DESS INFORMATIQUE DECISIONNELLE METAHEURISTIQUES
|
|
- Nicole Laperrière
- il y a 8 ans
- Total affichages :
Transcription
1 DESS INFORMATIQUE DECISIONNELLE METAHEURISTIQUES Virginie Gabrel B220ter chap I : Ge ne ralite s sur la re solution des probl`mes combinatoires chap II : Le recuit simule chap III : Les me thodes tabou chap IV : Les algorithmes ge ne tiques 1
2 CHAPITRE I Ge ne ralite s sur la re solution des probl`mes combinatoires I) Introduction Probl`me ge ne rique : Min f (x) x S ous est un ensemble fini mais de tr`s grande taille Pour leur re solution : Me thodes exactes pour de terminer une solution optimale : Programmation dynamique, branch & bound, combinatoire polye drique«me thodes pour de terminer une» bonne à solution (solution de de part pour initialiser une me thode exacte, solution optimale impossible a trouver en un temps acceptable) : Les algorithmes constructifs (gloutons base s sur une heuristique, sur une relaxation sur un partitionnement/de composition ou algorithmes spe cifiques) Les algorithmes de descente (de terministes et ale atoires) Les me taheuristiques (recuit simule, recherche tabou, algorithmes ge ne tiques «) Proce dures de pre -traitement (fixation de variables, e limination ou adjonction de contraintes) Relaxations pour l obtention de bornes infe rieures (continues, lagrangiennes«) 2
3 Glossaire : Espace de recherche : ensemble des solutions re alisables (S) Algorithme approche : algorithme permettant d explorer une partie de l espace de recherche pour trouver une solution re alisable du probl`me en tenant compte de la fonction e conomique. Solution approche e : solution obtenue par un algorithme approche (non ne cessairement optimale) Heuristique : r`gle ou strate gie de» bon sens à pour limiter l espace de recherche. Exemple d algorithme approche : Branch and bound partiel. 3
4 II) Les algorithmes constructifs 1) les algorithmes gloutons base s sur une heuristique - application au probl`me du sac-a-dos Max 12x1 + 7x2 + 16x3 + 25x4 + 3x5 + 20x6 + 16x7 + 9x8 s.c. 2x1 + x2 + 4x3 + 5x4 + x5 + 3x6 + 2x7 + x8 5 xi { 0,1} i = application au probl`me de recouvrement Min 7x1 + 3x2 + 7x3 + 12x4 + 6x5 s.c. x1 + x3 + x4 1 x2 + x4 1 x1 + x5 1 x3 + x5 1 xi { 0,1} i = application au probl`me du voyageur de commerce 4
5 Algorithme glouton pour le probl`me du sac-a-dos Hypo : c a 1 1 c a 2 2 L c a n n Pour tout j allant de 1 a n faire x j 0 Si a j b alors x j 1 b b - a j FinSi FinPour 5
6 Algorithme glouton pour le probl`me de recouvrement Initialement : x j 0 pour tout j Faire determiner r J tel que : c x r 1 n J J\{r} Pour tout i I I r faire m m-1 I I\{i} Pour tout j J J i faire n j n j - 1 FinPour FinPour Tant que m 0 r r c = min n j J j j 6
7 Algo glouton pour le probl`me du voyageur de commerce Probl`me du voyageur de commerce (TSP pour Traveling Salesman Problem): - V : Ensemble de n points (sommets) - Ensemble de coˆ ts c uv : coˆ t pour aller de u a v. E : ensemble des liaisons G=(V,E) : graphe complet - Tour (ou circuit hamiltonien) : circuit qui passe exactement une fois en chacun des sommets de V. - Coˆ t d un tour = somme des coˆ ts des arœtes traverse es TSP : De terminer le tour de coˆ t minimal Pb difficile tr`s e tudie : n! = nombre de solutions possibles Capacite actuelle a re soudre des probl`mes de grande taille (autour de 7000 sommets lorsque les coˆ ts sont proportionnels aux distances euclidiennes) 7
8 Algo glouton pour le probl`me du voyageur de commerce Algorithme du plus proche voisin - Partir d un sommet quelconque - Visiter le nç ud le plus proche non encore visite - Retourner au nç ud de de part quand tous les autres nç uds ont e te visite s Algorithme d insertion e 4 d - Partir d un circuit joignant deux sommets (par exemple les extre mite s d une arœte avec un coˆ t e leve ) - Ajouter les sommets restant a couvrir 1 a 1 de facon a augmenter le î possible le coˆ t du tour (par exemple pour chaque sommet v restant, calculer le coˆ t min pour aller de v a chacun des sommets de ja inclus dans le tour et inse rer le sommet pour lequel ce coˆ t est maximal). f a b c
9 Forme ge ne rale d un algorithme glouton C : Ensemble des choix possibles ordonne s en fonction de g (fonction qui mesure le coˆ t engendre par chacun des choix) x Tant que C faire selectionner s dans C tq x x {s} remettre a jour C FinTantque g(s) = min g(t) t C Algorithme glouton ale atoire : consiste a rendre ale atoire l etape de choix Remarque : Pour certains probl`mes combinatoires spe cifiques, l algorithme glouton peut fournir la solution optimale. Algorithme de Kruskal pour re soudre le probl`me de l arbre couvrant minimal, algorithme de Dijkstra pour de terminer le plus court chemin. 9
10 G=(X,E) non oriente value Algorithme de Kruskal Arbre : graphe connexe sans cycle Arbre couvrant H de G est tel que H=(X,E ) (avec E E) Poids d un arbre couvrant = somme des poids des arœtes de E Probl`me : Trouver un arbre couvrant de poids minimal. Proprie te : Si X =n alors E =n-1. a 5 b f c 8 e 4 d 9 10
11 Algorithme de Kruskal E (e 1, e 2,..., e m ) triees dans lèordre croissant Eè {e 1 } E E \ {e 1 } Tant que Eè n-1 faire e premiêre arˆte de E Si H=(X, Eè {e}) ne contient pas de cycle alors Eè Eè {e} E E \ {e} FinTantque 11
12 2) Algorithmes approche s base s sur une relaxation Relaxation : Min x S' f '(x) avecs S' f'(x*) f (x*) Pb combinatoire = mod`le sous la forme d un programme mathe matique en nombres entiers ou 0-1. Relaxation la plus classique : Relaxation continue et Algorithme approche base sur la relaxation : Conside rer la solution optimale de la relaxation continue et arrondir aux entiers les plus proches les valeurs des variables fractionnaires tout en restant re alisable. 3) Algorithmes approche s base s sur une technique de partitionnement et/ou de de composition 4) Algorithmes approche s spe cifiques : le cas du voyageur de commerce. 12
13 Le cas du voyageur de commerce syme trique Ide e : construire une solution approche e a partir de l arbre couvrant de poids minimal. f a b c f 3 a b 4 c e 4 d e d Algorithme approche : parcours en profondeur de l arbre a partir d un sommet et conserver seulement les premi`res occurrences de chacun des sommets pour de finir un tour. 13
14 Analyse de l algorithme Proprie te : Lorsque que les poids des are tes respectent les in galit s triangulaires, la valeur de la solution obtenue x est au maximum 2 fois plus grande que la valeur de la solution optimale x*. De monstration : Dans le parcours en profondeur d abord de l arbre, chaque arœte d arbre est traverse e exactement 2 fois. v(x) v(parcours en profondeur)=2*v(arbre min) car respect ine galite s triangulaires. Par ailleurs, v(x*)-v(1arœte) v(arbre min) v(x*) v(arbre min) Donc v(x) 2*v(arbre min) 2*v(x*) : 2 = rapport d approximation ALGORITHME A GARANTIE DE PERFORMANCES 14
15 Algorithme de Christofides f a b c f 3 a b 4 c e 4 d e d Nouvelle solution de coˆ t 22 15
16 III) Les me thodes de descente 1) Notion de voisinage 2) Quelques voisinages habituels a) comple mentation b) e change c) insertion-de calage d)inversion 3) Exemple du voyageur de commerce 4) Sche ma ge ne ral d une descente sche ma difficulte s : - le minimum local - solution initiale - exploration voisinage Conclusion IV) Deux e tudes de cas 1) Le voyageur de commerce 2) Dimensionnement d un re seau de te le communications 16
17 Exemple du voyageur de commerce 2-opt : transformation e le mentaire (propose e par Kernighan et Lin) qui consiste a choisir 2 arœtes non adjacentes dans le cycle hamiltonien et a les remplacer par deux autres arœtes de facon a obtenir un nouveau cycle hamiltonien. i i+1 i i+1 j j j+1 j+1 Voisinage de cardinalite n(n-3)/2 17
18 Sche ma ge ne ral d une descente De but Se lectionner une solution initiale x de S Re pe ter Si il existe x dans V(x) tq f(x ) < f(x) alors x x Jusqu ace que f(x ) f(x) pour tout x V(x) Retourner comme solution finale Fin 3 remarques : - La recherche stoppe dans un optimum local - La qualite de la solution fournie par une me thode de descente de pend de la solution initiale - Diffe rentes strate gies d exploration du voisinage sont possibles 18
19 Me thode du Recuit Simule Virginie Gabrel Vincent Mousseau Ce cile Murat 19
20 Me thode du recuit simule 1. Sche ma du recuit simule 2. Mod`les de recuit 3. Interpre tation de la me thode applique e au probl`me du voyageur de commerce 20
21 1. Sche ma du recuit simule Modification de la me thode de descente : on accepte syste matiquement de descendre vers un meilleur voisin, mais aussi dàacc der aun voisin plus mauvais avec une certaine probabilit. la probabilite d accepter une de te rioration provisoire de la fonction objectif de pend de : de l ampleur de la de te rioration de f(x), du degre d avancement de l exe cution. la probabilite d acce der au voisin X j partant de X i est e gale a : P(i,j)=1 si f ij 0 P(i,j)=exp(- f ij /t) si f ij >0 avec - f ij = f(x j )-f(x i ) - t un param`tre (tempe rature) Pour t fixe, plus f ij est grand, plus la probabilite P(i,j) est faible. quand t e leve P(i,j) e leve e f ij quand t proche de 0 P(i,j) e leve e ssi f ij faible 21
22 Initialisation : î Construire une solution re alisable de de part. î Attribuer une valeur initiale pour t. î De finir un voisinage. Ite ration principale : Se lectionner ale atoirement une nouvelle solution X j dans le voisinage de la solution courant X i. Si X j engendre une de te rioration, appliquer la r`gle suivante : î tirer au hasard un nombre p entre 0 et 1, î si p<exp(- f ij /t) on accepte de passer de X i a X j, sinon on refuse. Fixer le nombre de changements de tempe rature (nbt) ainsi que sa de croissance Fixer le nombre d ite rations principales (nbi) pour une tempe rature donne e 22
23 debut fin Algorithme ge ne ral du recuit simule calculer une solution initiale X X* X f* f(x) initialiser la temperature t pour compt1=1 a nbt faire pour compt2=1 a nbi faire fin pour t g(t) fin pour choisir aleatoirement Xè V(X) calculer f=f(xè)-f(x) si f<0 alors X Xè si f*>f(xè) alors finsi X* Xè f* f(xè) sinon ( f 0) tirer au hasard p dans [0,1] finsi si p exp(- f/t) alors X Xè finsi {g decroissante} 23
24 2. Mod`les de recuit Pour mettre en ç uvre un mod`le de recuit, il faut pre ciser six» ingre dientsà : nombre de changements de tempe rature, nombre de transformations e le mentaires propose es a tempe rature fixe e, configuration initiale, valeur initiale de la tempe rature, de croissance de la tempe rature, voisinage. Choix d une solution de de part î en principe, ce choix n est pas primordial, a condition de refroidir suffisamment lentement la tempe rature, î configuration ale atoire, solution gloutonne «î si le choix d une solution initiale n est pas essentiel pour la qualite du re sultat final, une bonne configuration de de part permet d economiser du temps de calcul en partant d une tempe rature plus faible. 24
25 Valeur initiale de la tempe rature t î Doit œtre suffisamment grande pour que de nombreuses transformations coˆ teuses soient accepte es, î Prendre une tempe rature initiale trop e leve e risque d augmenter conside rablement les temps de calculs, î Proposition de Kirkpatrick : choisir une valeur de t e leve e, essayer un certain nombre de transformations calculer π le taux d acceptation : proportion des solutions coˆ teuses accepte es par rapport au nombre de solutions coˆ teuses engendre es, si π est insuffisamment grand (Kirkpatrick propose 0.8 mais souvent 0.5 suffit) alors doubler t et re ite rer jusqu aobtenir une valeur de π suffisamment grande. î Proposition de Aragon & Johnson engendrer un grand nombre de transformations coˆ teuses et calculer leur coˆ t moyen f on se donne un taux d acceptation π a atteindre au de part, la valeur initiale de t est obtenue en re solvant l equation π=exp(- f/t) c est a dire t = - f / ln(π) î On peut toujours de terminer la tempe rature initiale empiriquement quitte a justifier le choix a posteriori 25
26 De croissance de la tempe rature î Mod`le souvent utilise pour la de croissance de t : choisir une suite ge ome trique de tempe ratures tendant vers 0, t i+1 = µ.t i avec 0<µ<1. Souvent une valeur de µ trop e loigne e de 1 plonge trop vite l algorithme dans un optimum local. L expe rience montre que pour µ [0.85, 0.95] on obtient souvent de bons re sultats. î On peut chercher a affiner le mod`le ge ome trique en faisant varier µ en fonction de l avancement de l algorithme : de croissance de t d abord e leve e (faible valeur pour µ), puis plus lente (µ croıt). 26
27 le nombre de changement de tempe rature Ce nombre doit œtre choisi de sorte qu a la fin de l algorithme la tempe rature soit suffisamment faible et que pratiquement aucune transformation coˆ teuse ne soit accepte e, î 1 e re solution : fixer d`s le de part le nombre de changement de tempe rature (entre ~5 et ~100), si t i+1 =0.95 t i, avec 60 changements de t, t final 5%t init. si la probabilite initiale d accepter une solution coˆ teuse est de 0.5, elle n est plus que de apr`s 60 changements de t. î 2 e me solution : stopper l algorithme lorsque le gain sur la fonction f est juge trop faible î 3 e me solution : stopper l algorithme lorsque la meilleure configuration n evolue plus depuis un certain nombre d ite rations. 27
28 le nombre de voisins explore s a une tempe rature donne e î choix le plus simple : nombre d essais de pendant de la taille du probl`me a traiter (ce nombre peut augmenter ou diminuer en cours d algorithme) î On peut lier ce nombre a la quantite de transformations accepte es : on ne modifie pas t tant qu on n a pas accepte n transformations; comme les transformations coˆ teuses deviennent de plus en plus rares au cours de l algorithme, il est judicieux de pre voir une borne sur le nombre d ite rations a t constant Transformation e le mentaire î est spe cifique au probl`me a traiter, î ne doit pas engendrer trop d ope rations pour sa mise en ç uvre, î doit permettre par applications successives d engendrer tout l espace des solutions, 28
29 Comportement d un recuit L algorithme a le potentiel de trouver de bonnes solutions mais en s accordant des temps de calcul assez importants. L algorithme est robuste en ce sens oula solution finale ne de pend pas trop exclusivement de la solution initiale. 29
30 3. Interpre tation de cette me thode applique e au probl`me du voyageur de commerce Les me thodes de descente (utilisant une transformation e le mentaire donne e) conduisent a un optimum local X. Un voisinage plus large peut permettre d obtenir des solutions meilleures que X pour l instant inaccessibles. Exemple du PVC: au lieu d utiliser la transformation 2-opt, on consid`re 3-opt: supprimer simultane ment 3 arœtes puis les remplacer par 3 autres choisies pour reconstituer le cycle hamiltonien. L application du 3-opt revient a 2 applications (non inde pendantes) du 2-opt i i+1 i i+1 3-opt k+1 j k+1 j k j+1 k j+1 30
31 i i+1 i i+1 3-opt k+1 j k+1 j k j+1 k j+1 2-opt i i+1 2-opt i i+1 j = k+1 j j+1 k j+1 3-opt autorise provisoirement une ite ration 2-opt entraınant une de gradation si l ite ration suivante du 2-opt fait plus que compenser la de gradation. k-opt (k ite rations non inde pendantes du 2-opt) admet des transformation interme diaires coˆ teuses mais avantageuses dans leur ensemble. 31
32 Dans le recuit simule, des transformations coˆ teuses sont autorise es. Ces transformations coˆ teuses peuvent intervenir successivement un nombre de fois inconnu a l avance. Le recuit simule apparaıt donc comme une proce dure de descente 2-opt acceptant de temps en temps des 3-opt, 4-opt (plus ge ne ralement k-opt). Ces k-opt interviennent a des moments impre visibles mais re gis par une loi de probabilite qui assure la convergence (quand la tempe rature diminue les probabilite s d occurrence de k-opt, k>2, diminuent). Le recuit simule pre sente les avantages du k-opt (sortir d un minimum local) sans en avoir les inconve nients (nombre de transformation a envisager tr`s e leve ). 32
33 La Me thode Tabou Virginie Gabrel Vincent Mousseau Ce cile Murat 33
34 La Me thode Tabou 1. Principe de la me thode tabou 2. Comparaison Tabou / Recuit simule 3. Ame liorations de la me thode tabou 4. Un exemple d application : le partitionnement des graphes 34
35 1. Principe de la me thode tabou (1) Ide es de veloppe es en 1986 inde pendamment par î Fred Glover î Pierre Hansen & Brigitte Jaumart Ide e de de part : se de placer de solution en solution (en visitant e ventuellement des solutions moins bonnes) en sàinterdisant de revenir aune configuration d jarencontr e. Soit V(X) le voisinage de la solution X et T une liste de toutes les configurations de ja rencontre es. A partir de la configuration courante X, on choisit dans V(X)-T la configuration Y qui minimise f. Puis on ajoute X a T. Inte rœt de T : limiter les risques de cyclages autour d un optimum local!. 35
36 1. Principe de la me thode tabou (2) Liste stricte : solutions taboues Essentiel de choisir un mode astucieux de stockage de T : î T peut prendre une place me moire excessive, î pour savoir quel voisin choisir dans le voisinage de la solution courante, il faut comparer chaque voisin a chaque e le ment de la liste T temps de calcul e leve Liste non stricte : mouvements tabous Limiter la taille de T T (mouvements interdits) est ge re sous la forme d une liste FIFO î si la liste T n est pas pleine, on ajoute a chaque ite ration la transformation inverse interdite, î si la liste T est pleine, on ajoute la transformation inverse interdite courante et on supprime la plus ancienne 36
37 1. Principe de la me thode tabou (3) Choix de la taille de T : î trop petit risque de bouclage, î trop grand limitation exage re e du voisinage de la solution courante, î en ge ne ral entre 3 et 12 (souvent 7!!), mais cela de pend du probl`me a traiter. De finir un crit`re d arrœt souvent un nombre max d ite rations - soit fixe a priori - soit sans changement 37
38 debut fin 1. Principe de la me thode tabou (4) calculer une solution initiale X X * X {X * meilleure solution trouvee} f min f(x * ) T {T liste des modifications interdites } k 0 {k numero de lèiteration courante} tant que k < nbre_max_iter faire k k+1 C V(X)-{m(X), pour m T} determiner lèelement Y=m(X) qui minimise f sur C mettre a jour T si f(y)<f min alors X * Y finsi X Y fin tant que retourner X * f min f(y) 38
39 2. Comparaison Tabou / Recuit simule Recuit simule î stochastique, î sans me moire Me thode Tabou î de terministe, î dispose d une me moire (liste Tabou) nombre de param`tres a fixer plus e leve dans le recuit simule que dans la me thode Tabou î avantage en faveur de Tabou fixer des param`tres est parfois de licat î avantage en faveur du recuit cela donne la possibilite d un re glage fin. Prise en compte du voisinage î recuit simule : un seul voisin î Tabou : le meilleur voisin exploration exhaustive du voisinage (coˆ teux pour un voisinage de grand cardinal on peut alors ne conside rer qu une partie du voisinage, de facon ale atoire ou non) 39
40 3. Ame liorations de la me thode tabou (1) Favoriser une exploration efficace de l espace des solutions S par des r`gles d aspiration, de diversification et d intensification de la recherche Aspiration : chercher a passer outre le caract`re tabou d un mouvement dans certains cas Plusieurs solutions pour de clencher le me canisme d aspiration : î celui propose par Glover et Laguna (1997) : si m est tabou mais que f(m(x)) < f(x*) alors on autorise m applique a X î si le mouvement m a e te rendu tabou lors du passage de la configuration X a Y=m -1 (X), on l`ve le statut tabou d un mouvement s il conduit a une solution meilleure que celle qui avait entraıne son interdiction. î On l`ve le statut de tabou du plus» ancien à 40
41 3. Ame liorations de la me thode tabou (2) Pour sophistiquer le sche ma de base, alterner des phases : d intensification explorer plus en profondeur le voisinage de la solution courante par ex., en augmentant sa taille de diversification constituer comme voisinage de X, des solutions tr`s diffe rentes les unes des autres et de X par ex., en utilisant des listes taboues qui excluent les solutions ressemblant a celles rencontre es re cemment Quelles strate gies pour alterner? pour lancer une diversification de tections de signes de stagnation pour lancer une intensification qd on atteint une zone de solutions prometteuses, diffe rentes des meilleures connues 41
42 3. Ame liorations de la me thode tabou (3) Proce de s utilise s : Pe nalite s ou bonifications introduites dans la fonction objectif pour favoriser ou de favoriser certains types de solutions re sumer l historique de la recherche avec des statistiques : me moire de la fre quence de re pe titions de certaines caracte ristiques (diffe rent de la liste tabou ou seules les derni`res solutions importent) Adaptation de l ensemble des solutions candidates pour le voisinage, faire e voluer au cours de la recherche la mani`re de choisir les e le ments du voisinage Oscillation strate gique faire e voluer la de finition mœme du voisinage par ex., passer provisoirement par des solutions non re alisables pour traverser» des fronti`res à de l espace de recherche Autres strate gies pour diversifier : mani`re radicale repartir d une nouvelle solution initiale path relinking scatter search 42
43 4. Un exemple d application : le partitionnement des graphes (1) Probl`me : G=(X,E) un graphe non-oriente dont chaque arœte e est ponde re e par p(e) Question : de terminer une partition de X tq la somme des poids des arœtes ayant leurs extre mite s dans 2 classes diffe rentes soit minimum Re sultat : pb NP-complet mœme si le nombre de classes est fixe Re solution pour comparer les deux me thodes par Amorim, Barthe lemy et Ribeiro Voisinage utilise : Etant donne e une partition de X, la transformation e le mentaire consiste a de placer un sommet de la classe ouil se trouve a une autre (e ventuellement vide si le nombre de classes n est pas fixe ) Application d une me thode tabou : Crit`re d arrœt : n/2 ite. a fmin inchange Taille de la liste tabou = 5 43
44 4. Un exemple d application : le partitionnement des graphes (2) Application d un recuit simule : Tempe rature initiale = 1 de croissance ge ome trique avec µ =0,85 2 nb d essais a tempe rature fixe e = n / 2 Crit`re d arrœt : la meilleure solution n a pas 2 change pendant n / 2 ite rations Re sultats comparatifs : moyennes des meilleures valeurs obtenues et temps de calcul moyen n Descente Recuit simule (0.28) (2.17) (10.87) (41.58) (372.76) (1763) Me thode tabou (0.05) (0.56) (4.15) (30.6) (338.68) ( ) 44
Optimisation Combinatoire (Méthodes approchées) II. Recherche Locale simple (Les bases)
Optimisation Combinatoire (Méthodes approchées) II. Recherche Locale simple (Les bases) Heuristique Constructive Itérativement, ajoute de nouvelles composantes à une solution partielle candidate Espace
Plus en détailDossier de Candidature Sélection des Agents
Dossier de Candidature Sélection des Agents Conditions Générales Conditions Générales Vous de sirez adhe rer a un important re seau de distribution expe rimente et vous avez un esprit d e quipe, le sens
Plus en détailRapport de stage, SARL Alligator Communication
, SARL Alligator Communication Benjamin DESCAMPS IUT Gestion des Entreprises et Administrations Université des Sciences et Technologies de Lille DESCAMPS Benjamin le 23 mars 2003 3 1 sur 24 , SARL Alligator
Plus en détailETUDE DE MARCHE : LES ANTIVIRUS
ETUDE DE MARCHE : LES ANTIVIRUS SOMMAIRE 1. PROBLEMATIQUE 2. ETUDE FONCTIONNELLE 2.1. LES FONCTIONNALITES ESSENTIELLES 2.2. LES FONCTIONNALITES OPTIONNELLES 3. ETUDE TECHNIQUE 4. ETUDE COMPARATIVE 4.1.
Plus en détailGuide utilisation Manuel 1 Dernière mise à jour: 2015/04/20 Trendoo
Guide utilisation Manuel 1 Dernière mise à jour: 2015/04/20 Trendoo Table des matières DÉCOUVREZ TRENDOO... 2 SECTION SMS... 4 ENVOI SMS... 5 Sélectionner les destinataires... 7 Envoi de SMS paramétriques
Plus en détailExemples 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
Plus en détailRAPPORT QUINQUENNAL D APPLICATION DE LA LOI SUR LE COURTAGE IMMOBILIER
RAPPORT QUINQUENNAL D APPLICATION DE LA LOI SUR LE COURTAGE IMMOBILIER Mémoire présenté au Ministre des Finances du Québec Mai 2015 Conseil québécois de l ACCHA L Association Canadienne des Conseillers
Plus en détailCours des Méthodes de Résolution Exactes Heuristiques et Métaheuristiques
Université Mohammed V, Faculté des Sciences de Rabat Laboratoire de Recherche Mathématiques, Informatique et Applications Cours des Méthodes de Résolution Exactes Heuristiques et Métaheuristiques MASTER
Plus en détailBaccalauréat ES/L Amérique du Sud 21 novembre 2013
Baccalauréat ES/L Amérique du Sud 21 novembre 2013 A. P. M. E. P. EXERCICE 1 Commun à tous les candidats 5 points Une entreprise informatique produit et vend des clés USB. La vente de ces clés est réalisée
Plus en détailMarketing Efficiency Cloud : All-in-One, End-to-End
Marketing Resource Management avec Marketing Efficiency Cloud de BrandMaker Davantage de transparence Le marketing repose sur des process. BrandMaker Marketing Efficiency Cloud contrôle ces process et
Plus en détailChapitre 5 : Flot maximal dans un graphe
Graphes et RO TELECOM Nancy A Chapitre 5 : Flot maximal dans un graphe J.-F. Scheid 1 Plan du chapitre I. Définitions 1 Graphe Graphe valué 3 Représentation d un graphe (matrice d incidence, matrice d
Plus en détailCONDITIONS GENERALES D'UTILISATION CONDITIONS GENERALES D'UTILISATION DE L'APPLICATION CRYSTAL Z (Android et ios)
CONDITIONS GENERALES D'UTILISATION CONDITIONS GENERALES D'UTILISATION DE L'APPLICATION CRYSTAL Z (Android et ios) L utilisation de l application mobile Crystal Z vaut acceptation sans re serve des pre
Plus en détailTRAIT D AMSTERDAM MODIFIANT LE TRAIT SUR L UNION EUROP ENNE, LES TRAIT S INSTITUANT LES COMMUNAUT S EUROP ENNES ET CERTAINS ACTES CONNEXES
TRAIT D AMSTERDAM MODIFIANT LE TRAIT SUR L UNION EUROP ENNE, LES TRAIT S INSTITUANT LES COMMUNAUT S EUROP ENNES ET CERTAINS ACTES CONNEXES AVIS AU LECTEUR La pr sente publication reproduit le texte du
Plus en détailProgrammation 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
Plus en détailLa GMAO du ba timent V 3.7
La GMAO du ba timent "Les Portes de Paris" 1, rue du Rempart 93196 NOISY LE GRAND CEDEX Tel: 01 55 85 09 00 Fax: 01 55 85 09 07 Site: sitealpha.com Email: sam@sitealpha.com V 3.7 Preambule Preambule Avec
Plus en détailProblèmes d ordonnancement dans les systèmes de production. Journée Automatique et Optimisation Université de Paris 12 20 Mars 2003
Problèmes d ordonnancement dans les systèmes de production Michel Gourgand Université Blaise Pascal Clermont Ferrand LIMOS CNRS UMR 6158 1 Le LIMOS Laboratoire d Informatique, de Modélisation et d Optimisation
Plus en détailREGLEMENT COMPLET «JEU BONS PLANS ETUDIANTS EN PARTENARIAT AVEC NRJ Mobile»
REGLEMENT COMPLET «JEU BONS PLANS ETUDIANTS EN PARTENARIAT AVEC NRJ Mobile» ARTICLE 1 : SOCIÉTÉ ORGANISATRICE La société France QUICK SAS, société par actions simplifiée, au capital de 92 225 000, immatriculée
Plus en détailPLAQ OUVRIERS modif tel17052011:layout 4 17/05/11 11:35 Page 1. www.fo-sante.com
PLAQ OUVRIERS modif tel17052011:layout 4 17/05/11 11:35 Page 1 www.fo-sante.com Personnels ouvriers et ambulanciers es métiers indispensables aux établissements et aux usagers PLAQ OUVRIERS modif tel17052011:layout
Plus en détailInfo0804. Cours 6. Optimisation combinatoire : Applications et compléments
Recherche Opérationnelle Optimisation combinatoire : Applications et compléments Pierre Delisle Université de Reims Champagne-Ardenne Département de Mathématiques et Informatique 17 février 2014 Plan de
Plus en détailOptimisation Combinatoire et Colonies de Fourmis Nicolas Monmarche April 21, 1999 Sommaire Inspiration biologiques Ant Colony Optimization Applications TSP QAP Flow Shop Problemes dynamiques 1 Historique
Plus en détailNouvelles propositions pour la résolution exacte du sac à dos multi-objectif unidimensionnel en variables binaires
Nouvelles propositions pour la résolution exacte du sac à dos multi-objectif unidimensionnel en variables binaires Julien Jorge julien.jorge@univ-nantes.fr Laboratoire d Informatique de Nantes Atlantique,
Plus en détailPrincipes d implémentation des métaheuristiques
Chapitre 2 Principes d implémentation des métaheuristiques Éric D. Taillard 1 2.1 Introduction Les métaheuristiques ont changé radicalement l élaboration d heuristiques : alors que l on commençait par
Plus en détailBaccalauréat ES/L Métropole La Réunion 13 septembre 2013 Corrigé
Baccalauréat S/L Métropole La Réunion 13 septembre 2013 Corrigé A. P. M.. P. XRCIC 1 Commun à tous les candidats Partie A 1. L arbre de probabilité correspondant aux données du problème est : 0,3 0,6 H
Plus en détailJean-Philippe Préaux http://www.i2m.univ-amu.fr/~preaux
Colonies de fourmis Comment procèdent les colonies de fourmi pour déterminer un chemin presque géodésique de la fourmilière à un stock de nourriture? Les premières fourmis se déplacent au hasard. Les fourmis
Plus en détailLa fonction exponentielle
DERNIÈRE IMPRESSION LE 2 novembre 204 à :07 La fonction exponentielle Table des matières La fonction exponentielle 2. Définition et théorèmes.......................... 2.2 Approche graphique de la fonction
Plus en détailCours de Master Recherche
Cours de Master Recherche Spécialité CODE : Résolution de problèmes combinatoires Christine Solnon LIRIS, UMR 5205 CNRS / Université Lyon 1 2007 Rappel du plan du cours 16 heures de cours 1 - Introduction
Plus en détailPlus courts chemins, programmation dynamique
1 Plus courts chemins, programmation dynamique 1. Plus courts chemins à partir d un sommet 2. Plus courts chemins entre tous les sommets 3. Semi-anneau 4. Programmation dynamique 5. Applications à la bio-informatique
Plus en détailJournal officiel des Communaut s europ ennes
C 246/12 FR 6.8.98 Recommandation de la Banque centrale europ enne pour un r glement (CE) du Conseil concernant la collecte d informations statistiques par la banque centrale europ enne (98/C 246/08) (Pr
Plus en détailLa 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
Plus en détailChp. 4. Minimisation d une fonction d une variable
Chp. 4. Minimisation d une fonction d une variable Avertissement! Dans tout ce chapître, I désigne un intervalle de IR. 4.1 Fonctions convexes d une variable Définition 9 Une fonction ϕ, partout définie
Plus en détailProblème à résoudre. min f(s) s.c. s S
Métaheuristiques Le mot métaheuristique est dérivé de la composition de deux mots grecs: - heuristique qui vient du verbe heuriskein (ευρισκειν) et qui signifie trouver - meta qui est un suffixe signifiant
Plus en détailOptimisation non linéaire Irène Charon, Olivier Hudry École nationale supérieure des télécommunications
Optimisation non linéaire Irène Charon, Olivier Hudry École nationale supérieure des télécommunications A. Optimisation sans contrainte.... Généralités.... Condition nécessaire et condition suffisante
Plus en détailRappels 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............................
Plus en détailNOTICE D INFORMATION
2015 NOTICE D INFORMATION Chirurgien dentiste Rachat d années d études supérieures et d années civiles validées Informations pratiques Depuis la loi Fillon du 21 aou t 2003, deux nouvelles possibilite
Plus en détailChapitre. Longueur, aire et volume INTRODUCTION. MESURE, DE l A 10 e À LA 12 e A N N É E
Chapitre 4 Longueur, aire et volume INTRODUCTION Dans ce chapitre, les é lè ves se familiariseront avec le sujet d é tude Mesure, du programme Mathé matiques pour les mé tiers et le milieu de travail 10.
Plus en détailSystème Immunitaire Artificiel Parallèle appliqué aux Flow Shop Hybride (FSH)
République Algérienne Démocratique et Populaire Ministère de l Enseignement Supérieur et de la Recherche Scientifique Université des Sciences et de la Technologie d Oran -Mohamed Boudiaf USTO-MB Faculté
Plus en détailModèles à Événements Discrets. Réseaux de Petri Stochastiques
Modèles à Événements Discrets Réseaux de Petri Stochastiques Table des matières 1 Chaînes de Markov Définition formelle Idée générale Discrete Time Markov Chains Continuous Time Markov Chains Propriétés
Plus en détailUne application des algorithmes génétiques à l ordonnancement d atelier
Une application des algorithmes génétiques à l ordonnancement d atelier VACHER Jean-Philippe - GALINHO Thierry - MAMMERI Zoubir Laboratoire d Informatique du Havre Université du Havre 25, Rue Philippe
Plus en détailCampagne déassainissement des Donnees de ISIS : Mode déemploi pour les Gestionnaires de Studbook
Campagne déassainissement des Donnees de ISIS : Mode déemploi pour les Gestionnaires de Studbook Contexte Les studbooks sont actuellement realise s a partir dêune combinaison des donne es ARKS de zoos
Plus en détailProbabilités. Rappel : trois exemples. Exemple 2 : On dispose d un dé truqué. On sait que : p(1) = p(2) =1/6 ; p(3) = 1/3 p(4) = p(5) =1/12
Probabilités. I - Rappel : trois exemples. Exemple 1 : Dans une classe de 25 élèves, il y a 16 filles. Tous les élèves sont blonds ou bruns. Parmi les filles, 6 sont blondes. Parmi les garçons, 3 sont
Plus en détailNotes sur la consolidation de la paix
Notes sur la consolidation de la paix Juin 2015 Ceci est le premier numéro d un nouveau bulletin du Bureau d appui à la consolidation de la paix (PBSO). Chaque trimestre, nous vous donnerons des informations
Plus en détailLa classification automatique de données quantitatives
La classification automatique de données quantitatives 1 Introduction Parmi les méthodes de statistique exploratoire multidimensionnelle, dont l objectif est d extraire d une masse de données des informations
Plus en détailSIMULATION NUMERIQUE D UN NAVIRE AMARRE NUMERICAL SIMULATION OF A MOORED SHIP
SIMULATION NUMERIQUE D UN NAVIRE AMARRE NUMERICAL SIMULATION OF A MOORED SHIP E. GUILMINEAU*, A. LEROYER*, M. VISONNEAU*, M. NACIRI**, E. ORY** * Equipe Modéliation Numérique, Laboratoire de Mécanique
Plus en détailLivre I. Le droit patrimonial luxembourgeois (civil et fiscal)... 7
TABLE DES MATIE` RES Pre sentation des auteurs.... Pre faces... V IX Introduction générale et avertissement.... 1 Livre I. Le droit patrimonial luxembourgeois (civil et fiscal).... 7 Partie I. Le droit
Plus en détailCours de Droit Commercial. Anné e 2000-2001 DROIT DES SOCIETES
Cours de Anné e 2000-2001 2 nde PARTIE : 4 Titre 1 : Thé orie Gé né rale des Socié té s 4 Chapitre 1 : Le contrat de socié té 4 Section 1 : Les règles gé né rales de validité du contrat 4 I- Le consentement
Plus en détailCAPRICCIO ENDUITS A L ARGILE
CAPRICCIO ENDUITS A L ARGILE Aperç u produits Principaux produits LESANDO et leurs mé thodes d application Nous sommes fabriquant spé cialiste de produits à base d argile pour les amé nagements inté rieurs.
Plus en détailLES TAUX REMONTENT? L injection massive de liquidite s par les banques centrales et ses conse quences
LES TAUX REMONTENT? L injection massive de liquidite s par les banques centrales et ses conse quences Comme présagé dans notre note du trimestre précédent et alors que la plupart des opérateurs financiers
Plus en détailNouvelles 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
Plus en détailFORMATIONS 2012. De ploiement des PKI dans les entreprises Technologie VPN IPSEC Se curiser un syste me Unix ou Linux
De ploiement des PKI dans les entreprises Technologie VPN IPSEC Se curiser un syste me Unix ou Linux Activite de formation enregistre sous le nume ro : 11 75 45967 75 aupre s du pre fet de la re gion d
Plus en détailAnnexe 6. Notions d ordonnancement.
Annexe 6. Notions d ordonnancement. APP3 Optimisation Combinatoire: problèmes sur-contraints et ordonnancement. Mines-Nantes, option GIPAD, 2011-2012. Sophie.Demassey@mines-nantes.fr Résumé Ce document
Plus en détailOptimiser les performances du mouvement de monte de l Axe Z.
Page/0 - BUT DE LA MANIPULATION : Optimiser les performances du mouvement de monte de l Axe Z. - LES PLANS D EXPERIENCE -LA METHODE DU DOCTEUR TAGUCHI. La mthodologie Taguchi de mise en oeuvre des plans
Plus en détailSouad 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
Plus en détailProgrammation 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
Plus en détailModulowatt : description d un système innovant de recharge de véhicule électrique
Modulowatt : description d un système innovant de recharge de véhicule électrique Samer Ammoun, Clément Boussard, Laurent Bouraoui Abstract Ce papier présente l architecture d un système innovant de recharge
Plus en détailAlgorithmes de recherche
Algorithmes de recherche 1 Résolution de problèmes par recherche On représente un problème par un espace d'états (arbre/graphe). Chaque état est une conguration possible du problème. Résoudre le problème
Plus en détailLes colonies de fourmis : apprentissage coopératif pour le problème du voyageur de commerce
: apprentissage coopératif pour le problème du voyageur de commerce Alexandre Bargeton Benjamin Devèze Université Pierre et Marie Curie Présentation du projet ANIMAT 1 Comportements collectifs des insectes
Plus en détailBac Blanc Terminale ES - Février 2011 Épreuve de Mathématiques (durée 3 heures)
Bac Blanc Terminale ES - Février 2011 Épreuve de Mathématiques (durée 3 heures) Eercice 1 (5 points) pour les candidats n ayant pas choisi la spécialité MATH Le tableau suivant donne l évolution du chiffre
Plus en détailExercices - Fonctions de plusieurs variables : corrigé. Pour commencer
Pour commencer Exercice 1 - Ensembles de définition - Première année - 1. Le logarithme est défini si x + y > 0. On trouve donc le demi-plan supérieur délimité par la droite d équation x + y = 0.. 1 xy
Plus en détailLa 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
Plus en détailContinuité et dérivabilité d une fonction
DERNIÈRE IMPRESSIN LE 7 novembre 014 à 10:3 Continuité et dérivabilité d une fonction Table des matières 1 Continuité d une fonction 1.1 Limite finie en un point.......................... 1. Continuité
Plus en détailDocument e galement disponible en anglais sous le titre : Quebec First Nations Regional Health Survey 2008 - Home care.
Rédacteurs de la CSSSPNQL (Chapitres rédigés) He le ne Bagirishya (Services a la petite enfance / Acce s aux soins de sante et satisfaction des services) Marie-Noe lle Caron (Alcool, drogues et jeux de
Plus en détailEchantillonnage Non uniforme
Echantillonnage Non uniforme Marie CHABERT IRIT/INP-ENSEEIHT/ ENSEEIHT/TéSASA Patrice MICHEL et Bernard LACAZE TéSA 1 Plan Introduction Echantillonnage uniforme Echantillonnage irrégulier Comparaison Cas
Plus en détailMéthaheuristiques pour l optimisation combinatoire et l affectation sous contraintes
Méthaheuristiques pour l optimisation combinatoire et l affectation sous contraintes Jin-Kao Hao *, Philippe Galinier **, Michel Habib *** * LERIA, U.F.R. Sciences, Université d Angers, 2 bd Lavoisier,
Plus en détailHela Boukef. To cite this version: HAL Id: tel-00577101 https://tel.archives-ouvertes.fr/tel-00577101
Sur l ordonnancement d ateliers job-shop flexibles et flow-shop en industries pharmaceutiques : optimisation par algorithmes génétiques et essaims particulaires Hela Boukef To cite this version: Hela Boukef.
Plus en détailFONCTION DE DEMANDE : REVENU ET PRIX
FONCTION DE DEMANDE : REVENU ET PRIX 1. L effet d une variation du revenu. Les lois d Engel a. Conditions du raisonnement : prix et goûts inchangés, variation du revenu (statique comparative) b. Partie
Plus en détailDirectives sur les relations avec les gouvernements de fait
Directives sur les relations avec les gouvernements de fait Lors de sa 100ième session (septembre 2010), le Conseil d'administration, conformément à l'article 52 des Principes et critères en matière de
Plus en détailDe 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
Plus en détailLES MÉTA-HEURISTIQUES : quelques conseils pour en faire bon usage
LES MÉTA-HEURISTIQUES : quelques conseils pour en faire bon usage Alain HERTZ Ecole Polytechnique - GERAD Département de mathématiques et de génie industriel CP 679, succ. Centre-ville, Montréal (QC) H3C
Plus en détailObjectifs du cours d aujourd hui. Informatique II : Cours d introduction à l informatique et à la programmation objet. Complexité d un problème (2)
Objectifs du cours d aujourd hui Informatique II : Cours d introduction à l informatique et à la programmation objet Complexité des problèmes Introduire la notion de complexité d un problème Présenter
Plus en détailCours de Recherche Opérationnelle IUT d Orsay. Nicolas M. THIÉRY. E-mail address: Nicolas.Thiery@u-psud.fr URL: http://nicolas.thiery.
Cours de Recherche Opérationnelle IUT d Orsay Nicolas M. THIÉRY E-mail address: Nicolas.Thiery@u-psud.fr URL: http://nicolas.thiery.name/ CHAPTER 1 Introduction à l optimisation 1.1. TD: Ordonnancement
Plus en détailBACCALAUREAT GENERAL MATHÉMATIQUES
BACCALAUREAT GENERAL FEVRIER 2014 MATHÉMATIQUES SERIE : ES Durée de l épreuve : 3 heures Coefficient : 5 (ES), 4 (L) 7(spe ES) Les calculatrices électroniques de poche sont autorisées, conformement à la
Plus en détailCorrection du baccalauréat ES/L Métropole 20 juin 2014
Correction du baccalauréat ES/L Métropole 0 juin 014 Exercice 1 1. c.. c. 3. c. 4. d. 5. a. P A (B)=1 P A (B)=1 0,3=0,7 D après la formule des probabilités totales : P(B)=P(A B)+P(A B)=0,6 0,3+(1 0,6)
Plus en détailTexte Agrégation limitée par diffusion interne
Page n 1. Texte Agrégation limitée par diffusion interne 1 Le phénomène observé Un fût de déchets radioactifs est enterré secrètement dans le Cantal. Au bout de quelques années, il devient poreux et laisse
Plus en détailEteindre. les. lumières MATH EN JEAN 2013-2014. Mme BACHOC. Elèves de seconde, première et terminale scientifiques :
MTH EN JEN 2013-2014 Elèves de seconde, première et terminale scientifiques : Lycée Michel Montaigne : HERITEL ôme T S POLLOZE Hélène 1 S SOK Sophie 1 S Eteindre Lycée Sud Médoc : ROSIO Gauthier 2 nd PELGE
Plus en détailSTATUT CATHOLIQUE D'ÉTABLISSEMENT DU CHEF DU PREMIER DEGRÉ DE L ENSEIGNEMENT. Hors-série - Juillet 2006-5
STATUT DU CHEF D'ÉTABLISSEMENT DU PREMIER DEGRÉ DE L ENSEIGNEMENT CATHOLIQUE Texte adopté par le Comité national de l enseignement catholique du 1 er avril 2006 Hors-série - Juillet 2006-5 PRÉAMBULE 0.1.
Plus en détail3 Approximation de solutions d équations
3 Approximation de solutions d équations Une équation scalaire a la forme générale f(x) =0où f est une fonction de IR dans IR. Un système de n équations à n inconnues peut aussi se mettre sous une telle
Plus en détailPROBLEMES D'ORDONNANCEMENT AVEC RESSOURCES
Leçon 11 PROBLEMES D'ORDONNANCEMENT AVEC RESSOURCES Dans cette leçon, nous retrouvons le problème d ordonnancement déjà vu mais en ajoutant la prise en compte de contraintes portant sur les ressources.
Plus en détailChapitre 2/ La fonction de consommation et la fonction d épargne
hapitre 2/ La fonction de consommation et la fonction d épargne I : La fonction de consommation keynésienne II : Validations et limites de la fonction de consommation keynésienne III : Le choix de consommation
Plus en détailde calibration Master 2: Calibration de modèles: présentation et simulation d
Master 2: Calibration de modèles: présentation et simulation de quelques problèmes de calibration Plan de la présentation 1. Présentation de quelques modèles à calibrer 1a. Reconstruction d une courbe
Plus en détailCommunications 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
Plus en détailWindows Azure. Principales fonctions
Calipia usage re serve aux e tablissements de pendant du Ministe re de l Enseignement Supe rieur et de la Recherche Windows Azure Principales fonctions Alors qu environ 70% du budget informatique est dédié
Plus en détailOptimisation 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
Plus en détailLe théorème de Perron-Frobenius, les chaines de Markov et un célèbre moteur de recherche
Le théorème de Perron-Frobenius, les chaines de Markov et un célèbre moteur de recherche Bachir Bekka Février 2007 Le théorème de Perron-Frobenius a d importantes applications en probabilités (chaines
Plus en détailCorrection du Baccalauréat S Amérique du Nord mai 2007
Correction du Baccalauréat S Amérique du Nord mai 7 EXERCICE points. Le plan (P) a une pour équation cartésienne : x+y z+ =. Les coordonnées de H vérifient cette équation donc H appartient à (P) et A n
Plus en détailBaccalauréat ES Pondichéry 7 avril 2014 Corrigé
Baccalauréat ES Pondichéry 7 avril 204 Corrigé EXERCICE 4 points Commun à tous les candidats. Proposition fausse. La tangente T, passant par les points A et B d abscisses distinctes, a pour coefficient
Plus en détailChapitre 6. Fonction réelle d une variable réelle
Chapitre 6 Fonction réelle d une variable réelle 6. Généralités et plan d étude Une application de I dans R est une correspondance entre les éléments de I et ceu de R telle que tout élément de I admette
Plus en détailModélisation multi-agents - Agents réactifs
Modélisation multi-agents - Agents réactifs Syma cursus CSI / SCIA Julien Saunier - julien.saunier@ifsttar.fr Sources www-lih.univlehavre.fr/~olivier/enseignement/masterrecherche/cours/ support/algofourmis.pdf
Plus en détailLa programmation à mémoire adaptative ou l évolution des algorithmes évolutifs
La programmation à mémoire adaptative ou l évolution des algorithmes évolutifs Éric D. Taillard 1 Luca M. Gambardella 1 Michel Gendreau 2 Jean-Yves Potvin 2 1 IDSIA, Corso Elvezia 36, CH-6900 Lugano. E-mail
Plus en détailEncryptions, compression et partitionnement des données
Encryptions, compression et partitionnement des données Version 1.0 Grégory CASANOVA 2 Compression, encryption et partitionnement des données Sommaire 1 Introduction... 3 2 Encryption transparente des
Plus en détailRèglement : Compétition du Film d Entreprise du Festival des Étoiles & des Ailes.
Des Étoiles et des Ailes 2015 1 Table des matières Article 1 Nature du Festival 2 Article 2 Catégories de film en compétition 2 Article 3 Qui peut participer? 3 Article 4 Modalite s d inscription a la
Plus en détailL E Ç O N. Marches aléatoires. Niveau : Terminale S Prérequis : aucun
9 L E Ç O N Marches aléatoires Niveau : Terminale S Prérequis : aucun 1 Chaînes de Markov Définition 9.1 Chaîne de Markov I Une chaîne de Markov est une suite de variables aléatoires (X n, n N) qui permet
Plus en détailI. Polynômes de Tchebychev
Première épreuve CCP filière MP I. Polynômes de Tchebychev ( ) 1.a) Tout réel θ vérifie cos(nθ) = Re ((cos θ + i sin θ) n ) = Re Cn k (cos θ) n k i k (sin θ) k Or i k est réel quand k est pair et imaginaire
Plus en détailCONVENTION COLLECTIVE MUTUALITÉ
CONVENTION COLLECTIVE MUTUALITÉ Brochure n o 3300 Co de IDCC : 2128 Étendue par arrêté du 17 aouˆt 2001. ENTRE : D une part : L Union des Groupements des Employeurs Mutualistes, association re gie par
Plus en détailFonctions de plusieurs variables
Module : Analyse 03 Chapitre 00 : Fonctions de plusieurs variables Généralités et Rappels des notions topologiques dans : Qu est- ce que?: Mathématiquement, n étant un entier non nul, on définit comme
Plus en détailCommun à tous les candidats
EXERCICE 3 (9 points ) Commun à tous les candidats On s intéresse à des courbes servant de modèle à la distribution de la masse salariale d une entreprise. Les fonctions f associées définies sur l intervalle
Plus en détailComplexité. Licence Informatique - Semestre 2 - Algorithmique et Programmation
Complexité Objectifs des calculs de complexité : - pouvoir prévoir le temps d'exécution d'un algorithme - pouvoir comparer deux algorithmes réalisant le même traitement Exemples : - si on lance le calcul
Plus en détailChapitre 3. Mesures stationnaires. et théorèmes de convergence
Chapitre 3 Mesures stationnaires et théorèmes de convergence Christiane Cocozza-Thivent, Université de Marne-la-Vallée p.1 I. Mesures stationnaires Christiane Cocozza-Thivent, Université de Marne-la-Vallée
Plus en détailLimites finies en un point
8 Limites finies en un point Pour ce chapitre, sauf précision contraire, I désigne une partie non vide de R et f une fonction définie sur I et à valeurs réelles ou complees. Là encore, les fonctions usuelles,
Plus en détailAnalyse stochastique de la CRM à ordre partiel dans le cadre des essais cliniques de phase I
Analyse stochastique de la CRM à ordre partiel dans le cadre des essais cliniques de phase I Roxane Duroux 1 Cadre de l étude Cette étude s inscrit dans le cadre de recherche de doses pour des essais cliniques
Plus en détail