Algorithmes génétiques et calcul haute performance. Jean-Charles Boisson CReSTIC-SysCom EA 3804
|
|
- Marie-Madeleine Giroux
- il y a 8 ans
- Total affichages :
Transcription
1 Algorithmes génétiques et calcul haute performance Jean-Charles Boisson CReSTIC-SysCom EA 3804
2 Plan Algorithmes génétiques (AGs) : Positionnement Coopération avec d autres méthodes AGs et parallélisme : Schéma de parallélisation Architectures utilisées Impact du multi-objectif Aide à la mise en place d AGs : ParadisEO 13/12/2011 J.-C. Boisson Journée modélisation et calcul 2
3 Google (scholar) fight Hill climbing Tabu search Simulated annealing Local search Particle Swarm Optimization Ant Colony Optimization Genetic Algorithm /12/2011 J.-C. Boisson Journée modélisation et calcul 3
4 La (merveilleuse) histoire des algorithmes génétiques
5 Méthodes d optimisation Méthodes d optimisation Méthodes exactes Méthodes approchées Branch and X A*, IDA* Heuristiques Algorithmes d approximation Programmation par contraintes Programmation dynamique X : Bound, Cut ou Price Métaheuristiques Heuristiques dédiées 13/12/2011 J.-C. Boisson Journée modélisation et calcul 5
6 Métaheuristiques Métaheuristiques A solution unique (S-meta) A population de solutions (P-meta) 13/12/2011 J.-C. Boisson Journée modélisation et calcul 6
7 Métaheuristiques Métaheuristiques A solution unique (S-meta) A population de solutions (P-meta) S-meta classiques S-meta évoluées Recuit simulé Recherche taboue Recherche locale itérative Algorithme de descente Recherche à voisinage variable 13/12/2011 J.-C. Boisson Journée modélisation et calcul 7
8 Métaheuristiques Métaheuristiques A solution unique (S-meta) A population de solutions (P-meta) À base d essaim/de colonies Algorithmes évolutionnaires Optimisation par essaim de particules Colonies de fourmi Colonies d abeilles 13/12/2011 J.-C. Boisson Journée modélisation et calcul 8
9 Métaheuristiques Métaheuristiques A solution unique (S-meta) A population de solutions (P-meta) À base d essaim/de colonies Algorithmes évolutionnaires Algorithmes génétiques Stratégies évolutionnaires Programmation évolutionnaire Programmation génétique Algorithmes à estimation de distribution Évolution différentielle 13/12/2011 J.-C. Boisson Journée modélisation et calcul 9
10 Choix de la méthode d optimisation Comment choisir objectivement la méthode à utiliser? Étape 1 : définir la représentation d une solution Mot binaire Ensemble de valeur discrètes/réelles Permutation Spécifique au problème? Taille fixe ou variable? 13/12/2011 J.-C. Boisson Journée modélisation et calcul 10
11 Choix de la méthode d optimisation Comment choisir objectivement la méthode à utiliser? Étape 2 : définir l évaluation d une solution Coût temps/espace d une évaluation standard Coût temps/espace d une «delta» évaluation Connaissant l évaluation d une solution et la modification apportée pour obtenir une nouvelle solution, peut-on déduire efficacement la nouvelle évaluation? 13/12/2011 J.-C. Boisson Journée modélisation et calcul 11
12 Choix de la méthode d optimisation Comment choisir objectivement la méthode à utiliser? Représentation + évaluation paysage Basé sur les notions de : voisinage d une solution distance entre solutions 13/12/2011 J.-C. Boisson Journée modélisation et calcul 12
13 Exemple de paysages (2D) 13/12/2011 J.-C. Boisson Journée modélisation et calcul 13
14 Algorithmes génétiques Métaheuristiques à base de population de solutions (P-Meta). Défini par J.-H. Holland (1962) : J.-H. Holland. Outline for a logical theory of adaptive systems. Journal of the ACM, 3: , Référence (1975) : J.-H. Holland. Adaptation in Natural and Artificial Systems. University of Michigan Press, Ann Arbor, MI, Autres P-Meta > /12/2011 J.-C. Boisson Journée modélisation et calcul 14
15 Historique des méthodes d optimisation E.-G. Talbi Metaheuristics : From Design to Implementation, Wiley, /12/2011 J.-C. Boisson Journée modélisation et calcul 15
16 Algorithmes génétiques Basés sur les mécanismes évolutionnistes de Darwin. Notions de : Sélection Croisement Mutation EVOLUTION Remplacement 13/12/2011 J.-C. Boisson Journée modélisation et calcul 16
17 Algorithmes génétiques Solutions Sélection Arrêt? Croisement Évaluation Mutation Initialisation Remplacement 13/12/2011 J.-C. Boisson Journée modélisation et calcul 17
18 Capacités d un (bon) AG Donner un ensemble de solutions réalisables. Être capable d explorer de très grands espaces de recherche Ne pas être gêné par des optimaux locaux Être robuste 13/12/2011 J.-C. Boisson Journée modélisation et calcul 18
19 Difficultés liées aux AGs Être difficilement paramétrables Peuvent être très long à converger Inversement peuvent converger prématurément Manquent de pouvoir d intensification 13/12/2011 J.-C. Boisson Journée modélisation et calcul 19
20 Améliorer le comportement d un AG Être difficilement paramétrable «tuning» des paramètres sur un ensemble d instances du problème. Long à converger Accélération du processus d évaluation Convergence prématurée Amélioration de la diversité Manque de pouvoir d intensification Coopération avec d autres méthodes 13/12/2011 J.-C. Boisson Journée modélisation et calcul 20
21 Coopération de méthodes Exemple de taxonomie Méthodes coopératives A B A B De bas niveau De haut niveau Mode relai Mode co-évolutionnaire A B Résultats A B Résultats 13/12/2011 J.-C. Boisson Journée modélisation et calcul 21
22 Coopération avec un AG En mode relai / haut niveau : Génération de la population initiale Optimisation de la population finale En mode co-évolutionnaire / bas niveau : Associé une (des) méthode(s) d intensification dans les opérateurs d évolution. Attention au coût associé!!! 13/12/2011 J.-C. Boisson Journée modélisation et calcul 22
23 Coopération relai de haut niveau Spectres MS/MS Spectre MS L R K T _ Q K _ G P N G M V _ K L F G R K T G Q K T G P N L H G M G D V E K Heuristique gloutonne Algorithme génétique Sequence Shape Spectre MS 13/12/2011 Recherche locale itérative Order J.-C. Boisson Journée modélisation et calcul 23 MGDVEKKTGPNLHGLFGRKTGQ
24 «Vers l infini et au-delà» (réflexion concernant le temps d obtention des solutions en séquentiel)
25 Pourquoi paralléliser un AG? Pour une configuration type améliorer le temps de résolution Pour une limite de temps donnée Être capable de gérer de plus grandes quantités de données : Population plus grande Plus grand nombre de générations Opérateur d évolution plus coûteux 13/12/2011 J.-C. Boisson Journée modélisation et calcul 25
26 Sur quelle architecture paralléliser? Sur ordinateur multi-cœur : Partage natif de la mémoire et du système de fichiers. Une tâche (ou plus cf multi-threading) par cœur. Sur plusieurs nœuds de calcul : Dans une même machine cluster : Chaque nœud a sa mémoire propre et son système de fichier Un système de fichier réseau peut être monté Sur des machines différentes grille : Chaque machine a sa mémoire propre et son système de fichier Communication réseau entre les machines 13/12/2011 J.-C. Boisson Journée modélisation et calcul 26
27 Sur quelle architecture paralléliser? Graphic Processing Unit (GPU) : Composant initialement dédiée à la gestion des calculs graphique Très proche du matériel pour une exploitation optimale Pas forcément dédié à toutes les tâches Fortement limitée en mémoire Échanges (très) lent avec le CPU et la mémoire de la machine hôte de la carte 13/12/2011 J.-C. Boisson Journée modélisation et calcul 27
28 Sur quelle architecture paralléliser? Field Programmable Gate Arrays (FPGA) : Programmer directement ses circuits pour le traitement que l on désire faire. Instruction indépendante en parallèle Nécessite une connaissance spécifique de ce type d architecture langage de description matériel Dispose de peu de mémoire embarqué N est pas adaptable à tout type de traitement. 13/12/2011 J.-C. Boisson Journée modélisation et calcul 28
29 Que paralléliser dans un AG? Solutions Sélection Arrêt? Croisement Évaluation Mutation Initialisation Remplacement 13/12/2011 J.-C. Boisson Journée modélisation et calcul 29
30 Les bonnes questions à se poser Ma fonction d évaluation est-elle coûteuse? Mes données prennent-elles de la place en mémoire? Est-ce qu il y a beaucoup de lecture/écriture sur le système de fichier? Quel est l objectif de mon approche? 13/12/2011 J.-C. Boisson Journée modélisation et calcul 30
31 Les bonnes questions à se poser Ma fonction d évaluation est-elle coûteuse? Savoir identifier les parties les plus coûteuse d une approche Paralléliser l évaluation de la population : Distribution des individus sur un ensemble de ressources Paralléliser l évaluation d un seul individu : Découpage en sous-tâche d évaluation Distribution des sous-tâches et calcul Récupération des résultats reconstruction du résultat global 13/12/2011 J.-C. Boisson Journée modélisation et calcul 31
32 Les bonnes questions à se poser Mes données prennent-elles de la place en mémoire? Suivant l architecture la mémoire disponible n est pas la même. Impossible de charger autant de données sur une carte GPU que dans la mémoire d un ordinateur Coût important de transférer les données de la mémoire d une machine vers une autre machine 13/12/2011 J.-C. Boisson Journée modélisation et calcul 32
33 Les bonnes questions à se poser Est-ce qu il y a beaucoup de lecture/écriture sur le système de fichier? Si tous les cœurs d un processeur lisent/écrivent sur le système de fichier en même temps Si différentes nœuds lisent/écrivent sur un système de fichier réseau Si différentes machines écrivent sur leur système de fichier avant de faire une synchronisation Chute des performances 13/12/2011 J.-C. Boisson Journée modélisation et calcul 33
34 Les bonnes questions à se poser Quel est l objectif de mon approche? Trouver la solution d un problème non encore résolu Produire une solution logicielle à finalité de production Mettre en place une méthode plus rapide/efficace que l existant 13/12/2011 J.-C. Boisson Journée modélisation et calcul 34
35 Les bonnes questions à se poser Quel est l objectif de mon approche? Trouver la solution d un problème non encore résolu : Instance très grande à résoudre Peu d exécution mais a priori très longue Gourmande en moyen de calcul Ratio temps de développement/utilisation : 10/90 13/12/2011 J.-C. Boisson Journée modélisation et calcul 35
36 Les bonnes questions à se poser Quel est l objectif de mon approche? Produire une solution logicielle à finalité de production : Respect de contraintes (temps de calcul, taille mémoire, ) Nombreuses exécution plus ou moins longue Adaptée à un niveau de ressources disponibles Ratio temps de développement/utilisation : 50/50 13/12/2011 J.-C. Boisson Journée modélisation et calcul 36
37 Les bonnes questions à se poser Quel est l objectif de mon approche? Mettre en place une méthode plus rapide/efficace que l existant : Exploitation au mieux des ressources disponibles Très nombreuses exécutions Schéma de déploiement adaptable aux ressources Ratio temps de développement/utilisation : 90/10 13/12/2011 J.-C. Boisson Journée modélisation et calcul 37
38 Le cas multi-objectif (ou comment avoir tout ce que l on a toujours voulu d un seul coup)
39 Pourquoi du multi-objectif? Classiquement : évaluer une solution évaluer un critère Problème réels : Ensemble de critères pouvant être : Antagonistes : Maximiser une distance parcourue tout en limitant la consommation de carburant. Minimiser le retard de traitement en augmentant le nombre de commandes. Complémentaires : Améliorer l aérodynamisme et la durée de vol sans moteur Minimiser l énergie total d un système moléculaire ainsi que sa surface accessible au solvant. 13/12/2011 J.-C. Boisson Journée modélisation et calcul 39
40 L avant multi-objectif Évaluation d une solution selon plusieurs critères agrégation de terme pondérés Avantages : Les méthodes d optimisation utilisées ne changent pas Nombre de critères à gérer non limité Inconvénients : Paramétrage complexe des poids Non rigoureusement valable 13/12/2011 J.-C. Boisson Journée modélisation et calcul 40
41 Formulation du multi-objectif Problème multi-objectif (PMO) (PMO) min F( x) f ( x), f ( x),..., f 1 2 n s.c. n 2 x C ( x) f 2 z Notion de dominance y domine z ssi i [1..n], f i (y) f i (z) et i [1..n] / f i (y) < f i (z). Pareto optimalité une solution x* C est Pareto optimale, ssi il n existe pas de solutions x C telle que x domine x*. Solution Pareto optimale 13/12/2011 J.-C. Boisson Journée modélisation et calcul 41 y Solution réalisable dominée f 1
42 Qualité d un algorithme multi-objectif? De par sa définition, le multi-objectif complique un grand nombre de traitement : Comparaison des solutions entre deux approches Qualité de la : Convergence Diversification notion de front 13/12/2011 J.-C. Boisson Journée modélisation et calcul 42
43 Indicateur de performance Mesures particulières pour la convergence et la diversification : Indicateur de convergence : Contribution e-indicateur Cardinalité Distance Indicateurs de diversité, mesure : De l espacement (entre les solutions) Du maximum de dispersion De l entropie Indicateur hybride : hypervolume 13/12/2011 J.-C. Boisson Journée modélisation et calcul 43
44 AGs et multi-objectif Les AGs sont (une) des méthodes dont les modèles multi-objectif sont les mieux codifiés. Modèles connus : NSGA-II K.Deb, A. Pratap, S. Agarwal and T. Meyarivan. A fast and elitist multi-objective genetic algorithm : NSGA-II. IEEE Transaction on Evolutionnary Computation,6(2): , IBEA E. Zitzler and S.Kunzli. Indicator-based selection in multiobjective search. Parallel Sovling from Nature,PPSN VIII, 3242: , SPEA2 E. Zitzler, M. Laumanns, and L. Thiele. SPEA2: Improving the strength Pareto evolutionary algorithm. Technical Report 103, Computer Engineering and Networks Laboratory (TIK), Swiss Federal Institute of Technology (ETH), Zurich, Switzerland, /12/2011 J.-C. Boisson Journée modélisation et calcul 44
45 Algorithmes génétiques multiobjectifs Solutions Nombre de générations Arrêt? Sélection Tournoi binaire Croisement Qualité de chaque objectif Diversité Évaluation Mutation Initialisation Remplacement Élitiste ou générationnel Archive 13/12/2011 J.-C. Boisson Journée modélisation et calcul 45
46 Les AGs pour les nuls (mais connaissant quand même le C++, les templates, la POO, )
47 Aide à la mise en place d AG Exemple (subjectif) de plateforme : ParadisEO Boite «blanche» Extension des bases placées dans Evolving Object (1999) P-Meta Ajouts des S-Meta + parallélisation du tout ( ) travail de Sébastien Cahon Ajout du multi-objectif ( ) Refonte de la partie S-Meta + S-Meta multi-objectif ( ) Parallélisation sur GPU des S-Meta ( ) 13/12/2011 J.-C. Boisson Journée modélisation et calcul 47
48 PARAllel and DIStributed Evolving Objects Evolving Object (EO), développement d algorithmes à base de population de solutions: EA, PSO. Moving Objects (MO), mise en place de recherches locales : HC, SA, TS, ILS, VNS. MO PEO EO MOEO Multi-Objective EO (MOEO), développement d algorithmes évolutionnaires multi-objectifs : NSGA-II, IBEA, ParadisEO (PEO), mise en place de métaheuristiques parallèles. 15/12/2011 J.-C. Boisson Journée modélisation et calcul 48
49 Comment faire un AG sous ParadisEO Pour son problème, définir : Sa représentation de solution (standard ou exotique) L évaluation d une solution Sous ParadisEO-EO : Choisir la P-Meta que l on veut utiliser Comprendre ce que l on doit définir Choisir les boites qui nous intéresse dans les parties génériques. 13/12/2011 J.-C. Boisson Journée modélisation et calcul 49
50 Exemple : le voyageur de commerce Soit un ensemble de N villes, connaissant la distance entre toutes ces villes, le problème du voyageur de commerce consiste à trouver le plus court chemin pour toutes les parcourir Exemple en version symétrique : v 0 3 Longueur: 26 v 1 6 v v 4 v 3 13/12/2011 J.-C. Boisson Journée modélisation et calcul 50
51 Définition d une nouvelle représentation J.-C. Boisson and E.-G. Talbi. Software Framework for Metaheuristic. 22 nd European Conference on Operational Research (EURO XXII), page 45, July 8-11, Prague, Czech Republic, /12/2011 J.-C. Boisson Journée modélisation et calcul 51
52 Algorithmes génétiques Solutions Sélection Arrêt? Croisement Évaluation Mutation Initialisation Remplacement 13/12/2011 J.-C. Boisson Journée modélisation et calcul 52
53 Construction d un AG sous ParadisEO-EO 13/12/2011 J.-C. Boisson Journée modélisation et calcul 53
54 Construction d un AG sous ParadisEO-EO 13/12/2011 J.-C. Boisson Journée modélisation et calcul 54
55 Construction d un AG sous ParadisEO-EO 13/12/2011 J.-C. Boisson Journée modélisation et calcul 55
56 Construction d un AG sous ParadisEO-EO 13/12/2011 J.-C. Boisson Journée modélisation et calcul 56
57 Construction d un AG sous ParadisEO-EO 13/12/2011 J.-C. Boisson Journée modélisation et calcul 57
58 Construction d un AG sous ParadisEO-EO 13/12/2011 J.-C. Boisson Journée modélisation et calcul 58
59 Construction d un AG sous ParadisEO-EO 13/12/2011 J.-C. Boisson Journée modélisation et calcul 59
60 Construction d un AG sous ParadisEO-EO 13/12/2011 J.-C. Boisson Journée modélisation et calcul 60
61 Construction d un AG sous ParadisEO-EO 13/12/2011 J.-C. Boisson Journée modélisation et calcul 61
62 Code source de l AG sous ParadisEO-EO RouteInit route_init; RouteEval full_route_eval; eopop <Route> pop (POP_SIZE, route_init); eogencontinue <Route> continue (NUM_GEN); OrderXover crossover; CitySwap mutation; eostochtournamentselect <Route> select_one; eoselectnumber <Route> select (select_one, POP_SIZE); eosgatransform <Route> transform (cross, CROSS_RATE, mutation, MUT_RATE); eoplusreplacement <Route> replace; eoeasyea <Route> ea (continue, full_route_eval, select, transform, replace); ea (pop); 13/12/2011 J.-C. Boisson Journée modélisation et calcul 62
63 Comment faire un AG sous ParadisEO Pour ajouter de l intensification : Couplage avec des recherches locales ParadisEO-MO Pour paralléliser le tout et/ou faire des exécutions simultanées : Parallélisation de toutes les étapes d évolution Modèle maître/esclave Exécution de plusieurs AGs et échange d informations Modèle insulaire ParadisEO-PEO 13/12/2011 J.-C. Boisson Journée modélisation et calcul 63
64 Détail sur la coopération EO/MO 13/12/2011 J.-C. Boisson Journée modélisation et calcul 64
65 Détail sur la coopération EO/MO 13/12/2011 J.-C. Boisson Journée modélisation et calcul 65
66 Conclusions Les AGs sont : De très bons outils en recherche opérationnelle Bien définis actuellement pour le cas multi-objectif Capables d affronter des problèmes réalistes : taille des instances paysage chaotique Aisément parallélisables Hautement paramétrables 13/12/2011 J.-C. Boisson Journée modélisation et calcul 66
67 Conclusions Les AGs ne sont pas : facile à paramétrer si simple à optimiser : Jeu sur les paramètres Coopération avec d autres méthodes les meilleurs approches pour les problèmes continus forcément nécessaire en premier choix : Recherches locales multi-start 13/12/2011 J.-C. Boisson Journée modélisation et calcul 67
68 Questions? Merci de votre attention 13/12/2011 J.-C. Boisson Journée modélisation et calcul 68
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 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 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 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 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 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 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 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 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 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 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 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 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 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 détailRenPar'14 Hammamet, Tunisie 10-13 avril 2002
PARALLELISATION CO-EVOLUTIVE DE L OPTIMISATION PAR COLONIE DE FOURMIS POUR LA RESOLUTION D UN PROBLEME D ORDONNANCEMENT INDUSTRIEL Pierre Delisle (1), Marc Gravel (1), Caroline Gagné (1), Michaël Krajecki
Plus en détailUn modèle réactif pour l optimisation par colonies de fourmis : application à la satisfaction de contraintes
Actes JFPC 2009 Un modèle réactif pour l optimisation par colonies de fourmis : application à la satisfaction de contraintes Madjid Khichane 1,2, Patrick Albert 1 et Christine Solnon 2 1 ILOG An IBM Company
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 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 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 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 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 détailNouvelles propositions pour la résolution exacte du problème de sac à dos bi-objectif unidimensionnel en variables binaires
Nouvelles propositions pour la résolution exacte du problème de sac à dos bi-objectif unidimensionnel en variables binaires Julien Jorge, Xavier Gandibleux Laboratoire d Informatique de Nantes Atlantique
Plus en 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 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 détailEXPERIMENTATIONS DE METHODES PARALLELES DE RECHERCHE D INFORMATION SUR INTERNET
EXPERIMENTATIONS DE METHODES PARALLELES DE RECHERCHE D INFORMATION SUR INTERNET Fabien PICAROUGNE (*), Gilles VENTURINI(*), Christiane GUINOT(**) fabien.picarougne@univ-tours.fr, venturini@univ-tours.fr,
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 détailUNE APPROCHE D OPTIMISATION-BASEE SUR LA SIMULATION POUR LA CONCEPTION D UN RESEAU DE DISTRIBUTION STOCHASTIQUE MULTI FOURNISSEURS
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 UNE
Plus en détailFigure 3.1- Lancement du Gambit
3.1. Introduction Le logiciel Gambit est un mailleur 2D/3D; pré-processeur qui permet de mailler des domaines de géométrie d un problème de CFD (Computational Fluid Dynamics).Il génère des fichiers*.msh
Plus en détailVers une Optimisation de l Algorithme AntTreeStoch
Revue des Sciences et de la Technologie - RST- Volume 3 N 1 / janvier 2012 Vers une Optimisation de l Algorithme AntTreeStoch O. KADRI, H. MOUSS, A. ABDELHADI, R. MAHDAOUI Laboratoire d Automatique et
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 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 détailApplication de K-means à la définition du nombre de VM optimal dans un cloud
Application de K-means à la définition du nombre de VM optimal dans un cloud EGC 2012 : Atelier Fouille de données complexes : complexité liée aux données multiples et massives (31 janvier - 3 février
Plus en 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 détailThis is an author-deposited version published in : http://oatao.univ-toulouse.fr/ Eprints ID : 13074
Open Archive TOULOUSE Archive Ouverte (OATAO) OATAO is an open access repository that collects the work of Toulouse researchers and makes it freely available over the web where possible. This is an authordeposited
Plus en détailOptimisation multi-objectif par colonies de fourmis : cas des problèmes de sac à dos
Optimisation multi-objectif par colonies de fourmis : cas des problèmes de sac à dos Inès Alaya To cite this version: Inès Alaya. Optimisation multi-objectif par colonies de fourmis : cas des problèmes
Plus en détailProgrammation par contraintes. Laurent Beaudou
Programmation par contraintes Laurent Beaudou On se trouve où? Un problème, une solution : la solution est-elle une solution du problème? simulation, vérification 2 On se trouve où? Un problème, une solution
Plus en détailAspects théoriques et algorithmiques du calcul réparti L agglomération
Aspects théoriques et algorithmiques du calcul réparti L agglomération Patrick CIARLET Enseignant-Chercheur UMA patrick.ciarlet@ensta-paristech.fr Françoise LAMOUR franc.lamour@gmail.com Aspects théoriques
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 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 détailLimitations of the Playstation 3 for High Performance Cluster Computing
Introduction Plan Limitations of the Playstation 3 for High Performance Cluster Computing July 2007 Introduction Plan Introduction Intérêts de la PS3 : rapide et puissante bon marché L utiliser pour faire
Plus en détailContributions à l expérimentation sur les systèmes distribués de grande taille
Contributions à l expérimentation sur les systèmes distribués de grande taille Lucas Nussbaum Soutenance de thèse 4 décembre 2008 Lucas Nussbaum Expérimentation sur les systèmes distribués 1 / 49 Contexte
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 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 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 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 détailL informatique comme discipline au gymnase. Renato Renner Institut für Theoretische Physik ETH Zürich
L informatique comme discipline au gymnase Renato Renner Institut für Theoretische Physik ETH Zürich Comment puis-je transférer des fichiers de musique sur mon nouvel iphone? Comment puis-je archiver mes
Plus en détailEnseignant: Lamouchi Bassem Cours : Système à large échelle et Cloud Computing
Enseignant: Lamouchi Bassem Cours : Système à large échelle et Cloud Computing Les Clusters Les Mainframes Les Terminal Services Server La virtualisation De point de vue naturelle, c est le fait de regrouper
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 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 détailRapport d activité. Mathieu Souchaud Juin 2007
Rapport d activité Mathieu Souchaud Juin 2007 Ce document fait la synthèse des réalisations accomplies durant les sept premiers mois de ma mission (de novembre 2006 à juin 2007) au sein de l équipe ScAlApplix
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 détail4. Utilisation d un SGBD : le langage SQL. 5. Normalisation
Base de données S. Lèbre slebre@unistra.fr Université de Strasbourg, département d informatique. Présentation du module Contenu général Notion de bases de données Fondements / Conception Utilisation :
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 détailLogiciel Libre Cours 3 Fondements: Génie Logiciel
Logiciel Libre Cours 3 Fondements: Génie Logiciel Stefano Zacchiroli zack@pps.univ-paris-diderot.fr Laboratoire PPS, Université Paris Diderot 2013 2014 URL http://upsilon.cc/zack/teaching/1314/freesoftware/
Plus en détailArchitecture distribuée
Architecture distribuée Conception et développement d algorithmes distribués pour le moteur Baboukweb Jean-Christophe DALLEAU Département de Mathématiques et Informatique Université de La Réunion 26 juin
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 détailMétriques de performance pour les algorithmes et programmes parallèles
Métriques de performance pour les algorithmes et programmes parallèles 11 18 nov. 2002 Cette section est basée tout d abord sur la référence suivante (manuel suggéré mais non obligatoire) : R. Miller and
Plus en détailETUDES COMPARATIVES DES POLITIQUES DE GESTION DE STOCK LORS DE LA CONCEPTION DES CHAINES LOGISTIQUES
ETUDES COMPARATIVES DES POLITIQUES DE GESTION DE STOCK LORS DE LA CONCEPTION DES CHAINES LOGISTIQUES Fouad Maliki, Zaki Sari To cite this version: Fouad Maliki, Zaki Sari. ETUDES COMPARATIVES DES POLITIQUES
Plus en détailJade. Projet Intelligence Artificielle «Devine à quoi je pense»
Jade Projet Intelligence Artificielle «Devine à quoi je pense» Réalisé par Djénéba Djikiné, Alexandre Bernard et Julien Lafont EPSI CSII2-2011 TABLE DES MATIÈRES 1. Analyse du besoin a. Cahier des charges
Plus en détailLe Processus RUP. H. Kadima. Tester. Analyst. Performance Engineer. Database Administrator. Release Engineer. Project Leader. Designer / Developer
Le Processus RUP Database Administrator Project Leader H. Kadima Performance Engineer Release Engineer Analyst Designer / Developer Tester Table des matières 1. De l artisanat à l industrialisation de
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 détailVérifier la qualité de vos applications logicielle de manière continue
IBM Software Group Vérifier la qualité de vos applications logicielle de manière continue Arnaud Bouzy Kamel Moulaoui 2004 IBM Corporation Agenda Analyse de code Test Fonctionnel Test de Performance Questions
Plus en détailEchantillonnage Non uniforme
Echantillonnage Non uniforme Marie CHABERT IRIT/INP-ENSEEIHT/ ENSEEIHT/TéSASA Patrice MICHEL et Bernard LACAZE TéSA 1 Plan Introduction Echantillonnage uniforme Echantillonnage irrégulier Comparaison Cas
Plus en 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 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 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 détailMéthodes de résolution de problèmes. difficiles académiques
République Algérienne Démocratique et Populaire Ministère de l enseignement Supérieur et de la recherche Scientifique Université de Constantine2 Faculté des Technologies de l lnformation et de la Communication
Plus en détailhttp://blog.khaledtannir.net
Algorithme de parallélisations des traitements Khaled TANNIR Doctorant CIFRE LARIS/ESTI http://blog.khaledtannir.net these@khaledtannir.net 2e SéRI 2010-2011 Jeudi 17 mars 2011 Présentation Doctorant CIFRE
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 détailDOCUMENT DE TRAVAIL 1998-021. Centre de recherche sur l aide à l évaluation et à la décision dans les organisations (CRAEDO)
Publié par : Published by : Publicación de la : Édition électronique : Electronic publishing : Edición electrónica : Disponible sur Internet : Available on Internet Disponible por Internet : Faculté des
Plus en détailHigh Performance by Exploiting Information Locality through Reverse Computing. Mouad Bahi
Thèse High Performance by Exploiting Information Locality through Reverse Computing Présentée et soutenue publiquement le 21 décembre 2011 par Mouad Bahi pour l obtention du Doctorat de l université Paris-Sud
Plus en détailArchitecture et Extensions d ArcGIS Server
Architecture et Extensions d ArcGIS Server Plan de la présentation Présentation Générale ArcGIS Server Deconstructed Architecture et retours d expérience Execution (LoadBalancing // FailOver) Securité
Plus en détailCréation intuitive des éléments d un paysage
Création intuitive des éléments d un paysage Marie-Paule Cani Univ. Grenoble-Alpes, CNRS & Inria Organisation du cours «Façonner l imaginaire» Partie 1 : Création numérique 3D Modélisation géométrique
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 détailParallélisme et Répartition
Parallélisme et Répartition Master Info Françoise Baude Université de Nice Sophia-Antipolis UFR Sciences Département Informatique baude@unice.fr web du cours : deptinfo.unice.fr/~baude Septembre 2009 Chapitre
Plus en détailChapitre 5. Équilibre concurrentiel et bien-être
Chapitre 5 Équilibre concurrentiel et bien-être Microéconomie III 5 1 5.1 Qu est-ce qu un équilibre souhaitable socialement? E cacité versus équité Que nous permet de dire la science économique sur l e
Plus en détailRapport 2014 et demande pour 2015. Portage de Méso-NH sur Machines Massivement Parallèles du GENCI Projet 2015 : GENCI GEN1605 & CALMIP-P0121
Rapport 2014 et demande pour 2015 Portage de Méso-NH sur Machines Massivement Parallèles du GENCI Projet 2015 : GENCI GEN1605 & CALMIP-P0121 Rappel sur Méso-NH : Modélisation à moyenne échelle de l atmosphère
Plus en détailTable des matières PRESENTATION DU LANGAGE DS2 ET DE SES APPLICATIONS. Introduction
PRESENTATION DU LANGAGE DS2 ET DE SES APPLICATIONS Depuis SAS 9.2 TS2M3, SAS propose un nouveau langage de programmation permettant de créer et gérer des tables SAS : le DS2 («Data Step 2»). Ces nouveautés
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 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 détailBI dans les nuages. Olivier Bendavid, UM2 Prof. A. April, ÉTS
BI dans les nuages Olivier Bendavid, UM2 Prof. A. April, ÉTS Table des matières Introduction Description du problème Les solutions Le projet Conclusions Questions? Introduction Quelles sont les défis actuels
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 détailELCA Forum 2014 Possédez-vous des données sensibles sur des systèmes anciens? Rien à crainde des projets de modernisation.
ELCA Forum 2014 Possédez-vous des données sensibles sur des systèmes anciens? Rien à crainde des projets de modernisation. Alexandra Choutko, ELCA Responsable de projet Didier Bouyer, Manor Responsable
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 détailPrésentation du module Base de données spatio-temporelles
Présentation du module Base de données spatio-temporelles S. Lèbre slebre@unistra.fr Université de Strasbourg, département d informatique. Partie 1 : Notion de bases de données (12,5h ) Enjeux et principes
Plus en détailSegmentation d'images à l'aide d'agents sociaux : applications GPU
Segmentation d'images à l'aide d'agents sociaux : applications GPU Richard MOUSSA Laboratoire Bordelais de Recherche en Informatique (LaBRI) - UMR 5800 Université de Bordeaux - France Laboratoire de recherche
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 détailGeniMiner, un moteur de recherche génétique
GeniMiner, un moteur de recherche génétique Fabien Picarougne Nicolas Monmarché Antoine Oliver Gilles Venturini Laboratoire d Informatique de l Université de Tours, École Polytechnique de l Université
Plus en détailEvaluation des performances de programmes parallèles haut niveau à base de squelettes
Evaluation des performances de programmes parallèles haut niveau à base de squelettes Enhancing the Performance Predictability of Grid Applications with Patterns and Process Algebras A. Benoit, M. Cole,
Plus en détailcreo elements/pro creo elements/direct creo elements/view
creo elements/pro SERVICES & SUPPORT PROCESSUS & INITIATIVES creo elements/direct creo elements/view SOLUTIONS MÉTIER creo elements/pro 5.0 PRODUITS LOGICIELS creo elements/direct 17.0 creo elements/view
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 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 détailITIL Gestion de la capacité
ITIL Sommaire 1 GENERALITES 3 2 PERIMETRE DE LA GESTION DES CAPACITES 3 3 ACTIVITES ET LIVRABLES DE LA GESTION DES CAPACITES 4 3.1 ACTIVITES ITERATIVES OU GESTION DE PERFORMANCES : 4 3.2 GESTION DE LA
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 détailGlassfish dans le milieu médical. Sun Aquarium Paris 26 Juin 2009 Jacky Renno (jacky.renno@capgemini.com)
Glassfish dans le milieu médical Jacky Renno (jacky.renno@capgemini.com) Plan Contexte Métier Technique Eléments structurants Approche Méthodologie et Outillage Choix de Glassfish Automatisation Industrialisation
Plus en détailModélisation des interfaces matériel/logiciel
Modélisation des interfaces matériel/logiciel Présenté par Frédéric Pétrot Patrice Gerin Alexandre Chureau Hao Shen Aimen Bouchhima Ahmed Jerraya 1/28 TIMA Laboratory SLS Group 46 Avenue Félix VIALLET
Plus en détailListe de conférences et revues Thème Com A
Liste de conférences et revues Thème Com A April 11th, 2007 Ci-dessous, la synthèse des listes de publications fournies par les projets. Il faut noter que ACES/CEPAGE/OASIS/ n ont pas répondu et ne sont
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 détailÉvaluation d une méthode d ordonnancement multicritère utilisant AHP
Évaluation d une méthode d ordonnancement multicritère utilisant AHP FOUZIA OUNNAR 1, SELMA KHADER 2, YVES DUBROMELLE 1, JEAN-PIERRE PRUNARET 1, PATRICK PUJO 1 1 LSIS UMR CNRS 7296 Aix-Marseille Université
Plus en détail