Université de Valenciennes et du Hainaut-Cambrésis
|
|
- Gauthier Chassé
- il y a 8 ans
- Total affichages :
Transcription
1 Des outils pour l optimisation et la robustesse Marc Sevaux Université de Valenciennes et du Hainaut-Cambrésis Laboratoire d Automatique, de Mécanique et d Informatique Industrielles et Humaines (UMR CNRS 8530) Le Mont Houy Bat Jonas 2 F Valenciennes cedex 9 France Marc.Sevaux@univ-valenciennes.fr Séminaire Ecole Nationale d Ingénieurs de Tarbes Février / 47
2 : des outils pour la robustesse : rappel Principe d une métaheuristique robuste Présentation du problème d un algorithme génétique numériques s et perspectives 2 / 47
3 : des outils pour la robustesse : rappel Principe d une métaheuristique robuste Présentation du problème d un algorithme génétique numériques s et perspectives 3 / 47
4 Parcours & Curriculum vitæ Depuis septembre 1999 Maître de conférences, 61 e section IUT de Valenciennes Dept. OGP Cambrai LAMIH Equipe Systèmes de Production Formation & Parcours DEUG, Licence et Maîtrise, IMA ( ) DEA Informatique et Opérationnelle, Paris 6 ( ) Doctorat, Université de Paris 6 / EMN ( ) Ingénieur de recherche, EMN ( ) 4 / 47
5 et supports de cours Cours enseignés Opérationnelle, Informatique Mathématiques de la décision, Programmation linéaire, Sécurité informatique, Qualité Gestion de production, Ordonnancement Supports de cours Supports de cours électronique (RO, MD) Passage des cours en ligne (Info) Deux livres 5 / 47
6 Thématiques de recherche Production ning Reactive ning Control Policies 1 Machine # Late Jobs // Machine Weighted # Late Jobs 1 Machine Weighted # Late Jobs 1 Machine TWT Robust scheduling Bi objective CARP CARP Robust VRP Linear and integer programming Heuristics Metaheuristics Multi objective optimisation 6 / 47
7 Activités de recherche Animation du groupe http :// Organisation de 4 etings (Londres, Paris, Anvers, Nottingham) Collaborations internationales et nationales (Université Polytechnique de Hong-Kong, Université d Anvers, MIT) (UTT, EMN, UBP, IMA, UTC) Editeur associé de 4 revues internationales (JOH, INFOR, IJCM, IJSP) Encadrement de 3 thèses, de plusieurs DEA Examinateur et rapporteurs de 3 thèses 7 / 47
8 Alcatel 12 mois 2003/04 Algorithmes d optimisation du trafic SNCF 24.2ke 3 ans 2000/03 Thèse CIFRE Yann Le Quéré Centre Hospitalier 48ke 3 ans 2000/03 Optimisation des flux logistiques SART 42.7ke 18 mois 2003/04 MOST 27.4ke 18 mois 2001/02 MAE MIC 2003 (850e) et IEPM 1999 (530e) PAI Univ. Polytech. Hong-Kong 8ke 2003/04 8 / 47
9 : des outils pour la robustesse : rappel Principe d une métaheuristique robuste Présentation du problème d un algorithme génétique numériques s et perspectives 9 / 47
10 , un besoin Données changeantes, incertaines vs. Optimalité Très peu d études en optimisation Deux types de robustesse Solution de qualité robuste [quality robustness] Solution robuste [solution robustness] 10 / 47
11 Définition de la qualité d une solution La qualité de la solution reste élevée s il y a une variation des données du problème. Exemple : problèmes de localisation de la solution Une solution est robuste si elle change très peu avec une variation des données du problème. Exemple : problèmes de tournées de véhicules On ne s intéresse qu à la robustesse de la qualité d une solution. 11 / 47
12 Exemple 1 12 / 47
13 Exemple / 47
14 Proposer des solutions de qualité robuste d optimisation Algorithme robuste Algorithme standard Règles en ligne/à posteriori Solution 14 / 47
15 : introduction générale Métaheuristique (mathematical programming glossary) : cadre général pour les heuristiques en vue de résoudre des problèmes difficiles. On trouve deux catégories principales les méthodes de recherche locale méthode de [plus grande] descente, recuit simulé, méthodes à seuil, méthode GRASP, recherche taboue, recherche à voisinage variable, etc. les méthodes à population algorithme génétique, algorithme mémétique, colonies de fourmies, recherche dispersée, etc. 15 / 47
16 Algorithme génétique Introduit par [Holland 1975] Basé sur le principe d évolution naturelle Solution codée en 0/1 Opérateurs génétiques (mutation, croisement) Popularisé par [Goldberg 1989] dans tous les domaines de l optimisation 16 / 47
17 Principe général Une population d individus (de solutions) évolue Deux individus se lient pour former un ou deux descendants (croisement) Un individu peut muter (mutation) Des individus disparaissent de la population (décès) Renouvellement par génération ou incrémentale 17 / 47
18 Algorithme génétique en pseudo-code Algorithm 1: GA [MA] template Generate an initial population P while Stopping conditions are not met do Selection : p 1 and p 2 from P Crossover : p 1 p 2 c Mutation : mutate c under probability p m [Local Search : apply a LS operator to c with probability p hs ] if c satisfies conditions for addition in P then Select r in P c replaces r in P else Discard c endif endw 18 / 47
19 Avantages et inconvénients + Parallélisme intrinsèque + Facilité d implémentation + Beaucoup de littérature Choix des opérateurs crucial Paramétrage important Pas de stabilité des paramètres 19 / 47
20 Principe d une métaheuristique robuste Ne concerne que la recherche d une solution de qualité robuste. Idée principale : Utiliser une métaheuristique Evaluer la robustesse d une solution Guider la recherche suivant la robustesse 20 / 47
21 Principe général Premiers travaux par [Sörensen 2001] Principe 1 Ajouter du bruit δ à la solution courante x = x + δ est une solution dérivée Principe 2 Ecrire une nouvelle fonction d évaluation robuste f r (x) Evaluer une série de solutions dérivées et les combiner, par exemple : f r (x) = 1 m m c i f (x + δ i ) i=1 x + δ i est la i solution dérivée, c i un poids associé et m le nombre de solutions dérivées 21 / 47
22 Exemple 1 f r (x) = i= 1 f (x + i) 22 / 47
23 Exemple < f (x) = : exp 2 x 0.1 p 0.8 sin(5πx) 0.4 < x 0.6 exp 2 x f r (x) = 1 21 sin 6 (5πx) X+10 i= 10 f (x + i 100 ) sinon 23 / 47
24 industrielles Ces méthodes ont été appliquées avec succès sur plusieurs problème en production de biens et de services : ification Ordonnancement Logistique de transport 24 / 47
25 Application en ordonnancement Dans notre cas, pour l industrie automobile Pas ou peu de stock Ordonnancement juste à temps ning à long ou moyen terme Incertitudes des fournisseurs = Nécessité de ré-ajuster le plan régulièrement 25 / 47
26 Industrie automobile Car sequence : Ordre des voitures sur les lignes de montages La planification à long terme fixe une car sequence Les pièces détachées doivent être livrées juste à temps Pièces détachées Stands de montage Car sequence Performance : Minimiser le nombre pondéré de livraisons en retard 26 / 47
27 Implications La car sequence du planning à long terme détermine les dates de livraison des pièces détachées Inconvénients Une livraison non-effectuée oblige à retirer une voiture de la car sequence Paramètres Les durées d assemblage et dates de fin d assemblage sont connues et considérées comme fixes Incertitude Un sous-traitant peut être légèrement en retard les dates de livraison des pièces peuvent varier Est-ce que cette variation est acceptable? En d autres mots, pouvons-nous accepter une arrivée tardive, attendre la fin de l assemblage sans perdre en performance? Quelle serait alors la meilleure car sequence pour cela? 27 / 47
28 Modélisation en ordonnancement à une machine Ensemble de n jobs (les assemblages) J = J 1,..., J n à séquencer sur une machine unique La préemption n est pas autorisée Charactéristiques r j : dates de disponibilité (dates de livraison) p j : durées d exécution (durées de montage) d j : dates dues (dates de fin d assemblage) w j : poids (importance de la livraison) Variables t j : date de début d exécution (t j r j ) C j : date de fin d exécution (C j = t j + p j ) U j : variable biniaire (job J j est en retard ou non) 28 / 47
29 Conditions Si C j d j, Si C j > d j, J j est terminé à l heure ou en avance J j est en retard Objectif Minimiser le nombre pondéré de jobs en retard Classification standard : 1 r j w j U j N P-difficile au sens fort [Lenstra et al. 77] Remarque importante Les jobs en retard peuvent être ordonnancés arbitrairement après l ensemble des jobs en avance Incertitude Les dates de disponibilité peuvent être modifiées (augmentées d une valeur δ). 29 / 47
30 Un AG pour l ordonnancement robuste Variations Les dates de disponibilité peuvent augmenter légèrement Solution dérivée Une instance où des jobs ont une date de disponibilité augmentée de δ Fonction d évaluation robuste On calcule une moyenne pour 100 instances modifiées Gestion de la population On utilise f r (x) à la place de f (x) pour l évaluation L algorithme génétique est guidé par une valeur robuste qui conduira à une car sequence robuste 30 / 47
31 Paramètres de l AG Chromosome = permutation des n jobs Evaluation : moteur Fifo Remplacement incrémental Croisement : X1 (croisement à un point) Mutation : GPI (General Pairwise Interchange) Taux de mutation : 25% 31 / 47
32 Paramètres de l AG (suite) Opérateur de croisement P1 P2 Point de croisement Opérateur de mutation X GPI O / 47
33 numériques Un nouveau générateur de problèmes permet de proposer des instances basées sur une journée de 80 périodes. Les ordres de fabrication ont une grande probabilité d arriver le matin et les dates dues avec une grande probabilité l après-midi. Dates de disponibilité distribuées suivant une loi Gamma Γ(0.2, 4) (Mean = 20, St. dev. = 10) Dates dues distribuées suivant la même loi Gamma (Mean = 20, St. dev. = 10) mais en partant de la fin de l horizon Durées d exécution uniformément distribuées dans [1, d i r i ] Poids uniformément distribués dans [1, 10] 33 / 47
34 Répartition des dates Frequency Release dates Due dates Time periods 34 / 47
35 Méthode expérimentale Standard GA Read data Robust GA Read data Simulation Read data Apply GA with standard evaluation function Standard sequence Apply GA with robust evaluation function Robust sequence Create 1000 replications with modified data Eval. through std. sequence Get results and analyse Eval. through robust seq. Instances modifiées : 20% des jobs sont aléatoirement choisis et leur date de disponibilité augmentée de δ = / 47
36 Détails pour n = 80 Best sol. Av. value (1000 replic) Av. dev. (1000 replic) (%) Name Std.GA Rob.GA Std.GA Rob.GA Std.GA Rob.GA ODD ODD ODD ODD ODD ODD ODD ODD ODD ODD / 47
37 Détails pour n = 80 (suite) Best sol. Av. value (1000 replic) Av. dev. (1000 replic) (%) Name Std.GA Rob.GA Std.GA Rob.GA Std.GA Rob.GA ODD ODD ODD ODD ODD ODD ODD ODD ODD ODD / 47
38 Résumé des résultats Number Average dev. (1000 replic) CPU Time (s) of jobs Std.GA (%) Rob.GA (%) Std.GA Rob.GA Average / 47
39 Meilleure solution vs solution robuste Standard GA Robust GA f(x) CPU Time (s) 39 / 47
40 Evaluation robuste et évaluation réelle Real fitness Robust fitness f(x) CPU Time (s) 40 / 47
41 Comment les décideurs peuvent-ils incorporer le risque dans leur décision finale? Faire en sorte que la solution de qualité robuste ait une faible probabilité de dévier de sa valeur de fonction objectif. Calculer l ecart-type des valeurs d objectif des solutions dérivées Tracer une courbe f r (x) / σ Choisir une solution sur la frontière Pareto 41 / 47
42 Choisir une solution robuste Solutions Std. Deviation Robust fitness 42 / 47
43 Solutions initiales et front Pareto Solutions Initial solutions Pareto solutions Std. Deviation Robust fitness 43 / 47
44 Front Pareto 25 Pareto solutions Std. Deviation Robust fitness 44 / 47
45 en production de biens et de services Le même cadre général est appliqué à d autres problèmes d optimisation combinatoire : ification ification réactive des tâches de maintenance des TGV pour l EIMM d Hellemmes (Lille) théorique associé : RCPSP avec contraintes additionnelles Thèse de Yann Le Quéré Logistique de transport Tournées de véhicules en milieu incertain théorique associé : VRP stochastique 45 / 47
46 et perspectives Alternative intéressante aux méthodes statistiques Remarques Facile à implémenter adaptable à de nombreux problèmes bons resultats mais lent Perspectives Améliorer les temps de calculs Activer l évaluation robuste après un certain temps Améliorer la qualité des solutions Modifier la fonction d évaluation robuste Coupler les évaluations robustes avec des évaluations statistiques 46 / 47
47 , K. Sörensen et Y. Le Quéré. Flexibilité et robustesse en ordonnancement, Chapitre : pour la planification et l ordonnancement robuste. Hermès, Paris, pp , K. Sörensen et. Robust and flexible vehicle routing in practical situations Proceedings of 5th triennial symposium on transportation analysis, TRISTAN V, Plus d informations sur 47 / 47
Ordonnancement 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 détailGestion réactive des opérations de maintien et d actualisation réglementaire et technologique des systèmes complexes.
Gestion réactive des opérations de maintien et d actualisation réglementaire et technologique des systèmes complexes. LE QUERE Yann, SEVAUX Marc, TRENTESAUX Damien, TAHON Christian Equipe Systèmes de Production
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 détailProblèmes d ordonnancement dans les systèmes de production. Journée Automatique et Optimisation Université de Paris 12 20 Mars 2003
Problèmes d ordonnancement dans les systèmes de production Michel Gourgand Université Blaise Pascal Clermont Ferrand LIMOS CNRS UMR 6158 1 Le LIMOS Laboratoire d Informatique, de Modélisation et d Optimisation
Plus en 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 détailOrdonnancement robuste et décision dans l'incertain
Ordonnancement robuste et décision dans l'incertain 4 ème Conférence Annuelle d Ingénierie Système «Efficacité des entreprises et satisfaction des clients» Centre de Congrès Pierre Baudis,TOULOUSE, 2-4
Plus en détailMinimisation de la somme des retards dans un jobshop flexible
Minimisation de la somme des retards dans un jobshop flexible Nozha ZRIBI, Imed KACEM, Abdelkader EL KAMEL, Pierre BORNE LAGIS Ecole Centrale de Lille, BP 48, 5965 Villeneuve d Ascq Cedex, France ISTIT
Plus en détailA GRASPxELS approach for the Job Shop with generic time-lags and new statistical determination of the parameters
A GRASPxELS approach for the Job Shop with generic time-lags and new statistical determination of the parameters Présenté par : Equipe de travail : Laboratoire : Maxime CHASSAING Philippe LACOMME, Nikolay
Plus en détailCours des Méthodes de Résolution Exactes Heuristiques et Métaheuristiques
Université Mohammed V, Faculté des Sciences de Rabat Laboratoire de Recherche Mathématiques, Informatique et Applications Cours des Méthodes de Résolution Exactes Heuristiques et Métaheuristiques MASTER
Plus en 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 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 détailSystème Immunitaire Artificiel Parallèle appliqué aux Flow Shop Hybride (FSH)
République Algérienne Démocratique et Populaire Ministère de l Enseignement Supérieur et de la Recherche Scientifique Université des Sciences et de la Technologie d Oran -Mohamed Boudiaf USTO-MB Faculté
Plus en détailApproche d'évaluation pour les problèmes d'ordonnancement multicritères : Méthode d'agrégation avec direction de recherche dynamique
Approche d'évaluation pour les problèmes d'ordonnancement multicritères : Méthode d'agrégation avec direction de recherche dynamiue D. BERKOUNE 2, K. MESGHOUNI, B. RABENASOLO 2 LAGIS UMR CNRS 846, Ecole
Plus en détailOPTIMISATION DE LA MAINTENANCE DES EQUIPEMENTS DE MANUTENTION DU TERMINAL A CONTENEURS DE BEJAIA (BMT)
OPTIMISATION DE LA MAINTENANCE DES EQUIPEMENTS DE MANUTENTION DU TERMINAL A CONTENEURS DE BEJAIA (BMT) LAGGOUNE Radouane 1 et HADDAD Cherifa 2 1,2: Dépt. de G. Mécanique, université de Bejaia, Targa-Ouzemour
Plus en détailPLAN DE COURS. GPA750 Ordonnancement des systèmes de production aéronautique
Département de génie de la production automatisée Programme de baccalauréat Professeur Pontien Mbaraga, Ph.D. Session/année Automne 2004 Groupe(s) 01 PLAN DE COURS GPA750 Ordonnancement des systèmes de
Plus en détailOrdonnancement sous contraintes de Qualité de Service dans les Clouds
Ordonnancement sous contraintes de Qualité de Service dans les Clouds GUÉROUT Tom DA COSTA Georges (SEPIA) MONTEIL Thierry (SARA) 05/12/2014 1 Contexte CLOUD COMPUTING Contexte : Environnement de Cloud
Plus en détailSommaire. Introduction.2. 1. Définition..2. 2. Historique.2. 3. Domaine d application.2. 4.Les Travaux réalisés sur les domaines d application.
Sommaire Introduction.2 1. Définition..2 2. Historique.2 3. Domaine d application.2 4.Les Travaux réalisés sur les domaines d application.3 5.Algorithme 4 6.Exemple d application 5 7. Avantage et inconvénient..6
Plus en détailUn couplage métaheuristique / simulation appliqué au problème du job shop avec transport
Un couplage métaheuristique / simulation appliqué au problème du job shop avec transport LAURENT DEROUSSI 1, ICHEL GOURGAND 2 LIOS CNRS UR 6158 1 IUT de ontluçon, Avenue Aristide Briand B.P. 2235, 03101
Plus en détailAnnexe 6. Notions d ordonnancement.
Annexe 6. Notions d ordonnancement. APP3 Optimisation Combinatoire: problèmes sur-contraints et ordonnancement. Mines-Nantes, option GIPAD, 2011-2012. Sophie.Demassey@mines-nantes.fr Résumé Ce document
Plus en détailAgrégation des portefeuilles de contrats d assurance vie
Agrégation des portefeuilles de contrats d assurance vie Est-il optimal de regrouper les contrats en fonction de l âge, du genre, et de l ancienneté des assurés? Pierre-O. Goffard Université d été de l
Plus en détailRecherche locale pour un problème d optimisation de tournées de véhicules avec gestion des stocks
8 e Conférence Internationale de MOdélisation et SIMulation - MOSIM 10-10 au 12 mai 2010 - Hammamet - Tunisie «Évaluation et optimisation des systèmes innovants de production de biens et de services» Recherche
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 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 détailPREMIER RETOUR D EXPERIENCE SUR LE FLOW-SHOP BIOBJECTIF ET HYBRIDE A DEUX ETAGES AVEC UNE CONTRAINTE DE BLOCAGE PARTICULIERE
6 e Conférence Francophone de MOdélisation et SIMulation - MOSIM 06 - du 3 au 5 avril 2006 - Rabat - Maroc Modélisation, Optimisation et Simulation des Systèmes : Défis et Opportunités PREMIER RETOUR D
Plus en détailPROBLEMES D'ORDONNANCEMENT AVEC RESSOURCES
Leçon 11 PROBLEMES D'ORDONNANCEMENT AVEC RESSOURCES Dans cette leçon, nous retrouvons le problème d ordonnancement déjà vu mais en ajoutant la prise en compte de contraintes portant sur les ressources.
Plus en 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 détailConception de réseaux de télécommunications : optimisation et expérimentations
Conception de réseaux de télécommunications : optimisation et expérimentations Jean-François Lalande Directeurs de thèse: Jean-Claude Bermond - Michel Syska Université de Nice-Sophia Antipolis Mascotte,
Plus en détailModèle de coopération d un processus de ré-ordonnancement distribué
Modèle de coopération d un processus de ré-ordonnancement distribué LE QUEREa, b Yann, SEVAUX a Marc TAHONa Christian, TRENTESAUXa Damien. aequipe Systèmes de Production LAMIH, Université de Valenciennes
Plus en détailProbabilités. Rappel : trois exemples. Exemple 2 : On dispose d un dé truqué. On sait que : p(1) = p(2) =1/6 ; p(3) = 1/3 p(4) = p(5) =1/12
Probabilités. I - Rappel : trois exemples. Exemple 1 : Dans une classe de 25 élèves, il y a 16 filles. Tous les élèves sont blonds ou bruns. Parmi les filles, 6 sont blondes. Parmi les garçons, 3 sont
Plus en 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 détail4.2 Unités d enseignement du M1
88 CHAPITRE 4. DESCRIPTION DES UNITÉS D ENSEIGNEMENT 4.2 Unités d enseignement du M1 Tous les cours sont de 6 ECTS. Modélisation, optimisation et complexité des algorithmes (code RCP106) Objectif : Présenter
Plus en détailContrôle par commande prédictive d un procédé de cuisson sous infrarouge de peintures en poudre.
Contrôle par commande prédictive d un procédé de cuisson sous infrarouge de peintures en poudre. Isabelle Bombard, Bruno da Silva, Pascal Dufour *, Pierre Laurent, Joseph Lieto. Laboratoire d Automatique
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 détailPrésentation. Pour. Gilles ALAIS, Country Manager Barloworld Supply Chain Software France 20 Rue des Petits Hôtels, 75010 Paris
Présentation Pour Gilles ALAIS, Country Manager Barloworld Supply Chain Software France 20 Rue des Petits Hôtels, 75010 Paris Email: galais@barloworldscs.com Tel : + 33 1 73 03 04 10 / + 33 6 08 01 52
Plus en détailTHÈSE. présentée à l Université d Avignon et des Pays de Vaucluse pour obtenir le diplôme de DOCTORAT
ACADÉMIE D AIX-MARSEILLE UNIVERSITÉ D AVIGNON ET DES PAYS DE VAUCLUSE THÈSE présentée à l Université d Avignon et des Pays de Vaucluse pour obtenir le diplôme de DOCTORAT SPÉCIALITÉ : Informatique École
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 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 détailOUTILS EN INFORMATIQUE
OUTILS EN INFORMATIQUE Brice Mayag brice.mayag@dauphine.fr LAMSADE, Université Paris-Dauphine R.O. Excel brice.mayag@dauphine.fr (LAMSADE) OUTILS EN INFORMATIQUE R.O. Excel 1 / 35 Plan Présentation générale
Plus en détailLes simulations dans l enseignement des sondages Avec le logiciel GENESIS sous SAS et la bibliothèque Sondages sous R
Les simulations dans l enseignement des sondages Avec le logiciel GENESIS sous SAS et la bibliothèque Sondages sous R Yves Aragon, David Haziza & Anne Ruiz-Gazen GREMAQ, UMR CNRS 5604, Université des Sciences
Plus en détailOptimisation multi-critère pour l allocation de ressources sur Clouds distribués avec prise en compte de l énergie
Optimisation multi-critère pour l allocation de ressources sur Clouds distribués avec prise en compte de l énergie 1 Présenté par: Yacine KESSACI Encadrement : N. MELAB E-G. TALBI 31/05/2011 Plan 2 Motivation
Plus en détailObject Removal by Exemplar-Based Inpainting
Object Removal by Exemplar-Based Inpainting Kévin Polisano A partir d un article de A. Criminisi, P. Pérez & H. K. Toyama 14/02/2013 Kévin Polisano Object Removal by Exemplar-Based Inpainting 14/02/2013
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 détailExemples de problèmes et d applications. INF6953 Exemples de problèmes 1
Exemples de problèmes et d applications INF6953 Exemples de problèmes Sommaire Quelques domaines d application Quelques problèmes réels Allocation de fréquences dans les réseaux radio-mobiles Affectation
Plus en détailCurriculum Vitae. Informations générales
Sandy CAMPART Maître de conférences de sciences économiques Membre permanent du CREM (UMR CNRS 6211) Directeur délégué à la formation continue de l IUP Banque Assurance de Caen Responsable de la licence
Plus en détail$SSOLFDWLRQGXNULJHDJHSRXUOD FDOLEUDWLRQPRWHXU
$SSOLFDWLRQGXNULJHDJHSRXUOD FDOLEUDWLRQPRWHXU Fabien FIGUERES fabien.figueres@mpsa.com 0RWVFOpV : Krigeage, plans d expériences space-filling, points de validations, calibration moteur. 5pVXPp Dans le
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 détailTABLE DES MATIÈRES. PRINCIPES D EXPÉRIMENTATION Planification des expériences et analyse de leurs résultats. Pierre Dagnelie
PRINCIPES D EXPÉRIMENTATION Planification des expériences et analyse de leurs résultats Pierre Dagnelie TABLE DES MATIÈRES 2012 Presses agronomiques de Gembloux pressesagro.gembloux@ulg.ac.be www.pressesagro.be
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 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 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 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 détailPrincipe de symétrisation pour la construction d un test adaptatif
Principe de symétrisation pour la construction d un test adaptatif Cécile Durot 1 & Yves Rozenholc 2 1 UFR SEGMI, Université Paris Ouest Nanterre La Défense, France, cecile.durot@gmail.com 2 Université
Plus en détailCours de Master Recherche
Cours de Master Recherche Spécialité CODE : Résolution de problèmes combinatoires Christine Solnon LIRIS, UMR 5205 CNRS / Université Lyon 1 2007 Rappel du plan du cours 16 heures de cours 1 - Introduction
Plus en détailFiltrage stochastique non linéaire par la théorie de représentation des martingales
Filtrage stochastique non linéaire par la théorie de représentation des martingales Adriana Climescu-Haulica Laboratoire de Modélisation et Calcul Institut d Informatique et Mathématiques Appliquées de
Plus en détailMASTER ECONOMIE APPLIQUEE
Le Master Economie Appliquée est destiné à des étudiants ayant reçu une formation universitaire solide en économie, statistiques, mathématiques et économétrie. Ce Master propose un cursus sur deux années
Plus en détailAnalyse,, Conception des Systèmes Informatiques
Analyse,, Conception des Systèmes Informatiques Méthode Analyse Conception Introduction à UML Génie logiciel Définition «Ensemble de méthodes, techniques et outils pour la production et la maintenance
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 détailProblème d ordonnancement de véhicules en variables booléennes
Problème d ordonnancement de véhicules en variables booléennes Freddy Hetman 2 juillet 2013 Faculté des sciences Jean Perrin Freddy Hetman () 2 juillet 2013 1 / 22 Sommaire 1 Introduction 2 Le problème
Plus en détailQualité de la conception de tests logiciels : plate-forme de conception et processus de test
Ecole Doctorale en Sciences de l Ingénieur de l ECP Formation doctorale en Génie Industriel Qualité de la conception de tests logiciels : plate-forme de conception et processus de test Quality of the design
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 détailTP N 57. Déploiement et renouvellement d une constellation de satellites
TP N 57 Déploiement et renouvellement d une constellation de satellites L objet de ce TP est d optimiser la stratégie de déploiement et de renouvellement d une constellation de satellites ainsi que les
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 détailUn modèle stochastique du taux d intérêt implicite en microcrédit
Un modèle stochastique du taux d intérêt implicite en microcrédit PHEAKDEI MAUK, MARC DIENER LABORATOIRE J.A. DIEUDONNÉ Dixième colloque des jeunes probabilistes et statisticiens CIRM Marseille 16-20 avril
Plus en détailLes Triggers SQL. Didier DONSEZ. Université de Valenciennes Institut des Sciences et Techniques de Valenciennes donsez@univ-valenciennes.
Les Triggers SQL Didier DONSEZ Université de Valenciennes Institut des Sciences et Techniques de Valenciennes donsez@univ-valenciennes.fr 1 Sommaire Motivations Trigger Ordre Trigger Ligne Condition Trigger
Plus en détailEric Sanlaville. Position et responsabilités. Cursus universitaire. Coordonnées professionnelles
Eric Sanlaville Né le 24 juin 1964 à Quimper (Finistère), marié, quatre enfants. Position et responsabilités Maître de conférences en Informatique à l Université Blaise Pascal de Clermont-Ferrand, UFR
Plus en détailUn propagateur basé sur les positions pour le problème d Open-Shop.
Actes JFPC 2007 Un propagateur basé sur les positions pour le problème d Open-Shop. Jean-Noël Monette Yves Deville Pierre Dupont Département d Ingénierie Informatique Université catholique de Louvain {jmonette,yde,pdupont}@info.ucl.ac.be
Plus en détailLes fonctions de hachage, un domaine à la mode
Les fonctions de hachage, un domaine à la mode JSSI 2009 Thomas Peyrin (Ingenico) 17 mars 2009 - Paris Outline Qu est-ce qu une fonction de hachage Comment construire une fonction de hachage? Les attaques
Plus en détailSurveillance et maintenance prédictive : évaluation de la latence de fautes. Zineb SIMEU-ABAZI Univ. Joseph Fourier, LAG)
Surveillance et maintenance prédictive : évaluation de la latence de fautes Zineb SIMEU-ABAZI Univ. Joseph Fourier, LAG) SURVEILLANCE Analyser une situation et fournir des indicateurs! Détection de symptômes!
Plus en détailAVERTISSEMENT. D'autre part, toute contrefaçon, plagiat, reproduction encourt une poursuite pénale. LIENS
AVERTISSEMENT Ce document est le fruit d'un long travail approuvé par le jury de soutenance et mis à disposition de l'ensemble de la communauté universitaire élargie. Il est soumis à la propriété intellectuelle
Plus en détailMinistère de l Enseignement Supérieur et de la Recherche Scientifique. Mémoire de fin d études. Thème
Ministère de l Enseignement Supérieur et de la Recherche Scientifique Institut National de formation en Informatique (I.N.I.) Oued-Smar Alger Mémoire de fin d études Pour l obtention du diplôme d ingénieur
Plus en détailEn vue de l'obtention du. Présentée et soutenue par Abir BEN HMIDA SAKLY Le 12/12/2009
THÈSE En vue de l'obtention du DOCTORAT DE L UNIVERSITÉ DE TOULOUSE Délivré par l'institut National des Sciences Appliquées de Toulouse Discipline ou spécialité : Systèmes Informatiques Présentée et soutenue
Plus en détailLaboratoire d Automatique et Productique Université de Batna, Algérie
Anale. Seria Informatică. Vol. IX fasc. 2 Annals. Computer Science Series. 9 th Tome st Fasc. 2 La sélection de paramètres d un système industriel par les colonies de fourmis Ouahab Kadri, L. Hayet Mouss,
Plus en détailNouvelles propositions pour la résolution exacte du sac à dos multi-objectif unidimensionnel en variables binaires
Nouvelles propositions pour la résolution exacte du sac à dos multi-objectif unidimensionnel en variables binaires Julien Jorge julien.jorge@univ-nantes.fr Laboratoire d Informatique de Nantes Atlantique,
Plus en détailLaboratoire 4 Développement d un système intelligent
DÉPARTEMENT DE GÉNIE LOGICIEL ET DES TI LOG770 - SYSTÈMES INTELLIGENTS ÉTÉ 2012 Laboratoire 4 Développement d un système intelligent 1 Introduction Ce quatrième et dernier laboratoire porte sur le développement
Plus en détailSéparation et Evaluation pour le problème d ordonnancement avec blocage.
Séparation et Evaluation pour le problème d ordonnancement avec blocage. Abdelhakim Ait Zai 1, Abdelkader Bentahar 1, Hamza Bennoui 1, Mourad Boudhar 2 et Yazid Mati 3 1 Faculté d Electronique et d Informatique,
Plus en détailRéplication adaptative sur les réseaux P2P
Réplication adaptative sur les réseaux pair à pair 10 mars 2006 1 Introduction 2 Réseaux pair à pair et tables de hachage distribuées 3 Le protocole app-cache 4 Le protocole LAR 5 Tests de performance
Plus en détailDEMAND MANAGEMENT inc
Mars 2009 Pour vos appels d offre OPTIMISATION DES STOCKS 2 e ÉDITION DEMAND MANAGEMENT inc SupplyChainMagazine.fr 19, rue Saint-Georges - 94700 Maisons-Alfort QUESTIONNAIRE EDITEURS DE LOGICIELS D OPTIMISATION
Plus en détailCURRICULUM VITAE FORMATION. 2001/2002 : Thèse ès sciences de gestion, option marketing, à l IAE de Dijon, Université de Bourgogne :
CURRICULUM VITAE Nom : DJELASSI Prénom : Souad Fonction : Maître de conférences, Université Lille2 Adresse personnelle : 4 Rue Alexandre Desrousseaux, 59000 Lille Tél. personnel : 06.68.68.26.44 Mail :
Plus en détail4 Exemples de problèmes MapReduce incrémentaux
4 Exemples de problèmes MapReduce incrémentaux 1 / 32 Calcul des plus courtes distances à un noeud d un graphe Calcul des plus courts chemins entre toutes les paires de noeuds d un graphe Algorithme PageRank
Plus en détailFONCTION ORDONNANCEMENT AU SEIN
Lebanese Science Journal, Vol. 10, No. 1, 2009 107 FONCTION ORDONNANCEMENT AU SEIN D UN SYSTEME DE GESTION DE PRODUCTION «ETUDE D UN CAS» Mohsen Akrout et Faouzi Masmoudi Ecole Nationale d Ingénieurs de
Plus en détailK. Ammar, F. Bachoc, JM. Martinez. Séminaire ARISTOTE - 23 octobre 2014 - Palaiseau
Apport des modèles de krigeage à la simulation numérique K Ammar, F Bachoc, JM Martinez CEA-Saclay, DEN, DM2S, F-91191 Gif-sur-Yvette, France Séminaire ARISTOTE - 23 octobre 2014 - Palaiseau Apport des
Plus en détailphysicien diplômé EPFZ originaire de France présentée acceptée sur proposition Thèse no. 7178
Thèse no. 7178 PROBLEMES D'OPTIMISATION DANS LES SYSTEMES DE CHAUFFAGE A DISTANCE présentée à l'ecole POLYTECHNIQUE FEDERALE DE ZURICH pour l'obtention du titre de Docteur es sciences naturelles par Alain
Plus en détailMéthaheuristiques pour l optimisation combinatoire et l affectation sous contraintes
Méthaheuristiques pour l optimisation combinatoire et l affectation sous contraintes Jin-Kao Hao *, Philippe Galinier **, Michel Habib *** * LERIA, U.F.R. Sciences, Université d Angers, 2 bd Lavoisier,
Plus en détailUNIVERSITÉ MOHAMMED VI POLYTECHNIQUE MASTERE SPÉCIALISÉ MILEO
UNIVERSITÉ MOHAMMED VI POLYTECHNIQUE MASTERE SPÉCIALISÉ MILEO Management Industriel et Excellence Opérationnelle Diplôme conjoint de l'ecole des Mines de Paris (Mines ParisTech) et de l EMINES School of
Plus en détailFig.1. Structure d un AGQ
Evolution d Automate Cellulaire par Algorithme Génétique Quantique Zakaria Laboudi 1 - Salim Chikhi 2 Equipe SCAL, Laboratoire MISC Université Mentouri de Constantine. E - Mail : 1 laboudizak@yahoo.fr;
Plus en détailGLOBAL SUPPLY CHAIN MANAGEMENT & STRATEGIE LOGISTIQUE
GLOBAL SUPPLY CHAIN MANAGEMENT & STRATEGIE LOGISTIQUE La logistique représentait traditionnellement l activité allant de la mise à disposition des produits finis par l usine ou le négociant jusqu à la
Plus en détailMaîtriser les mutations
Maîtriser les mutations Avec UNE Supply chain AGILE La réflexion porte ses fruits www.cereza.fr TALAN Group Notre savoir-faire : maîtriser les mutations et en faire une force pour l entreprise Cereza,
Plus en détailProbabilités III Introduction à l évaluation d options
Probabilités III Introduction à l évaluation d options Jacques Printems Promotion 2012 2013 1 Modèle à temps discret 2 Introduction aux modèles en temps continu Limite du modèle binomial lorsque N + Un
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 détailGestion de la Maintenance Assistée par Ordinateur
Gestion de la Maintenance Assistée par Ordinateur Simplifiez vous la maintenance Gagner en productivité. Réduire les pannes. Améliorer la durée de vie des équipements. Diminuer les coûts de maintenance.
Plus en détailApprentissage incrémental par sélection de données dans un flux pour une application de sécurité routière
Apprentissage incrémental par sélection de données dans un flux pour une application de sécurité routière Nicolas Saunier INRETS Télécom Paris Sophie Midenet INRETS Alain Grumbach Télécom Paris Conférence
Plus en détailPascal Forget 2310, Avenue Notre-Dame Québec, (Québec) Canada, G2E 3G5 Tél. (418) 380-8767 Fax (418) 656-7415 pascal.forget@cirrelt.
Pascal Forget 2310, Avenue Notre-Dame Québec, (Québec) Canada, G2E 3G5 Tél. (418) 380-8767 Fax (418) 656-7415 pascal.forget@cirrelt.ca FORMATION Doctorat, génie mécanique Université Laval, Québec, Canada
Plus en détailMémoire d actuariat - promotion 2010. complexité et limites du modèle actuariel, le rôle majeur des comportements humains.
Mémoire d actuariat - promotion 2010 La modélisation des avantages au personnel: complexité et limites du modèle actuariel, le rôle majeur des comportements humains. 14 décembre 2010 Stéphane MARQUETTY
Plus en détailVers une approche Adaptative pour la Découverte et la Composition Dynamique des Services
69 Vers une approche Adaptative pour la Découverte et la Composition Dynamique des Services M. Bakhouya, J. Gaber et A. Koukam Laboratoire Systèmes et Transports SeT Université de Technologie de Belfort-Montbéliard
Plus en détailDUT Statistique et Traitement Informatique des Données (S.T.I.D.)
UNIVERSITÉ DE LILLE 2 IUT DE ROUBAIX DÉPARTEMENT STATISTIQUE ET TRAITEMENT INFORMATIQUE DES DONNÉES DUT Statistique et Traitement Informatique des Données OBJECTIFS : (S.T.I.D.) Il s agit d une formation
Plus en détailProposition d un modèle pour Ordonnancement d un Système Automatisé de Production Applications des algorithmes génétiques hybrides
Proposition d un modèle pour Ordonnancement d un Système Automatisé de Production Applications des algorithmes génétiques hybrides Djamila Bouhalouan 1, Nassima Aissani 1, Bouziane Beldjilali 2 1 Département
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 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 détailReprésenté par Eric Mamy A22 www.a22.fr présenté par CFR & CGL Consulting www.cgl-consulting.com
Représenté par Eric Mamy A22 www.a22.fr présenté par CFR & CGL Consulting www.cgl-consulting.com La Suite LOGIX La Suite LOGIX est un ensemble de produits pour le calcul et l optimisation complète des
Plus en détail