Introduction à l Optimisation des Structures Métaheuristiques
|
|
- Valentin Larouche
- il y a 8 ans
- Total affichages :
Transcription
1 UVSQ - Master DSME P. Vannucci Introduction à l Optimisation des Structures Métaheuristiques
2 Introduction Les méthodes classiques pour la solution des NLPP (Non Linear Programming Problem) sont les meilleures en cas de convexité Toutefois, elles ne sont pas indiquées (quoi que utilisées) pour les NLPP non convexes: la dépendance de la solution finale du point de départ et l impossibilité de savoir si le minimum trouvé est global ou local sont des défauts intrinsèques aux approches classiques En outre, ces méthodes, qui s appuient sur le calcul du gradient, sont difficilement applicables aux NLPP avec des fonctions objectif non régulières (discontinues ou avec gradient discontinu) et à ceux qui dépendent de variables discrètes, comme c est souvent le cas pour les structures 2
3 Métaheuristiques (1) L avènement d ordinateurs de puissance suffisante a rendu possible la mise au point de méthodes complètement nouvelles, appelées souvent métaheuristiques Une métaheuristique est une méthode d optimisation globale pour NLPP non convexes et qui est guidée dans sa stratégie de recherche par l usage organisé d une ou plusieurs règles empiriques, qui s inspirent d un quelque phénomène en le reproduisant synthétiquement 3
4 Métaheuristiques (2) Généralement, les métaheuristiques sont des approches stochastiques, qui se basent sur la génération d une grande quantité de nombres aléatoires et sur des manipulations probabilistes D habitude, elles ne nécessitent pas le calcul du gradient (méthodes d ordre 0) et traitent de façon identique et sans difficulté tout genre de variables: continues, discrètes, groupées Les métaheuristiques réussissent mieux que les méthodes classiques dans le traitement des problèmes de grande taille (même des milliers de variables) Un autre avantage des métaheuristiques c est que normalement sont de programmation simple et à schéma relativement libre 4
5 Métaheuristiques (3) La reproduction synthétique d une règle qui gère un certain phénomène donne la structure d action d une métaheuristique, le guidage dans l exploration du domaine de faisabilité Plus que de méthodes d optimisation, il faut voir les métaheuristiques comme des méthodes d exploration du domaine de faisabilité Dans cette exploration le hasard joue un rôle important, mais normalement l exploration n est pas aveugle: elle se base sur une auto-organisation du système dans la gestion des informations qu il est capable de tirer de l exploration même Cette auto-organisation traite l information et guide l exploration en l absence d une autorité centrale: c est une forme d intelligence artificielle 5
6 Métaheuristiques (4) Un grand nombre de métaheuristiques, avec plusieurs variantes, ont été mises au point jusqu aujourd hui Les phénomènes auxquels elles s inspirent sont les plus divers; citons par exemple: méthode de Monte-Carlo, inspirée au jeu de hasard recuit simulé, inspiré à la thermodynamique méthode tabou, inspirée à la gestion de la mémoire métaphores biologiques, inspirées au monde du vivant: réseaux de neurones, inspirés au fonctionnement du cerveau réseaux immunitaires, inspirés au fonctionnement du système immunitaire algorithmes génétiques, inspirés à la génétique et aux lois de l évolution colonies de fourmis, inspirées au comportement social des fourmis particle swarms, inspirés au comportement dynamique des volées d oiseaux 6
7 Métaheuristiques (5) L idée et le but commun au métaheuristiques est celui d explorer efficacement le domaine de faisabilité, en contournant de la façon la plus efficace possible les difficultés liées à la recherche d un minimum global L exploration sur base aléatoire est la clef du succès contre la non convexité Les métaheuristiques sont essentiellement des méthodes d optimisation sans contraintes; la présence d éventuelles contraintes peut se faire par les mêmes stratégies vues pour les méthodes classiques (pénalisation, barrières etc.), ou sinon par des stratégie plus propres à chaque méthode Les contraintes posées directement sur les variables ne posent généralement pas de problème, vue le passage par un tirage aléatoire 7
8 Méthodes de Monte-Carlo (1) Ce sont des méthodes try and fail très brutales: à l aide d un générateur de nombre aléatoires on génère une suite de nombre au hasard, qui sont autant de composantes de vecteurs faisables pour le NLPP la distribution de probabilité des variables peut être gérée (souvent il s agit de distributions uniformes sur un intervalle donné) on teste chaque vecteur faisable ainsi obtenu et on retient le meilleur si le nombre de tirages aléatoires est suffisamment élevé on a l espoir (mais pas la certitude) de couvrir convenablement l espace de recherche et donc de trouver une bonne approximation du minimum 8
9 Méthodes de Monte-Carlo (2) L efficacité de l exploration dépend fortement du problème, notamment de la fonction objectif et du nombre de variables (elle décroît rapidement avec l augmentation de la taille du problème) Il s agit d une méthode totalement aléatoire: aucune indication des calculs précédents n est retenue dans la poursuite du calcul pour le guider vers des zone du domaines de faisabilité susceptibles de contenir le minimum; c est une exploration sans intelligence, mais rapide Une variante de cette approche est celle de tirer aléatoirement les points de départ d une méthode classique de descente; il s agit donc d une approche hybride 9
10 Méthodes de Monte-Carlo (3) Les algorithmes de tirage aléatoire doivent être bien conçus, pour éviter des problèmes de boucles de tirage Il est aussi indispensable d établir a priori quel type de distribution statistique utiliser (uniforme, normale, log-normale etc.) Des algorithmes de génération aléatoire bien connus sont la méthode Lehmer généralisée pour la distribution uniforme entre 0 et 1, la méthode de Box et Müller pour la distribution normale N(0,1) etc. Il est possible et recommandé d utiliser des bibliothèques informatiques propres aux différents langages de programmation, mais il faut toujours contrôler l efficacité de l algorithme de génération de nombres aléatoires 10
11 Méthode du recuit simulé (1) L idée de base de cette méthode (simulated annealing), mise au point par S. Kirkpatrik en 1982, est de faire une exploration aléatoire de l espace des variables en favorisant les descentes mais sans interdire complètement les remontées C est cette stratégie qui permet de contourner le pb de la non convexité, c est-à-dire qui permet à l algorithme de ne pas rester pris dans le premier minimum local trouvé L idée est celle de ne pas interdire les remontées surtout au début du calcul A partir d une première solution x 0, on calcule une autre solution x 1, par exemple par tirage aléatoire, au voisinage de la solution de départ 11
12 Méthode du recuit simulé (2) On peut avoir deux cas: f(x 1 )<f(x 0 ): on a amélioré le coût, donc x 1 est un point meilleur de x 0 ; on prend x 1 comme nouveau x 0 et on recommence f(x 1 )>f(x 0 ): x 1 est un point pire de x 0, mais on ne l écarte pas a priori, on lui donne une chance d être accepté, en évaluant sa fonction d acceptation Si f = f ( x1 ) f ( x0) est le coût de la transformation de x 0 à x 1, la fonction d acceptation + α( f, T ) : R R [0,1] est une fonction de f et de T, paramètre qui dans l analogie thermodynamique est une température 12
13 Méthode du recuit simulé (3) Différents choix sont possibles pour α; par exemple: α( f 1, T ) = e f T si f 0 si f 0 (distribution de Boltzmann) ou encore α( f, T ) 1 = 1+ e f T Dans tous les cas, α<1 si f >0 et la valeur de α décroît avec T: pour des valeurs petites de T, α tend vers 0 13
14 Méthode du recuit simulé (4) La procédure est alors la suivante: on calcule la fonction d acceptation α pour la transition de x 0 à x 1 on tire au hasard un nombre β [0, 1] si α >β la transition est acceptée, autrement elle est rejetée et on cherche un autre point au voisinage de x 0 De cette sorte, même les points avec une plus forte valeur du coût ont une chance d être sélectionnés, ce qui permet de remonter les «sommets» pour descendre ensuite vers des vallées plus profondes Au début, quand la nécessité d explorer est forte, on prend des valeurs fortes de T, pour donner une chance importante aux remontées; ensuite, on diminue progressivement T, pour éviter de s échapper des bonnes «vallées» trouvées 14
15 Méthode du recuit simulé (4) Souvent on pose T k = ctk 1, c < 1 et on donne un critère pour passer de la température T k-1 à T k (p. ex. tous les n k tirages, avec n k fixé) La température T 0 doit être choisie Le calcul peut s arrêter de différentes façons, par exemple lorsque T k atteint une valeur seuil inférieure choisie, T s La méthode du recuit simulé a des nombreuses variantes, mais dans sa forme originaire elle est à peu près la suivante: 15
16 Méthode du recuit simulé (5) Algorithme du recuit simulé: 1. Initialisation: choix de x 0 faisable, de T 0, T S et de c<1; calcul de f(x 0 ) 2. Recherche d un nouveau point x 1 au voisinage de x 0, p. ex. par tirage aléatoire 3. Calcul de f(x 1 ) 4. Calcul de f = f(x 1 ) f(x 0 ) 5. Calcul de α( f,t) 6. Tirage aléatoire de β [0, 1] (distribution uniforme) 7. Si α >β remplacer x 0 avec x 1 8. Mettre à jour T k : T k =ct k-1 si les conditions imposées sont remplies 9. Si T k < T s alors STOP 10. Retour au point 2 16
17 Méthode du recuit simulé (6) Sous des hypothèses opportunes, en particulier si la décroissance de T est logarithmique, on peut montrer la convergence de la méthode vers le minimum global Le nom de la méthode dérive du processus métallurgique du recuit, qui consiste à réchauffer un alliage et à le faire refroidir lentement afin d éliminer les défauts et de favoriser la formation de cristaux, afin d amener le matériau le plus proche possible d un état cristallin, qui correspond au minimum absolu de l énergie interne Variantes du recuit simulé: méthode du seuil, du grand déluge, du voyage de record en record, de diffusion simulée, du recuit microcanonique 17
18 Méthode tabou (1) Cette méthode (F. Glover, 1986) est semblable à la précédente, au sens que les remontées ne sont pas totalement interdites, mais ici on choisit toujours le mouvement le meilleur à faire au voisinage de la position où l on se trouve, et il y a des mouvements tabou, interdits Cette méthode est la métaphore de la mémoire: si on a déjà fait le mouvement et qu il n est pas avantageux, p. ex. redescente vers un minimum local déjà connu, ce mouvement est interdit, au moins pendant un certain nombre d itérations (évanescence de la mémoire ) Il y a aussi des critères d aspiration, qui déterminent quand il peut être avantageux ou nécessaire de faire un mouvement tabou 18
19 Méthode tabou (2) Algorithme tabou: 1. Initialisation: choix d un point de départ x 0 ; calcul de f(x 0 ) 2. Génération de points voisins: par une méthode quelconque (p. ex. aléatoire), générer un ensemble de m points x i proches de x 0 pour lesquels: les mouvements tabou ne sont pas fait ou un des critères d aspiration soit rempli 3. Choisir x 1 comme le meilleur de l ensemble 4. Contrôle: si f(x 1 )< f(x 0 ), remplacer x 0 par x 1 5. Mise à jour de la liste tabou 6. Mise à jour de la liste des critères d aspiration 7. Si une condition d arrêt est remplie (p. ex. nombre max d itérations) alors STOP 8. Retour au point 2 19
20 Métaphores biologiques (1) L idée à la base des MB est celle de simuler les mécanismes et les lois propres à la biologie, afin de les utiliser dans des problèmes de nature différente, même au prix de simplifications non plausibles dans la réalité biologique Les MB s inspirent des lois de la Nature qui ont un point commun: une très grande efficacité dans le traitement de l information distribuée MB plus connues: réseaux de neurones, réseaux immunitaires, algorithmes génétiques, particle swarm, colonies de fourmis 20
21 Métaphores biologiques (2) Les systèmes biologiques pourvus de capacité d adaptation sont des réseaux adaptatifs non-linéaires (RAN) RAN: système constitué d un grand nombre d unités élémentaires (cellules ou individus) tel que: Les unités forment un reseau qui traite l information de façon parallèle et distribuée Les unités intéraggissent entre elles de façon non linéaire et competitive en l absence d une autorité centrale Des opérateurs modifient les unités de façon que le système global s adapte progressivement à l environnement Adaptation: processus d optimisation au cours duquel un système apprend de l experience faite dans un certain environnement Optimisation: il faut la voir non pas comme convergence vers le meilleure mais plutôt au sens large d amélioration continue vers un état supérieur 21
22 Métaphores biologiques (3) Les RAN font apparaître des propriétés d auto-organisation qui proviennent du caractère non linéaire des intéractions: le comportement de la somme des unités (population) ne coïncide pas avec la somme des comportements De la non linéarité des intéractions derive l existence de groupes d unités co-adaptées: une bonne unité est efficace si elle agit en collaboration avec d autres bonnes unités épistasis (= collaboration de groupes d individus co-adaptés) 22
23 Particle swarm optimization (PSO 1) C est une métaphore biologique inspirée du comportement dynamique des volées d oiseaux ou des bancs de poissons (Eberhart et Kennedy, 1995) Pour comprendre comment, considérons une volée d oiseaux qui cherchent la nourriture dans un champ: il y a un seul lieu où se trouve la nourriture et les oiseaux ne le connaissent pas La meilleure stratégie est celle de suivre l oiseau le plus proche de la nourriture Dans la PSO, chaque oiseaux (particule) est une solution possible, avec sa propre valeur de la FO Chaque particule a sa propre vitesse de déplacement, qui dirige la particule dans ses déplacements 23
24 Particle swarm optimization (PSO 2) Les particules «volent» à travers l espace faisable en suivant les particules les meilleures à l instant donné L algorithme travaille donc non pas avec une solution à la fois mais avec toute une population (le swarm) d individus: c est typique des métaphores biologiques Le calcul démarre d une population initiale tirée au hasard, et fait des itérations où chaque particule est changée pour l améliorer, en suivant les 2 vecteurs les meilleurs du groupe: x p, le vecteur qui a la valeur la meilleure de la FO obtenue jusque là x g, le vecteur qui a le minimum de la FO pour la population actuelle 24
25 Particle swarm optimization (PSO 3) Sur la base de x p et x g la particule i met à jour sa vitesse et sa position de la façon suivante: v i i i i = v + c1r1 ( x p x ) + c2r2 ( xg x ) i i i x = x r 1 et r 2 sont des nombre aléatoires dans [0,1] et c 1, c 2 sont des facteurs numériques, dits facteurs d apprentissage L algorithme s arrête pour différentes raisons, p. ex. pour avoir atteint le nombre max d itérations ou parce que la solution ne s améliore pas Le PSO a peu de paramètres numériques à régler; normalement, c 1 = c 2 =2, et la taille de la population est entre 20 et 40; parfois on limite la vitesse de déplacement, afin d éviter de trop gros déplacements + v 25
26 Colonies de fourmis L idée (M. Dorigo, 1992) de cette méthode est inspirée par le comportement des fourmis, qui, même si aveugles, sont capables de trouver, par leur organisation sociale, le chemin le plus court entre le nid et la nourriture L exploration est aveugle au début, mais ensuite les fourmis suivent les traces chimiques (phéromone) laissées par les autres fourmis, plus fortes sur le chemin le plus emprunté La quantité de phéromone est plus forte sur le chemin le plus court Cette méthode a été appliquée avec succès surtout aux problèmes de routage (communications aériennes, traitement de l information, télécommunications) et à des problèmes durs d optimisation combinatoire (problème du voyageur de commerce etc.) 26
27 Algorithmes génétiques Les AG (Holland, 1965) sont des MB qui s inspirent aux mécanismes de la selection naturelle (C. Darwin, The origin of species, 1859): faire evoluer une population en se basant sur la survie des individus les mieux adaptés En génétique syntetique un individu est un candidat à la solution d un problème donné, donc un nombre ou un ensemble de nombre (vecteur, tenseur, matrice etc.) L evolution de la population se fait en simulant les mécanismes de transmission des caractères propres à la génétique, après avoir codé les variables (simulation de l ADN, Watson e Crick, 1953). 27
28 Philosophie des AG Les AG travaillent sur une population d individus, representés par un code, et visent à l amélioration de la population entière plutôt quà celle d un seul individu Les AG optimisent le compromis entre exploration de l espace des variables et exploitation des données (Holland, 1992) La caractéristique fondamentale des AG par rapport aux autres MB est l introduction du sexe pour accélerer et améliorer l adaptation (la probabilité de s améliorer pour les êtres vivants est accrue si le patrimoine génétique provient des deux êtres plutôt que d un seul) 28
29 Un peu de génétique Les caractères génétiques sont codés dans l ADN, molécule à la structure typique à double hélice formée par 4 bases azotées (nucléotides): Adénine, Cytosine, Guanine et Thymine; A, C, G et T sont les lettres de l alphabet de la vie Une séquence de 3 nucléotides code un aminoacide Un gène est un morceau de chromosome préposé à la synthèse d un enzyme, donc à une fonction vitale Le patrimoine génétique est, le plus souvent, reparti sur plusieurs chromosomes Les êtres vivants supérieures (eucaryotes) ont un patrimoine génétique doublé (2 chromosomes homologues, les allèles), moitié d origine maternelle et moitié paternelle (diploïdie et dominance) Chaque cellule d un être humain a une chaîne d ADN d environ 2 m de longueur, et en total un adulte possède environ 25 milliards de km d ADN, pour un poids de 200 g: la capacité de coder les informations est énorme! 29
30 Structure d un AG Standard Entrée: Opérateur Opérateur de population de n d'adaptation : sélection individus calcul de la fitness aléatoire guidée des individus des individus Opérateur de croisement: cross-over aléatoire des individus Résultats : meilleure individu, adaptation moyenne de la population oui non Critère d'arrêt Nouvelle population Opérateur de mutation aléatoire des individus Elitisme 30
31 Discrétisation et codage des variables Chaque variable doit être discrétisée avec une finesse établie et ensuite codée selon un alphabet donnée (en nature l alphabet des nucleotides: A, C, G, T) Chaque individu (phenotype) est donc transformé en un code qui le represent génétiquement (génotype) et qui conserve toute l information sur le phenotype La reproduction des individus se fait avec des opérations de recombinaison et mutation de deux génotypes, donc en opérant sur les codes, non pas sur les variables directement 31
32 x Ex: codage binaire d une variable continue [ a, b] R ξ [, 0 µ ] N β [ , ] B ϕ: finesse de la discrétisation µ = 1 + b a ϕ λ: nombre di bits µ λ = ln ln 2 réels x b 0 a entiers µ discrétisation Ex: x [0,10] ϕ= 0.01 λ min =10 µ= x codage b a = a+ µ ξ ξ binaires β de longueur λ 32
33 Choix de la fonction de fitness ( f ) La fonction de fitness f mésure l adaptation d un individu par rapport au critère choisi (elle evalue la qualité d un individu comme solution potentielle d un problème donné) Le choix de f n est pas unique Toutefois, f doit être une mesure de mérite positive Normalement f:[0,µ] [0,1] f=0: individu le moins adapté f=1: individu le mieux adapté (optimum?) 33
34 Sélection Sur la base des valeurs de fitness des individus, n/2 couples d individus sont choisis pour la reproduction Cette sélection peut se faire de plusieurs façons, mais le concept est que les individus les mieux adaptés (ceux avec f plus grande) ont une probabilité accrue de se reproduire par rapport aux autres En Nature, ceci correspond au fait que les individus plus forts (les mieux adaptés) ont une probabilité majeure de vivre plus longtemps des autres et donc ils ont plus de temps pour se reproduire; la sélection naturelle s opère donc sur la base de l adaptation et de la probabilité de survie, qui lui est, statistiquement, proportionnelle Types de séléction plus employés: par tournement, par elitisme n/2, par roue de loterie biaisée 34
35 Sélection par roue de lotérie biaisée La probabilité de sélection d un individu est La fonction de distribution de la probabilité de sélection est donc la fonction de fitness f normalisée p sel 12% = f n k = 1 11% f k Les n/2 couples sont tirées aux hasard, par rotation de la roue 9% 22% 23% 15% 8% 35
36 Cross-over C est l operateur génétique principal: chaque couple donne lieu à deux nouveaux individus par recombinaison du génotype La probabilité d un cross-over est p c Cross-over simple: la position unique du cross-over est choisie au hasard point de cross-over parents 2 enfants 36
37 Mutation La mutation est un changement aléatoire d un nucléotide (=1 bit) du génotype La mutation intervient avec une probabilité p m et sa position est choisie au hasard Le rôle de la mutation est celui de créer de la biodiversité pour contraster la convergence prematurée position de la mutation gène original gène muté 37
38 Phases de reproduction dans les eucaryotes A) Formation des gamètes haploïdes pour chaque parent. En noir: chromosomes d'héritage paternel En blanc: chromosomes d'héritage maternel 1 2 1' 2' Cellule sexuelle originaire diploïde: 2 n chromosomes. 1 2 Phase S: duplication des chromosomes: 4 n chromosomes. B) Accouplement au hasard des gamètes d'origine paternelle et maternelle: formation du zygote. 1' 2' Possibles mutations 2' 1 2' 1 1' 2 2 1' mutation 1' 2 1 2' 1' 2 Première division méiotique : assortiment indépendant des chromosomes non homologues; 2 n chromosomes dans chaque cellule. 2' 1 2' 1 1' 2 2 1' 1 2' cross-over Possible cross-over 2' 1 2' 1 1' 2 2 1' Deuxième division méiotique : ségrégation des allèles; formation des gamètes haploïdes: n chromosomes dans chaque gamète. 38
39 Ex: solution d une equation non-linéaire Pb: résoudre y = cos x 2 x/π = 0 dans [0,π] Transformation en un pb d optimum: trouver le minimum (=0) de la fonction y 2 Fonction de fitness: y 2 f y y 2 f = [1 y 2 / (max [0,π] y 2 ) ] c =(1 y 2 ) c 39
40 Données de input p c = 0.8 p m = ϕ= 10-5 µ= λ= 18 bits n= 50 n_gén= 50 c= 4 Résultats Meilleur individu: x= y= y 2 = gén_sol= 24 Cross-over: 987 Mutations: 86 40
41 Données de input p c = 0.8 p m = ϕ= 10-5 µ= λ= 18 bits n= 50 n_gén= 50 c= 4 Résultats avec l elitisme Meilleur individu: x= y= y 2 = gén_sol= 45 Cross-over: 988 Mutations: 82 41
42 Un exemple de NLPP non convexe y = cos 2x dans [0, 2π] f y 2 y 42
43 Qualités des AG Il s agit d algorithmes capables d accumuler de l information sur un espace de recherche inconnu et de l exploiter pour guider la recherche sur des sous-espaces prometteurs La recherche se fait par echange et recombinaison d informations elementaires (les schèmes ou motifs de similarité; théoreme du parallelisme implicite), ce qui est plus efficace d une recherche totalement aléatoire, basée seulement sur la mutation utilité du sexe en biologie Ce mécanisme est implicit: il emerge des propriétés d autoorganisation de l information induite par sélectionnisme 43
44 Points distinctifs des AG Parallelisme: les AG travaillent en parallèle sur un certain nombre d individus possibilité de traiter une enorme quantité d informations La méthode de recherche n est pas locale, mais globale et distribuée sur l entier espace de recherche le pb de la nonconvexité est contourné à la base Manipulation d entités arbitraires codées possibilité de traiter de la même façon variables de nature differente Utilisation d un minimum d informations sur les données (methodes d ordre 0): on a besoin seulement d une mesure d adaptation f Optimisation du rapport exploration/exploitation des informations Les AG sont des algorithmes à impostation libre et, en partie, auto-correcteurs 44
45 Petite considération sur les MB Les MB marquent l entrée des lois de la biologie dans différents secteurs: c est la reconnaissance que les lois du monde du vivant ont une validité plus générale de celle qui ont dans leur contexte biologique. La loi de l évolution est la plus importante de toutes les loi du monde; elle a présidé à notre naissance, a régi notre passé et, dans une large mesure, contrôle notre avenir. Y. Coppens 45
46 et sur leur validité scientifique A ces lois on peut donner des interprétations mathématiques (travaux de M. D. Vose sur l objet AG simple) mais la preuve de leur efficacité est dans les faits. Les AG sont des systèmes capables de bien gérer la complexité: dans le traitement de certains problèmes inverses, la gestion et l organisation de la complexité sont parfois des voies à suivre. La question est: quand simplifier est le bon choix? En nature ce qui a gagné est la complexité (passage à la reproduction sexuelle, diploïdie, redondance dans le stockage de données dans l ADN, ). 46
47 In fine, une petite digression historique Les MB mettent en valeur l importance de l interdisciplinarité. Toutefois, les contacts entre mécanique et biologie ne datent pas d aujourd hui: Galilei (Discorsi e dimostrazioni matematiche intorno a due nuove scienze, 1638): disquisitions mécaniques sur les dimensions des êtres vivants. Hooke (Micrographia, 1665): premières observations au microscope, nom de cellule pour la texture du liège. Maupertuis (Venus Physique, 1745): démonstration de la transmission des caractères génétiques par les deux parents. Premier à théoriser la mutation comme cause de la biodiversité (Le système de la nature, 1751). 47
48 Conclusion Les métaheuristiques sont des techniques modernes et efficaces pour la solution de NLPP non convexes et «durs» Leurs programmation est normalement simple, libre entre certains limites, ce qui les rend adaptables aux différents cas donc allez-y! 48
Cours 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 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 détailCHAPITRE 3 LA SYNTHESE DES PROTEINES
CHAITRE 3 LA SYNTHESE DES ROTEINES On sait qu un gène détient dans sa séquence nucléotidique, l information permettant la synthèse d un polypeptide. Ce dernier caractérisé par sa séquence d acides aminés
Plus en détailCoup de Projecteur sur les Réseaux de Neurones
Coup de Projecteur sur les Réseaux de Neurones Les réseaux de neurones peuvent être utilisés pour des problèmes de prévision ou de classification. La représentation la plus populaire est le réseau multicouche
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 détailTHÈSE DE DOCTORAT DE L UNIVERSITÉ PARIS 12-VAL DE MARNE UFR de Sciences et Technologie. par. Walid TFAILI. pour obtenir le grade de
THÈSE DE DOCTORAT DE L UNIVERSITÉ PARIS 12-VAL DE MARNE UFR de Sciences et Technologie par Walid TFAILI pour obtenir le grade de DOCTEUR EN SCIENCES Spécialité : SCIENCES DE L INGÉNIEUR Option : Optimisation
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 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 détailALGORITHME GENETIQUE ET MODELE DE SIMULATION POUR L'ORDONNANCEMENT D'UN ATELIER DISCONTINU DE CHIMIE
ALGORITHME GENETIQUE ET MODELE DE SIMULATION POUR L'ORDONNANCEMENT D'UN ATELIER DISCONTINU DE CHIMIE P. Baudet, C. Azzaro-Pantel, S. Domenech et L. Pibouleau Laboratoire de Génie Chimique - URA 192 du
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 détailSujet 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 détailAlgorithme des fourmis appliqué à la détection et au suivi de contours dans une image
IN52-IN54 A2008 Algorithme des fourmis appliqué à la détection et au suivi de contours dans une image Etudiants : Nicolas MONNERET Alexandre HAFFNER Sébastien DE MELO Responsable : Franck GECHTER Sommaire
Plus en détailLa survie nette actuelle à long terme Qualités de sept méthodes d estimation
La survie nette actuelle à long terme Qualités de sept méthodes d estimation PAR Alireza MOGHADDAM TUTEUR : Guy HÉDELIN Laboratoire d Épidémiologie et de Santé publique, EA 80 Faculté de Médecine de Strasbourg
Plus en détail1 Recherche en table par balayage
1 Recherche en table par balayage 1.1 Problème de la recherche en table Une table désigne une liste ou un tableau d éléments. Le problème de la recherche en table est celui de la recherche d un élément
Plus en détailEtude d un cas industriel : Optimisation de la modélisation de paramètre de production
Revue des Sciences et de la Technologie RST- Volume 4 N 1 /janvier 2013 Etude d un cas industriel : Optimisation de la modélisation de paramètre de production A.F. Bernate Lara 1, F. Entzmann 2, F. Yalaoui
Plus en détailCapacité 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 détailChapitre 2 Le problème de l unicité des solutions
Université Joseph Fourier UE MAT 127 Mathématiques année 2011-2012 Chapitre 2 Le problème de l unicité des solutions Ce que nous verrons dans ce chapitre : un exemple d équation différentielle y = f(y)
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 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 détailIntroduction. I Étude rapide du réseau - Apprentissage. II Application à la reconnaissance des notes.
Introduction L'objectif de mon TIPE est la reconnaissance de sons ou de notes de musique à l'aide d'un réseau de neurones. Ce réseau doit être capable d'apprendre à distinguer les exemples présentés puis
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 détailOrdonnancement en temps réel d un jobshop par métaheuristique hybride : étude comparative
Ordonnancement en temps réel d un jobshop par métaheuristique hybride : étude comparative Y. Houbad, M. Souier, A. Hassam, Z.Sari Laboratoire d automatique Tlemcen Faculté de technologie, Université Abou
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 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 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 détailDifférentes opérateurs évolutionnaires de permutation: sélections, croisements et mutations
LABORATOIRE D INFORMATIQUE DE L UNIVERSITE DE FRANCHE-COMTE EA 4269 Différentes opérateurs évolutionnaires de permutation: sélections, croisements et mutations Mais HAJ-RACHID, Christelle BLOCH, Wahiba
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 détailModélisation aléatoire en fiabilité des logiciels
collection Méthodes stochastiques appliquées dirigée par Nikolaos Limnios et Jacques Janssen La sûreté de fonctionnement des systèmes informatiques est aujourd hui un enjeu économique et sociétal majeur.
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 détailTests du χ 2. on accepte H 0 bonne décision erreur de seconde espèce on rejette H 0 erreur de première espèce bonne décision
Page n 1. Tests du χ 2 une des fonctions des statistiques est de proposer, à partir d observations d un phénomène aléatoire (ou modélisé comme tel) une estimation de la loi de ce phénomène. C est que nous
Plus en détailPrésentation des algorithmes génétiques et de leurs applications en économie
Présentation des algorithmes génétiques et de leurs applications en économie Thomas Vallée et Murat Yıldızoğlu LEN-C3E Université de Nantes, LEA-CIL Chemin de la Censive du Tertre F-44312 NANTES Thomas.Vallee@sc-eco.univ-nantes.fr
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 détailNombres, mesures et incertitudes en sciences physiques et chimiques. Groupe des Sciences physiques et chimiques de l IGEN
Nombres, mesures et incertitudes en sciences physiques et chimiques. Groupe des Sciences physiques et chimiques de l IGEN Table des matières. Introduction....3 Mesures et incertitudes en sciences physiques
Plus en détailL 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 détailBaccalauréat ES Antilles Guyane 12 septembre 2014 Corrigé
Baccalauréat ES Antilles Guyane 12 septembre 2014 Corrigé EXERCICE 1 5 points Commun à tous les candidats 1. Réponse c : ln(10)+2 ln ( 10e 2) = ln(10)+ln ( e 2) = ln(10)+2 2. Réponse b : n 13 0,7 n 0,01
Plus en détailDéroulement d un projet en DATA MINING, préparation et analyse des données. Walid AYADI
1 Déroulement d un projet en DATA MINING, préparation et analyse des données Walid AYADI 2 Les étapes d un projet Choix du sujet - Définition des objectifs Inventaire des données existantes Collecte, nettoyage
Plus en détailExercices types Algorithmique et simulation numérique Oral Mathématiques et algorithmique Banque PT
Exercices types Algorithmique et simulation numérique Oral Mathématiques et algorithmique Banque PT Ces exercices portent sur les items 2, 3 et 5 du programme d informatique des classes préparatoires,
Plus en détailCONCOURS D ENTREE A L ECOLE DE 2007 CONCOURS EXTERNE. Cinquième épreuve d admissibilité STATISTIQUE. (durée : cinq heures)
CONCOURS D ENTREE A L ECOLE DE 2007 CONCOURS EXTERNE Cinquième épreuve d admissibilité STATISTIQUE (durée : cinq heures) Une composition portant sur la statistique. SUJET Cette épreuve est composée d un
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 détailL apprentissage automatique
L apprentissage automatique L apprentissage automatique L'apprentissage automatique fait référence au développement, à l analyse et à l implémentation de méthodes qui permettent à une machine d évoluer
Plus en détailMéthodes de Simulation
Méthodes de Simulation JEAN-YVES TOURNERET Institut de recherche en informatique de Toulouse (IRIT) ENSEEIHT, Toulouse, France Peyresq06 p. 1/41 Remerciements Christian Robert : pour ses excellents transparents
Plus en détailClasse de première L
Classe de première L Orientations générales Pour bon nombre d élèves qui s orientent en série L, la classe de première sera une fin d étude en mathématiques au lycée. On a donc voulu ici assurer à tous
Plus en détailUtilisation d informations visuelles dynamiques en asservissement visuel Armel Crétual IRISA, projet TEMIS puis VISTA L asservissement visuel géométrique Principe : Réalisation d une tâche robotique par
Plus en détailI Stabilité, Commandabilité et Observabilité 11. 1 Introduction 13 1.1 Un exemple emprunté à la robotique... 13 1.2 Le plan... 18 1.3 Problème...
TABLE DES MATIÈRES 5 Table des matières I Stabilité, Commandabilité et Observabilité 11 1 Introduction 13 1.1 Un exemple emprunté à la robotique................... 13 1.2 Le plan...................................
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 détailAnnexe commune aux séries ES, L et S : boîtes et quantiles
Annexe commune aux séries ES, L et S : boîtes et quantiles Quantiles En statistique, pour toute série numérique de données à valeurs dans un intervalle I, on définit la fonction quantile Q, de [,1] dans
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 détailSystème immunitaire artificiel
République Algérienne Démocratique et Populaire Ministère de l Enseignement Supérieure Université des Sciences et de la Technologie D Oran Mohammed Boudiaf (USTO) Faculté des Sciences Département d Informatique
Plus en détailSciences de Gestion Spécialité : SYSTÈMES D INFORMATION DE GESTION
Sciences de Gestion Spécialité : SYSTÈMES D INFORMATION DE GESTION Classe de terminale de la série Sciences et Technologie du Management et de la Gestion Préambule Présentation Les technologies de l information
Plus en détailINFORMATION GÉNÉTIQUE et REPRODUCTION SEXUÉE
Partie 1, Chapitre 4 INFORMATION GÉNÉTIQUE et REPRODUCTION SEXUÉE Constat : à l'exception des jumeaux, chaque individu est unique. Ses caractères héréditaires dependent des info génétiques (allèles) portées
Plus en détailChaînes de Markov au lycée
Journées APMEP Metz Atelier P1-32 du dimanche 28 octobre 2012 Louis-Marie BONNEVAL Chaînes de Markov au lycée Andreï Markov (1856-1922) , série S Problème 1 Bonus et malus en assurance automobile Un contrat
Plus en détailChapitre 7. Statistique des échantillons gaussiens. 7.1 Projection de vecteurs gaussiens
Chapitre 7 Statistique des échantillons gaussiens Le théorème central limite met en évidence le rôle majeur tenu par la loi gaussienne en modélisation stochastique. De ce fait, les modèles statistiques
Plus en détailProgrammes des classes préparatoires aux Grandes Ecoles
Programmes des classes préparatoires aux Grandes Ecoles Filière : scientifique Voie : Biologie, chimie, physique et sciences de la Terre (BCPST) Discipline : Mathématiques Seconde année Préambule Programme
Plus en détailAtelier 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 détailSujet 1 : Diagnostique du Syndrome de l apnée du sommeil par des techniques d analyse discriminante.
Sujet 1 : Diagnostique du Syndrome de l apnée du sommeil par des techniques d analyse discriminante. Objectifs et formulation du sujet Le syndrome de l apnée du sommeil (SAS) est un problème de santé publique
Plus en détailArithmétique binaire. Chapitre. 5.1 Notions. 5.1.1 Bit. 5.1.2 Mot
Chapitre 5 Arithmétique binaire L es codes sont manipulés au quotidien sans qu on s en rende compte, et leur compréhension est quasi instinctive. Le seul fait de lire fait appel au codage alphabétique,
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 détailMASTER SIS PRO : logique et sécurité DÉTECTION D INTRUSIONS. Odile PAPINI, LSIS. Université de Toulon et du Var. papini@univ-tln.
MASTER SIS PRO : logique et sécurité DÉTECTION D INTRUSIONS Odile PAPINI, LSIS. Université de Toulon et du Var. papini@univ-tln.fr Plan Introduction Généralités sur les systèmes de détection d intrusion
Plus en détailComplexité et auto-organisation chez les insectes sociaux. Complexité et auto-organisation chez les insectes sociaux
Complexité et auto-organisation chez les insectes sociaux Guy Theraulaz Centre de Recherches sur la Cognition Animale CNRS, UMR 5169, Toulouse, France Marathon des Sciences XXIII ème Festival d Astronomie,
Plus en détailQuantification 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 détailDES FOURMIS POUR LIVRER DU MAZOUT
DES FOURMIS POUR LIVRER DU MAZOUT É. D. Taillard (1), G. Agazzi (2), L.-M. Gambardella (3) Résumé La livraison de certains biens peut engendrer des coûts non négligeables par rapport à la valeur de la
Plus en détailVariables Aléatoires. Chapitre 2
Chapitre 2 Variables Aléatoires Après avoir réalisé une expérience, on ne s intéresse bien souvent à une certaine fonction du résultat et non au résultat en lui-même. Lorsqu on regarde une portion d ADN,
Plus en détailApprentissage par renforcement (1a/3)
Apprentissage par renforcement (1a/3) Bruno Bouzy 23 septembre 2014 Ce document est le chapitre «Apprentissage par renforcement» du cours d apprentissage automatique donné aux étudiants de Master MI, parcours
Plus en détailModélisation et Simulation
Cours de modélisation et simulation p. 1/64 Modélisation et Simulation G. Bontempi Département d Informatique Boulevard de Triomphe - CP 212 http://www.ulb.ac.be/di Cours de modélisation et simulation
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 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 détailGènes Diffusion - EPIC 2010
Gènes Diffusion - EPIC 2010 1. Contexte. 2. Notion de génétique animale. 3. Profil de l équipe plateforme. 4. Type et gestion des données biologiques. 5. Environnement Matériel et Logiciel. 6. Analyses
Plus en détailIFT3245. Simulation et modèles
IFT 3245 Simulation et modèles DIRO Université de Montréal Automne 2012 Tests statistiques L étude des propriétés théoriques d un générateur ne suffit; il estindispensable de recourir à des tests statistiques
Plus en détailThème 2 : Cycle de vie des projets d innovation: ambigüité, incertitude, production de savoir et dynamisme
Thème 2 : Cycle de vie des projets d innovation: ambigüité, incertitude, production de savoir et dynamisme Serghei Floricel Dans l introduction nous avons mentionné que les projets d innovation suivent
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 détailLA NOTATION STATISTIQUE DES EMPRUNTEURS OU «SCORING»
LA NOTATION STATISTIQUE DES EMPRUNTEURS OU «SCORING» Gilbert Saporta Professeur de Statistique Appliquée Conservatoire National des Arts et Métiers Dans leur quasi totalité, les banques et organismes financiers
Plus en détailChapitre 7 : Intégration sur un intervalle quelconque
Universités Paris 6 et Paris 7 M1 MEEF Analyse (UE 3) 2013-2014 Chapitre 7 : Intégration sur un intervalle quelconque 1 Fonctions intégrables Définition 1 Soit I R un intervalle et soit f : I R + une fonction
Plus en détailIntroduction au Data-Mining
Introduction au Data-Mining Alain Rakotomamonjy - Gilles Gasso. INSA Rouen -Département ASI Laboratoire PSI Introduction au Data-Mining p. 1/25 Data-Mining : Kèkecé? Traduction : Fouille de données. Terme
Plus en détaildonnées en connaissance et en actions?
1 Partie 2 : Présentation de la plateforme SPSS Modeler : Comment transformer vos données en connaissance et en actions? SPSS Modeler : l atelier de data mining Large gamme de techniques d analyse (algorithmes)
Plus en détailAttitude des ménages face au risque. M1 - Arnold Chassagnon, Université de Tours, PSE - Automne 2014
Attitude des ménages face au risque - M1 - Arnold Chassagnon, Université de Tours, PSE - Automne 2014 Plan du cours 1. Introduction : demande de couverture et comportements induits pa 2. Représentations
Plus en détailContents. 1 Introduction Objectifs des systèmes bonus-malus Système bonus-malus à classes Système bonus-malus : Principes
Université Claude Bernard Lyon 1 Institut de Science Financière et d Assurances Système Bonus-Malus Introduction & Applications SCILAB Julien Tomas Institut de Science Financière et d Assurances Laboratoire
Plus en détailPourquoi l apprentissage?
Pourquoi l apprentissage? Les SE sont basés sur la possibilité d extraire la connaissance d un expert sous forme de règles. Dépend fortement de la capacité à extraire et formaliser ces connaissances. Apprentissage
Plus en détailSystèmes Multi-Agents : Modélisation et simulation informatique de comportements collectifs. Chapitre III
Systèmes Multi-gents : Modélisation et simulation informatique de comportements collectifs Chapitre III Différentes approches de Conception et applications Introduction Les différents concepts Cheminement
Plus en détailOptimisation 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 détailTable des matières. I Mise à niveau 11. Préface
Table des matières Préface v I Mise à niveau 11 1 Bases du calcul commercial 13 1.1 Alphabet grec...................................... 13 1.2 Symboles mathématiques............................... 14 1.3
Plus en détailNathalie Bulle (1998), Compte-rendu de Rainer Hegselmann, Ulrich Mueller, Klaus G. Troitzsch (eds.).- Modelling and simulation in the social sciences
Nathalie Bulle (1998), Compte-rendu de Rainer Hegselmann, Ulrich Mueller, Klaus G. Troitzsch (eds.).- Modelling and simulation in the social sciences from the philosophy of science point of view. - Dordrecht/
Plus en détailIntroduction au datamining
Introduction au datamining Patrick Naïm janvier 2005 Définition Définition Historique Mot utilisé au départ par les statisticiens Le mot indiquait une utilisation intensive des données conduisant à des
Plus en détailOptimisation et programmation mathématique. Professeur Michel de Mathelin. Cours intégré : 20 h
Télécom Physique Strasbourg Master IRIV Optimisation et programmation mathématique Professeur Michel de Mathelin Cours intégré : 20 h Programme du cours d optimisation Introduction Chapitre I: Rappels
Plus en détailFeuille d exercices 2 : Espaces probabilisés
Feuille d exercices 2 : Espaces probabilisés Cours de Licence 2 Année 07/08 1 Espaces de probabilité Exercice 1.1 (Une inégalité). Montrer que P (A B) min(p (A), P (B)) Exercice 1.2 (Alphabet). On a un
Plus en détail!-.!#- $'( 1&) &) (,' &*- %,!
0 $'( 1&) +&&/ ( &+&& &+&))&( -.#- 2& -.#- &) (,' %&,))& &)+&&) &- $ 3.#( %, (&&/ 0 ' Il existe plusieurs types de simulation de flux Statique ou dynamique Stochastique ou déterministe A événements discrets
Plus en détailCryptographie et fonctions à sens unique
Cryptographie et fonctions à sens unique Pierre Rouchon Centre Automatique et Systèmes Mines ParisTech pierre.rouchon@mines-paristech.fr Octobre 2012 P.Rouchon (Mines ParisTech) Cryptographie et fonctions
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 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 détailCouplage 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 détailExercices de génétique classique partie II
Exercices de génétique classique partie II 1. L idiotie phénylpyruvique est une maladie héréditaire dont sont atteints plusieurs membres d une famille, dont voici l arbre généalogique : 3 4 5 6 7 8 9 10
Plus en détailIntroduction à l analyse numérique : exemple du cloud computing
Introduction à l analyse numérique : exemple du cloud computing Tony FEVRIER Aujourd hui! Table des matières 1 Equations aux dérivées partielles et modélisation Equation différentielle et modélisation
Plus en détailDeux stratégies parallèles de l'optimisation par colonie de fourmis
4 th International Conference: Sciences of Electronic, Technologies of Information and Telecommunications March 25-29, 2007 TUNISIA Deux stratégies parallèles de l'optimisation par colonie de fourmis HERNANE
Plus en détailSommaire. Introduction. I. Notions de routage a) Technologies actuelles b) Avantages et désavantages
Sommaire Introduction I. Notions de routage a) Technologies actuelles b) Avantages et désavantages II. Routage et fourmis a) Principe et avantages b) Structure du simulateur III.Implémentation a) Présentation
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 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 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 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 détailContinuité en un point
DOCUMENT 4 Continuité en un point En général, D f désigne l ensemble de définition de la fonction f et on supposera toujours que cet ensemble est inclus dans R. Toutes les fonctions considérées sont à
Plus en détailRésolution 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