Nouvelles propositions pour la résolution exacte du sac à dos multi-objectif unidimensionnel en variables binaires
|
|
- Charles Viau
- il y a 5 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
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.
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
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
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
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
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
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
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
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
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,
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
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
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
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
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
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
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
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
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
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
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)
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
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
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
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
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
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
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
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
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,
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
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
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,
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
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
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
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
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
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
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
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
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
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
Autonomie et fragilités de la recherche académique Financements sur projet et reconfigurations du travail scientifique
L irrésistible ascension du capitalisme académique 18-19 avril 2013 Autonomie et fragilités de la recherche académique Financements sur projet et reconfigurations du travail scientifique Julien Barrier
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............................
Big Data et Graphes : Quelques pistes de recherche
Big Data et Graphes : Quelques pistes de recherche Hamamache Kheddouci http://liris.cnrs.fr/hamamache.kheddouci Laboratoire d'informatique en Image et Systèmes d'information LIRIS UMR 5205 CNRS/INSA de
Polynômes à plusieurs variables. Résultant
Polynômes à plusieurs variables. Résultant Christophe Ritzenthaler 1 Relations coefficients-racines. Polynômes symétriques Issu de [MS] et de [Goz]. Soit A un anneau intègre. Définition 1.1. Soit a A \
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
PRECISION - REJET DE PERTURBATIONS T.D. G.E.I.I.
PRECISION - REJET DE PERTURBATIONS T.D. G.E.I.I.. Donner les erreurs en position, en vitesse et en accélération d un système de transfert F BO = N(p) D(p) (transfert en boucle ouverte) bouclé par retour
Théorie des Jeux Et ses Applications
Théorie des Jeux Et ses Applications De la Guerre Froide au Poker Clément Sire Laboratoire de Physique Théorique CNRS & Université Paul Sabatier www.lpt.ups-tlse.fr Quelques Définitions de la Théorie des
La NP-complétude. Johanne Cohen. PRISM/CNRS, Versailles, France.
La NP-complétude Johanne Cohen PRISM/CNRS, Versailles, France. Références 1. Algorithm Design, Jon Kleinberg, Eva Tardos, Addison-Wesley, 2006. 2. Computers and Intractability : A Guide to the Theory of
Optimisation for Cloud Computing and Big Data
1 / 23 Optimisation for Cloud Computing and Big Data Olivier Beaumont, Lionel Eyraud-Dubois 2 / 23 Aujourd hui Problèmes de fiabilité on va oublier la dynamicité Placement de VMs en programmation par contraintes
Efficacité énergétique des réseaux de cœur et d accès
Efficacité énergétique des réseaux de cœur et d accès David Coudert Joanna Mouliérac, Frédéric Giroire MASCOTTE I3S (CNRS/Université Nice Sophia-Antipolis) INRIA Sophia-Antipolis Méditerranée 1 Contexte
Diagrammes de Package, de déploiement et de composants UML
labsticc.univ-brest.fr/pages_perso/babau/ Diagrammes de Package, de déploiement et de composants UML Jean-Philippe Babau Département Informatique, UFR Sciences, Laboratoire Lab-STICC 2 1 Plan Description
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
Chapitre 5. Équilibre concurrentiel et bien-être
Chapitre 5 Équilibre concurrentiel et bien-être Microéconomie III 5 1 5.1 Qu est-ce qu un équilibre souhaitable socialement? E cacité versus équité Que nous permet de dire la science économique sur l e
Structure du cours : Il existe de nombreuses méthodes intéressantes qui couvrent l Analyse des Données
Structure du cours : Il existe de nombreuses méthodes intéressantes qui couvrent l Analyse des Données et le Data Mining Nous suivons le plan suivant : Fonctionnement de Spad Catalogue des méthodes (statistiques
Logiciel Libre Cours 3 Fondements: Génie Logiciel
Logiciel Libre Cours 3 Fondements: Génie Logiciel Stefano Zacchiroli zack@pps.univ-paris-diderot.fr Laboratoire PPS, Université Paris Diderot 2013 2014 URL http://upsilon.cc/zack/teaching/1314/freesoftware/
Utilisation d informations visuelles dynamiques en asservissement visuel Armel Crétual IRISA, projet TEMIS puis VISTA L asservissement visuel géométrique Principe : Réalisation d une tâche robotique par
1 Recherche en table par balayage
1 Recherche en table par balayage 1.1 Problème de la recherche en table Une table désigne une liste ou un tableau d éléments. Le problème de la recherche en table est celui de la recherche d un élément
Manuel Utilisateur ENTREPRISE Assistance téléphonique : 0892 43 43 63 (0.34 / min)
Manuel Utilisateur ENTREPRISE Assistance téléphonique : 0892 43 43 63 (0.34 / min) Sommaire : 1. Introduction 2. Pré requis techniques 2.1. Configuration minimale requise pour la consultation des annonces
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.
Exercices du Cours de la programmation linéaire donné par le Dr. Ali DERBALA
75. Un plombier connaît la disposition de trois tuyaux sous des dalles ( voir figure ci dessous ) et il lui suffit de découvrir une partie de chacun d eux pour pouvoir y poser les robinets. Il cherche
Intégration de la dimension sémantique dans les réseaux sociaux
Intégration de la dimension sémantique dans les réseaux sociaux Application : systèmes de recommandation Maria Malek LARIS-EISTI maria.malek@eisti.fr 1 Contexte : Recommandation dans les réseaux sociaux
Probabilités Loi binomiale Exercices corrigés
Probabilités Loi binomiale Exercices corrigés Sont abordés dans cette fiche : (cliquez sur l exercice pour un accès direct) Exercice 1 : épreuve de Bernoulli Exercice 2 : loi de Bernoulli de paramètre
Réunion Information Investissements d Avenir
Réunion Information Investissements d Avenir Logiciel Embarqué et Objets Connectés Sophia, 16 Juillet 2013 Investissements Avenir : Réorientation Réorientation de 2,2 Mds$ du budget non engagé des IA Soutien
Évaluation et implémentation des langages
Évaluation et implémentation des langages Les langages de programmation et le processus de programmation Critères de conception et d évaluation des langages de programmation Les fondations de l implémentation
Comparer l intérêt simple et l intérêt composé
Comparer l intérêt simple et l intérêt composé Niveau 11 Dans la présente leçon, les élèves compareront divers instruments d épargne et de placement en calculant l intérêt simple et l intérêt composé.
De même, le périmètre P d un cercle de rayon 1 vaut P = 2π (par définition de π). Mais, on peut démontrer (difficilement!) que
Introduction. On suppose connus les ensembles N (des entiers naturels), Z des entiers relatifs et Q (des nombres rationnels). On s est rendu compte, depuis l antiquité, que l on ne peut pas tout mesurer
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
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.
Simulation centrée individus
Simulation centrée individus Théorie des jeux Bruno BEAUFILS Université de Lille Année 4/5 Ce document est mis à disposition selon les termes de la Licence Creative Commons Attribution - Partage dans les
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
En vue de l'obtention du. Présentée et soutenue par Abir BEN HMIDA SAKLY Le 12/12/2009
THÈSE En vue de l'obtention du DOCTORAT DE L UNIVERSITÉ DE TOULOUSE Délivré par l'institut National des Sciences Appliquées de Toulouse Discipline ou spécialité : Systèmes Informatiques Présentée et soutenue
Entraînement au concours ACM-ICPC
Entraînement au concours ACM-ICPC Concours ACM-ICPC : format et stratégies Page 1 / 16 Plan Présentation Stratégies de base Page 2 / 16 Qu est-ce que c est? ACM-ICPC : International Collegiate Programming
OPTIMISATION À UNE VARIABLE
OPTIMISATION À UNE VARIABLE Sommaire 1. Optimum locaux d'une fonction... 1 1.1. Maximum local... 1 1.2. Minimum local... 1 1.3. Points stationnaires et points critiques... 2 1.4. Recherche d'un optimum
Cours d introduction à l informatique. Partie 2 : Comment écrire un algorithme? Qu est-ce qu une variable? Expressions et instructions
Cours d introduction à l informatique Partie 2 : Comment écrire un algorithme? Qu est-ce qu une variable? Expressions et instructions Qu est-ce qu un Une recette de cuisine algorithme? Protocole expérimental
Mesurer les performances (CPU) sous Linux
Titre : Mesurer les performances (CPU) sous Linux Date : 22/07/2015 Page : 1/7 Mesurer les performances (CPU) sous Linux Résumé : Il existe des outils permettant de tracer les temps CPU utilisés (profiling).
L apport du HPC pour l optimisation. Eric Jacquet-Lagrèze. FORUM TERATEC 28 juin 2011
L apport du HPC pour l optimisation Eric Jacquet-Lagrèze FORUM TERATEC 28 juin 2011 Sommaire 1 / Recherche Opérationnelle et calcul scientifique 2 / Où se trouve la complexité et quels enjeux pour le HPC?
PROBLEMES D'ORDONNANCEMENT AVEC RESSOURCES
Leçon 11 PROBLEMES D'ORDONNANCEMENT AVEC RESSOURCES Dans cette leçon, nous retrouvons le problème d ordonnancement déjà vu mais en ajoutant la prise en compte de contraintes portant sur les ressources.
L analyse d images regroupe plusieurs disciplines que l on classe en deux catégories :
La vision nous permet de percevoir et d interpreter le monde qui nous entoure. La vision artificielle a pour but de reproduire certaines fonctionnalités de la vision humaine au travers de l analyse d images.
Master Informatique Aix-Marseille Université
Aix-Marseille Université http://masterinfo.univ-mrs.fr/ Département Informatique et Interactions UFR Sciences Laboratoire d Informatique Fondamentale Laboratoire des Sciences de l Information et des Systèmes
Quelles sont les principales formules utiles pour l étude de cas de vente?
Quelles sont les principales formules utiles pour l étude de cas de vente? Approvisionnement et gestion des stocks : des quantités vendues dans un Du stock initial, final et des livraisons, des commandes
Plus courts chemins, programmation dynamique
1 Plus courts chemins, programmation dynamique 1. Plus courts chemins à partir d un sommet 2. Plus courts chemins entre tous les sommets 3. Semi-anneau 4. Programmation dynamique 5. Applications à la bio-informatique
Probabilités conditionnelles Exercices corrigés
Terminale S Probabilités conditionnelles Exercices corrigés Exercice : (solution Une compagnie d assurance automobile fait un bilan des frais d intervention, parmi ses dossiers d accidents de la circulation.
RoomMate Guide de l'utilisateur
RoomMate Guide de l'utilisateur Antemak 19 Av. van Goidtsnoven B-1180, Bruxelles, Belgique +32.475.83.42.72 http://antemak.com info@antemak.com Par Steven Version 110311 Nous espérons que ce guide vous
SOMMAIRE INTRODUCTION... 3
SOMMAIRE INTRODUCTION... 3 I - PRESENTATION DE L ENQUETE... 5 A - OBJECTIFS DE L ENQUETE...5 B - CHAMP DE L ENQUETE...5 C - DETERMINATION DES «GROUPES» DE SOCIETES...6 II - VUE D ENSEMBLE DES CESSIONS...
Quelques algorithmes simples dont l analyse n est pas si simple
Quelques algorithmes simples dont l analyse n est pas si simple Michel Habib habib@liafa.jussieu.fr http://www.liafa.jussieu.fr/~habib Algorithmique Avancée M1 Bioinformatique, Octobre 2008 Plan Histoire
Grandes lignes ASTRÉE. Logiciels critiques. Outils de certification classiques. Inspection manuelle. Definition. Test
Grandes lignes Analyseur Statique de logiciels Temps RÉel Embarqués École Polytechnique École Normale Supérieure Mercredi 18 juillet 2005 1 Présentation d 2 Cadre théorique de l interprétation abstraite
Détection des deux roues motorisés par télémétrie laser à balayage
MEsure du TRAfic des deux-roues MOTOrisés pour la sécurité et l évaluation des risques Détection des deux roues motorisés par télémétrie laser à balayage Séminaire de mi parcours 11 mai 2012 CETE Normandie
Chp. 4. Minimisation d une fonction d une variable
Chp. 4. Minimisation d une fonction d une variable Avertissement! Dans tout ce chapître, I désigne un intervalle de IR. 4.1 Fonctions convexes d une variable Définition 9 Une fonction ϕ, partout définie
Documentation d information technique spécifique Education. PGI Open Line PRO
Documentation d information technique spécifique Education PGI Open Line PRO EBP Informatique SA Rue de Cutesson - ZA du Bel Air BP 95 78513 Rambouillet Cedex www.ebp.com Equipe Education : 01 34 94 83
Chapitre 5 LE MODELE ENTITE - ASSOCIATION
Chapitre 5 LE MODELE ENTITE - ASSOCIATION 1 Introduction Conception d une base de données Domaine d application complexe : description abstraite des concepts indépendamment de leur implémentation sous
Mesure agnostique de la qualité des images.
Mesure agnostique de la qualité des images. Application en biométrie Christophe Charrier Université de Caen Basse-Normandie GREYC, UMR CNRS 6072 Caen, France 8 avril, 2013 C. Charrier NR-IQA 1 / 34 Sommaire
Economie de l incertain et de l information Partie 1 : Décision en incertain probabilisé Chapitre 1 : Introduction à l incertitude et théorie de
Economie de l incertain et de l information Partie 1 : Décision en incertain probabilisé Chapitre 1 : Introduction à l incertitude et théorie de l espérance d utilité Olivier Bos olivier.bos@u-paris2.fr
La demande Du consommateur. Contrainte budgétaire Préférences Choix optimal
La demande Du consommateur Contrainte budgétaire Préférences Choix optimal Plan du cours Préambule : Rationalité du consommateur I II III IV V La contrainte budgétaire Les préférences Le choix optimal