Nouvelles propositions pour la résolution exacte du sac à dos multi-objectif unidimensionnel en variables binaires
|
|
|
- Charles Viau
- il y a 1 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
Structures de données non linéaires
Structures de données non linéaires I. Graphes Définition Un graphe (simple) orienté G est un couple (S, A), où : S est un ensemble dont les éléments sont appelés les sommets. A est un ensemble de couples
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.
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
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
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
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
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
Rapport du Jury du Concours 2010 Épreuve Pratique d Algorithmique et de Programmation (EPAP)
Rapport du Jury du Concours 2010 Épreuve Pratique d Algorithmique et de Programmation (EPAP) Loris Marchal, Guillaume Melquion, Frédéric Tronel 21 juin 2011 Remarques générales à propos de l épreuve Organisation
Proposition d activité utilisant l application. Tripatouille. (http://www.malgouyres.fr/tripatouille/)
IREM Clermont-Ferrand Algorithmique au lycée Malika More malika.more@u-clermont1.fr 28 janvier 2011 Proposition d activité utilisant l application Tripatouille (http://www.malgouyres.fr/tripatouille/)
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
Optimisation multi-critère pour l allocation de ressources sur Clouds distribués avec prise en compte de l énergie
Optimisation multi-critère pour l allocation de ressources sur Clouds distribués avec prise en compte de l énergie 1 Présenté par: Yacine KESSACI Encadrement : N. MELAB E-G. TALBI 31/05/2011 Plan 2 Motivation
Les arbres de décision
Les arbres de décision 25 Septembre 2007 Datamining 1 2007-2008 Plan 1 Le partitionnement récursif 2 C4.5 3 CART 4 Evaluation de performances 5 Bilan Datamining 2 2007-2008 Les données du Titanic Le partitionnement
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
Arbres binaires de recherche
Chapitre 6 Arbres binaires de recherche 6.1 Introduction On a étudié le problème de la recherche dans une collection d éléments ordonnés entre eux : on a montré que Pour une liste contiguë, la recherche
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
Electronique Générale. Convertisseur Numérique/Analogique (C.N.A.) et Convertisseur Analogique/Numérique (C.A.N.)
Convertisseur umérique/analogique (C..A.) et Convertisseur Analogique/umérique (C.A..) I- Introduction : En électronique, un signal électrique est le plus souvent porteur d une information. Il existe deux
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
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
Antoine Cornuéjols AgroParisTech
Antoine Cornuéjols AgroParisTech antoine.cornuejols@agroparistech.fr http://www.lri.fr/~antoine Cours IA 1. Introduction 2. Cas des jeux entièrement explorables 3. L algorithme du MinMax 4. Amélioration
PREMIER RETOUR D EXPERIENCE SUR LE FLOW-SHOP BIOBJECTIF ET HYBRIDE A DEUX ETAGES AVEC UNE CONTRAINTE DE BLOCAGE PARTICULIERE
6 e Conférence Francophone de MOdélisation et SIMulation - MOSIM 06 - du 3 au 5 avril 2006 - Rabat - Maroc Modélisation, Optimisation et Simulation des Systèmes : Défis et Opportunités PREMIER RETOUR D
Université Paris Diderot Paris 7. TD n 2. Arbres Binaire de Recherche
Université Paris Diderot Paris L Informatique Algorithmique Année 00-0, er semestre TD n Arbres Binaire de Recherche Le type de donné arbre" sera utilisé pour indiquer l ensemble de toutes les Arbres Binaires
Arbres ordonnés, binaires, tassés, FAP, tri par FAP, tas, tri par tas
Arbres ordonnés, binaires, tassés, FAP, tri par FAP, tas, tri par tas 1. Arbres ordonnés 1.1. Arbres ordonnés (Arbres O) On considère des arbres dont les nœuds sont étiquetés sur un ensemble muni d'un
Mathématiques assistées par ordinateur
Mathématiques assistées par ordinateur Chapitre 4 : Racines des polynômes réels et complexes Michael Eisermann Mat249, DLST L2S4, Année 2008-2009 www-fourier.ujf-grenoble.fr/ eiserm/cours # mao Document
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
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
À propos des matrices échelonnées
À propos des matrices échelonnées Antoine Ducros appendice au cours de Géométrie affine et euclidienne dispensé à l Université Paris 6 Année universitaire 2011-2012 Introduction Soit k un corps, soit E
Mathématique et Automatique : de la boucle ouverte à la boucle fermée. Maïtine bergounioux Laboratoire MAPMO - UMR 6628 Université d'orléans
Mathématique et Automatique : de la boucle ouverte à la boucle fermée Maïtine bergounioux Laboratoire MAPMO - UMR 6628 Université d'orléans Maitine.Bergounioux@labomath.univ-orleans.fr Plan 1. Un peu de
Application de K-means à la définition du nombre de VM optimal dans un cloud
Application de K-means à la définition du nombre de VM optimal dans un cloud EGC 2012 : Atelier Fouille de données complexes : complexité liée aux données multiples et massives (31 janvier - 3 février
Etude comparative de différents motifs utilisés pour le lancé de rayon
Etude comparative de différents motifs utilisés pour le lancé de rayon Alexandre Bonhomme Université de Montréal 1 Introduction Au cours des dernières années les processeurs ont vu leurs capacités de calcul
Introduction à l Algorithmique
Introduction à l Algorithmique N. Jacon 1 Définition et exemples Un algorithme est une procédure de calcul qui prend en entier une valeur ou un ensemble de valeurs et qui donne en sortie une valeur ou
Traitement des données avec Microsoft EXCEL 2010
Traitement des données avec Microsoft EXCEL 2010 Vincent Jalby Septembre 2012 1 Saisie des données Les données collectées sont saisies dans une feuille Excel. Chaque ligne correspond à une observation
IN 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,
Arbres binaires de recherche
Chapitre 1 Arbres binaires de recherche 1 Les arbre sont très utilisés en informatique, d une part parce que les informations sont souvent hiérarchisées, et peuvent être représentées naturellement sous
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
Marketing quantitatif M2-MASS
Marketing quantitatif M2-MASS Francois.Kauffmann@unicaen.fr UCBN 2 décembre 2012 Francois.Kauffmann@unicaen.fr UCBN Marketing quantitatif M2-MASS 2 décembre 2012 1 / 61 Première partie I Analyse Analyse
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
Annexe 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
Fouille de données orientée motifs, méthodes et usages.
Fouille de données orientée motifs, méthodes et usages. François RIOULT GREYC - Équipe Données-Documents-Langues CNRS UMR 6072 Université de Caen Basse-Normandie France Résumé La fouille de données orientée
Travail d Étude et de Recherche. Aide à l optimisation de rendez-vous de type business speed-dating
Travail d Étude et de Recherche Aide à l optimisation de rendez-vous de type business speed-dating Alexandre Medi Andreea Radulescu Johan Voland Université de Nantes 10 mai 2011 1 Remerciements En préambule
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
GLOBAL SUPPLY CHAIN MANAGEMENT & STRATEGIE LOGISTIQUE
GLOBAL SUPPLY CHAIN MANAGEMENT & STRATEGIE LOGISTIQUE La logistique représentait traditionnellement l activité allant de la mise à disposition des produits finis par l usine ou le négociant jusqu à la
Discrétisation et génération de hiérarchies de concepts
Prétraitement des données 1 Pourquoi prétraiter les données? Nettoyage des données Intégration et transformation Réduction des données Discrétisation et génération de hiérarchies de g concepts Pourquoi
Algorithme de recherche locale pour la résolution d un problème réel de tournées d inventaires
Algorithme de recherche locale pour la résolution d un problème réel de tournées d inventaires Thierry Benoist Frédéric Gardi Antoine Jeanjean Bouygues e-lab, Paris { tbenoist, fgardi, ajeanjean }@bouygues.com
Algorithmes de recherche
Algorithmes de recherche 1 Résolution de problèmes par recherche On représente un problème par un espace d'états (arbre/graphe). Chaque état est une conguration possible du problème. Résoudre le problème
Exercices - Polynômes : corrigé. Opérations sur les polynômes
Opérations sur les polynômes Exercice 1 - Carré - L1/Math Sup - Si P = Q est le carré d un polynôme, alors Q est nécessairement de degré, et son coefficient dominant est égal à 1. On peut donc écrire Q(X)
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
Exercices «Programmation récursive» Deuxième saison UPMC Cycle L Revision: 1.21
Exercices «Programmation récursive» Deuxième saison UPMC Cycle L Revision: 1.21 Anne Brygoo, Maryse Pelletier, Christian Queinnec, Michèle Soria Université Paris 6 Pierre et Marie Curie septembre 2005
Souad EL Bernoussi. Groupe d Analyse Numérique et Optimisation Rabat http ://www.fsr.ac.ma/ano/
Recherche opérationnelle Les démonstrations et les exemples seront traités en cours Souad EL Bernoussi Groupe d Analyse Numérique et Optimisation Rabat http ://www.fsr.ac.ma/ano/ Table des matières 1 Programmation
ECOLE SUPERIEURE DE COMMERCE D ALGER
MINISTERE DE L ENSEIGNEMENT SUPERIEUR ET DE LA RECHERCHE SCIENTIFIQUE ECOLE SUPERIEURE DE COMMERCE D ALGER PROGRAMME DE LICENCE EN SCIENCES COMMERCIALES ET FINANCIERES OPTION : FINANCE ( applicable à partir
Chapitre 7. Récurrences
Chapitre 7 Récurrences 333 Plan 1. Introduction 2. Applications 3. Classification des récurrences 4. Résolution de récurrences 5. Résumé et comparaisons Lectures conseillées : I MCS, chapitre 20. I Rosen,
Visibilité polygone à polygone :
Introduction Visibilité polygone à polygone : calcul, représentation, applications Frédéric Mora Université de Poitiers - Laboratoire SIC 10 juillet 2006 1 La visibilité Introduction Contexte L espace
Base de données en mémoire
Base de données en mémoire Plan Bases de données relationnelles OnLine Analytical Processing Difficultés de l OLAP Calculs en mémoire Optimisations 1 Base de données relationnelle Introduction Date Exemple
Cours Algorithmique, 2ème partie AS IUT
Cours Algorithmique, 2ème partie AS IUT Cours 2 : Arbres Binaires Anne Vilnat http://www.limsi.fr/individu/anne/coursalgo Plan 1 Représentations arborescentes 2 Définition d un arbre binaire récursive
Comment évaluer une banque?
Comment évaluer une banque? L évaluation d une banque est basée sur les mêmes principes généraux que n importe quelle autre entreprise : une banque vaut les flux qu elle est susceptible de rapporter dans
Mlle Yasmin A. RÍOS SOLÍS
Thèse de DOCTORAT de l UNIVERSITÉ PARIS VI - PIERRE ET MARIE CURIE Spécialité : INFORMATIQUE présentée par : Mlle Yasmin A. RÍOS SOLÍS pour obtenir le grade de DOCTEUR de l UNIVERSITÉ PARIS VI Sujet de
Représentation des nombres entiers et réels. en binaire en mémoire
L3 Mag1 Phys. fond., cours C 15-16 Rep. des nbs. en binaire 25-09-05 23 :06 :02 page 1 1 Nombres entiers 1.1 Représentation binaire Représentation des nombres entiers et réels Tout entier positif n peut
Communications collectives et ordonnancement en régime permanent pour plates-formes hétérogènes
Loris MARCHAL Laboratoire de l Informatique du Parallélisme Équipe Graal Communications collectives et ordonnancement en régime permanent pour plates-formes hétérogènes Thèse réalisée sous la direction
Métriques 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
introduction Chapitre 5 Récursivité Exemples mathématiques Fonction factorielle ø est un arbre (vide) Images récursives
introduction Chapitre 5 Images récursives http ://univ-tln.fr/~papini/sources/flocon.htm Récursivité http://www.poulain.org/fractales/index.html Image qui se contient elle-même 1 Exemples mathématiques
Principe 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
Arbres binaires de recherche (ABR) Binary Search Trees (BST)
LSVIII-BIM Algorithmie, 2015 Arbres binaires de recherche (ABR) Binary Search Trees (BST) I. Arbres binaires 1. Structure 2. Parcours II. Arbres binaires de recherche 1. Définition 2. Opérations sur les
Politiques monétaire et fiscale Cours de M2R Printemps 2006
Politiques monétaire et fiscale Cours de M2R Printemps 2006 Ekkehard Ernst OCDE Ekkehard Ernst 1 Introduction et résumé du cours Objectifs Connaître et apprendre les concepts modernes d analyse monétaire
INF601 : Algorithme et Structure de données
Cours 2 : TDA Liste B. Jacob IC2/LIUM 15 février 2010 Plan 1 Définition du TDA Liste 2 Réalisation du TDA Liste 3 Type de stockage des éléments 4 Recherche d un élément Dans une liste non triée Dans une
ALGORITHMES POUR LA VISUALISATION SCIENTIFIQUE
BAZEILLE Stéphane MOUGEL Baptiste IUP3 ALGORITHMES POUR LA VISUALISATION SCIENTIFIQUE EN Année 2003/2004 1 TABLE DES MATIERES Home... 3 Introduction.... 3 Marching Square... 4 Algorithme....4 Programmation...4
PLAN. Synchronisation des Processus: Exclusion Mutuelle. Problème de synchronisation: Exemple. Spécification du Problème
PLAN Synchronisation des Processus: Exclusion Mutuelle N.Hameurlain http://www.univ-pau.fr/~hameur Spécification du problème Section Critique () Exclusion Mutuelle Principe Propriétés Réalisation d exclusion
Rappels sur les suites - Algorithme
DERNIÈRE IMPRESSION LE 14 septembre 2015 à 12:36 Rappels sur les suites - Algorithme Table des matières 1 Suite : généralités 2 1.1 Déition................................. 2 1.2 Exemples de suites............................
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
Segmentation interactive d images médicales à 4 dimensions par Lignes de Partage des Eaux
1 Segmentation interactive d images médicales à 4 dimensions par Lignes de Partage des Eaux F. Bidault (1), J. Stawiaski (2), E. Decencière (2), I. Ferreira (3), C. Le Péchoux (3), F. Meyer (2), J. Bourhis
Université de Montréal. Temps de Branchement du Mouvement Brownien Branchant Inhomogène. Jean-Sébastien Turcotte
Université de Montréal Temps de Branchement du Mouvement Brownien Branchant Inhomogène par Jean-Sébastien Turcotte Département de mathématiques et de statistique Faculté des arts et des sciences Mémoire
MABioVis. Bio-informatique et la
MABioVis Modèles et Algorithmes pour la Bio-informatique et la Visualisation Visite ENS Cachan 5 janvier 2011 MABioVis G GUY MELANÇON (PR UFR Maths Info / EPI GRAVITE) (là, maintenant) - MABioVis DAVID
Quelques Algorithmes simples
Quelques Algorithmes simples Irène Guessarian ig@liafa.jussieu.fr 10 janvier 2012 Je remercie Patrick Cegielski de son aide efficace pour la programmation Java ; la section sur le codage de Huffman a été
LOGICIEL AUX ÉLÉMENTS FINIS H2D2 : VALIDATION DE LA FORMULATION DES ÉQUATIONS DE SAINT-VENANT. Rapport de recherche R-1023 Septembre 2008
LOGICIEL AUX ÉLÉMENTS FINIS H2D2 : VALIDATION DE LA FORMULATION DES ÉQUATIONS DE SAINT-VENANT Rapport de recherche R-1023 Septembre 2008 ii LOGICIEL AUX ÉLÉMENTS FINIS H2D2 : VALIDATION DE LA FORMULATION
Modélisation Informatique de Clients Douteux, En utilisant les Techniques de DATAMINING
Modélisation Informatique de Clients Douteux, En utilisant les Techniques de DATAMINING Mostafa Hanoune, Fouzia Benabbou To cite this version: Mostafa Hanoune, Fouzia Benabbou. Modélisation Informatique
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
Algorithmes de recherche d itinéraires en transport multimodal
de recherche d itinéraires en transport multimodal Fallou GUEYE 14 Décembre 2010 Direction : Christian Artigues LAAS-CNRS Co-direction : Marie José Huguet LAAS-CNRS Encadrant industriel : Frédéric Schettini
Chapitre 4 : Exclusion mutuelle
Chapitre 4 : Exclusion mutuelle Pierre Gançarski Juillet 2004 Ce support de cours comporte un certain nombre d erreurs : je décline toute responsabilité quant à leurs conséquences sur le déroulement des
2B La résolution de modèles linéaires par Excel 2010
2B La résolution de modèles linéaires par Excel 2010 Nous reprenons ici, de façon plus détaillée, la section où est indiqué comment utiliser le solveur d'excel 2010 pour résoudre un modèle linéaire (voir
CARTE DE VOEUX À L ASSOCIAEDRE
CARTE DE VOEUX À L ASSOCIAEDRE JEAN-LOUIS LODAY Il y a cinq ans le Centre International de Rencontres Mathématiques de Luminy a envoyé ses voeux avec la carte ci-dessus. L illustration choisie par Robert
Incertitude et variabilité : la nécessité de les intégrer dans les modèles
Incertitude et variabilité : la nécessité de les intégrer dans les modèles M. L. Delignette-Muller Laboratoire de Biométrie et Biologie Evolutive VetAgro Sup - Université de Lyon - CNRS UMR 5558 24 novembre
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
Recherche dans un tableau
Chapitre 3 Recherche dans un tableau 3.1 Introduction 3.1.1 Tranche On appelle tranche de tableau, la donnée d'un tableau t et de deux indices a et b. On note cette tranche t.(a..b). Exemple 3.1 : 3 6
Concurrence imparfaite
Concurrence imparfaite 1. Le monopole 2. Concurrence monopolistique 3. Hotelling et Salop 4. Concurrence à la Cournot 5. Concurrence à la Bertrand 6. Concurrence à la Stackelberg Monopole Un monopole,
Stratégie de recherche adaptative en programmation par contrainte
Université Paul Sabatier École Nationale de l Aviation Civile Master 2 Recherche Informatique et Télécommunication parcours Intelligence Artificielle Simon Marchal Stratégie de recherche adaptative en
Algorithmes probabilistes. Références: Fundamentals of Algortihms de Gilles Brassard et Paul Bratley Note de cours de Pierre McKenzie
Algorithmes probabilistes Références: Fundamentals of Algortihms de Gilles Brassard et Paul Bratley Note de cours de Pierre McKenzie Mise en contexte: Indices: Vous êtes à la recherche d un trésor légendaire
Théorie et Codage de l Information (IF01) exercices 2013-2014. Paul Honeine Université de technologie de Troyes France
Théorie et Codage de l Information (IF01) exercices 2013-2014 Paul Honeine Université de technologie de Troyes France TD-1 Rappels de calculs de probabilités Exercice 1. On dispose d un jeu de 52 cartes
Nos solutions de placement. Offres individuelles et avantageuses pour la constitution de votre patrimoine
Nos solutions de placement Offres individuelles et avantageuses pour la constitution de votre patrimoine Nous vous accompagnons vers vos objectifs de placement. Grâce à des solutions appropriées, des
Nos solutions de placement. Offres individuelles et avantageuses pour la constitution de votre patrimoine
Nos solutions de placement Offres individuelles et avantageuses pour la constitution de votre patrimoine Nous vous accompagnons vers vos objectifs de placement. Grâce à des solutions appropriées, des prestations
Que faire en algorithmique en classe de seconde? ElHassan FADILI Lycée Salvador Allende
Que faire en algorithmique en classe de seconde? BEGIN Que dit le programme? Algorithmique (objectifs pour le lycée) La démarche algorithmique est, depuis les origines, une composante essentielle de l
Big Data et Graphes : Quelques pistes de recherche
Big Data et Graphes : Quelques pistes de recherche Hamamache Kheddouci Laboratoire d'informatique en Image et Systèmes d'information LIRIS UMR 5205 CNRS/INSA de Lyon/Université Claude Bernard Lyon 1/Université
La classification automatique de données quantitatives
La classification automatique de données quantitatives 1 Introduction Parmi les méthodes de statistique exploratoire multidimensionnelle, dont l objectif est d extraire d une masse de données des informations
LCL LE CREDIT LYONNAIS
LCL LE CREDIT LYONNAIS Guide utilisateur pour l'installation du certificat «CA LCL Certificat RGS» Bienvenue dans le Guide utilisateur pour l'installation du certificat «CA LCL Certificat RGS». Nous vous
Masses de données. 1. Introduction 2. Problématiques 3. Socle de formation (non présenté) 4. Liens avec Formation INSA
Masses de données 1. Introduction 2. Problématiques 3. Socle de formation (non présenté) 4. Liens avec Formation INSA Rédacteurs : Mjo Huguet / N. Jozefowiez 1. Introduction : Besoins Informations et Aide
Algorithmique P2. HeapSort et files de priorité Ulg, 2009-2010 Renaud Dumont
Algorithmique P2 HeapSort et files de priorité Ulg, 2009-2010 Renaud Dumont Structure de tas - arbre Un tas est une structure de données qui Permet un nouveau type de tri (Tri par tas) Permet l'implémentation
Développement spécifique d'un système d information
Centre national de la recherche scientifique Direction des systèmes d'information REFERENTIEL QUALITE Procédure Qualité Développement spécifique d'un système d information Référence : CNRS/DSI/conduite-proj/developpement/proc-developpement-si
Recherche d information textuelle
Recherche d information textuelle Pré-traitements & indexation B. Piwowarski CNRS / LIP6 Université Paris 6 benjamin@bpiwowar.net http://www.bpiwowar.net Master IP - 2014-15 Cours et travaux pratiques
Algorithmes récursifs
Licence 1 MASS - Algorithmique et Calcul Formel S. Verel, M.-E. Voge www.i3s.unice.fr/ verel 23 mars 2007 Objectifs de la séance 3 écrire des algorithmes récursifs avec un seul test rechercher un élément
Théorie des graphes pour l analyse de réseaux réels
Théorie des graphes pour l analyse de réseaux réels Bertrand Jouve Laboratoire ERIC - IXXI - Université Lyon 2 Plan 1 Entre théorie des graphes et réseaux réels 2 Partitionnement métrique Exemple d étude
1 Force brute. 2 Analyse. 3 Conception préliminaire. 4 Conception détaillée. 5 Développement. 6 Conclusion. Architecture des Systèmes d Information
Plan Puissance 4 intelligent I3 Algorithmique Nicol Delestre 1 Force brute 2 Analyse 3 Conception préliminaire 4 Conception détaillée 5 Développement 6 Conclusion Puissance 4. v2.0 1 / 29 Puissance 4.