Le problème du flot maximal avec contraintes sur le nombre de chemins
|
|
- Christian Desjardins
- il y a 8 ans
- Total affichages :
Transcription
1 Le problème du flot maximal avec contraintes sur le nombre de chemins Jérôme Truffot, Christophe Duhamel, Philippe Mahey LIMOS, UMR CNRS Université Blaise Pascal Clermont-Ferrand - France FRANCORO IV Août 2004
2 Introduction Nouvelles technologies : réseaux optiques, protocole MPLS,... MPLS-TE : Traffic Engineering (QoS, gestion) Contraintes sur le nombre de chemins Problème canonique : le flot maximal Jérôme Truffot, Christophe Duhamel, Philippe Mahey FRANCORO IV Août /32
3 Plan Présentation du problème Définitions et notations Complexité Etat de l art Cas particuliers Modèle arcs-sommets Modèle arcs-chemins Algorithme d approximation Métaheuristique Méthodes approchées Jérôme Truffot, Christophe Duhamel, Philippe Mahey FRANCORO IV Août /32
4 Définitions et notations Complexité Etat de l art Cas particuliers Définitions et notations Graphe G = (V, E) avec capacité u e sur les arcs Flot k-séparable Une seule commodité (s, t) V V Jérôme Truffot, Christophe Duhamel, Philippe Mahey FRANCORO IV Août /32
5 Définitions et notations Complexité Etat de l art Cas particuliers Complexité du problème Réduction au SAT (Baier, Köhler et Skutella) truechain s x1 x2 t falsechain u1 v1 u2 v2 u3 v3 un vn C1 C2 C3 Cn Contrainte sur nombre de chemins problèmes NP-complets Jérôme Truffot, Christophe Duhamel, Philippe Mahey FRANCORO IV Août /32
6 Définitions et notations Complexité Etat de l art Cas particuliers Etat de l art Edge Disjoint Path Problem (Survivability) : Menger (1982) Unsplittable Flow Problem : Kleinberg (1996), Atamtürk (2000) K-Splittable Flow Problem : Baier, Köhler et Skutella (2002) Jérôme Truffot, Christophe Duhamel, Philippe Mahey FRANCORO IV Août /32
7 Définitions et notations Complexité Etat de l art Cas particuliers Cas particuliers Flot uniforme : quantité identique de flot routé par chaque chemin Problème polynômial : Baier, Köhler et Skutella (2002) Généralisation du théorème de flot maximal/coupe minimale Graphe uniforme : capacité identique sur chaque arc Théorème de Menger (1982) Chemins disjoints Jérôme Truffot, Christophe Duhamel, Philippe Mahey FRANCORO IV Août /32
8 Modèle arcs-sommets Modèle arcs-chemins Modèle arcs-sommets : les variables Arc de retour e = (t, s) avec une capacité infinie, E = E {e} Pour chaque chemin k {1,..., K} : variables de flot : x k e 0 e E variables de support de flot : y k e {0, 1} e E Fonction objectif : max K k=1 x k e Jérôme Truffot, Christophe Duhamel, Philippe Mahey FRANCORO IV Août /32
9 Modèle arcs-sommets Modèle arcs-chemins Modèle arcs-sommets : les contraintes sur le flot Contrainte de conservation de flot : Ax k = 0 k {1,.., K} K Contrainte de capacité : xe k u e k=1 e E Contrainte de support de flot : x k e u e y k e e E k {1,..., K} Jérôme Truffot, Christophe Duhamel, Philippe Mahey FRANCORO IV Août /32
10 Modèle arcs-sommets Modèle arcs-chemins Modèle arcs-sommets : les contraintes sur le support de flot Contrainte de conservation de flot : Ay k = 0 k {1,.., K} Contrainte d intégrité : y k e {0, 1} e E k {1,.., K} Contrainte sur l arc de retour : y k e = 1 k {1,.., K} Jérôme Truffot, Christophe Duhamel, Philippe Mahey FRANCORO IV Août /32
11 Modèle arcs-sommets Modèle arcs-chemins Modèle arcs-sommets : contre-exemples (1/2) 1,1 1,1 1,1 S 1,1 1,1 1,1 T 0,1 0,1 0,1 2,1 Jérôme Truffot, Christophe Duhamel, Philippe Mahey FRANCORO IV Août /32
12 Modèle arcs-sommets Modèle arcs-chemins Modèle arcs-sommets : contre-exemples (2/2) 1,1 1,1 1,1 S 2,2 1,1 1,1 1,1 2,2 T 0,1 0,1 0,1 2,1 Jérôme Truffot, Christophe Duhamel, Philippe Mahey FRANCORO IV Août /32
13 Modèle arcs-sommets Modèle arcs-chemins Modèle arcs-sommets : contrainte supplémentaire Contrainte sur les cocyles : ye k 1 v V k {1,.., K} e ω (v) S T Jérôme Truffot, Christophe Duhamel, Philippe Mahey FRANCORO IV Août /32
14 Modèle arcs-sommets Modèle arcs-chemins Modèle arcs-sommets : max s.c. K k=1 x k e Ax k = 0 k {1,.., K} (1.a) Ay k = 0 k {1,.., K} (1.b) K xe k u e e E (1.c) k=1 xe k u e ye k 0 e E k {1,.., K} (1.d) ye k 1 v V k {1,.., K} (1.e) e ω (v) xe k 0 e E k {1,.., K} (1.f ) ye k {0, 1} e E k {1,.., K} (1.g) ye k = 1 k {1,.., K} (1.h) Jérôme Truffot, Christophe Duhamel, Philippe Mahey FRANCORO IV Août /32
15 Modèle arcs-sommets Modèle arcs-chemins Modèle arcs-chemins : les variables Soit P l ensemble des chemins élémentaires de s à t Pour chaque chemin p P : variable de flot : x p 0 variable de décision : yp {0, 1} Fonction objectif : max p Px p Jérôme Truffot, Christophe Duhamel, Philippe Mahey FRANCORO IV Août /32
16 Modèle arcs-sommets Modèle arcs-chemins Modèle arcs-chemins : les contraintes Contrainte de capacité : p Pδ p e x p u e e E Contrainte de couplage : x p c p y p p P Contrainte de nombre de chemins : p Py p K Jérôme Truffot, Christophe Duhamel, Philippe Mahey FRANCORO IV Août /32
17 Modèle arcs-sommets Modèle arcs-chemins Modèle arcs-chemins : max p Px p s.c. δe p x p u e e E (2.a) p P x p c p y p 0 p P (2.b) y p K (2.c) p P x p 0 p P (2.d) y p {0, 1} p P (2.e) Jérôme Truffot, Christophe Duhamel, Philippe Mahey FRANCORO IV Août /32
18 Algorithme d approximation Métaheuristique Algorithme d approximation Flot uniforme : Baier, Köhler et Skutella (2002) A chaque itération i : Flot uniforme maximal i-séparable : i chemins routant fi Graphe résiduel G i : capacité résiduelle u e = ue q i e +1 Calcul du chemin de capacité maximale fi+1 flot uniforme maximal (i + 1)-séparable Jérôme Truffot, Christophe Duhamel, Philippe Mahey FRANCORO IV Août /32
19 Algorithme d approximation Métaheuristique Algorithme d approximation : exemple 1/3 3 s 4 u v 4 t 4 3 Jérôme Truffot, Christophe Duhamel, Philippe Mahey FRANCORO IV Août /32
20 Algorithme d approximation Métaheuristique Algorithme d approximation : exemple 2/ s 2 u 2 v 2 t 3 Jérôme Truffot, Christophe Duhamel, Philippe Mahey FRANCORO IV Août /32
21 Algorithme d approximation Métaheuristique Algorithme d approximation : exemple 3/3 3 s 3 u 0 v 3 t 3 Jérôme Truffot, Christophe Duhamel, Philippe Mahey FRANCORO IV Août /32
22 Algorithme d approximation Métaheuristique Algorithme d approximation : coefficient d approximation k 1 2k 1 ρ 1 2 k k s k u k v k t k k 1 k 1 1 Jérôme Truffot, Christophe Duhamel, Philippe Mahey FRANCORO IV Août /32
23 Algorithme d approximation Métaheuristique Algorithme d approximation : extensions Flot maximal sur un ensemble de chemins donné P 1 Nouvel ensemble de chemins P 2 sur le graphe résiduel Flot maximal k-séparable sur l union P 1 P 2 Jérôme Truffot, Christophe Duhamel, Philippe Mahey FRANCORO IV Août /32
24 Algorithme d approximation Métaheuristique : Branch & Bound Branch & Bound : Land et Doig (1960) Utilisation du modèle arcs-sommets Borne supérieure : relaxation linéaire Stratégies de branchement : première variable fractionnaire goulot d étranglement... Jérôme Truffot, Christophe Duhamel, Philippe Mahey FRANCORO IV Août /32
25 Algorithme d approximation Métaheuristique : autres branchements Branchement de type Ryan et Foster (1981) : soit J E tel que e Jy k e 1 et J J ( ) branchement : ye k = 0 vs. ye k = 0 e J e J\J branchement sur le cocycle sortant du premier nœud de divergence (Barnhart, Hane et Vance 1998) goulot d étranglement Explicit-Constraint Branching : Appleget (1997) soit J k i E, ajout de la contrainte e J k i y k e = z k i avec z k i N branchement en priorité sur les z k i puis de type Ryan et Foster Jérôme Truffot, Christophe Duhamel, Philippe Mahey FRANCORO IV Août /32
26 Algorithme d approximation Métaheuristique Métaheuristique Schéma de type GRASP : Feo (1989), Feo et Resende (1995) Présence de deux mécanismes exploration globale : générateur de solutions initiales exploration locale : stratégie d amélioration locale Alternance des deux stratégies selon le contexte Structure décisionnelle hiérarchique (global/local) Jérôme Truffot, Christophe Duhamel, Philippe Mahey FRANCORO IV Août /32
27 Algorithme d approximation Métaheuristique Recherche Locale Utilisation de plusieurs générateurs de voisinage voisinage 1 : ajout d un chemin voisinage 2 : suppression d un chemin voisinage 3 : transfert de flot entre deux chemins Stockage des meilleurs voisins dans une liste de capacité fixée Sélection aléatoire (avec critère d aspiration) Critères d arrêt : nombre d itérations, stagnation Jérôme Truffot, Christophe Duhamel, Philippe Mahey FRANCORO IV Août /32
28 Algorithme d approximation Métaheuristique Générateur de solutions Fréquence d utilisation pour chaque chemin (RL) Calcul d un cumul d utilisation pour chaque arc Capacité fictive inversement proportionnelle au cumul Pour i = 1... K calculer le chemin de capacité fictive maximale router au maximum sur les capacités réelles mettre à jour les capacités fictives Jérôme Truffot, Christophe Duhamel, Philippe Mahey FRANCORO IV Août /32
29 Algorithme d approximation Métaheuristique Améliorations Path relinking utilisation d un pool de solutions élites à la fin de chaque RL prendre la solution record, s 1 prendre une solution élite, s 2 évaluer les solutions sur un chemin de s 1 vers s 2 mettre à jour le pool Postoptimisation à la fin de GRASP, P P sous-ensemble des chemins générés application du modèle arc-chemin sur P P génération de colonnes heuristique permet de mesurer la qualité de la recherche Jérôme Truffot, Christophe Duhamel, Philippe Mahey FRANCORO IV Août /32
30 Méthodes approchées Instances : 5-20 nœuds densité de 4-5 génération aléatoire du graphe s et t choisies aléatoirement Processeur pentium 2.6GHz, linux 2.6, 2Go RAM Compilateur gcc 3.3, ILOG CPLEX 8.0 Jérôme Truffot, Christophe Duhamel, Philippe Mahey FRANCORO IV Août /32
31 Méthodes approchées Graphe k z BB BB + VO RF RF + VO CPLEX Stratégies de branchement : temps CPU (s) Jérôme Truffot, Christophe Duhamel, Philippe Mahey FRANCORO IV Août /32
32 Méthodes approchées Méthodes approchées Graphe k z BKS+ GRASP Méthodes approchées : solutions obtenues Jérôme Truffot, Christophe Duhamel, Philippe Mahey FRANCORO IV Août /32
33 Méthodes approchées Conclusions et perspectives Modèles exacts limités malgré les améliorations Vers un schéma de Branch and Price Amélioration de l approche de Baier et al. Peu de résultats sur les bornes d approximation Métaheuristique GRASP efficace Améliorations en cours (postoptimisation + path relinking) Problèmes plus réalistes : multiflots de coût min Jérôme Truffot, Christophe Duhamel, Philippe Mahey FRANCORO IV Août /32
Nouvelles propositions pour la résolution exacte du problème de sac à dos bi-objectif unidimensionnel en variables binaires
Nouvelles propositions pour la résolution exacte du problème de sac à dos bi-objectif unidimensionnel en variables binaires Julien Jorge, Xavier Gandibleux Laboratoire d Informatique de Nantes Atlantique
Plus en 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 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 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 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 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 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 détailResolution limit in community detection
Introduction Plan 2006 Introduction Plan Introduction Introduction Plan Introduction Point de départ : un graphe et des sous-graphes. But : quantifier le fait que les sous-graphes choisis sont des modules.
Plus en 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 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 détailM2 IAD UE MODE Notes de cours (3)
M2 IAD UE MODE Notes de cours (3) Jean-Yves Jaffray Patrice Perny 16 mars 2006 ATTITUDE PAR RAPPORT AU RISQUE 1 Attitude par rapport au risque Nousn avons pas encore fait d hypothèse sur la structure de
Plus en détailLa NP-complétude. Johanne Cohen. PRISM/CNRS, Versailles, France.
La NP-complétude Johanne Cohen PRISM/CNRS, Versailles, France. Références 1. Algorithm Design, Jon Kleinberg, Eva Tardos, Addison-Wesley, 2006. 2. Computers and Intractability : A Guide to the Theory of
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 détailBig Data et Graphes : Quelques pistes de recherche
Big Data et Graphes : Quelques pistes de recherche Hamamache Kheddouci http://liris.cnrs.fr/hamamache.kheddouci Laboratoire d'informatique en Image et Systèmes d'information LIRIS UMR 5205 CNRS/INSA de
Plus en détailSimulation de variables aléatoires
Chapter 1 Simulation de variables aléatoires Références: [F] Fishman, A first course in Monte Carlo, chap 3. [B] Bouleau, Probabilités de l ingénieur, chap 4. [R] Rubinstein, Simulation and Monte Carlo
Plus en détailGestion des Clés Publiques (PKI)
Chapitre 3 Gestion des Clés Publiques (PKI) L infrastructure de gestion de clés publiques (PKI : Public Key Infrastructure) représente l ensemble des moyens matériels et logiciels assurant la gestion des
Plus en détailLa Virtualisation Windows chez CASINO. Philippe CROUZY Responsable Infrastructure Equipes Systèmes -Stockage
La Virtualisation Windows chez CASINO Philippe CROUZY Responsable Infrastructure Equipes Systèmes -Stockage Sommaire Contexte Datacenters La virtualisation chez Casino Notre démarche Feuille de route Bilan
Plus en détailContrainte de flot pour RCPSP avec temps de transfert
Contrainte de flot et x-rcpsc T 1 Contrainte de flot pour RCPSP avec temps de transfert PS temp, s ij Cmax BENOIST Thierry BOUYGUES/e-Lab DIAMANTINI Maurice ENSTA/LMA Contrainte de flot et x-rcpsc T Présentation
Plus en 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 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 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 détailMasses de données. 1. Introduction 2. Problématiques 3. Socle de formation (non présenté) 4. Liens avec Formation INSA
Masses de données 1. Introduction 2. Problématiques 3. Socle de formation (non présenté) 4. Liens avec Formation INSA Rédacteurs : Mjo Huguet / N. Jozefowiez 1. Introduction : Besoins Informations et Aide
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 détailCours de Recherche Opérationnelle IUT d Orsay. Nicolas M. THIÉRY. E-mail address: Nicolas.Thiery@u-psud.fr URL: http://nicolas.thiery.
Cours de Recherche Opérationnelle IUT d Orsay Nicolas M. THIÉRY E-mail address: Nicolas.Thiery@u-psud.fr URL: http://nicolas.thiery.name/ CHAPTER 1 Introduction à l optimisation 1.1. TD: Ordonnancement
Plus en détailProgrammation Par Contraintes
Programmation Par Contraintes Cours 2 - Arc-Consistance et autres amusettes David Savourey CNRS, École Polytechnique Séance 2 inspiré des cours de Philippe Baptiste, Ruslan Sadykov et de la thèse d Hadrien
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 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 détailFonctions de plusieurs variables
Module : Analyse 03 Chapitre 00 : Fonctions de plusieurs variables Généralités et Rappels des notions topologiques dans : Qu est- ce que?: Mathématiquement, n étant un entier non nul, on définit comme
Plus en détailSujet 4: Programmation stochastique propriétés de fonction de recours
Sujet 4: Programmation stochastique propriétés de fonction de recours MSE3313: Optimisation Stochastiqe Andrew J. Miller Dernière mise au jour: October 19, 2011 Dans ce sujet... 1 Propriétés de la fonction
Plus en 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 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 détailGuide d installation JMap 5.0
Guide d installation JMap 5.0 Installation de JMap L installation de JMap se fait typiquement sur un serveur qui sera accédé par l ensemble des utilisateurs. Lors de l installation, toutes des composantes
Plus en détailComme chaque ligne de cache a 1024 bits. Le nombre de lignes de cache contenu dans chaque ensemble est:
Travaux Pratiques 3. IFT 1002/IFT 1005. Structure Interne des Ordinateurs. Département d'informatique et de génie logiciel. Université Laval. Hiver 2012. Prof : Bui Minh Duc. Tous les exercices sont indépendants.
Plus en détailBaccalauréat ES Polynésie (spécialité) 10 septembre 2014 Corrigé
Baccalauréat ES Polynésie (spécialité) 10 septembre 2014 Corrigé A. P. M. E. P. Exercice 1 5 points 1. Réponse d. : 1 e Le coefficient directeur de la tangente est négatif et n est manifestement pas 2e
Plus en détailINTRODUCTION À L ANALYSE FACTORIELLE DES CORRESPONDANCES
INTRODUCTION À L ANALYSE FACTORIELLE DES CORRESPONDANCES Dominique LAFFLY Maître de Conférences, Université de Pau Laboratoire Société Environnement Territoire UMR 5603 du CNRS et Université de Pau Domaine
Plus en détailContinuité et dérivabilité d une fonction
DERNIÈRE IMPRESSIN LE 7 novembre 014 à 10:3 Continuité et dérivabilité d une fonction Table des matières 1 Continuité d une fonction 1.1 Limite finie en un point.......................... 1. Continuité
Plus en 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 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 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 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 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 détailBig Data et Graphes : Quelques pistes de recherche
Big Data et Graphes : Quelques pistes de recherche Hamamache Kheddouci Laboratoire d'informatique en Image et Systèmes d'information LIRIS UMR 5205 CNRS/INSA de Lyon/Université Claude Bernard Lyon 1/Université
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 détailUne méthode de classification supervisée sans paramètre pour l apprentissage sur les grandes bases de données
Une méthode de classification supervisée sans paramètre pour l apprentissage sur les grandes bases de données Marc Boullé Orange Labs 2 avenue Pierre Marzin 22300 Lannion marc.boulle@orange-ftgroup.com,
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 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 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 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 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 détailALGORITHMIQUE II NOTION DE COMPLEXITE. SMI AlgoII
ALGORITHMIQUE II NOTION DE COMPLEXITE 1 2 Comment choisir entre différents algorithmes pour résoudre un même problème? Plusieurs critères de choix : Exactitude Simplicité Efficacité (but de ce chapitre)
Plus en 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 détailCours 02 : Problème général de la programmation linéaire
Cours 02 : Problème général de la programmation linéaire Cours 02 : Problème général de la Programmation Linéaire. 5 . Introduction Un programme linéaire s'écrit sous la forme suivante. MinZ(ou maxw) =
Plus en détailTravaux pratiques 1.3.2 Détermination de la capacité de stockage des données
Travaux pratiques 1.3.2 Détermination de la capacité de stockage des données Objectifs Déterminer la quantité de mémoire RAM (en Mo) installée sur un ordinateur Déterminer la taille de l unité de disque
Plus en détailTrouver un vecteur le plus court dans un réseau euclidien
Trouver un vecteur le plus court dans un réseau euclidien Damien STEHLÉ http://perso.ens-lyon.fr/damien.stehle Travail en commun avec Guillaume HANROT (INRIA Lorraine) CNRS/LIP/INRIA/ÉNS Lyon/Université
Plus en détailProgrammation C. Apprendre à développer des programmes simples dans le langage C
Programmation C Apprendre à développer des programmes simples dans le langage C Notes de cours sont disponibles sur http://astro.u-strasbg.fr/scyon/stusm (attention les majuscules sont importantes) Modalités
Plus en détailEnjeux mathématiques et Statistiques du Big Data
Enjeux mathématiques et Statistiques du Big Data Mathilde Mougeot LPMA/Université Paris Diderot, mathilde.mougeot@univ-paris-diderot.fr Mathématique en Mouvements, Paris, IHP, 6 Juin 2015 M. Mougeot (Paris
Plus en détail3. Caractéristiques et fonctions d une v.a.
3. Caractéristiques et fonctions d une v.a. MTH2302D S. Le Digabel, École Polytechnique de Montréal H2015 (v2) MTH2302D: fonctions d une v.a. 1/32 Plan 1. Caractéristiques d une distribution 2. Fonctions
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 détailHP 600PD TWR i34130 500G 4.0G 39 PC
HP 600PD TWR i34130 500G 4.0G 39 PC Réf : 2880117 EAN :888182161739 Réf. Fabricant :E4Z60ET#ABF Poids brut: 12 Kg Spécifications principales Description du produit Facteur de forme Localisation Processeur
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 détailAlgorithmes de recherche d itinéraires en transport multimodal
de recherche d itinéraires en transport multimodal Fallou GUEYE 14 Décembre 2010 Direction : Christian Artigues LAAS-CNRS Co-direction : Marie José Huguet LAAS-CNRS Encadrant industriel : Frédéric Schettini
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 détailProbabilités sur un univers fini
[http://mp.cpgedupuydelome.fr] édité le 7 août 204 Enoncés Probabilités sur un univers fini Evènements et langage ensembliste A quelle condition sur (a, b, c, d) ]0, [ 4 existe-t-il une probabilité P sur
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 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 détailAlgorithmes de recherche
Algorithmes de recherche 1 Résolution de problèmes par recherche On représente un problème par un espace d'états (arbre/graphe). Chaque état est une conguration possible du problème. Résoudre le problème
Plus en détailMATHÉMATIQUES FINANCIÈRES
MATHÉMATIQUES FINANCIÈRES Table des matières Version 2012 Lang Fred 1 Intérêts et taux 2 1.1 Définitions et notations................................ 2 1.2 Intérêt simple......................................
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 détailChapitre 6. Fonction réelle d une variable réelle
Chapitre 6 Fonction réelle d une variable réelle 6. Généralités et plan d étude Une application de I dans R est une correspondance entre les éléments de I et ceu de R telle que tout élément de I admette
Plus en détailMise en œuvre d une infrastructure de virtualisation au CNRGV
Mise en œuvre d une infrastructure de virtualisation au CNRGV Pourquoi la virtualisation? Choix de la solution Mise en œuvre Avantages, inconvénients, perspectives Pour aller plus loin 26/03/2013 AG CATI
Plus en détailTechniques d ordonnancement pour les SoC
Techniques d ordonnancement pour les SoC Pierre Boulet équipe WEST Pierre.Boulet@lifl.fr Ordonnancement DEA informatique Lille p. 1/104 Plan Ordonnancement de tâches Placement sur SoC Ordonnancement de
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 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 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 détailwww.h-k.fr/publications/objectif-agregation
«Sur C, tout est connexe!» www.h-k.fr/publications/objectif-agregation L idée de cette note est de montrer que, contrairement à ce qui se passe sur R, «sur C, tout est connexe». Cet abus de langage se
Plus en détailModélisation aléatoire en fiabilité des logiciels
collection Méthodes stochastiques appliquées dirigée par Nikolaos Limnios et Jacques Janssen La sûreté de fonctionnement des systèmes informatiques est aujourd hui un enjeu économique et sociétal majeur.
Plus en détailContinuité d une fonction de plusieurs variables
Chapitre 2 Continuité d une fonction de plusieurs variables Maintenant qu on a défini la notion de limite pour des suites dans R n, la notion de continuité s étend sans problème à des fonctions de plusieurs
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 détailFIMA, 7 juillet 2005
F. Corset 1 S. 2 1 LabSAD Université Pierre Mendes France 2 Département de Mathématiques Université de Franche-Comté FIMA, 7 juillet 2005 Plan de l exposé plus court chemin Origine du problème Modélisation
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 détailTexte Agrégation limitée par diffusion interne
Page n 1. Texte Agrégation limitée par diffusion interne 1 Le phénomène observé Un fût de déchets radioactifs est enterré secrètement dans le Cantal. Au bout de quelques années, il devient poreux et laisse
Plus en détailCOLLEGE ADRIEN CERNEAU
COLLEGE ADRIEN CERNEAU MARCHE A PROCEDURE ADAPTÉE (MAPA) DE FOURNITURES D EQUIPEMENTS INFORMATIQUES CAHIER DES CHARGES (CLAUSES ADMINISTRATIVES ET TECHNIQUES) Lot 1 : Tablettes tactiles Android Lot 2 :
Plus en détailProcédure d installation de Pervasive.SQL V8 client/serveur dans un environnement windows 2008 server
Service Test Réseau Procédure d installation de Pervasive.SQL V8 client/serveur dans un environnement windows 2008 server Manuel Utilisateur Version 2.0 du 5/03/08 Edition de Mars 2008 Produits EBP : Comptabilité,
Plus en détailPolynômes à plusieurs variables. Résultant
Polynômes à plusieurs variables. Résultant Christophe Ritzenthaler 1 Relations coefficients-racines. Polynômes symétriques Issu de [MS] et de [Goz]. Soit A un anneau intègre. Définition 1.1. Soit a A \
Plus en détailGrandes lignes ASTRÉE. Logiciels critiques. Outils de certification classiques. Inspection manuelle. Definition. Test
Grandes lignes Analyseur Statique de logiciels Temps RÉel Embarqués École Polytechnique École Normale Supérieure Mercredi 18 juillet 2005 1 Présentation d 2 Cadre théorique de l interprétation abstraite
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 détailOrdonnancement. N: nains de jardin. X: peinture extérieure. E: électricité T: toit. M: murs. F: fondations CHAPTER 1
CHAPTER 1 Ordonnancement 1.1. Étude de cas Ordonnancement de tâches avec contraintes de précédences 1.1.1. Exemple : construction d'une maison. Exercice. On veut construire une maison, ce qui consiste
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 détailNombres premiers. Comment reconnaître un nombre premier? Mais...
Introduction Nombres premiers Nombres premiers Rutger Noot IRMA Université de Strasbourg et CNRS Le 19 janvier 2011 IREM Strasbourg Definition Un nombre premier est un entier naturel p > 1 ayant exactement
Plus en détailChapitre V : La gestion de la mémoire. Hiérarchie de mémoires Objectifs Méthodes d'allocation Simulation de mémoire virtuelle Le mapping
Chapitre V : La gestion de la mémoire Hiérarchie de mémoires Objectifs Méthodes d'allocation Simulation de mémoire virtuelle Le mapping Introduction Plusieurs dizaines de processus doivent se partager
Plus en détailEric Bertrand ebertrand@ixis-cib.com. 08/11/06 Maître de conférence 1
Calcul parallèle des options MC. Eric Bertrand ebertrand@ixis-cib.com 1 Plan Contexte du calcul parallèle Qualités requises Architecture Outillage Problèmes rencontrés perspectives 2 Contexte du calcul
Plus en détailIBM SPSS Modeler Text Analytics Server for Windows. Instructions d installation
IBM SPSS Modeler Text Analytics Server for Windows Instructions d installation IBM SPSS Modeler Text Analytics Server peut être installé et configuré pour s exécuter sur un ordinateur exécutant IBM SPSS
Plus en détailCours d analyse numérique SMI-S4
ours d analyse numérique SMI-S4 Introduction L objet de l analyse numérique est de concevoir et d étudier des méthodes de résolution de certains problèmes mathématiques, en général issus de problèmes réels,
Plus en détailDrupal : Optimisation des performances
Drupal : Optimisation des performances Qui? Guillaume Plessis Expert, Steady bean Mainteneur du projet Dotdeb Co-auteur «Performances PHP» Frédéric Marand Fondateur d OSInet Mainteneur Drupal Audit, conseil
Plus en détailWeb Science. Master 1 IFI. Andrea G. B. Tettamanzi. Université de Nice Sophia Antipolis Département Informatique andrea.tettamanzi@unice.
Web Science Master 1 IFI Andrea G. B. Tettamanzi Université de Nice Sophia Antipolis Département Informatique andrea.tettamanzi@unice.fr 1 Annonce : recherche apprenti Projet Géo-Incertitude Objectifs
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 détailApproximation diophantienne uniforme et dimension de Hausdorff
Approximation diophantienne uniforme et dimension de Hausdorff Lingmin LIAO Travaux en collaboration avec Yann Bugeaud, Dong Han Kim et Micha l Rams Université Paris-Est Créteil Séminaire de Probabilités
Plus en détailProgrammes des classes préparatoires aux Grandes Ecoles
Programmes des classes préparatoires aux Grandes Ecoles Filière : scientifique Voie : Biologie, chimie, physique et sciences de la Terre (BCPST) Discipline : Mathématiques Seconde année Préambule Programme
Plus en détailObjectifs du cours d aujourd hui. Informatique II : Cours d introduction à l informatique et à la programmation objet. Complexité d un problème (2)
Objectifs du cours d aujourd hui Informatique II : Cours d introduction à l informatique et à la programmation objet Complexité des problèmes Introduire la notion de complexité d un problème Présenter
Plus en détail