Sérialisation d un schéma de sous gradient avec des métaheuristiques pour la résolution approchée de problèmes de sacs à dos multidimensionnels
|
|
- Joel André
- il y a 8 ans
- Total affichages :
Transcription
1 Sérialisation d un schéma de sous gradient avec des métaheuristiques pour la résolution approchée de problèmes de sacs à dos multidimensionnels Vincent Pinte Deregnaucourt - 5 juillet 2007
2 Sommaire 1 Le problème du sac à dos Cas concret... Modélisation Complexité et Approximabilité des KP & MKP 2 Résolution approchée du sac à dos multidimensionnel Principe, Méthodes Outils pour le minorant : Heuristique, Métaheuristique Outils pour le majorant : RL, PDL et Méth. de SS Gdt 3 Mise en œuvre Prog Dual Lag & Méth. de SS Gradient Métaheuristique 4 Conclusion 5 Questions
3 Cas concret... Un exemple concret d un problème de sac à dos Un jour, Arsène L. pénètre dans le Louvres, il fait nuit ; Face à lui, une table, des objets Ces objets sont nombreux et ont chacun un poids et une valeur ; Son sac à dos ne peut pas supporter plus de 50 kg ; Question : quels objets emporte-t-il afin de maximiser la valeur de son sac à dos? (la question liée : quelle méthode utilise-t-il pour les choisir?)
4 Modélisation Modèle d un problème de sac à dos (KP) n max z = c j x j j=1 (P) n s. c. a j x j B j=1 x j {0, 1}, j Objets un ensemble de n objets j, j {1,...,n} ; Valeurs c j, la valeur d un objet j ; Tailles a j, la taille d un objet j ; Capacité B la capacité du sac à dos ; Choix x j, la variable de décision relative à l objet j, qui prend la valeur 1 si l objet j est placé dans le sac à dos, 0 sinon. (1)
5 Modélisation Modèle d un problème de sac à dos multidimensionnel (MKP) max z Tailles a 1j, a 2j,...,a mj les m «caractéristiques» d un objet j ; Capacité B 1, B 2...,B m, les m «caractéristiques» du sac à dos ; Notation étendue Notation agrégée n j=1 = c j x j n j=1 s. c. a 1j x j B 1 (P) max z s. c. n j=1 = c j x j n j=1 a ij x j B i, i {1,..., m} (P). n j=1 a 2j x j B 2 Résolution approchéende problèmes de sacs à dos. Méthode de sous gradient et Métaheuristiques (2) x j {0, 1}, j (3)
6 Modélisation Conditions sur le modèle du problème de sac à dos Sans perte de généralité, les hypothèses suivantes sont faites : par définition sur le modèle : données : entières et positives : j, i : B i N, (c j a ij ) (N N) contraintes : pas totalement nulle : i, (a i1,...,a in ) (0, 0,...,0) somme des poids des objets : strictement supérieure à la capacité du sac à dos i, j a ij > B i. par contrainte sur les objets : pas de plus grand que la capacité du sac à dos i, j, a ij < B i. pas de valeur (coût) nulle : j, c j > 0.
7 Complexité et Approximabilité des KP & MKP Résultats théoriques établis N P-complétude et approximabilité des problèmes de sac à dos (KP) optimisation : N P-difficile décision : N P-complet [Karp 1971] PTAS [Sahni, 1976] FPTAS [Ibarra et Kim, 1975] MKP optimisation : N P-difficile décision : N P-complet PTAS : [Chandra, Hirschberg, Wong, 1975] FPTAS [Gens, Levner, Korte, Schrader, 1981] MKP FPTAS P = N P [Magazine et Oguz, 1981]
8 Principe, Méthodes Principe et Méthode de résolution pour MKP Principe : Par encadrement : Majorant et Minorant Méthode : Simple... Minorant (heuristique) Majorant (relaxation) Plus complexe et donc plus fine... Minorant (heuristique + métaheuristique) Majorant (RL PDL Méth de SS Gradient) idée : valider la qualité du minorant!
9 Outils pour le minorant : Heuristique, Métaheuristique Les outils utilisés - Plan Heuristique (définition, principe, inconvénient) Métaheuristique (Voisinage et population) Relaxation lagrangienne Programme Dual Lagrangien Méthode de sous gradient
10 Outils pour le minorant : Heuristique, Métaheuristique Heuristique Stratégie spécifique aux données à la structure du problème (KP et TSP!) avantages : rapide (développer) simple (Mise en œuvre) efficace (temps) ex : KP, tri inconvénients : propriétaire (données, structure) manque de généricité pas de résolution exacte (sauf...) tri pour le TSP?
11 Outils pour le minorant : Heuristique, Métaheuristique Solution : relever le niveau d abstraction En ne parlant plus d «objet» ou de «villes» mais d abstraction. En définissant : des ensembles d objets (Espace : ensemble solution, solution potentielle, solution réalisable,...) des transformations sur ces objets (Topologie : voisinage, population,...) des relations d ordre sur ces objets (Métrique : notion de maximum et de minimum)
12 Outils pour le minorant : Heuristique, Métaheuristique De l Heuristique vers la Métaheuristique moyens : notion de voisinage (km, distance de hamming,...) transformation (voisinage, complém. à q bits) déplacement (d une solution vers une autre) heuristique d amélioration locale Algorithme de montée (gourmand/glouton) Généricité accrue : Mais dépend du voisinage dépend de la solution initiale Piège du «max local» nouveau paradigme : tolérance à la dégradation (Méth. tabu) manipulation d un ensemble de solutions (Algo Génétiques) et bien d autres...
13 Outils pour le minorant : Heuristique, Métaheuristique Définition d une métaheuristique cadre générique de résolution reposant sur un ou plusieurs paradigmes qui permet de procéder à la résolution approchée sans garantie de performance d un problème indépendamment de sa forme. caractérisation possible à défaut d axiomatisation (Hansen et Mladenović).
14 Outils pour le minorant : Heuristique, Métaheuristique Points communs des métaheuristiques paradigme manipulation de solutions (voisinage ou population) paramétrage Adaptation à la structure du problème propre à la métaheuristique Critère d arrêt (empirique) (mais algorithme «anytime») la valeur de la meilleure solution n a pas varié de plus de α % pendant β boucles et/ou un certain nombre de boucles β prédéfini a été atteint. et/ou un délai h est atteint (contract algorithm) et/ou si une valeur v trouvée est suffisamment proche d une valeur v de référence connue
15 Outils pour le minorant : Heuristique, Métaheuristique La recherche à voisinage locale - Hansen et Mladenović Principe : changement systématique de voisinage pour s extraire des maxima locaux. Algorithme 1 : La Recherche à Voisinage Variable - VNS Données : une solution x, un voisinage N, un paramètre k max Résultat : La meilleure solution rencontrée x x x tant que Non(Critère d Arrêt) faire k 1 tant que k k max faire x GenerationPerturbation(N k (x)) /* k-perturbation */ x RechercheLocale(x ) /* Recherche Locale */ si f (x ) > f (x ) alors x x /* Déplacement Conditionnel */ x x k 0 k k + 1
16 Outils pour le minorant : Heuristique, Métaheuristique Métaheuristique évolutive : principe Autre paradigme : une solution population de solutions opérateurs : combinaison, sélection, évaluation nécessité d un ensemble «source» : difficile à caractériser
17 Outils pour le minorant : Heuristique, Métaheuristique La recomposition de chemin - Glover Principe : soit S une population de «bonnes» solutions {s 1, s 2,...,s n } (au sens fonction éco + diversifiée) il existe une manière de construire des chemins, de proche en proche, entre 2 solutions s p et s q qui produisent de nouvelles bonnes (et meilleures!) solutions. (chemin ensemble de solutions) déroulement : construire un chemin de s p à s q : s p1, s p2,... la construction de s pi à s pi+1 se fait selon un paradigme le paradigme est que s pi+1 : appartient au voisinage de s pi se rapproche de s q maximise la fonction économique reste réalisable (dans notre cas)
18 Outils pour le minorant : Heuristique, Métaheuristique La recomposition de chemin - Exemple coût contr. < s p (11/9) s q (13/10) choix 1 x / / / / /11 17/ choix 2 x / /15 x / /13 13/ choix 3 x x /12 x / /9 14/ choix 4 x x /14 x /5 x 10/ choix 5 x x = s q x x x
19 Outils pour le majorant : RL, PDL et Méth. de SS Gdt Les outils utilisés - Plan Heuristique (définition, principe, inconvénient) Métaheuristique (Voisinage et population) Relaxation lagrangienne Programme Dual Lagrangien Méthode de sous gradient
20 Outils pour le majorant : RL, PDL et Méth. de SS Gdt Relaxation lagrangienne appliquée au 2-KP (P) max s. c. n c j x j j=1 n a j x j A j=1 n b j x j B j=1 x j {0, 1} j {1... n} (4)
21 Outils pour le majorant : RL, PDL et Méth. de SS Gdt Relaxation lagrangienne - dualisation Nous pouvons relâcher la deuxième contrainte du modèle 4 en lui affectant la pénalité réelle positive λ. Nous obtenons le problème (RL λ (x)) : max (RL λ (x)) s. c. note : c est un sac à dos! n c j x j + λ (B j=1 n a j x j A j=1 x j {0, 1} j {1... n} n b j x j ) j=1 (5)
22 Outils pour le majorant : RL, PDL et Méth. de SS Gdt Dual lagrangien : RL(P) PDL(λ) { min RLλ (x) (PDL(λ)) s. c. λ R + (6)
23 Outils pour le majorant : RL, PDL et Méth. de SS Gdt Principe d une méthode de sous gradient À chaque étape k de la résolution de PDL(λ) : Principes Graphiquement épigraphe avec équation de la partie affine : v(rl λ k(x)) = cx + λ k (B bx) λ k = f (λ k 1 ) = τ k v k v G k pas θ k = τ k v(k(λk )) v(p) d k direction de descente d k = G k + µd k 1 où G k : k ième sous-gradient heuristique lagrangienne! condition d arrêt (sur k, λ, u)
24 Outils pour le majorant : RL, PDL et Méth. de SS Gdt Méthode de sous gradient : heuristique Lagrangienne Principe : sur l épigraphe, la droite support associée est l équation de la partie affine : v(rl λ k(x)) = cx + λ k (B bx) 2 cas sont alors possibles : B bx x est une solution réalisable de (P) : phase constructive B < bx x est une solution NON réalisable de (P) : phase destructive
25 Outils pour le majorant : RL, PDL et Méth. de SS Gdt Un invariant remarquable du point de vue de l Ingénieur Remarque : Des axes de travail sur lesquels j ai aussi fait porter ma réflexion
26 Prog Dual Lag & Méth. de SS Gradient minorant initial Premiers essais avec PLZM. Relaxation continue Mise à zéro des composantes fractionnaires Phase constructive : heuristique géométrique (densité) Résultats très bons Essais avec la VNS très nombreux essais de paramétrage temps considérable et résultats pas à la hauteur
27 Prog Dual Lag & Méth. de SS Gradient Comparaison PLZM et Algo de sous gradient basique - Inst BT & OR Lib % instances PLZM/PLNE Min-init/PLNE % instances PLZM/PLNE Min-init/PLNE Comparaison PLZM - Algo Basique Sous Gradient Instances BT et OR Lib
28 Prog Dual Lag & Méth. de SS Gradient Sur l algorithme de sous gradient Modifications nécessaires λ λ i! plus de relation d ordre! refonte algorithme & programme : 4 versions Modifications proposées Heuristique Lagrangienne Étendue Convergence plus rapide : en temps & en itérations
29 Métaheuristique Recherche à voisinage variable et FROG La VNS donne de mauvais résultats? Création de la FROG paradigme proche : changer de voisinage ET de type de voisinage hyperdiversification (Glover) Utilisation de phases constructives et destructives Utilisation de la densité géométrique. projection des solutions non admissibles vers l espace des solutions admissibles. prélèvement stochastique d une partie des voisinages
30 Métaheuristique FROG 1 Algorithme 2 : LA FROG Données : une solution x, un voisinage N, les paramètres k max, k max et α Résultat : une solution x x, x x, 2 x x, k 1 3 tant que Non(Critère d Arrêt) faire 4 tant que k < k max faire 5 x GenerationPerturbation(N k (x)) /* Perturbation */ 6 k 1 7 x max x 8 x x /* permet de rentrer dans la boucle */ 9 tant que (f (x ) f (x ) ET k < k max ) faire x MeilleurVoisin(N k (x ), α) /* Montée à voisinage Variable.*/ x max = MeilleureSolution((x max, x )) k k si f (x max ) alors 14 x x max x x max /* Mouvement ou non? */ k 0 17 k k + 1
31 Métaheuristique La FROG, Résultats - Instance BT et OR Lib % instances FROG - Meilleurs des 10 essais % instances FROG - Meilleurs des 10 essais Comparaison FROG/PLNE, sortie de sous gradient, meilleur de 10 essais.
32 Métaheuristique La Tapisserie Idée dérivée de la recomposition de chemin : 2 solutions proches (sinon, considérées comme telles - réduction) Suppression du deuxième paradigme de la recomposition de chemin Construction de chemins exhaustifs Résultats conformes, mêmes si parfois surprenants...
33 Métaheuristique Tapisserie, Résultats - Inst BT & OR Lib % % instances Sortie de SG Tapisserie instances Sortie de SG Amélioration de la sortie de l algorithme de sous gradient par Tapisserie Tapisserie
34 Métaheuristique La recomposition de chemin - Paramétrage les solutions sources sont celles engendrées par l algorithme de sous gradient deux sous ensembles distincts : des solutions admissibles et non admissibles. taille du voisinage envisageable à chaque étape : (1) - (1 ou 2) - (2) à la suite de cette première phase : deuxième phase puis fusion
35 Métaheuristique La recomposition de chemin - Résultats % instances Min Init Min Heuri Min ssg Fin Rec Chem. Fig.: 4 étapes : minorant initial, minorant avec PLZM, minorant à
36 Métaheuristique Comparaison des 3 modes - Inst BT & OR Lib % % instances Rec. Chem. Tap FROG comparaison PR FROG Tapisserie instances Rec. Chem. Tap FROG
37 Sur les résultats Minorant initial : métaheuristique inintéressant. HLÉ : intéressante! plus de théorie? Métaheuristique après algo. sous gradient : oui! Méta de voisinage? Non... Méta Exhaustive? Non... Méta évolutive? Oui! Aller plus loin? m fois (m 1) dualisation? Algorithme BPK? Fixation de variables Autre sous gradient, autre relaxation?
38 Résultats, des chiffres par rapport aux instance La recomposition de chemin sur les instances de BT : best 17/18 ( ) sur les instances de la OR Lib : best 32/40 (98.5) LA FROG sur les instances de BT 3 / 18 (99.96) sur la OR Lib : 8/40 (97.8) La Tapisserie (cela vaut-il de détailler?)
39 Comparaison qualitative des métaheuristiques VNS FROG Tapisserie Rec. Chemin Simplicité Cohérence Efficience Efficacité Robustesse Facilité Innovation x x x x Tab.: Comparaison la Recherche à Voisinage Variable, de la FROG, de l heuristique Tapisserie et de la Recomposition de Chemin au sens des définitions des propriétés des métaheuristiques selon Hansen et Mladenović
40 Les questions
Traitement bas-niveau
Plan Introduction L approche contour (frontière) Introduction Objectifs Les traitements ont pour but d extraire l information utile et pertinente contenue dans l image en regard de l application considérée.
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 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 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 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 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 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 détailLa Licence Mathématiques et Economie-MASS Université de Sciences Sociales de Toulouse 1
La Licence Mathématiques et Economie-MASS Université de Sciences Sociales de Toulouse 1 La licence Mathématiques et Economie-MASS de l Université des Sciences Sociales de Toulouse propose sur les trois
Plus en détailL analyse d images regroupe plusieurs disciplines que l on classe en deux catégories :
La vision nous permet de percevoir et d interpreter le monde qui nous entoure. La vision artificielle a pour but de reproduire certaines fonctionnalités de la vision humaine au travers de l analyse d images.
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 détailExercices du Cours de la programmation linéaire donné par le Dr. Ali DERBALA
75. Un plombier connaît la disposition de trois tuyaux sous des dalles ( voir figure ci dessous ) et il lui suffit de découvrir une partie de chacun d eux pour pouvoir y poser les robinets. Il cherche
Plus en détailCours d Analyse. Fonctions de plusieurs variables
Cours d Analyse Fonctions de plusieurs variables Licence 1ère année 2007/2008 Nicolas Prioux Université de Marne-la-Vallée Table des matières 1 Notions de géométrie dans l espace et fonctions à deux variables........
Plus en détailRappels sur les suites - Algorithme
DERNIÈRE IMPRESSION LE 14 septembre 2015 à 12:36 Rappels sur les suites - Algorithme Table des matières 1 Suite : généralités 2 1.1 Déition................................. 2 1.2 Exemples de suites............................
Plus en 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 détailNON-LINEARITE ET RESEAUX NEURONAUX
NON-LINEARITE ET RESEAUX NEURONAUX Vêlayoudom MARIMOUTOU Laboratoire d Analyse et de Recherche Economiques Université de Bordeaux IV Avenue. Leon Duguit, 33608 PESSAC, France tel. 05 56 84 85 77 e-mail
Plus en détailDualité dans les espaces de Lebesgue et mesures de Radon finies
Chapitre 6 Dualité dans les espaces de Lebesgue et mesures de Radon finies Nous allons maintenant revenir sur les espaces L p du Chapitre 4, à la lumière de certains résultats du Chapitre 5. Sauf mention
Plus en détailF1C1/ Analyse. El Hadji Malick DIA
F1C1/ Analyse Présenté par : El Hadji Malick DIA dia.elmalick1@gmail.com Description sommaire du cours Porte sur l analyse réelle propose des outils de travail sur des éléments de topologie élémentaire
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 détailBiostatistiques Biologie- Vétérinaire FUNDP Eric Depiereux, Benoît DeHertogh, Grégoire Vincke
www.fundp.ac.be/biostats Module 140 140 ANOVA A UN CRITERE DE CLASSIFICATION FIXE...2 140.1 UTILITE...2 140.2 COMPARAISON DE VARIANCES...2 140.2.1 Calcul de la variance...2 140.2.2 Distributions de référence...3
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 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 détailCorrection du baccalauréat STMG Polynésie 17 juin 2014
Correction du baccalauréat STMG Polynésie 17 juin 2014 EXERCICE 1 Cet exercice est un Q.C.M. 4 points 1. La valeur d une action cotée en Bourse a baissé de 37,5 %. Le coefficient multiplicateur associé
Plus en détailAnalyse stochastique de la CRM à ordre partiel dans le cadre des essais cliniques de phase I
Analyse stochastique de la CRM à ordre partiel dans le cadre des essais cliniques de phase I Roxane Duroux 1 Cadre de l étude Cette étude s inscrit dans le cadre de recherche de doses pour des essais cliniques
Plus en 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 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 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 détailThéorème du point fixe - Théorème de l inversion locale
Chapitre 7 Théorème du point fixe - Théorème de l inversion locale Dans ce chapitre et le suivant, on montre deux applications importantes de la notion de différentiabilité : le théorème de l inversion
Plus en détailImage d un intervalle par une fonction continue
DOCUMENT 27 Image d un intervalle par une fonction continue La continuité d une fonction en un point est une propriété locale : une fonction est continue en un point x 0 si et seulement si sa restriction
Plus en détailChapitre 5 : Flot maximal dans un graphe
Graphes et RO TELECOM Nancy A Chapitre 5 : Flot maximal dans un graphe J.-F. Scheid 1 Plan du chapitre I. Définitions 1 Graphe Graphe valué 3 Représentation d un graphe (matrice d incidence, matrice d
Plus en 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 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 détailLES MÉTHODES DE POINT INTÉRIEUR 1
Chapitre XIII LES MÉTHODES DE POINT INTÉRIEUR 1 XIII.1 Introduction Nous débutons par un rappel de la formulation standard d un problème d optimisation 2 linéaire et donnons un bref aperçu des différences
Plus en détailMABioVis. Bio-informatique et la
MABioVis Modèles et Algorithmes pour la Bio-informatique et la Visualisation Visite ENS Cachan 5 janvier 2011 MABioVis G GUY MELANÇON (PR UFR Maths Info / EPI GRAVITE) (là, maintenant) - MABioVis DAVID
Plus en détailF7n COUP DE BOURSE, NOMBRE DÉRIVÉ
Auteur : S.& S. Etienne F7n COUP DE BOURSE, NOMBRE DÉRIVÉ TI-Nspire CAS Mots-clés : représentation graphique, fonction dérivée, nombre dérivé, pente, tableau de valeurs, maximum, minimum. Fichiers associés
Plus en détailApprentissage Automatique
Apprentissage Automatique Introduction-I jean-francois.bonastre@univ-avignon.fr www.lia.univ-avignon.fr Définition? (Wikipedia) L'apprentissage automatique (machine-learning en anglais) est un des champs
Plus en détailVision industrielle et télédétection - Détection d ellipses. Guillaume Martinez 17 décembre 2007
Vision industrielle et télédétection - Détection d ellipses Guillaume Martinez 17 décembre 2007 1 Table des matières 1 Le projet 3 1.1 Objectif................................ 3 1.2 Les choix techniques.........................
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 détailInitiation à LabView : Les exemples d applications :
Initiation à LabView : Les exemples d applications : c) Type de variables : Créer un programme : Exemple 1 : Calcul de c= 2(a+b)(a-3b) ou a, b et c seront des réels. «Exemple1» nom du programme : «Exemple
Plus en détailConventions d écriture et outils de mise au point
Logiciel de base Première année par alternance Responsable : Christophe Rippert Christophe.Rippert@Grenoble-INP.fr Introduction Conventions d écriture et outils de mise au point On va utiliser dans cette
Plus en détailContexte. Pour cela, elles doivent être très compliquées, c est-à-dire elles doivent être très différentes des fonctions simples,
Non-linéarité Contexte Pour permettre aux algorithmes de cryptographie d être sûrs, les fonctions booléennes qu ils utilisent ne doivent pas être inversées facilement. Pour cela, elles doivent être très
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 détailUNIVERSITE DES ANTILLES et DE LA GUYANE Campus de Fouillole BP250-97157 Pointe-à-Pitre Cedex CONTRAT 2010-2013 LE MASTER NOM DU DOMAINE STS
UNIVERSITE DES ANTILLES et DE LA GUYANE Campus de Fouillole BP20-9717 Pointe-à-Pitre Cedex CONTRAT 2010-201 LE MASTER NOM DU DOMAINE STS Mention : Mathématiques Implantation : Guadeloupe FICHES DESCRIPTIVES
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 détailCommunications collectives et ordonnancement en régime permanent pour plates-formes hétérogènes
Loris MARCHAL Laboratoire de l Informatique du Parallélisme Équipe Graal Communications collectives et ordonnancement en régime permanent pour plates-formes hétérogènes Thèse réalisée sous la direction
Plus en 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 détailModel checking temporisé
Model checking temporisé Béatrice Bérard LAMSADE Université Paris-Dauphine & CNRS berard@lamsade.dauphine.fr ETR 07, 5 septembre 2007 1/44 Nécessité de vérifier des systèmes... 2/44 Nécessité de vérifier
Plus en détailAnalyse de la vidéo. Chapitre 4.1 - La modélisation pour le suivi d objet. 10 mars 2015. Chapitre 4.1 - La modélisation d objet 1 / 57
Analyse de la vidéo Chapitre 4.1 - La modélisation pour le suivi d objet 10 mars 2015 Chapitre 4.1 - La modélisation d objet 1 / 57 La représentation d objets Plan de la présentation 1 La représentation
Plus en détailProgrammes des classes préparatoires aux Grandes Ecoles
Programmes des classes préparatoires aux Grandes Ecoles Filière : scientifique Voies : Mathématiques, physique et sciences de l'ingénieur (MPSI) Physique, chimie et sciences de l ingénieur (PCSI) Physique,
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 détailChapitre 7. Récurrences
Chapitre 7 Récurrences 333 Plan 1. Introduction 2. Applications 3. Classification des récurrences 4. Résolution de récurrences 5. Résumé et comparaisons Lectures conseillées : I MCS, chapitre 20. I Rosen,
Plus en détailLes indices à surplus constant
Les indices à surplus constant Une tentative de généralisation des indices à utilité constante On cherche ici en s inspirant des indices à utilité constante à définir un indice de prix de référence adapté
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 détailProgrammation Linéaire - Cours 1
Programmation Linéaire - Cours 1 P. Pesneau pierre.pesneau@math.u-bordeaux1.fr Université Bordeaux 1 Bât A33 - Bur 265 Ouvrages de référence V. Chvátal - Linear Programming, W.H.Freeman, New York, 1983.
Plus en détailAlgorithmes pour la planification de mouvements en robotique non-holonome
Algorithmes pour la planification de mouvements en robotique non-holonome Frédéric Jean Unité de Mathématiques Appliquées ENSTA Le 02 février 2006 Outline 1 2 3 Modélisation Géométrique d un Robot Robot
Plus en détailNOTE SUR LA MODELISATION DU RISQUE D INFLATION
NOTE SUR LA MODELISATION DU RISQUE D INFLATION 1/ RESUME DE L ANALYSE Cette étude a pour objectif de modéliser l écart entre deux indices d inflation afin d appréhender le risque à très long terme qui
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 détailMATHS FINANCIERES. Mireille.Bossy@sophia.inria.fr. Projet OMEGA
MATHS FINANCIERES Mireille.Bossy@sophia.inria.fr Projet OMEGA Sophia Antipolis, septembre 2004 1. Introduction : la valorisation de contrats optionnels Options d achat et de vente : Call et Put Une option
Plus en détailCours3. Applications continues et homéomorphismes. 1 Rappel sur les images réciproques
Université de Provence Topologie 2 Cours3. Applications continues et homéomorphismes 1 Rappel sur les images réciproques Soit une application f d un ensemble X vers un ensemble Y et soit une partie P de
Plus en détailComplexité. Licence Informatique - Semestre 2 - Algorithmique et Programmation
Complexité Objectifs des calculs de complexité : - pouvoir prévoir le temps d'exécution d'un algorithme - pouvoir comparer deux algorithmes réalisant le même traitement Exemples : - si on lance le calcul
Plus en 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 détailProgrammation linéaire et Optimisation. Didier Smets
Programmation linéaire et Optimisation Didier Smets Chapitre 1 Un problème d optimisation linéaire en dimension 2 On considère le cas d un fabricant d automobiles qui propose deux modèles à la vente, des
Plus en 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 détailUML (Diagramme de classes) Unified Modeling Language
UML (Diagramme de classes) Unified Modeling Language Sommaire Introduction Objectifs Diagramme de classes Classe (Nom, attribut, opération) Visibilité et portée des constituants d une classe Association
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 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 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 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 détail«Cours Statistique et logiciel R»
«Cours Statistique et logiciel R» Rémy Drouilhet (1), Adeline Leclercq-Samson (1), Frédérique Letué (1), Laurence Viry (2) (1) Laboratoire Jean Kuntzmann, Dép. Probabilites et Statistique, (2) Laboratoire
Plus en détailBases de données documentaires et distribuées Cours NFE04
Bases de données documentaires et distribuées Cours NFE04 Introduction a la recherche d information Auteurs : Raphaël Fournier-S niehotta, Philippe Rigaux, Nicolas Travers prénom.nom@cnam.fr Département
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 détailCOURS EULER: PROGRAMME DE LA PREMIÈRE ANNÉE
COURS EULER: PROGRAMME DE LA PREMIÈRE ANNÉE Le cours de la première année concerne les sujets de 9ème et 10ème années scolaires. Il y a bien sûr des différences puisque nous commençons par exemple par
Plus en détailRétablissement d un réseau cellulaire après un désastre
Rétablissement d un réseau cellulaire après un désastre Anaïs Vergne avec Laurent Decreusefond, Ian Flint, et Philippe Martins Journées MAS 2014 29 août 2014 Rétablissement d un réseau cellulaire après
Plus en détailNombre dérivé et tangente
Nombre dérivé et tangente I) Interprétation graphique 1) Taux de variation d une fonction en un point. Soit une fonction définie sur un intervalle I contenant le nombre réel a, soit (C) sa courbe représentative
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 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 détailCours de Java. Sciences-U Lyon. Java - Introduction Java - Fondamentaux Java Avancé. http://www.rzo.free.fr
Cours de Java Sciences-U Lyon Java - Introduction Java - Fondamentaux Java Avancé http://www.rzo.free.fr Pierre PARREND 1 Octobre 2004 Sommaire Java Introduction Java Fondamentaux Histoire de Java Machine
Plus en détailMCMC et approximations en champ moyen pour les modèles de Markov
MCMC et approximations en champ moyen pour les modèles de Markov Gersende FORT LTCI CNRS - TELECOM ParisTech En collaboration avec Florence FORBES (Projet MISTIS, INRIA Rhône-Alpes). Basé sur l article:
Plus en détailCompte rendu de LA37 B, TP numéro 1. Evolution de la température et du degrée d'hydratation
4 6 8 2 4 8 22 26 3 34 38 42 46 5 54 58 62 66 7 74 78 83 89 96 8 44 Bertin Morgan Compte rendu de LA37 B, TP numéro. Les essais effectués par le laboratoire des ponts et chaussés nous ont fournis la température
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 détail(51) Int Cl.: H04L 29/06 (2006.01) G06F 21/55 (2013.01)
(19) TEPZZ 8 8 4_A_T (11) EP 2 838 241 A1 (12) DEMANDE DE BREVET EUROPEEN (43) Date de publication: 18.02.1 Bulletin 1/08 (1) Int Cl.: H04L 29/06 (06.01) G06F 21/ (13.01) (21) Numéro de dépôt: 141781.4
Plus en détailBases de données réparties: Fragmentation et allocation
Pourquoi une base de données distribuée? Bibliographie Patrick Valduriez, S. Ceri, Guiseppe Delagatti Bases de données réparties: Fragmentation et allocation 1 - Introduction inventés à la fin des années
Plus en détailSur les vols en formation.
Sur les vols en formation. Grasse, 8 Février 2006 Plan de l exposé 1. Missions en cours et prévues 2. Le problème du mouvement relatif 2.1 Positionnement du problème 2.2 Les équations de Hill 2.2 Les changements
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 détailCalcul différentiel. Chapitre 1. 1.1 Différentiabilité
Chapitre 1 Calcul différentiel L idée du calcul différentiel est d approcher au voisinage d un point une fonction f par une fonction plus simple (ou d approcher localement le graphe de f par un espace
Plus en détailIFT2255 : Génie logiciel
IFT2255 : Génie logiciel Chapitre 6 - Analyse orientée objets Section 1. Introduction à UML Julie Vachon et Houari Sahraoui 6.1. Introduction à UML 1. Vers une approche orientée objet 2. Introduction ti
Plus en détailAlgorithmique et Programmation, IMA
Algorithmique et Programmation, IMA Cours 2 : C Premier Niveau / Algorithmique Université Lille 1 - Polytech Lille Notations, identificateurs Variables et Types de base Expressions Constantes Instructions
Plus en 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 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 détailObjectifs. Clustering. Principe. Applications. Applications. Cartes de crédits. Remarques. Biologie, Génomique
Objectifs Clustering On ne sait pas ce qu on veut trouver : on laisse l algorithme nous proposer un modèle. On pense qu il existe des similarités entre les exemples. Qui se ressemble s assemble p. /55
Plus en détailIntérêt du découpage en sous-bandes pour l analyse spectrale
Intérêt du découpage en sous-bandes pour l analyse spectrale David BONACCI Institut National Polytechnique de Toulouse (INP) École Nationale Supérieure d Électrotechnique, d Électronique, d Informatique,
Plus en détailT.P. FLUENT. Cours Mécanique des Fluides. 24 février 2006 NAZIH MARZOUQY
T.P. FLUENT Cours Mécanique des Fluides 24 février 2006 NAZIH MARZOUQY 2 Table des matières 1 Choc stationnaire dans un tube à choc 7 1.1 Introduction....................................... 7 1.2 Description.......................................
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 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 détailTRACER LE GRAPHE D'UNE FONCTION
TRACER LE GRAPHE D'UNE FONCTION Sommaire 1. Méthodologie : comment tracer le graphe d'une fonction... 1 En combinant les concepts de dérivée première et seconde, il est maintenant possible de tracer le
Plus en détailProjet SINF2275 «Data mining and decision making» Projet classification et credit scoring
Projet SINF2275 «Data mining and decision making» Projet classification et credit scoring Année académique 2006-2007 Professeurs : Marco Saerens Adresse : Université catholique de Louvain Information Systems
Plus en détailDurée de L épreuve : 2 heures. Barème : Exercice n 4 : 1 ) 1 point 2 ) 2 points 3 ) 1 point
03 Mai 2013 Collège Oasis Durée de L épreuve : 2 heures. apple Le sujet comporte 4 pages et est présenté en livret ; apple La calculatrice est autorisée ; apple 4 points sont attribués à la qualité de
Plus en 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 détailDéfinitions. Numéro à préciser. (Durée : )
Numéro à préciser (Durée : ) On étudie dans ce problème l ordre lexicographique pour les mots sur un alphabet fini et plusieurs constructions des cycles de De Bruijn. Les trois parties sont largement indépendantes.
Plus en détailUne forme générale de la conjecture abc
Une forme générale de la conjecture abc Nicolas Billerey avec l aide de Manuel Pégourié-Gonnard 6 août 2009 Dans [Lan99a], M Langevin montre que la conjecture abc est équivalente à la conjecture suivante
Plus en détailModèles et simulations informatiques des problèmes de coopération entre agents
Modèles et simulations informatiques des problèmes de coopération entre agents Bruno Beaufils LIFL Axe CIM Équipe SMAC Laboratoire d'informatique Plan 1. Motivations 2. Dilemme itéré du prisonnier 3. Simulations
Plus en détail