Cours 2 : algorithme du simplexe

Dimension: px
Commencer à balayer dès la page:

Download "Cours 2 : algorithme du simplexe"

Transcription

1 Cours 2 : algorithme du simplexe Christophe Gonzales LIP6 Université Paris 6, France

2 Plan du cours Cours 2 : algorithme du simplexe 2/29 1 Rappels sur l algorithme vu la semaine dernière 2 Définition de l algorithme du simplexe 3 Interprétation géométrique 4 Critères de choix pour les variables entrantes

3 Rappels sur le cours de la semaine dernière (1/10) Cours 2 : algorithme du simplexe 3/29 Forme standard n max c j x j s.c. j=1 n a ij x j b i (i = 1, 2,..., m) j=1 x j 0 (j = 1, 2,..., n) Algorithme de résolution (1/2) 1 Ajouter des variables d écart x n+1,..., x n+m : n x n+i = b i a ij x j (i = 1, 2,..., m) z = j=1 n c j x j j=1

4 Rappels sur le cours de la semaine dernière (2/10) Cours 2 : algorithme du simplexe 4/29 Algorithme de résolution (2/2) 2 première solution réalisable : x 0 = (0,..., 0, b 1, b 2,..., b m ) variables en base : x n+1,..., x n+m, hors base : x 1,..., x n 3 s il existe un coefficient positif dans z, soit x i la variable correspondante, sinon aller en 8 4 calculer la valeur maximale de x i de manière à ce que les variables en base restent positives ou nulles. Soit x j une des variables en base qui s annule 5 faire entrer x i en base, faire sortir x j de la base 6 exprimer les variables en base en fonction des variables hors base 7 retourner en 3 8 on est à l optimum. Les variables en base définissent la solution optimale

5 Rappels sur le cours de la semaine dernière (3/10) Problème à résoudre : max x 1 + 5x 2 + x 3 s.c. x 1 + 3x 2 + x 3 3 x 1 + 3x 3 2 2x 1 + 4x 2 x 3 4 x 1 + 3x 2 x 3 2 x 1 0, x 2 0, x 3 0 Première étape : ajouter des variables d écart : max x 1 + 5x 2 + x 3 s.c. x 1 + 3x 2 + x 3 + x 4 = 3 x 1 + 3x 3 + x 5 = 2 2x 1 + 4x 2 x 3 + x 6 = 4 x 1 + 3x 2 x 3 + x 7 = 2 x 1 0, x 2 0, x 3 0, x 4 0, x 5 0, x 6 0, x 7 0 Cours 2 : algorithme du simplexe 5/29

6 Rappels sur le cours de la semaine dernière (4/10) Cours 2 : algorithme du simplexe 6/29 Expression de z et des variables en base en fonction des variables hors base : x 4 = 3 x 1 3x 2 x 3 x 5 = 2 + x 1 3x 3 x 6 = 4 2x 1 4x 2 + x 3 x 7 = 2 x 1 3x 2 + x 3 z = x 1 + 5x 2 + x 3 variables en base : x 4, x 5, x 6, x 7 = solution réalisable = (0, 0, 0, 3, 2, 4, 2) 3 coefficients positifs dans z = x 1, x 2 et x 3 = choix (au hasard) de faire rentrer x 1 en base

7 Rappels sur le cours de la semaine dernière (5/10) Cours 2 : algorithme du simplexe 7/29 x 4 = 3 x 1 3x 2 x 3 x 5 = 2 + x 1 3x 3 x 6 = 4 2x 1 4x 2 + x 3 x 7 = 2 x 1 3x 2 + x 3 z = x 1 + 5x 2 + x 3 4 calcul de la valeur optimale de x 1 : augmenter x 1 = augmenter z ne pas trop augmenter x 1 afin que x 4, x 5, x 6, x 7, restent 0 (x 4 ) 3 x 1 0 (x 5 ) 2 + x 1 0 (x 6 ) 4 2x 1 0 (x 7 ) 2 x 1 0 = x 1 3, x 1 2, x 1 2, x 1 2 = x 1 = 2 = variable à sortir de la base : x 6 ou x 7

8 Rappels sur le cours de la semaine dernière (6/10) Cours 2 : algorithme du simplexe 8/29 x 4 = 3 x 1 3x 2 x 3 x 5 = 2 + x 1 3x 3 x 6 = 4 2x 1 4x 2 + x 3 x 7 = 2 x 1 3x 2 + x 3 z = x 1 + 5x 2 + x 3 5 choix (au hasard) de faire sortir x 7 de la base = x 1 = 2 3x 2 + x 3 x 7 6 expression des variables en base en fonction des variables hors base : x 4 = 1 2x 3 + x 7 x 5 = 4 3x 2 2x 3 x 7 x 6 = 2x 2 x 3 + 2x 7 x 1 = 2 3x 2 + x 3 x 7 z = 2 + 2x 2 + 2x 3 x 7

9 Rappels sur le cours de la semaine dernière (7/10) Cours 2 : algorithme du simplexe 9/29 x 4 = 1 2x 3 + x 7 x 5 = 4 3x 2 2x 3 x 7 x 6 = 2x 2 x 3 + 2x 7 x 1 = 2 3x 2 + x 3 x 7 z = 2 + 2x 2 + 2x 3 x 7 3 coefficients positifs dans z : x 2 et x 3 = choix (au hasard) : rentrer x 3 en base = choix de la variable à sortir de la base : (x 4 ) 1 2x 3 0 (x 5 ) 4 2x 3 0 = x (x 6 ) 0 x = min{b i / coeff de x 3 : coeff 0} (x 1 ) 2 + x 3 0 x 3 rentre en base, mais sa valeur est égale à 0 = la valeur de la fonction objectif ne change pas!

10 Rappels sur le cours de la semaine dernière (8/10) Cours 2 : algorithme du simplexe 10/29 6 expression des variables en base en fonction des variables hors base : x 4 = 1 4x 2 + 2x 6 3x 7 x 5 = 4 7x 2 + 2x 6 5x 7 x 3 = 2x 2 x 6 + 2x 7 x 1 = 2 x 2 x 6 + x 7 z = 2 + 6x 2 2x 6 + 3x 7 3 coefficients positifs dans z : x 2 et x 3 = choix (au hasard) : rentrer x 2 en base : (x 4 ) 1 4x 2 0 (x 5 ) 4 7x 2 0 = x (x 3 ) 2x sort de la base (x 1 ) 2 x 2 0

11 Rappels sur le cours de la semaine dernière (9/10) 6 expression des variables en base en fonction des variables hors base : x 2 = x x x 7 x 5 = x x x 7 x 3 = x x 7 x 1 = x x x 7 z = x 4 + x x rentrer x 6 en base et sortir x 1 : x 2 = x x x 7 x 5 = x x x 7 x 3 = x x 7 = z : coeffs négatifs = optimum x 6 = x x x 7 z = x x x 7 Cours 2 : algorithme du simplexe 11/29

12 Rappels sur le cours de la semaine dernière (10/10) Cours 2 : algorithme du simplexe 12/29 En résumé : plusieurs variables peuvent être candidates à entrer en base = critère de choix à définir plusieurs variables peuvent être candidates à sortir de la base = critère de choix à définir dégénérescence : certaines variables entrant en base peuvent avoir pour valeur 0 = la fonction objectif n augmente pas = éviter que l algorithme ne boucle

13 Notation en tableau (1/5) Cours 2 : algorithme du simplexe 13/29 Principe : placer toutes les variables du même côté x 4 = 3 x 1 3x 2 x 3 x 5 = 2 + x 1 3x 3 x 6 = 4 2x 1 4x 2 + x 3 x 7 = 2 x 1 3x 2 + x 3 z = x 1 + 5x 2 + x 3 x 1 + 3x 2 + x 3 + x 4 = 3 x 1 + 3x 3 + x 5 = 2 2x 1 + 4x 2 x 3 + x 6 = 4 x 1 + 3x 2 x 3 + x 7 = 2 z + x 1 + 5x 2 + x 3 = 0

14 Notation en tableau (2/5) Cours 2 : algorithme du simplexe 14/29 La notation en tableau peut s appliquer à toutes les étapes : Avant pivot : dictionnaire x 4 = 3 x 1 3x 2 x 3 x 5 = 2 + x 1 3x 3 x 6 = 4 2x 1 4x 2 + x 3 x 7 = 2 x 1 3x 2 + x 3 z = x 1 + 5x 2 + x 3 tableau x 1 + 3x 2 + x 3 + x 4 = 3 x 1 + 3x 3 + x 5 = 2 2x 1 + 4x 2 x 3 + x 6 = 4 x 1 + 3x 2 x 3 + x 7 = 2 z + x 1 + 5x 2 + x 3 = 0 Après pivot : x 1 entre et x 7 sort dictionnaire x 4 = 1 2x 3 + x 7 x 5 = 4 3x 2 2x 3 x 7 x 6 = 2x 2 x 3 + 2x 7 x 1 = 2 3x 2 + x 3 x 7 z = 2 + 2x 2 + 2x 3 x 7 tableau 2x 3 + x 4 x 7 = 1 3x 2 + 2x 3 + x 5 + x 7 = 4 2x 2 + x 3 + x 6 2x 7 = 0 x 1 + 3x 2 x 3 + x 7 = 2 z + 2x 2 + 2x 3 x 7 = 2

15 Notation en tableau (3/5) Cours 2 : algorithme du simplexe 15/29 Pivot en termes de dictionnaires Faire entrer x i et sortir x j : supp. que x j est défini à gauche des «=» sur la kème ligne 1 exprimer x i en fonction des autres variables sur la kème ligne 2 sur toutes les autres lignes, remplacer les x i par cette expression Pivot en termes de tableaux Faire entrer x i et sortir x j : 1 diviser la seule ligne dont le coeff de x j est 0 (kème ligne) par le coeff associé à x i sur cette ligne = le coeff de x i devient 1 2 pour toute autre ligne r k, soustraire a ri fois la kème ligne = le coeff de x i sur ces lignes devient 0

16 Notation en tableau (4/5) Cours 2 : algorithme du simplexe 16/29 Application du pivot directement sur les tableaux : x 1 + 3x 2 + x 3 + x 4 = 3 x 1 + 3x 3 + x 5 = 2 2x 1 + 4x 2 x 3 + x 6 = 4 x 1 + 3x 2 x 3 + x 7 = 2 z + x 1 + 5x 2 + x 3 = 0 pivot : x 1 entre et x 7 sort 2x 3 + x 4 x 7 = 1 3x 2 + 2x 3 + x 5 + x 7 = 4 2x 2 + x 3 + x 6 2x 7 = 0 x 1 + 3x 2 x 3 + x 7 = 2 z + 2x 2 + 2x 3 x 7 = 2 ligne où x 7 est défini : 4ème ligne

17 Notation en tableau (5/5) Cours 2 : algorithme du simplexe 17/29 D un point de vue informatique, stocker uniquement les nombres, pas les chaînes de caractères x i : 2x 3 + x 4 x 7 = 1 3x 2 + 2x 3 + x 5 + x 7 = 4 2x 2 + x 3 + x 6 2x 7 = 0 x 1 + 3x 2 x 3 + x 7 = 2 z + 2x 2 + 2x 3 x 7 = 2 = tableau stocké sous forme informatique :

18 Algorithme du simplexe : 1ère version 1 examiner s il existe un nombre positif sur la dernière ligne (excepté la dernière colonne qui vaut z). S il n y en a pas, aller en 6. sinon, soit j l index d une de ces colonnes 2 pour chaque ligne, soit s le nombre dans la colonne la plus à droite et r le nombre dans la colonne j. Déterminer la ligne i ayant le plus petit ratio s/r 0. Si les r de toutes les lignes sont négatives ou nulles, aller en 7 3 diviser la ligne i par son coefficient r 4 pour toutes les lignes i, soit k le nombre stocké sur cette ligne à la colonne j. soustraire à la ligne k fois la ligne i 5 revenir en 1 6 on est à l optimum. Les nombres égaux à 0 sur la dernière ligne (excepté la dernière colonne) déterminent la solution optimale. 7 Le problème n est pas borné, i.e., le max de la fonction objectif est +. Cours 2 : algorithme du simplexe 18/29

19 Interprétation géométrique de l algorithme (1/8) Cours 2 : algorithme du simplexe 19/29 max x 1 + 3x 2 x 2 4 x 1 3x 2 1 2x 1 3x 2 5 s.c. x 1 x 2 3 2x 1 x 2 7 x 1 + 2x 2 11 x 1 0, x 2 0

20 Interprétation géométrique de l algorithme (2/8) Cours 2 : algorithme du simplexe 20/29 x 2 + x 3 = 4 x 1 3x 2 + x 4 = 1 2x 1 3x 2 + x 5 = 5 x 1 x 2 + x 6 = 3 2x 1 x 2 + x 7 = 7 x 1 + 2x 2 + x 8 = 11 z + x 1 + 3x 2 = 0 base : x 3, x 4, x 5, x 6, x 7, x 8 = Pivot : on fait entrer x 1 et sortir x 4

21 Interprétation géométrique de l algorithme (3/8) Cours 2 : algorithme du simplexe 21/29 x 2 + x 3 = 4 x 1 3x 2 + x 4 = 1 3x 2 2x 4 + x 5 = 3 2x 2 x 4 + x 6 = 2 5x 2 2x 4 + x 7 = 5 5x 2 x 4 + x 8 = 10 z + 6x 2 x 4 = 1 base : x 1, x 3, x 5, x 6, x 7, x 8 = Pivot : on fait entrer x 2 et sortir x 5

22 Interprétation géométrique de l algorithme (4/8) Cours 2 : algorithme du simplexe 22/29 x x x 5 = 3 x 1 x 4 + x 5 = 4 x x x 5 = x x 5 + x 6 = x x 5 + x 7 = x x 5 + x 8 = 5 z + 3x 4 2x 5 = 7 base : x 1, x 2, x 3, x 6, x 7, x 8 = Pivot : on fait entrer x 4 et sortir x 6

23 Interprétation géométrique de l algorithme (5/8) Cours 2 : algorithme du simplexe 23/29 x 3 + x 5 2x 6 = 3 x 1 x 5 + 3x 6 = 4 x 2 x 5 + 2x 6 = 1 x 4 2x 5 + 3x 6 = 0 x 5 4x 6 + x 7 = 0 3x 5 7x 6 + x 8 = 5 z + 4x 5 9x 6 = 7 base : x 1, x 2, x 3, x 4, x 7, x 8 dégénérescence!!!!! = Pivot : on fait entrer x 5 et sortir x 7

24 Interprétation géométrique de l algorithme (6/8) Cours 2 : algorithme du simplexe 24/29 x 3 2x 6 x 7 = 3 x 1 x 6 + x 7 = 4 x 2 2x 6 + x 7 = 1 x 4 5x 6 + 2x 7 = 0 x 5 4x 6 + x 7 = 0 5x 6 3x 7 + x 8 = 5 z + 7x 6 4x 7 = 7 base : x 1, x 2, x 3, x 4, x 5, x 8 dégénérescence!!!!! = Pivot : on fait entrer x 6 et sortir x 8

25 Interprétation géométrique de l algorithme (7/8) Cours 2 : algorithme du simplexe 25/29 z x x x 8 = 1 x x x 8 = 5 x x x 8 = 3 x 4 x 7 + x 8 = 5 x x x 8 = 4 x x x 8 = x x 8 = 14 base : x 1, x 2, x 3, x 4, x 5, x 6 = Pivot : on fait entrer x 7 et sortir x 3

26 Interprétation géométrique de l algorithme (8/8) Cours 2 : algorithme du simplexe 26/29 5x 3 + x 7 2x 8 = 5 x 1 2x 3 + x 8 = 3 x 2 + x 3 = 4 5x 3 + x 4 x 8 = 10 7x 3 + x 5 2x 8 = 11 3x 3 + x 6 x 8 = 4 z x 3 x 8 = 15 base : x 1, x 2, x 4, x 5, x 6, x 7 = optimum!!!!!

27 Choix des variables entrantes (1/3) choisir une variable dont le coeff dans la fonction objectif est > 0 = règle ambiguë : plusieurs variables peuvent être candidates But : choisir la variable pour minimiser le nombre d itérations de l algorithme Règle du plus grand coefficient Choisir de faire entrer la variable qui a le plus grand coefficient dans la fonction objectif grand coeff = le taux d augmentation de la fonction objectif est élevé aucune garantie que ce soit optimal : la variable peut être contrainte à prendre une petite valeur = peu de variation de la fonction objectif Cours 2 : algorithme du simplexe 27/29

28 Choix des variables entrantes (2/3) Cours 2 : algorithme du simplexe 28/29 Règle du plus grand accroissement de z Choisir de faire entrer la variable qui fait le plus augmenter la fonction objectif aucune garantie que ce soit optimal : on peut faire beaucoup augmenter localement la fonction objectif et rester coincé plus tard :

29 Choix des variables entrantes (3/3) Cours 2 : algorithme du simplexe 29/29 La règle du plus grand coefficient est plus souvent utilisée que la règle du plus grand accroissement car elle est calculable plus rapidement Dégénérescence Avec les deux règles précédentes, on peut cycler (boucler indéfiniment sur les mêmes itérations)

Programmation linéaire

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

Plus en détail

Optimisation Discrète

Optimisation Discrète Prof F Eisenbrand EPFL - DISOPT Optimisation Discrète Adrian Bock Semestre de printemps 2011 Série 7 7 avril 2011 Exercice 1 i Considérer le programme linéaire max{c T x : Ax b} avec c R n, A R m n et

Plus en détail

Souad EL Bernoussi. Groupe d Analyse Numérique et Optimisation Rabat http ://www.fsr.ac.ma/ano/

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

Plus en détail

Programmation Linéaire - Cours 1

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.

Plus en détail

Programmation linéaire

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

Plus en détail

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? 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 détail

Algorithmique et structures de données I

Algorithmique et structures de données I Algorithmique et structures de données I Riadh Ben Messaoud Université 7 novembre à Carthage Faculté des Sciences Économiques et de Gestion de Nabeul 1ère année Licence Fondamentale IAG 1ère année Licence

Plus en détail

Programmation linéaire et Optimisation. Didier Smets

Programmation linéaire et Optimisation. Didier Smets Programmation linéaire et Optimisation Didier Smets Chapitre 1 Un problème d optimisation linéaire en dimension 2 On considère le cas d un fabricant d automobiles qui propose deux modèles à la vente, des

Plus en détail

Exercices du Cours de la programmation linéaire donné par le Dr. Ali DERBALA

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

Plus en détail

Nouveau Barème W.B.F. de points de victoire 4 à 48 donnes

Nouveau Barème W.B.F. de points de victoire 4 à 48 donnes Nouveau Barème W.B.F. de points de victoire 4 à 48 donnes Pages 4 à 48 barèmes 4 à 48 donnes Condensé en une page: Page 2 barèmes 4 à 32 ( nombre pair de donnes ) Page 3 Tous les autres barèmes ( PV de

Plus en détail

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 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

Plus en détail

Jean-Philippe Préaux http://www.i2m.univ-amu.fr/~preaux

Jean-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 détail

Tutoriel Sage One Edition Expert-Comptable. - Le cabinet d Expertise-Comptable doit appeler le Service Client Sage One au 0825 95 00 70.

Tutoriel Sage One Edition Expert-Comptable. - Le cabinet d Expertise-Comptable doit appeler le Service Client Sage One au 0825 95 00 70. Tutoriel Sage One Edition Expert-Comptable Sage One Edition Expert-Comptable : inscription et identifiants - Le cabinet d Expertise-Comptable doit appeler le Service Client Sage One au 0825 95 00 70. -

Plus en détail

Corrigé des TD 1 à 5

Corrigé des TD 1 à 5 Corrigé des TD 1 à 5 1 Premier Contact 1.1 Somme des n premiers entiers 1 (* Somme des n premiers entiers *) 2 program somme_entiers; n, i, somme: integer; 8 (* saisie du nombre n *) write( Saisissez un

Plus en détail

Architecture des Systèmes d Information Architecture des Systèmes d Information

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

Plus en détail

Excel Avancé. Plan. Outils de résolution. Interactivité dans les feuilles. Outils de simulation. La valeur cible Le solveur

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

Plus en détail

Compte rendu d activité

Compte rendu d activité Dimitri GRAND URIEN année 2011 2013 BTS SIO option : Solution d infrastructure système et réseau Compte rendu d activité SAV Multi-Services Contexte : Suite à une coupure de service, un client nous ramène

Plus en détail

Cours 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. 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 détail

introduction Chapitre 5 Récursivité Exemples mathématiques Fonction factorielle ø est un arbre (vide) Images récursives

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

Plus en détail

Quelques algorithmes simples dont l analyse n est pas si simple

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

Plus en détail

Optimisation 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 détail

Sub CalculAnnuite() Const TITRE As String = "Calcul d'annuité de remboursement d'un emprunt"

Sub CalculAnnuite() Const TITRE As String = Calcul d'annuité de remboursement d'un emprunt TD1 : traduction en Visual BASIC des exemples du cours sur les structures de contrôle de l'exécution page 1 'TRADUCTION EN VBA DES EXEMPLES ALGORITHMIQUES SUR LES STRUCTURES 'DE CONTROLE DE L'EXECUTION

Plus en détail

Chapitre 5 : Flot maximal dans un graphe

Chapitre 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 détail

Continuité et dérivabilité d une fonction

Continuité 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 détail

Le 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 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 détail

L ANALYSE EN COMPOSANTES PRINCIPALES (A.C.P.) Pierre-Louis GONZALEZ

L ANALYSE EN COMPOSANTES PRINCIPALES (A.C.P.) Pierre-Louis GONZALEZ L ANALYSE EN COMPOSANTES PRINCIPALES (A.C.P.) Pierre-Louis GONZALEZ INTRODUCTION Données : n individus observés sur p variables quantitatives. L A.C.P. permet d eplorer les liaisons entre variables et

Plus en détail

Annexe 6. Notions d ordonnancement.

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

Plus en détail

Plus courts chemins, programmation dynamique

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

Plus en détail

Algorithmes de recherche

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

Plus en détail

Contrainte de flot pour RCPSP avec temps de transfert

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

Plus en détail

Durée de L épreuve : 2 heures. Barème : Exercice n 4 : 1 ) 1 point 2 ) 2 points 3 ) 1 point

Durée de L épreuve : 2 heures. Barème : Exercice n 4 : 1 ) 1 point 2 ) 2 points 3 ) 1 point 03 Mai 2013 Collège Oasis Durée de L épreuve : 2 heures. apple Le sujet comporte 4 pages et est présenté en livret ; apple La calculatrice est autorisée ; apple 4 points sont attribués à la qualité de

Plus en détail

Capacité d un canal Second Théorème de Shannon. Théorie de l information 1/34

Capacité d un canal Second Théorème de Shannon. Théorie de l information 1/34 Capacité d un canal Second Théorème de Shannon Théorie de l information 1/34 Plan du cours 1. Canaux discrets sans mémoire, exemples ; 2. Capacité ; 3. Canaux symétriques ; 4. Codage de canal ; 5. Second

Plus en détail

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 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

Plus en détail

Optimisation non linéaire Irène Charon, Olivier Hudry École nationale supérieure des télécommunications

Optimisation 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 détail

Résolution d équations non linéaires

Résolution d équations non linéaires Analyse Numérique Résolution d équations non linéaires Said EL HAJJI et Touria GHEMIRES Université Mohammed V - Agdal. Faculté des Sciences Département de Mathématiques. Laboratoire de Mathématiques, Informatique

Plus en détail

Programme détaillé BTS INFORMATIQUE DE GESTION DIPLÔME D ETAT. Objectifs de la formation. Les métiers. Durée de la formation

Programme détaillé BTS INFORMATIQUE DE GESTION DIPLÔME D ETAT. Objectifs de la formation. Les métiers. Durée de la formation Objectifs de la formation Les inscriptions sont réservées aux élèves de niveau BAC ou plus, et sont ouvertes dans la mesure des places disponibles. Le Brevet de Technicien Supérieur d Informatique de Gestion

Plus en détail

Algorithme. Table des matières

Algorithme. Table des matières 1 Algorithme Table des matières 1 Codage 2 1.1 Système binaire.............................. 2 1.2 La numérotation de position en base décimale............ 2 1.3 La numérotation de position en base binaire..............

Plus en détail

SINE QUA NON. Découverte et Prise en main du logiciel Utilisation de bases

SINE QUA NON. Découverte et Prise en main du logiciel Utilisation de bases SINE QUA NON Découverte et Prise en main du logiciel Utilisation de bases Sine qua non est un logiciel «traceur de courbes planes» mais il possède aussi bien d autres fonctionnalités que nous verrons tout

Plus en détail

Algorithmique et Programmation, IMA

Algorithmique et Programmation, IMA Algorithmique et Programmation, IMA Cours 2 : C Premier Niveau / Algorithmique Université Lille 1 - Polytech Lille Notations, identificateurs Variables et Types de base Expressions Constantes Instructions

Plus en détail

La nouvelle planification de l échantillonnage

La nouvelle planification de l échantillonnage La nouvelle planification de l échantillonnage Pierre-Arnaud Pendoli Division Sondages Plan de la présentation Rappel sur le Recensement de la population (RP) en continu Description de la base de sondage

Plus en détail

Atelier Transversal AT11. Activité «Fourmis» Pierre Chauvet. pierre.chauvet@uco.fr

Atelier Transversal AT11. Activité «Fourmis» Pierre Chauvet. pierre.chauvet@uco.fr Atelier Transversal AT11 Activité «Fourmis» Pierre Chauvet pierre.chauvet@uco.fr Ant : un algorithme inspiré de l éthologie L éthologie Etude scientifique des comportements animaux, avec une perspective

Plus en détail

Optimisation, traitement d image et éclipse de Soleil

Optimisation, traitement d image et éclipse de Soleil Kléber, PCSI1&3 014-015 I. Introduction 1/8 Optimisation, traitement d image et éclipse de Soleil Partie I Introduction Le 0 mars 015 a eu lieu en France une éclipse partielle de Soleil qu il était particulièrement

Plus en détail

Programmation linéaire

Programmation linéaire CHAPTER 1 Programmation linéaire 1.1. Qu'est-ce que la programmation linéaire 1.1.1. Exemple: le problème du régime de Polly [1, p.3]. Besoins journaliers: Énergie: 2000 kcal Protéines: 55g Calcium: 800

Plus en détail

Objectifs. Clustering. Principe. Applications. Applications. Cartes de crédits. Remarques. Biologie, Génomique

Objectifs. Clustering. Principe. Applications. Applications. Cartes de crédits. Remarques. Biologie, Génomique Objectifs Clustering On ne sait pas ce qu on veut trouver : on laisse l algorithme nous proposer un modèle. On pense qu il existe des similarités entre les exemples. Qui se ressemble s assemble p. /55

Plus en détail

La classification automatique de données quantitatives

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

Plus en détail

Baccalauréat S Antilles-Guyane 11 septembre 2014 Corrigé

Baccalauréat S Antilles-Guyane 11 septembre 2014 Corrigé Baccalauréat S ntilles-guyane 11 septembre 14 Corrigé EXERCICE 1 6 points Commun à tous les candidats Une entreprise de jouets en peluche souhaite commercialiser un nouveau produit et à cette fin, effectue

Plus en détail

Prudence, Epargne et Risques de Soins de Santé Christophe Courbage

Prudence, Epargne et Risques de Soins de Santé Christophe Courbage Prudence, Epargne et Rique de Soin de Santé Chritophe Courbage ASSOCIATION DE GENÈVE Introduction Le compte d épargne anté (MSA), une nouvelle forme d intrument pour couvrir le dépene de anté en ca de

Plus en détail

FONCTION DE DEMANDE : REVENU ET PRIX

FONCTION 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 détail

Cours de recherche opérationnelle I

Cours de recherche opérationnelle I 1 Cours de recherche opérationnelle I Nadia Brauner Nadia.Brauner@imag.fr Grenoble, 2014-2015 Auteurs Ont participé à la rédaction de ce cours (par ordre d arrivée) Nadia Brauner Christophe Rapine Julien

Plus en détail

Info0804. Cours 6. Optimisation combinatoire : Applications et compléments

Info0804. 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 détail

Couplage efficace entre Optimisation et Simulation stochastique Application à la maintenance optimale d une constellation de satellites

Couplage efficace entre Optimisation et Simulation stochastique Application à la maintenance optimale d une constellation de satellites Couplage efficace entre Optimisation et Simulation stochastique Application à la maintenance optimale d une constellation de satellites Benoît Beghin Pierre Baqué André Cabarbaye Centre National d Etudes

Plus en détail

ALGORITHMIQUE II NOTION DE COMPLEXITE. SMI AlgoII

ALGORITHMIQUE II NOTION DE COMPLEXITE. SMI AlgoII ALGORITHMIQUE II NOTION DE COMPLEXITE 1 2 Comment choisir entre différents algorithmes pour résoudre un même problème? Plusieurs critères de choix : Exactitude Simplicité Efficacité (but de ce chapitre)

Plus en détail

L utilisation d un réseau de neurones pour optimiser la gestion d un firewall

L utilisation d un réseau de neurones pour optimiser la gestion d un firewall L utilisation d un réseau de neurones pour optimiser la gestion d un firewall Réza Assadi et Karim Khattar École Polytechnique de Montréal Le 1 mai 2002 Résumé Les réseaux de neurones sont utilisés dans

Plus en détail

Résolution de systèmes linéaires par des méthodes directes

Résolution de systèmes linéaires par des méthodes directes Résolution de systèmes linéaires par des méthodes directes J. Erhel Janvier 2014 1 Inverse d une matrice carrée et systèmes linéaires Ce paragraphe a pour objet les matrices carrées et les systèmes linéaires.

Plus en détail

L exclusion mutuelle distribuée

L exclusion mutuelle distribuée L exclusion mutuelle distribuée L algorithme de L Amport L algorithme est basé sur 2 concepts : L estampillage des messages La distribution d une file d attente sur l ensemble des sites du système distribué

Plus en détail

Sujet proposé par Yves M. LEROY. Cet examen se compose d un exercice et de deux problèmes. Ces trois parties sont indépendantes.

Sujet proposé par Yves M. LEROY. Cet examen se compose d un exercice et de deux problèmes. Ces trois parties sont indépendantes. Promotion X 004 COURS D ANALYSE DES STRUCTURES MÉCANIQUES PAR LA MÉTHODE DES ELEMENTS FINIS (MEC 568) contrôle non classant (7 mars 007, heures) Documents autorisés : polycopié ; documents et notes de

Plus en détail

Cours d Informatique

Cours d Informatique Cours d Informatique 1ère année SM/SMI 2007/2008, Info 2 Département de Mathématiques et d Informatique, Université Mohammed V elbenani@hotmail.com sayah@fsr.ac.ma 2007/2008 Info2, 1ère année SM/SMI 1

Plus en détail

Resolution limit in community detection

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.

Plus en détail

Excel 2010 Module 13. Comment créer un tableau d amortissement dégressif d une immobilisation. Enseignant : Christophe Malpart

Excel 2010 Module 13. Comment créer un tableau d amortissement dégressif d une immobilisation. Enseignant : Christophe Malpart Excel 2010 Module 13 Comment créer un tableau d amortissement dégressif d une immobilisation Enseignant : Christophe Malpart Excel 2010. Module 13. Christophe Malpart Sommaire 1 Introduction 3 2 Calcul

Plus en détail

Correction TD algorithmique

Correction TD algorithmique Affectation Correction TD algorithmique Exercice 1 algo affect1b b 5 a b+1 b 2 Il vaut faire passer la notion de variable et la notion de stockage mémoire. Une variable n a donc pas d historique et à un

Plus en détail

Exercice : la frontière des portefeuilles optimaux sans actif certain

Exercice : la frontière des portefeuilles optimaux sans actif certain Exercice : la frontière des portefeuilles optimaux sans actif certain Philippe Bernard Ingénierie Economique & Financière Université Paris-Dauphine Février 0 On considère un univers de titres constitué

Plus en détail

Accessibilité ERP Guide des obligations liées à l accessibilité des personnes handicapées dans les bâtiments ERP existants.*

Accessibilité ERP Guide des obligations liées à l accessibilité des personnes handicapées dans les bâtiments ERP existants.* Accessibilité ERP Guide des obligations liées à l accessibilité des personnes handicapées dans les bâtiments ERP existants.* *Application de l arrêté du 21 mars 2007, de l arrêté du 1er août 2006 et de

Plus en détail

STAGE IREM 0- Premiers pas en Python

STAGE IREM 0- Premiers pas en Python Université de Bordeaux 16-18 Février 2014/2015 STAGE IREM 0- Premiers pas en Python IREM de Bordeaux Affectation et expressions Le langage python permet tout d abord de faire des calculs. On peut évaluer

Plus en détail

TP 2 Réseaux. Adresses IP, routage et sous-réseaux

TP 2 Réseaux. Adresses IP, routage et sous-réseaux TP 2 Réseaux Adresses IP, routage et sous-réseaux C. Pain-Barre INFO - IUT Aix-en-Provence version du 24/2/2 Adressage IP. Limites du nombre d adresses IP.. Adresses de réseaux valides Les adresses IP

Plus en détail

Nouvelles 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 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 détail

6 ème. Rallye mathématique de la Sarthe 2013/2014. 1 ère épreuve de qualification : Problèmes Jeudi 21 novembre 2013

6 ème. Rallye mathématique de la Sarthe 2013/2014. 1 ère épreuve de qualification : Problèmes Jeudi 21 novembre 2013 Retrouver tous les sujets, les corrigés, les annales, les finales sur le site du rallye : http://sarthe.cijm.org I Stéphane, Eric et Christophe sont 3 garçons avec des chevelures différentes. Stéphane

Plus en détail

Manuel d utilisation 26 juin 2011. 1 Tâche à effectuer : écrire un algorithme 2

Manuel d utilisation 26 juin 2011. 1 Tâche à effectuer : écrire un algorithme 2 éducalgo Manuel d utilisation 26 juin 2011 Table des matières 1 Tâche à effectuer : écrire un algorithme 2 2 Comment écrire un algorithme? 3 2.1 Avec quoi écrit-on? Avec les boutons d écriture........

Plus en détail

1/24. I passer d un problème exprimé en français à la réalisation d un. I expressions arithmétiques. I structures de contrôle (tests, boucles)

1/24. I passer d un problème exprimé en français à la réalisation d un. I expressions arithmétiques. I structures de contrôle (tests, boucles) 1/4 Objectif de ce cours /4 Objectifs de ce cours Introduction au langage C - Cours Girardot/Roelens Septembre 013 Du problème au programme I passer d un problème exprimé en français à la réalisation d

Plus en détail

INF 232: Langages et Automates. Travaux Dirigés. Université Joseph Fourier, Université Grenoble 1 Licence Sciences et Technologies

INF 232: Langages et Automates. Travaux Dirigés. Université Joseph Fourier, Université Grenoble 1 Licence Sciences et Technologies INF 232: Langages et Automates Travaux Dirigés Université Joseph Fourier, Université Grenoble 1 Licence Sciences et Technologies Année Académique 2013-2014 Année Académique 2013-2014 UNIVERSITÉ JOSEPH

Plus en détail

Cours d analyse numérique SMI-S4

Cours d analyse numérique SMI-S4 ours d analyse numérique SMI-S4 Introduction L objet de l analyse numérique est de concevoir et d étudier des méthodes de résolution de certains problèmes mathématiques, en général issus de problèmes réels,

Plus en détail

Application 1- VBA : Test de comportements d'investissements

Application 1- VBA : Test de comportements d'investissements Application 1- VBA : Test de comportements d'investissements Notions mobilisées Chapitres 1 à 5 du cours - Exemple de récupération de cours en ligne 1ère approche des objets (feuilles et classeurs). Corps

Plus en détail

Chapitre 4 : Exclusion mutuelle

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

Plus en détail

Sujet 4: Programmation stochastique propriétés de fonction de recours

Sujet 4: Programmation stochastique propriétés de fonction de recours Sujet 4: Programmation stochastique propriétés de fonction de recours MSE3313: Optimisation Stochastiqe Andrew J. Miller Dernière mise au jour: October 19, 2011 Dans ce sujet... 1 Propriétés de la fonction

Plus en détail

Introduction à MATLAB R

Introduction à MATLAB R Introduction à MATLAB R Romain Tavenard 10 septembre 2009 MATLAB R est un environnement de calcul numérique propriétaire orienté vers le calcul matriciel. Il se compose d un langage de programmation, d

Plus en détail

CONTENU MISE EN PLACE. 1. Placez le plateau de jeu au centre de la table.

CONTENU MISE EN PLACE. 1. Placez le plateau de jeu au centre de la table. TM Pour voir une vidéo explicative du jeu, visitez www.stratusgames.com INTRODUCTION BUT DU JEU Les habitants des villages entourant un volcan dormant vivaient heureux et en paix jusqu au jour où BADABOUM

Plus en détail

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 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 détail

LES MÉTHODES DE POINT INTÉRIEUR 1

LES MÉTHODES DE POINT INTÉRIEUR 1 Chapitre XIII LES MÉTHODES DE POINT INTÉRIEUR 1 XIII.1 Introduction Nous débutons par un rappel de la formulation standard d un problème d optimisation 2 linéaire et donnons un bref aperçu des différences

Plus en détail

Cette règle ne s applique pas aux valeurs émises ou garanties par l Etat.

Cette règle ne s applique pas aux valeurs émises ou garanties par l Etat. Instruction COSOB n 2000-01 du 11 janvier 2000 fixant les règles prudentielles de gestion des intermédiaires en opérations de bourse Article 1er. En application du règlement n 96-03 du 03 Juillet 1996

Plus en détail

INTRODUCTION AUX SYSTEMES D EXPLOITATION. TD2 Exclusion mutuelle / Sémaphores

INTRODUCTION AUX SYSTEMES D EXPLOITATION. TD2 Exclusion mutuelle / Sémaphores INTRODUCTION AUX SYSTEMES D EXPLOITATION TD2 Exclusion mutuelle / Sémaphores Exclusion mutuelle / Sémaphores - 0.1 - S O M M A I R E 1. GENERALITES SUR LES SEMAPHORES... 1 1.1. PRESENTATION... 1 1.2. UN

Plus en détail

Circuits RL et RC. Chapitre 5. 5.1 Inductance

Circuits RL et RC. Chapitre 5. 5.1 Inductance Chapitre 5 Circuits RL et RC Ce chapitre présente les deux autres éléments linéaires des circuits électriques : l inductance et la capacitance. On verra le comportement de ces deux éléments, et ensuite

Plus en détail

Algorithmes récursifs

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

Plus en détail

Chapitre 3. Les distributions à deux variables

Chapitre 3. Les distributions à deux variables Chapitre 3. Les distributions à deux variables Jean-François Coeurjolly http://www-ljk.imag.fr/membres/jean-francois.coeurjolly/ Laboratoire Jean Kuntzmann (LJK), Grenoble University 1 Distributions conditionnelles

Plus en détail

Listes de fournitures du secondaire pour la rentrée 2015-2016

Listes de fournitures du secondaire pour la rentrée 2015-2016 Listes de fournitures du secondaire pour la rentrée 2015-2016 Classe de 6 ème - Un paquet de pinceaux (gros, moyens, petit) Classe de 5 ème - Un paquet de pinceaux (gros, moyens, petits) Classe de 4 ème

Plus en détail

CHAPITRE 1. Suites arithmetiques et géometriques. Rappel 1. On appelle suite réelle une application de

CHAPITRE 1. Suites arithmetiques et géometriques. Rappel 1. On appelle suite réelle une application de HAPITRE 1 Suites arithmetiques et géometriques Rappel 1 On appelle suite réelle une application de dans, soit est-à-dire pour une valeur de la variable appartenant à la suite prend la valeur, ie : On notera

Plus en détail

INITIATION AU LANGAGE C SUR PIC DE MICROSHIP

INITIATION AU LANGAGE C SUR PIC DE MICROSHIP COURS PROGRAMMATION INITIATION AU LANGAGE C SUR MICROCONTROLEUR PIC page 1 / 7 INITIATION AU LANGAGE C SUR PIC DE MICROSHIP I. Historique du langage C 1972 : naissance du C dans les laboratoires BELL par

Plus en détail

Licence Sciences et Technologies Examen janvier 2010

Licence Sciences et Technologies Examen janvier 2010 Université de Provence Introduction à l Informatique Licence Sciences et Technologies Examen janvier 2010 Année 2009-10 Aucun document n est autorisé Les exercices peuvent être traités dans le désordre.

Plus en détail

Notice d Utilisation du logiciel Finite Element Method Magnetics version 3.4 auteur: David Meeker

Notice d Utilisation du logiciel Finite Element Method Magnetics version 3.4 auteur: David Meeker Notice d Utilisation du logiciel Finite Element Method Magnetics version 3.4 auteur: David Meeker DeCarvalho Adelino adelino.decarvalho@iutc.u-cergy.fr septembre 2005 Table des matières 1 Introduction

Plus en détail

Le Data Mining au service du Scoring ou notation statistique des emprunteurs!

Le Data Mining au service du Scoring ou notation statistique des emprunteurs! France Le Data Mining au service du Scoring ou notation statistique des emprunteurs! Comme le rappelle la CNIL dans sa délibération n 88-083 du 5 Juillet 1988 portant adoption d une recommandation relative

Plus en détail

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. 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

Plus en détail

exigences des standards ISO 9001: 2008 OHSAS 18001:2007 et sa mise en place dans une entreprise de la catégorie des petites et moyennes entreprises.

exigences des standards ISO 9001: 2008 OHSAS 18001:2007 et sa mise en place dans une entreprise de la catégorie des petites et moyennes entreprises. R E S U M E de la Thése de doctorat Perfectionnement du systemé de management intégré qualité-responsabilité sociale-santé et sécurité occupationnelle élaborée par Monsieur le thésard Denuntzio C. Romeo,

Plus en détail

Quantification Scalaire et Prédictive

Quantification Scalaire et Prédictive Quantification Scalaire et Prédictive Marco Cagnazzo Département Traitement du Signal et des Images TELECOM ParisTech 7 Décembre 2012 M. Cagnazzo Quantification Scalaire et Prédictive 1/64 Plan Introduction

Plus en détail

Initiation à LabView : Les exemples d applications :

Initiation à LabView : Les exemples d applications : Initiation à LabView : Les exemples d applications : c) Type de variables : Créer un programme : Exemple 1 : Calcul de c= 2(a+b)(a-3b) ou a, b et c seront des réels. «Exemple1» nom du programme : «Exemple

Plus en détail

Mathématiques appliquées à l'économie et à la Gestion

Mathématiques appliquées à l'économie et à la Gestion Mathématiques appliquées à l'économie et à la Gestion Mr Makrem Ben Jeddou Mme Hababou Hella Université Virtuelle de Tunis 2008 Continuité et dérivation1 1- La continuité Théorème : On considère un intervalle

Plus en détail

Exclusion Mutuelle. Arnaud Labourel Courriel : arnaud.labourel@lif.univ-mrs.fr. Université de Provence. 9 février 2011

Exclusion Mutuelle. Arnaud Labourel Courriel : arnaud.labourel@lif.univ-mrs.fr. Université de Provence. 9 février 2011 Arnaud Labourel Courriel : arnaud.labourel@lif.univ-mrs.fr Université de Provence 9 février 2011 Arnaud Labourel (Université de Provence) Exclusion Mutuelle 9 février 2011 1 / 53 Contexte Epistémologique

Plus en détail

Algorithmique et Programmation

Algorithmique et Programmation École Supérieure d Ingénieurs de Poitiers Gea Algorithmique et Programmation Laurent Signac ii Algorithmique et programmation Gea Table des matières Avant Propos v Structures de données Notion de pointeur..............................................

Plus en détail

MANUEL D UTILISATION - Précis Poste de Traitement d Images 1 - Déconvolution

MANUEL D UTILISATION - Précis Poste de Traitement d Images 1 - Déconvolution Service Commun de Microscopie MANUEL D UTILISATION - Précis Poste de Traitement d Images 1 - Déconvolution Version 1 Précis Février 2015 SERVICE COMMUN DE MICROSCOPIE MANUEL D UTILISATION Poste de Traitement

Plus en détail

HELPDESK IMAGINLAB GUIDE UTILISATION POUR IMAGINEURS. : Guide HelpDesk pour les Imagineurs-v1.2.docx. Date : 2013-07-24

HELPDESK IMAGINLAB GUIDE UTILISATION POUR IMAGINEURS. : Guide HelpDesk pour les Imagineurs-v1.2.docx. Date : 2013-07-24 HELPDESK IMAGINLAB GUIDE UTILISATION POUR IMAGINEURS Fichier : Guide HelpDesk pour les Imagineurs-v1.2.docx Date : 2013-07-24 Rédacteurs : Helpdesk ImaginLab FICHE D'EVOLUTION Edition Date Auteur Action

Plus en détail

Echantillonnage Non uniforme

Echantillonnage 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 détail

Cours 02 : Problème général de la programmation linéaire

Cours 02 : Problème général de la programmation linéaire Cours 02 : Problème général de la programmation linéaire Cours 02 : Problème général de la Programmation Linéaire. 5 . Introduction Un programme linéaire s'écrit sous la forme suivante. MinZ(ou maxw) =

Plus en détail

Université du Québec à Chicoutimi. Département d informatique et de mathématique. Plan de cours. Titre : Élément de programmation.

Université du Québec à Chicoutimi. Département d informatique et de mathématique. Plan de cours. Titre : Élément de programmation. Université du Québec à Chicoutimi Département d informatique et de mathématique Plan de cours Titre : Élément de programmation Sigle : 8inf 119 Session : Automne 2001 Professeur : Patrice Guérin Local

Plus en détail