 2 Position du problème Soit
Automatisation de la certification formelle de systèmes critiques par instrumentation d interpréteurs abstraits
1 d Automatisation de la certification formelle de systèmes critiques par instrumentation d sous la direction de Michaël Périn Soutenance de Thèse de Doctorat Université de Grenoble - Laboratoire Verimag
La programmation linéaire : une introduction. Qu est-ce qu un programme linéaire? Terminologie. Écriture mathématique
La programmation linéaire : une introduction Qu est-ce qu un programme linéaire? Qu est-ce qu un programme linéaire? Exemples : allocation de ressources problème de recouvrement Hypothèses de la programmation
Exercices théoriques
École normale supérieure 2008-2009 Département d informatique Algorithmique et Programmation TD n 9 : Programmation Linéaire Avec Solutions Exercices théoriques Rappel : Dual d un programme linéaire cf.
DATA MINING 2 Réseaux de Neurones, Mélanges de classifieurs, SVM avancé
I. Réseau Artificiel de Neurones 1. Neurone 2. Type de réseaux Feedforward Couches successives Récurrents Boucles de rétroaction Exemples de choix pour la fonction : suivant une loi de probabilité Carte
Analyse de données pour l aide à la décision interactive en optimisation ROADEF de 2010 tournées1 de / 23 véhi
Analyse de données pour l aide à la décision interactive en optimisation de tournées de véhicules B. GACIAS 1, P. LOPEZ 1, J. CEGARRA 2 1 LAAS-CNRS; Université de Toulouse, France 2 CLLE; Université de
Rapport. TME2 - Problème d affectation multi-agents
Rapport TME2 - Problème d affectation multi-agents Auteurs : Encadrant : Lan Zhou Safia Kedad-Sidhoum Minh Viet Le Plan I. Problème :... 2 II. Question 1 - Formulation linéaire du problème :... 2 III.
Machine de Turing. Informatique II Algorithmique 1
Machine de Turing Nous avons vu qu un programme peut être considéré comme la décomposition de la tâche à réaliser en une séquence d instructions élémentaires (manipulant des données élémentaires) compréhensibles
L approche Bases de données
L approche Bases de données Cours: BD. Avancées Année: 2005/2006 Par: Dr B. Belattar (Univ. Batna Algérie) I- : Mise à niveau 1 Cours: BDD. Année: 2013/2014 Ens. S. MEDILEH (Univ. El-Oued) L approche Base
Points fixes de fonctions à domaine fini
ÉCOLE POLYTECHNIQUE ÉCOLE NORMALE SUPÉRIEURE DE CACHAN ÉCOLE SUPÉRIEURE DE PHYSIQUE ET DE CHIMIE INDUSTRIELLES CONCOURS D ADMISSION 2013 FILIÈRE MP HORS SPÉCIALITÉ INFO FILIÈRE PC COMPOSITION D INFORMATIQUE
Structures de données, IMA S6
Structures de données, IMA S6 Arbres Binaires d après un cours de N. Devésa, Polytech Lille. Laure Gonnord http://laure.gonnord.org/pro/teaching/ Laure.Gonnord@polytech-lille.fr Université Lille 1 - Polytech
Allocation de ressources pour réseaux virtuels Projet de fin d études. Mikaël Capelle. Marie-José Huguet Slim Abdellatif Pascal Berthou
Allocation de ressources pour réseaux virtuels Projet de fin d études Mikaël Capelle Marie-José Huguet Slim Abdellatif Pascal Berthou 27 Juin 2014 Plan 1 Introduction - La virtualisation de réseau 2 3
Fonctions homographiques
Fonctions homographiques On donne ci-dessous deux définitions des fonctions homographiques, et on montre que ces deux définitions sont équivalentes. On décrit la courbe représentative d une fonction homographique.
Analyse de la complexité algorithmique (1)
Analyse de la complexité algorithmique (1) L analyse de la complexité telle que nous l avons vue jusqu à présent nous a essentiellement servi à déterminer si un problème est ou non facile (i.e. soluble
Fouille de Données et Media Sociaux Cours 2 Master DAC Data Science UPMC - LIP6
Fouille de Données et Media Sociaux Cours 2 Master DAC Data Science UPMC - LIP6 Ludovic Denoyer 21 septembre 2015 Ludovic Denoyer () FDMS 21 septembre 2015 1 / 1 Contexte Observation La plupart des bonnes
Recherche opérationnelle dans le secteur de la construction (4/5)
Recherche opérationnelle dans le secteur de la construction (4/5) Antoine Jeanjean Ingénieur de recherche Ecole des Mines de Nantes Amphi Georges Besse 14h30-16h30 Plan de la présentation Le Groupe Bouygues
Algorithmique P2. Les paradigmes de résolution Suite Renaud Dumont, Ulg 2009-2010
Algorithmique P2 Les paradigmes de résolution Suite Renaud Dumont, Ulg 2009-2010 Glouton : Exercice 1 Vous souhaitez vous rendre de Liège à Brest en scooter Votre réservoir vous permet de rouler R Km Vous
Mathématiques pour l informatique 1 notes de cours sur la seconde partie
Mathématiques pour l informatique notes de cours sur la seconde partie L Université Paris-Est, Marne-la-Vallée Cyril Nicaud Organisation Ce demi-cours est composé de 6 séances de cours et 6 séances de
Chapitre 2: Modélisation
2013 2014 RCP104 Optimisation en Informatique Chapitre 2: Dr. Nazih OUWAYED nazih.ouwayed@gmail.com http://nouwayed.yolasite.com Sommaire Comment décrire un porblème Principe Cas réel par un programme
Indexation 3D à partir de vues 2D
Indexation 3D à partir de vues 2D Thibault Napoléon 1 Télécom ParisTech - TSI Qu est ce que l indexation 3D? Recherche dans une grande base de donnée 3D Recherche par le contenu (la forme, la couleur...)
Étapes du développement et de l utilisation d un modèle de simulation
Étapes du développement et de l utilisation d un modèle de simulation Étapes du développement et de l utilisation d un modèle de simulation Formulation du problème Cueillette et analyse de données Conception
Statistique : Résumé de cours et méthodes
Statistique : Résumé de cours et méthodes 1 Vocabulaire : Population : c est l ensemble étudié. Individu : c est un élément de la population. Effectif total : c est le nombre total d individus. Caractère
RÉFÉRENTIEL DE COMPÉTENCES Septembre 2009
RÉFÉRENTIEL DE COMPÉTENCES Septembre 2009 Les informations contenues dans le présent document sont strictement confidentielles. Elles sont la propriété de EMCC et toute reproduction, diffusion ou exploitation
1 de 46. Algorithmique. Trouver et Trier. Florent Hivert. Mél : Florent.Hivert@lri.fr Page personnelle : http://www.lri.fr/ hivert
1 de 46 Algorithmique Trouver et Trier Florent Hivert Mél : Florent.Hivert@lri.fr Page personnelle : http://www.lri.fr/ hivert 2 de 46 Algorithmes et structures de données La plupart des bons algorithmes
Tournées de véhicules
Tournées de véhicules De la théorie aux outils d aide à la décision Olivier Péton, Ecole des Mines de Nantes, novembre 2008 Les principaux problèmes de tournées Deux problèmes de base : Problème du voyageur
Optimisation du trafic au sol sur les grands aéroportsa
Optimisation du trafic au sol sur les grands aéroportsa Plan Contexte Simulations accélérées du trafic au sol Optimisation des séquences d'avions sur les pistes Résolution des conflits au roulage Applications
Placement de centres logistiques
Master 1 - Spécialité Androide Année 2014/2015 Module RP Résolution de Problèmes Projet Placement de centres logistiques On considère dans ce projet la résolution du problème de placement de centres logistiques
Cours d Algorithmique
1 de 16 Cours d Algorithmique Florent Hivert Mél : Florent.Hivert@lri.fr Adresse universelle : http://www.lri.fr/ hivert 2 de 16 Informations pratiques 25 heures de cours ; 25 heures de travaux dirigés
Méthodes de la Recherche Opérationnelle pour l analyse de données
Méthodes de la Recherche Opérationnelle pour l analyse de données Julien Darlay G-SCOP 27 janvier 2011 Julien Darlay (G-SCOP) Méthodes de RO pour l analyse de données 27 janvier 2011 1 / 20 Plan Analyse
LES 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
PROPOSITION D UNE APPROCHE DE SEGMENTATION D IMAGES HYPERSPECTRALES
PROPOSITION D UNE APPROCHE DE SEGMENTATION D IMAGES HYPERSPECTRALES Nathalie GORRETTA MONTEIRO 1 1 UMR Information et Technologies pour les Agro-Procédés, Cemagref Montpellier, France Présentée le 25 Février
«L état de la recherche en management de projet». CR du séminaire sur le management de projet organisé à Paris Dauphine
«L état de la recherche en management de projet». CR du séminaire sur le management de projet organisé à Paris Dauphine Par Eric Boespflug Préambule : cette journée de séminaire faisait état des résultats
Algorithmique I. Augustin.Lux@imag.fr Roger.Mohr@imag.fr Maud.Marchal@imag.fr. Algorithmique I 20-09-06 p.1/??
Algorithmique I Augustin.Lux@imag.fr Roger.Mohr@imag.fr Maud.Marchal@imag.fr Télécom 2006/07 Algorithmique I 20-09-06 p.1/?? Organisation en Algorithmique 2 séances par semaine pendant 8 semaines. Enseignement
Gestion de tampon en ligne
Gestion de tampon en ligne pour illustrer des techniques centrales en algorithmique en ligne C. Dürr CNRS, LIP6 roadef 2014 La scène devant le frigo jeter les aliments périmés découvrir ce que son compagnon
Licence informatique - L3 Année 2012/2013. Conception d algorithmes et applications (LI325) COURS 2
Licence informatique - L Année 0/0 Conception d algorithmes et applications (LI) COURS Résumé. Cette deuxième séance est entièrement consacrée aux applications du principe Diviser pour Régner. Nous regarderons
Texte Agrégation limitée par diffusion interne
Page n 1. Texte Agrégation limitée par diffusion interne 1 Le phénomène observé Un fût de déchets radioactifs est enterré secrètement dans le Cantal. Au bout de quelques années, il devient poreux et laisse
Architecture des Systèmes d Information Architecture des Systèmes d Information
Plan... Tableaux et tris I3 - Algorithmique et programmation 1 Rappels Nicol Delestre 2 Tableaux à n dimensions 3 Initiation aux tris Tableaux - v2.0.1 1 / 27 Tableaux - v2.0.1 2 / 27 Rappels : tableau
Ecole Nationale Polytechnique Département Génie Industriel Année Universitaire 2011/2012. Les Files
. Ecole Nationale Polytechnique Département Génie Industriel Année Universitaire 2011/2012 Algorithmique et Programmation Les structures de données Les Files Introduction Une File ressemble fortement à
Année Universitaire 2013/2014 DST de Printemps
Année Universitaire 2013/2014 DST de Printemps Parcours : Licence LIMI201 & LIMI211 Code UE : J1MI2013 Épreuve : Algorithmes et Programmes Date : Lundi 16 juin 2014 Heure : 16 heures 30 Durée : 2 heures
Plan du cours. Métaheuristiques pour l optimisation combinatoire. Quelques problèmes classiques (2/3) Quelques problèmes classiques (1/3)
Plan du cours Quelques problèmes classiques Quelques algorithmes classiques Métaheuristiques pour l optimisation combinatoire un peu de vocabulaire codage des solutions taxinomie méthodes complètes méthodes
MSE 2. Module de processus haute performance pour l assemblage de raccords vissés
Module de processus haute performance pour l assemblage de raccords vissés Ultra-dynamique, compact et polyvalent Le module de processus breveté MSE pour l assemblage de raccords vissés est parfaitement
Voyageur de commerce et solution exacte
Voyageur de commerce et solution exacte uteurs :. Védrine,. Monsuez e projet consiste à réaliser un outil capable de trouver le plus court trajet pour un commercial qui doit visiter n villes, les n villes
Les mathématiques en maternelle. Circonscription de St Julien - Christophe Licitri CPAIEN Martine Montellier PEMF
Les mathématiques en maternelle Circonscription de St Julien - Christophe Licitri CPAIEN Martine Montellier PEMF Questionnement Quels sont les champs d'application des mathématiques en maternelle? Quels
DECHARGEMENT ET CHARGEMENT MASSIF DES DONNEES
DECHARGEMENT ET CHARGEMENT MASSIF DES DONNEES Les contenus 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 être
Travaux dirigés n o 6
Travaux dirigés n o 6 Lycée Kléber MPSI, Option Info 2014/2015 Exercice 1 (Indexation d un arbre binaire) Ecrire une fonction Caml indexation : ( f, n) arbre_binaire -> (string,string) arbre_binaire qui
LA PROGRAMMATION LINEAIRE : UN OUTIL DE MODELISATION
LA PROGRAMMATION LINEAIRE : UN OUTIL DE MODELISATION Dans les leçons précédentes, nous avons modélisé des problèmes en utilisant des graphes. Nous abordons dans cette leçon un autre type de modélisation.
Programmation Linéaire Cours 1 : programmes linéaires, modélisation et résolution graphique
Programmation Linéaire Cours 1 : programmes linéaires, modélisation et résolution graphique F. Clautiaux francois.clautiaux@math.u-bordeaux1.fr Université Bordeaux 1 Bât A33 Motivation et objectif du cours
Algorithmique distribuée d exclusion mutuelle : vers une gestion efficace des ressources
Algorithmique distribuée d exclusion mutuelle : vers une gestion efficace des ressources Jonathan Lejeune LIP6-UPMC/CNRS, Inria 19 septembre 2014 Directeur : Pierre Sens Encadrants : Luciana Arantes et
Eco-conception de maisons à énergie positive
MEXICO Rencontres 2015, Clermont-Ferrand 06 octobre 2015 Eco-conception de maisons à énergie positive Mots-clés : Optimisation multicritère, algorithme génétique, fronts de Pareto Thomas RECHT : thomas.recht@mines-paristech.fr
Sommaire des mises à jour au document : Indicateurs de rendement des mathématiques M à 9 de l Alberta
Sommaire des mises à jour au document : Indicateurs de rendement des mathématiques M à 9 de l Alberta Ce document présente les mises à jour qui ont été faites au document d appui Indicateurs de rendement
Cours 1: Introduction à l algorithmique
1 Cours 1: Introduction à l algorithmique Olivier Bournez bournez@lix.polytechnique.fr LIX, Ecole Polytechnique 2011-12 Algorithmique 2 Aujourd hui Calcul de x n Maximum Complexité d un problème Problème
L'approche "portefeuille de projets" appliquée aux EPP Principes et démarche, l expérience de l ANAP
JIQHS 2012 La Villette, Paris 26 & 27 novembre 2011 Atelier n 16 : Le management efficient des EPP et des projets QGR L'approche "portefeuille de projets" appliquée aux EPP Principes et démarche, l expérience
Calcul garanti des contraintes pour la planification sécurisée de trajectoire
Calcul garanti des contraintes pour la planification sécurisée de trajectoire Application à la génération de trajectoire articulaire pour un patient paraplégique sous Stimulation Électrique Fonctionnelle
Projet de mémoire pour l obtention du titre de Docteur en Systèmes Informatiques et Automatiques de l Ecole Doctorale EDSYS
Proet de mémoire pour l obtention du titre de Docteur en Systèmes Informatiques et Automatiques de l Ecole Doctorale EDSYS Université Toulouse 3 Paul Sabatier Présenté par : Mohamed Esseghir LALAMI Titre
Les données géographiques 3D pour simuler l impact de la réglementation urbaine sur la morphologie du bâti. Mickaël Brasebin
Les données géographiques 3D pour simuler l impact de la réglementation urbaine sur la morphologie du bâti. Mickaël Brasebin Encadrement : Julien Perret, Sébastien Mustière (COGIT) Christiane Weber (LIVE)
Excel Avancé. Plan. Outils de résolution. Interactivité dans les feuilles. Outils de simulation. La valeur cible Le solveur
Excel Avancé Plan Outils de résolution La valeur cible Le solveur Interactivité dans les feuilles Fonctions de recherche (ex: RechercheV) Utilisation de la barre d outils «Formulaires» Outils de simulation