Introduction à l optimisation combinatoire
|
|
- Françoise Legaré
- il y a 8 ans
- Total affichages :
Transcription
1 Introduction à l optimisation combinatoire S. Ben Ismail Majeure Informatique INF413 C5 2 e semestre 2012
2 Objectifs pédagogiques À l'issue de ce cours, vous devriez être capables de : connaitre la diérence entre "heuristique" et "méta-heuristique" comprendre la classication générale des méthodes d'optimisation combinatoire et les concepts sous-jacents décrire le fonctionnement des méthodes classiques modéliser un problème et lui appliquer une méthode d'optimisation (cf PC) Avec un peu plus de temps et de pratique : évaluer et comparer plusieurs méthodes d'optimisation sur un problème donné combiner diérentes méthodes de manière performante 1 / 68 S. Ben Ismail Introduction à l'optimisation combinatoire
3 Plan du cours 1 Introduction 2 Méthodes d'optimisation 3 Construction 4 Recherche locale 5 Évolution 6 Hybridation 7 Conclusion 2 / 68 S. Ben Ismail Introduction à l'optimisation combinatoire
4 Sommaire 1 Introduction 2 Méthodes d'optimisation 3 Construction 4 Recherche locale 5 Évolution 6 Hybridation 7 Conclusion 3 / 68 S. Ben Ismail Introduction à l'optimisation combinatoire
5 Optimisation : késako? Langue française optimiser (v.) : permettre d'obtenir le meilleur résultat possible par une action adaptée synonymes : améliorer, maximiser, mettre au point, optimaliser Mathématiques : la branche optimisation soit f : Ω R, trouver x Ω tel que f (x ) = min x Ωf (x) (notation x = arg min(f )) Terminologie Ω (ou S) : espace de recherche, espace des {états, congurations, solutions, alternatives} f : fonction objectif, coût/perte à minimiser (si gain à maximiser, considérer g = f ) x (ou s ) : optimum, minimum 4 / 68 S. Ben Ismail Introduction à l'optimisation combinatoire
6 Exemples de problèmes d'optimisation : cas continu Ω = R n, fonction de Ackley Ω = R 20e n n i =0 x 2 i f (x) = 1 n e n i =1 cos(2πx ) i + 20 e n = 2, x = (0, 0) optimum global : x tq x Ω, f (x ) f (x) optimum local : x tq ɛ x Ω, f (x ) f (x) 5 / 68 S. Ben Ismail Introduction à l'optimisation combinatoire
7 Exemples de problèmes d'optimisation : cas discret Problème du Voyageur du Commerce (Traveling Salesman Problem (TSP)) données : n villes, une matrice de distances D = (d ij ) problème : trouver un chemin passant une fois et une seule par chaque ville et minimisant la distance totale parcourue Ω ensemble des partitions d'un ensemble à n éléments Ω = (n 1)! 2 pour un problème symétrique optimisation discrète ( vs continue) Optimisation combinatoire minimisation d'une fonction sur un ensemble ni (mais potentiellement très grand) 6 / 68 S. Ben Ismail Introduction à l'optimisation combinatoire
8 Énumération exhaustive 1. générer tous les trajets possibles 2. calculer leurs distances 3. choisir le trajet ayant la distance minimale n Ω Temps de calcul microsecondes ,18 seconde milliards 12 heures 20 6 E siècles 25 3 E+23 9,8 milliards d'années 30 4 E+30 1,4 millions de millards de siècles 1. un trajet évalué en une microseconde (1 million de solutions par seconde) 7 / 68 S. Ben Ismail Introduction à l'optimisation combinatoire
9 Et avec des machines plus puissantes? On exécute un algorithme de complexité linéaire/quadratique/cubique/exponentielle sur une machine N : taille maximale de problème pouvant être traité Machine actuelle 100x plus rapide 1000x plus rapide n N N N 1 n² N 2 10 N N 2 n³ N N 3 10 N 3 2 n N 4 N N Puissance de calcul vs avancées algorithmiques écart entre la croissance de la rapidité des machines et la taille des données traitables ne pas compter uniquement sur l'augmentation des capacités matérielles mais surtout sur l'innovation algorithmique 8 / 68 S. Ben Ismail Introduction à l'optimisation combinatoire
10 Et à part le TSP? sac à dos (Knapsack Problem) : découpage de matière première allocation de fréquences pour les réseaux radio-mobiles positionnement d'antennes pour les réseaux radio-mobiles routage dans les réseaux télécom résolution de conits de trac aérien, roulage en aéroport (ENAC/Eurocontrol) ordonnoncement de tâches dans un atelier de production (Jobshop Scheduling) (Airbus) aectation de personnel (Air France) répartition des charges dans les camions/conténaires (Bin Packing)... équipes de R&D à EDF, SNCF, France Télécom etc. ores de travail en optimisation : https ://portail.telecom-bretagne.eu 9 / 68 S. Ben Ismail Introduction à l'optimisation combinatoire
11 Sommaire 1 Introduction 2 Méthodes d'optimisation 3 Construction 4 Recherche locale 5 Évolution 6 Hybridation 7 Conclusion 10 / 68 S. Ben Ismail Introduction à l'optimisation combinatoire
12 Optimisation = modélisation + résolution 1. modélisation d'un problème : espace de recherche, solutions 2. formulation mathématique : fonction objectif, contraintes 3. application d'une méthode d'optimisation 4. obtention d'une solution 11 / 68 S. Ben Ismail Introduction à l'optimisation combinatoire
13 Terminologie méthode complète trouve toujours une solution méthode optimale trouve toujours la meilleure solution (optimum global) méthode exacte (exhaustive) explore l'espace de recherche dans sa totalité (énumération intelligente) => optimale méthode approchée (approximative) explore une sous-partie de l'espace de recherche méthode déterministe exécute toujours la même suite d'opérations méthode probabiliste (ou stochastique) fait des choix probabilistes guidés par des tirages aléatoires 12 / 68 S. Ben Ismail Introduction à l'optimisation combinatoire
14 Classication des méthodes d'optimisation combinatoire 1. Les méthodes exactes ne sont ecaces que pour les instances de problèmes de petite taille, 2. On ne s'intéressera ici qu'aux méthodes approchées. 13 / 68 S. Ben Ismail Introduction à l'optimisation combinatoire
15 Heuristique étymologie : du grec ancien eurisko, trouver méthode approchée conçue pour un problème d'optimisation particulier permettant de trouver des solutions avec un temps de calcul raisonnable traduit une stratégie, une manière de penser, s'appuyant sur notre connaissance du problème indispensable pour les problèmes NP diciles car généralement en temps polynomial Heuristique Algorithme exact algorithme exact : garantit une solution optimale heuristique : pas de garantie d'optimalité 14 / 68 S. Ben Ismail Introduction à l'optimisation combinatoire
16 Métaheuristique (ou méta-heuristique) une heuristique est spécique à un problème et ne peut pas être généralisée méta + heuristique = au-delà + trouver = trouver avec un plus haut niveau d'abstraction une méta-heuristique est un ensemble de concepts : voisinage (modication d'une solution), utilisation de la mémoire, inspiration de la physique ou la nature... une méta-heuristique est une heuristique généraliste, pouvant s'appliquer à plusieurs problèmes d'optimisation classication habituelle des métaheuristiques : en fonction du nombre de solutions qu'elles manipulent métaheuristiques à solution unique métaheuristiques à population de solutions 15 / 68 S. Ben Ismail Introduction à l'optimisation combinatoire
17 Paradigmes des méthodes approchées (heuristiques et métaheuristiques) Construction solution construite par une suite de choix Recherche locale (ou voisinage) une solution initiale modiée itérativement Évolution une population de solutions évolue par des opérateurs génétiques (sélection, croisement, mutation) Hybridation mélange des approches précédantes 16 / 68 S. Ben Ismail Introduction à l'optimisation combinatoire
18 Sommaire 1 Introduction 2 Méthodes d'optimisation 3 Construction 4 Recherche locale 5 Évolution 6 Hybridation 7 Conclusion 17 / 68 S. Ben Ismail Introduction à l'optimisation combinatoire
19 Principe des heuristiques constructives Fonction HeuristiqueConstructive() : solution s s : solution, s ; Fin Tant que ( s n'est pas une solution complete) faire choisir un nouvel element de solution e s s + e ; Fait Retourner s ; 18 / 68 S. Ben Ismail Introduction à l'optimisation combinatoire
20 Heuristiques constructives gloutonnes Dénition Un algorithme glouton (greedy) est un algorithme qui, à chaque étape de la résolution d'un problème, fait un choix optimal dans l'espoir que le résultat nal soit optimal. Heuristique constructive gloutonne : à chaque étape, ajouter le meilleur élément de solution e Exemple : rendu de monnaie comment rendre 8 avec des pièces de 6, 4 et 1? 8 = (or 8 = 4 + 4) les valeurs des pièces de monnaie du système monétaire sont choisies pour qu'un algorithme glouton soit optimal 19 / 68 S. Ben Ismail Introduction à l'optimisation combinatoire
21 Problème du sac à dos (Knapsack Problem (KP)) données : sac à dos vide, objets ayant chacun un poids et une valeur objectif : maximiser la valeur totale des objets dans le sac contrainte : poids maximal autorisé dans le sac $4 12 kg? 15 kg $2 2 kg $2 1 kg $1 1 kg $10 4 kg http ://fr.wikipedia.org/wiki/problème_du_sac_à_dos 20 / 68 S. Ben Ismail Introduction à l'optimisation combinatoire
22 Heuristique constructive gloutonne pour le KP stratégie : rajouter en priorité les objets ayant le meilleur rapport valeur/poids, jusqu'à ce que le sac soit rempli. objet valeur ($) poids (kg) rapport valeur/poids ($/kg) ➊ ➋ ➌ ➍ ➎ valeur=0, poids=0 21 / 68 S. Ben Ismail Introduction à l'optimisation combinatoire
23 Heuristique constructive gloutonne pour le KP stratégie : rajouter en priorité les objets ayant le meilleur rapport valeur/poids, jusqu'à ce que le sac soit rempli. objet valeur ($) poids (kg) rapport valeur/poids ($/kg) ➊ ➋ ➌ ➍ ➎ ➌ valeur=10, poids=9 21 / 68 S. Ben Ismail Introduction à l'optimisation combinatoire
24 Heuristique constructive gloutonne pour le KP stratégie : rajouter en priorité les objets ayant le meilleur rapport valeur/poids, jusqu'à ce que le sac soit rempli. objet valeur ($) poids (kg) rapport valeur/poids ($/kg) ➊ ➋ ➌ ➍ ➎ ➌ ➊ valeur=10+7=17, poids=9+12=21 21 / 68 S. Ben Ismail Introduction à l'optimisation combinatoire
25 Heuristique constructive gloutonne pour le KP stratégie : rajouter en priorité les objets ayant le meilleur rapport valeur/poids, jusqu'à ce que le sac soit rempli. objet valeur ($) poids (kg) rapport valeur/poids ($/kg) ➊ ➋ ➌ ➍ ➎ ➌ ➍ valeur=10+1=11, poids=9+2=11 21 / 68 S. Ben Ismail Introduction à l'optimisation combinatoire
26 Heuristique constructive gloutonne pour le KP stratégie : rajouter en priorité les objets ayant le meilleur rapport valeur/poids, jusqu'à ce que le sac soit rempli. objet valeur ($) poids (kg) rapport valeur/poids ($/kg) ➊ ➋ ➌ ➍ ➎ ➌ ➍ ➋ valeur=11+3=14, poids=11+7=18 21 / 68 S. Ben Ismail Introduction à l'optimisation combinatoire
27 Heuristique constructive gloutonne pour le KP stratégie : rajouter en priorité les objets ayant le meilleur rapport valeur/poids, jusqu'à ce que le sac soit rempli. objet valeur ($) poids (kg) rapport valeur/poids ($/kg) ➊ ➋ ➌ ➍ ➎ ➌ ➍ ➎ valeur=11+2=13, poids=11+5=16 21 / 68 S. Ben Ismail Introduction à l'optimisation combinatoire
28 Heuristique constructive gloutonne pour le KP stratégie : rajouter en priorité les objets ayant le meilleur rapport valeur/poids, jusqu'à ce que le sac soit rempli. objet valeur ($) poids (kg) rapport valeur/poids ($/kg) ➊ ➋ ➌ ➍ ➎ ➌ ➍ valeur=11, poids=11 kg 21 / 68 S. Ben Ismail Introduction à l'optimisation combinatoire
29 Heuristique constructive gloutonne pour le KP stratégie : rajouter en priorité les objets ayant le meilleur rapport valeur/poids, jusqu'à ce que le sac soit rempli. objet valeur ($) poids (kg) rapport valeur/poids ($/kg) ➊ ➋ ➌ ➍ ➎ ➌ ➍ valeur=11, poids=11 kg or ➌ ➎ valeur=10+2=12, poids=9+5=14 kg 21 / 68 S. Ben Ismail Introduction à l'optimisation combinatoire
30 TSP : heuristique du plus proche voisin plus proche voisin (nearest neighbour) 1. initialisation : choisir aléatoirement une première ville 2. à chaque étape, une suite de villes a été construite y rajouter la ville la plus proche de la ville courante (dernière ville) 3. relier la dernière ville à la première (pour obtenir un cycle) 22 / 68 S. Ben Ismail Introduction à l'optimisation combinatoire
31 PPV : illustration Rouen Reims Metz Rennes Chartres Poitiers Lyon Annecy Toulouse Nice 23 / 68 S. Ben Ismail Introduction à l'optimisation combinatoire
32 PPV : illustration v 10 v 8 v 9 v 6 v 7 v 5 v 3 v 4 v 1 v 2 23 / 68 S. Ben Ismail Introduction à l'optimisation combinatoire
33 PPV : illustration v 10 v 8 v 9 v 6 v 7 v 5 v 3 v 4 v 1 v 2 23 / 68 S. Ben Ismail Introduction à l'optimisation combinatoire
34 PPV : illustration v 10 v 8 v 9 v 6 v 7 v 5 v 3 v 4 v 1 v 2 23 / 68 S. Ben Ismail Introduction à l'optimisation combinatoire
35 PPV : illustration v 10 v 8 v 9 v 6 v 7 v 5 v 3 v 4 v 1 v 2 23 / 68 S. Ben Ismail Introduction à l'optimisation combinatoire
36 PPV : illustration v 10 v 8 v 9 v 6 v 7 v 5 v 3 v 4 v 1 v 2 23 / 68 S. Ben Ismail Introduction à l'optimisation combinatoire
37 PPV : illustration v 10 v 8 v 9 v 6 v 7 v 5 v 3 v 4 v 1 v 2 23 / 68 S. Ben Ismail Introduction à l'optimisation combinatoire
38 PPV : illustration v 10 v 8 v 9 v 6 v 7 v 5 v 3 v 4 v 1 v 2 23 / 68 S. Ben Ismail Introduction à l'optimisation combinatoire
39 PPV : illustration v 10 v 8 v 9 v 6 v 7 v 5 v 3 v 4 v 1 v 2 23 / 68 S. Ben Ismail Introduction à l'optimisation combinatoire
40 PPV : illustration v 10 v 8 v 9 v 6 v 7 v 5 v 3 v 4 v 1 v 2 23 / 68 S. Ben Ismail Introduction à l'optimisation combinatoire
41 PPV : illustration v 10 v 8 v 9 v 6 v 7 v 5 v 3 v 4 v 1 v 2 23 / 68 S. Ben Ismail Introduction à l'optimisation combinatoire
42 PPV : illustration v 10 v 8 v 9 v 6 v 7 v 5 v 3 v 4 v 1 v 2 23 / 68 S. Ben Ismail Introduction à l'optimisation combinatoire
43 Heuristiques d'insertion pour le TSP idée de construction : 1. initialisation : choisir aléatoirement une première ville 2. à chaque étape, un cycle de villes a été constuit y insérer LA ville qui minimise un critère donné insertion du plus proche voisin (nearest insertion) : insérer la ville la plus proche des villes déjà visitées moindre coût (cheapest insertion) : insérer la ville ayant le moindre coût d'insertion (engeandrant la plus petite augmentation de la longueur du cyle) illustration : OptimGUI.jar (http ://mr-nutz.no-ip.org/valentin/projets.php?page=0) 24 / 68 S. Ben Ismail Introduction à l'optimisation combinatoire
44 Insertion du PPV : illustration v 10 v 8 v 9 v 6 v 7 v 5 v 3 v 4 v 1 v 2 25 / 68 S. Ben Ismail Introduction à l'optimisation combinatoire
45 Insertion du PPV : illustration v 10 v 8 v 9 v 6 v 7 v 5 v 3 v 4 v 1 v 2 25 / 68 S. Ben Ismail Introduction à l'optimisation combinatoire
46 Insertion du PPV : illustration v 10 v 8 v 9 v 6 v 7 v 5 v 3 v 4 v 1 v 2 25 / 68 S. Ben Ismail Introduction à l'optimisation combinatoire
47 Insertion du PPV : illustration v 10 v 8 v 9 v 6 v 7 v 5 v 3 v 4 v 1 v 2 25 / 68 S. Ben Ismail Introduction à l'optimisation combinatoire
48 Insertion du PPV : illustration v 10 v 8 v 9 v 6 v 7 v 5 v 3 v 4 v 1 v 2 25 / 68 S. Ben Ismail Introduction à l'optimisation combinatoire
49 Insertion du PPV : illustration v 10 v 8 v 9 v 6 v 7 v 5 v 3 v 4 v 1 v 2 25 / 68 S. Ben Ismail Introduction à l'optimisation combinatoire
50 Insertion du PPV : illustration v 10 v 8 v 9 v 6 v 7 v 5 v 3 v 4 v 1 v 2 25 / 68 S. Ben Ismail Introduction à l'optimisation combinatoire
51 Insertion du PPV : illustration v 10 v 8 v 9 v 6 v 7 v 5 v 3 v 4 v 1 v 2 25 / 68 S. Ben Ismail Introduction à l'optimisation combinatoire
52 Insertion du PPV : illustration v 10 v 8 v 9 v 6 v 7 v 5 v 3 v 4 v 1 v 2 25 / 68 S. Ben Ismail Introduction à l'optimisation combinatoire
53 Insertion du PPV : illustration v 10 v 8 v 9 v 6 v 7 v 5 v 3 v 4 v 1 v 2 25 / 68 S. Ben Ismail Introduction à l'optimisation combinatoire
54 Insertion du PPV : illustration v 10 v 8 v 9 v 6 v 7 v 5 v 3 v 4 v 1 v 2 25 / 68 S. Ben Ismail Introduction à l'optimisation combinatoire
55 Récapitulatif Approches constructives gloutonnes en O(n) (ou polynomial) une succession de choix localement optimaux ne garantit pas une solution optimale 26 / 68 S. Ben Ismail Introduction à l'optimisation combinatoire
56 Sommaire 1 Introduction 2 Méthodes d'optimisation 3 Construction 4 Recherche locale 5 Évolution 6 Hybridation 7 Conclusion 27 / 68 S. Ben Ismail Introduction à l'optimisation combinatoire
57 Introduction à la recherche locale La fable des randonneurs : il était une fois... [1] 4 randonneurs perdus à la montagne en 4 endroits diérents il faut rejoindre la vallée de plus basse altitude, là où les secours passent régulièrement brouillard (ou la nuit avec une lampe frontale) => observation de l'environnement immédiat à un croisement de sentiers : on ne peut examiner qu'un chemin à la fois, en s'y ebgageant moyens : un altimètre et une boussole Stratégies déployées : que faire quand on se trouve à croisement de sentiers? Dernières nouvelles (selon l'équipe de secours qui est allée les chercher)? 28 / 68 S. Ben Ismail Introduction à l'optimisation combinatoire
58 Randonneur 1 a oublié son cours de complexité stratégie : je suis sportif, j'explore tous les chemins possibles! résultat : le pauvre, il court toujours dans la montagne!... mais il n'est pas encore mort de lassitude. Il doit être bien motivé Moralité la recherche exhaustive énumérative ne fut pas un choix judicieux! 29 / 68 S. Ben Ismail Introduction à l'optimisation combinatoire
59 Randonneur 2 meilleur que son ami stratégie : descendre pour aller en bas, quoi de plus normal? : tant que je peux descendre, je le fais! résultat : pas de chance, il a terminé dans une cuvette. Après une nuit glaciale il s'est rendu compte que ce n'était pas le point le plus bas. Il s'est remis en marche pour enn descendre, épuisé, au bon endroit. Moralité la recherche gloutonne basique peut marcher, mais pas cette fois-ci! avec un autre point de départ ça aurait pu mieux se passer. descendre toujours peut conduire à une impasse! 30 / 68 S. Ben Ismail Introduction à l'optimisation combinatoire
60 Randonneur 3 a suivi la MAJ INFO stratégie : je descends, mais j'autorise, de temps à autre (joue aux dés), des chemins qui montent. tient compte de l'inclinaison des chemins qui montent à un certain moment, il a marché (sans le savoir) sur les pas du 2ème randonneur résultat : il est arrivé à un point très bas, qu'il n'a pas quitté, et les équipes de secours l'ont trouvé Moralité des dégradations occasionnelles de la fonction objectif peuvent nous faire échapper d'un optimum local 31 / 68 S. Ben Ismail Introduction à l'optimisation combinatoire
61 Randonneur 4 était attentif en INF 413 stratégie : tant que je peux descendre, je le fais en empruntant le chemin de plus grande pente si je ne peux plus descendre, j'emprunte le chemin qui remonte avec la plus faible pente je mémorise les derniers chemins que je viens d'emprunter pour ne pas emprunter les emprunter tout de suite. résultat : idem que le 3ème mais qui du 3ème et du 4ème arriva premier? l'histoire ne le dit pas Moralité avec une mémoire à court terme, on peut s'épargner des boucles innies 32 / 68 S. Ben Ismail Introduction à l'optimisation combinatoire
62 Principe de la recherche locale Idée on s'attend à ce que les bonnes solutions partagent des structures similaires donc, les meilleures solutions devraient pouvoir être obtenues après des petites modications de bonnes solutions, etc... Principe Voisinage solution initiale transformations successives fonction Ω 2 Ω : x ϑ(x) Ω traduit la notion de solutions proches, semblables, voisines suite de solutions : une trajectoire dans l'espace de recherche 33 / 68 S. Ben Ismail Introduction à l'optimisation combinatoire
63 Structure générale d'une recherche locale Fonction RechercheLocale(f, Ω, s 0 ) : meilleure solution s s : solution, z : reel s s 0 ; z f (s ) ; Fin Tant que ( s dans ϑ(s ) ET acceptable(s )) faire s s ; z f (s ) ; Fait Retourner s ; 34 / 68 S. Ben Ismail Introduction à l'optimisation combinatoire
64 Exemples de voisinages pour le TSP Soit u et v deux villes, x et y leurs villes consécutives respectives dans la solution d'un TSP opérateurs de voisinage : insertion - supprimer u et l'insérer après v - supprimer u et x, et insérer (u,x) après v - supprimer u et x, et insérer (x,u) après v échange (swap) 2-opt - échanger u et v - échanger (u,x) et v - échanger (u,x) et (v,y) - remplacer (u,x) et (v,y) par (u,v) et (x,y) 35 / 68 S. Ben Ismail Introduction à l'optimisation combinatoire
65 Insertion : illustration 1 u = 7 v = 10 v 10 v 8 v 9 v 10 v 8 v 9 v 6 v 7 v 6 v 7 v 5 v 3 v 4 v 5 v 3 v 4 v 1 v 2 v 1 v 2 36 / 68 S. Ben Ismail Introduction à l'optimisation combinatoire
66 Insertion : illustration 1 u = 7 v = 10 v 10 v 8 v 9 v 10 v 8 v 9 v 6 v 7 v 6 v 7 v 5 v 3 v 4 v 5 v 3 v 4 v 1 v 2 v 1 v 2 36 / 68 S. Ben Ismail Introduction à l'optimisation combinatoire
67 Insertion : illustration 2 u = 7, x = 3 v = 10 v 10 v 8 v 9 v 10 v 8 v 9 v 6 v 7 v 6 v 7 v 5 v 3 v 4 v 5 v 3 v 4 v 1 v 2 v 1 v 2 37 / 68 S. Ben Ismail Introduction à l'optimisation combinatoire
68 Insertion : illustration 2 u = 7, x = 3 v = 10 v 10 v 8 v 9 v 10 v 8 v 9 v 6 v 7 v 6 v 7 v 5 v 3 v 4 v 5 v 3 v 4 v 1 v 2 v 1 v 2 37 / 68 S. Ben Ismail Introduction à l'optimisation combinatoire
69 Échange : illustration u = 7 v = 10 v 10 v 8 v 9 v 10 v 8 v 9 v 6 v 7 v 6 v 7 v 5 v 3 v 4 v 5 v 3 v 4 v 1 v 2 v 1 v 2 38 / 68 S. Ben Ismail Introduction à l'optimisation combinatoire
70 Échange : illustration u = 7 v = 10 v 10 v 8 v 9 v 10 v 8 v 9 v 6 v 7 v 6 v 7 v 5 v 3 v 4 v 5 v 3 v 4 v 1 v 2 v 1 v 2 38 / 68 S. Ben Ismail Introduction à l'optimisation combinatoire
71 2-opt : illustration u = 7, x = 3 v = 10 y = 8 v 10 v 8 v 9 v 10 v 8 v 9 v 6 v 7 v 6 v 7 v 5 v 3 v 4 v 5 v 3 v 4 v 1 v 2 v 1 v 2 39 / 68 S. Ben Ismail Introduction à l'optimisation combinatoire
72 2-opt : illustration u = 7, x = 3 v = 10 y = 8 v 10 v 8 v 9 v 10 v 8 v 9 v 6 v 7 v 6 v 7 v 5 v 3 v 4 v 5 v 3 v 4 v 1 v 2 v 1 v 2 39 / 68 S. Ben Ismail Introduction à l'optimisation combinatoire
73 Méthodes de descente du gradient Algorithme du gradient en optimisation continue 2 schéma itératif utilisé : x k+1 = x k α k f (x k ) Adaptation au cas discret : méthode de descente du gradient (Hill Climbing) choix de la solution s : première (descente simple) ou meilleure amélioration (plus grande pente) 2. cf TC131 : Méthodes et outils pour l'analyse numérique - PC1 - STP2 Introduction à l'optimisation 40 / 68 S. Ben Ismail Introduction à l'optimisation combinatoire
74 Descente du gradient Fonction HillClimbing(f, Ω, s 0 ) : meilleure solution s s : solution, z : reel s s 0 ; z f (s ) ; Fin Tant que ( s dans ϑ(s ) ET f (s ) < z) faire s s ; z f (s ) ; Fait Retourner s ; 41 / 68 S. Ben Ismail Introduction à l'optimisation combinatoire
75 Plus grande pente Fonction SteepestHillClimbing(f, Ω, s 0 ) : meilleure solution s s : solution, z : reel s s 0 ; z f (s ) ; Fin Tant que ( s dans ϑ(s ) ET s ϑ(s)\{s }, f (s ) < f (s )) faire s s ; z f (s ) ; Fait Retourner s ; 42 / 68 S. Ben Ismail Introduction à l'optimisation combinatoire
76 Méthodes de descente : avantages et inconvénients une méthode locale basique, rapide, mais s'arrête au premier optimum local trouvé elle s'y trouve piégée (2ème randonneur de la fable) Idée d'amélioration : 3ème et 4ème randonneurs de la fable autoriser, de temps en temps, une dégradation de la solution courante contrôler la dégradation pour éviter la divergence de l'algorithme 43 / 68 S. Ben Ismail Introduction à l'optimisation combinatoire
77 Recuit simulé (Simulated Annealing ), 1983 analogie avec la thermodynamique (métallurgie) 1. initialement, un métal est chaué à haute température 2. puis refroidissement de la température brutalement (trempe) état solide amorphe progressivement état solide cristallin métallurgie énergie état amorphe état cristallin température recuit optimisation f minimum local minimum global paramètre de contrôle recuit simulé : déplacement dans Ω (recherche locale) 44 / 68 S. Ben Ismail Introduction à l'optimisation combinatoire
78 Principe du RS Fonction RecuitSimule(f, Ω, s 0, T 0, ɛ, k) : meilleure solution s s : solution T : reel //temperature s s 0 ; T T 0 ; Tant que (T > ɛ) faire choisir s aleatoirement dans ϑ(s ), f f (s ) f (s) Si ( f 0) Alors s s ; //accepter s Sinon s s ; avec la probabilite e f T Fin Si T k.t //refroidir la temperature (k = par ex.) Fait Retourner s ; Fin 45 / 68 S. Ben Ismail Introduction à l'optimisation combinatoire
79 Remarque méthode stochastique probabilité d'acceptation p( f, T ) = e f T probabilité de Métropolis en thermodynamique : e E E T f : si dégradation énorme probabilité plus petite T : plus la température descent, plus la probabilité d'acceptation devient petite on autorise plus de dégradation au début qu'à la n : convergence vers un état d'énergie minimale 46 / 68 S. Ben Ismail Introduction à l'optimisation combinatoire
80 Recherche tabou (Tabu Search), 1989 (Glover) Principe (4ème randonneur) mémoire à court terme : on mémorise les dernières congurations visitées (liste tabou) choisir un des meilleurs voisins qui n'appartient pas à la liste tabou, même s'il dégrade f pas de tirages aléatoires paramètres : nombre maximal d'itérations fonctionnement de la liste tabou : le taille de la liste tabou : statique ou dynamique 47 / 68 S. Ben Ismail Introduction à l'optimisation combinatoire
81 Recherche locale : conclusion I L'élément qui caractérise une recherche locale est le choix de la solution voisine s dans le voisinage V (s) Descente : s est une solution voisine plus performante que s : f (s ) f (s) s est LA solution voisine LA plus performante f (s ) f (s) et s V (s) f (s ) f (s ) Recuit simulé : s est choisie au hasard - acceptée si plus performante que s - acceptée si moins performante que s avec une probabilité donnée Recherche tabou : s est l'une des meilleures solutions voisines de s, n'apparteneant pas à la liste tabou 48 / 68 S. Ben Ismail Introduction à l'optimisation combinatoire
82 Recherche locale : conclusion II Comparaison Descente (2ème randonneur) : méthode rapide, mais se termine au premier optimum local rencontré Recuit & Tabou (3ème et 4ème randonneurs) : ne s'arrêtent pas au premier optimum local rencontré (grâce aux dégradations de f ) 49 / 68 S. Ben Ismail Introduction à l'optimisation combinatoire
83 Dilemme Intensication vs Diversication Intensication (exploitation) : focaliser l'eort de recherche sur une zone particulière de l'espace de recherche (autour des meilleures solutions rencontrées) Diversication (exploration) : explorer des nouvelles zones prometteuses de l'espace de recherche pour trouver potentiellement d'autres bonnes solutions Un bon compromis à trouver! En recherche locale : essentiellement de l'exploitation, diversication dans RS et RT 50 / 68 S. Ben Ismail Introduction à l'optimisation combinatoire
84 Sommaire 1 Introduction 2 Méthodes d'optimisation 3 Construction 4 Recherche locale 5 Évolution 6 Hybridation 7 Conclusion 51 / 68 S. Ben Ismail Introduction à l'optimisation combinatoire
85 Algorithmes génétiques, 1975 (Holland) Idée générale : inspiration naturelle recherche dans l'espace de congurations : faire évoluer (recombiner et modier) un ensemble de solutions du problème, et en sélectionner la meilleure à la n Terminologie : une solution constitue un individu ayant une évaluation (ou fonction de performance) (tness) un ensemble de solutions constitue une population une combinaison de deux solutions est un croisement (parents, enfants) une modication d'une solution est une mutation 52 / 68 S. Ben Ismail Introduction à l'optimisation combinatoire
86 Principe Fonctionnement 1. évaluation des individus 2. sélection des meilleurs parmi eux 3. croisements 4. mutations convergence : apparition des individus les plus performants les bons parents donnent lieu à de bons enfants par héritage les mutation permettent de diversier la population (explorer ailleurs) 53 / 68 S. Ben Ismail Introduction à l'optimisation combinatoire
87 Ingrédients principaux codage des solutions (chromosomes) génération d'une population initiale processus de sélection opérateurs de mutation et de croisement paramètres : taille de la population, critère d'arrêt (nombre total de générations, stagnation), probabilité de mutation 54 / 68 S. Ben Ismail Introduction à l'optimisation combinatoire
88 Opérateurs génétiques 55 / 68 S. Ben Ismail Introduction à l'optimisation combinatoire
89 Exemple basique : optimisation de fonction réelle alliot minimiser f (x) = 4x(x 1), Ω = [0, 1[ codage d'une solution : séquence de 8 bits égale à la représentation binaire de E(x 2 8 ) exemple : x = 0.3 [0, 1[, x 2 8 =76.8, E(x 2 8 ) [0, 2 8 1[ 76 en binaire donne séquence valeur f (x) / 68 S. Ben Ismail Introduction à l'optimisation combinatoire
90 Application au TSP chromosome : tableau contenant l'indice des villes tness : distance totale parcourue croisement : cf PC mutation : échange de 2 villes tout à l'heure en PC : extension au problème de routage de véhicules (VRP : plusieurs TSP en même temps) 57 / 68 S. Ben Ismail Introduction à l'optimisation combinatoire
91 Autres méthodes à base de population colonies de fourmis (ACO) essaims particulères (PSO) 58 / 68 S. Ben Ismail Introduction à l'optimisation combinatoire
92 Sommaire 1 Introduction 2 Méthodes d'optimisation 3 Construction 4 Recherche locale 5 Évolution 6 Hybridation 7 Conclusion 59 / 68 S. Ben Ismail Introduction à l'optimisation combinatoire
93 cf PC Hybridation exploitation de la recherche locale dans un algorithme génétique population initiale opérateur de mutation remplacé par une procédure de recherche locale => algorithme mémétique amélioration des enfants générés 60 / 68 S. Ben Ismail Introduction à l'optimisation combinatoire
94 Sommaire 1 Introduction 2 Méthodes d'optimisation 3 Construction 4 Recherche locale 5 Évolution 6 Hybridation 7 Conclusion 61 / 68 S. Ben Ismail Introduction à l'optimisation combinatoire
95 Adéquation méthode/problème étant donné un problème d'optimisation, quelle méthode choisir pour produire une solution optimale (ou acceptable) avec un temps de calcul raisonnable? Pas de recette miracle! essayer plusieurs méthode (avec plusieurs paramétrages) peut être nécessaire pour trouver la bonne appel au savoir-faire et à l'expérience de l'utilisateur No Free Lunch Theorm (1997) : En moyenne, sur toutes les fonctions de coût possibles, tous les algorithmes d'optimisation ont des performances équivalentes avec un temps d'exécution ni il n'y pas d'algorithme d'optimisation meilleur que tous les autres 62 / 68 S. Ben Ismail Introduction à l'optimisation combinatoire
96 Directives pour bien utiliser les métaheuristiques [2] méthodes de recherche locale on doit pouvoir générer facilement une solution dans S les solutions dans le voisinage V (s) doivent être "proches" de s méthodes de recherche à base de population il faut que l'information pertinente se transmette durant la phase de croisement la combination de deux parents équivalents ne doit pas produire une progéniture diérente des parents la diversité doit être préservée dans la population Do it simple! 63 / 68 S. Ben Ismail Introduction à l'optimisation combinatoire
97 Quelques recettes tuning des paramètres : source de diculté algorithmes stochastiques => ne jamais se contenter d'une seule exécution exécutions (runs) nombreuses, indépendantes faire des mesures statistiques (moyennes, écart-types) faire des tests statistiques pour appuyer des conclusions choses à mesurer : résultat moyen pour un temps donné temps moyen pour atteindre un résultat proportion des exécutions à % de l'optimum meilleures solutions obtenues 64 / 68 S. Ben Ismail Introduction à l'optimisation combinatoire
98 Pour terminer domaine de recherche riche et en constante évolution (revues et conférences spécialisées) en tant qu'ingénieurs : savoir qu'on dispose de plusieurs méthodes choisir la mieux adaptée : au problème d'optimisation (espace de recherche, fonction objectif...) à ce que l'on cherche : une "bonne" solution trouvée rapidement, ou LA solution à x% de l'optimum pour une bonne performance : bonne fomalisation/modélisation du problème adaptation "intelligente" d'une métaheuristique : intégration des connaissances spéciques + structures de données ecaces 65 / 68 S. Ben Ismail Introduction à l'optimisation combinatoire
99 Lectures complémentaires 3 3. http ://cs.gmu.edu/ sean/book/metaheuristics/ 66 / 68 S. Ben Ismail Introduction à l'optimisation combinatoire
100 La suite en PC Un problème d'optimisation résolu avec plusieurs heuristiques et métaheuristiques 67 / 68 S. Ben Ismail Introduction à l'optimisation combinatoire
101 Références Bibliographiques I I. Charon, A. Germa, and O. Hudry. Méthodes d'optimisation combinatoire. Masson, Alain Hertz and Marino Widmer. Guidelines for the use of meta-heuristics in combinatorial optimization. European Journal of Operational Research, 151(2) : , Meta-heuristics in combinatorial optimization. 68 / 68 S. Ben Ismail Introduction à l'optimisation combinatoire
Optimisation 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 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 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 détailOptimisation Combinatoire et Colonies de Fourmis Nicolas Monmarche April 21, 1999 Sommaire Inspiration biologiques Ant Colony Optimization Applications TSP QAP Flow Shop Problemes dynamiques 1 Historique
Plus en détailALGORITHME GENETIQUE ET MODELE DE SIMULATION POUR L'ORDONNANCEMENT D'UN ATELIER DISCONTINU DE CHIMIE
ALGORITHME GENETIQUE ET MODELE DE SIMULATION POUR L'ORDONNANCEMENT D'UN ATELIER DISCONTINU DE CHIMIE P. Baudet, C. Azzaro-Pantel, S. Domenech et L. Pibouleau Laboratoire de Génie Chimique - URA 192 du
Plus en détailAlgorithmes d'apprentissage
Algorithmes d'apprentissage 1 Agents qui apprennent à partir d'exemples La problématique : prise de décision automatisée à partir d'un ensemble d'exemples Diagnostic médical Réponse à une demande de prêt
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 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 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 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 détailIntroduction. I Étude rapide du réseau - Apprentissage. II Application à la reconnaissance des notes.
Introduction L'objectif de mon TIPE est la reconnaissance de sons ou de notes de musique à l'aide d'un réseau de neurones. Ce réseau doit être capable d'apprendre à distinguer les exemples présentés puis
Plus en 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 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 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 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 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 détailProblème à résoudre. min f(s) s.c. s S
Métaheuristiques Le mot métaheuristique est dérivé de la composition de deux mots grecs: - heuristique qui vient du verbe heuriskein (ευρισκειν) et qui signifie trouver - meta qui est un suffixe signifiant
Plus en détailOrdonnancement. 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 détail6. Hachage. Accès aux données d'une table avec un temps constant Utilisation d'une fonction pour le calcul d'adresses
6. Hachage Accès aux données d'une table avec un temps constant Utilisation d'une fonction pour le calcul d'adresses PLAN Définition Fonctions de Hachage Méthodes de résolution de collisions Estimation
Plus en détailRapidMiner. Data Mining. 1 Introduction. 2 Prise en main. Master Maths Finances 2010/2011. 1.1 Présentation. 1.2 Ressources
Master Maths Finances 2010/2011 Data Mining janvier 2011 RapidMiner 1 Introduction 1.1 Présentation RapidMiner est un logiciel open source et gratuit dédié au data mining. Il contient de nombreux outils
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 détailPROBLEMES D'ORDONNANCEMENT AVEC RESSOURCES
Leçon 11 PROBLEMES D'ORDONNANCEMENT AVEC RESSOURCES Dans cette leçon, nous retrouvons le problème d ordonnancement déjà vu mais en ajoutant la prise en compte de contraintes portant sur les ressources.
Plus en 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 détailAtelier Transversal AT11. Activité «Fourmis» Pierre Chauvet. pierre.chauvet@uco.fr
Atelier Transversal AT11 Activité «Fourmis» Pierre Chauvet pierre.chauvet@uco.fr Ant : un algorithme inspiré de l éthologie L éthologie Etude scientifique des comportements animaux, avec une perspective
Plus en 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 détailChapitre 1 : Introduction aux bases de données
Chapitre 1 : Introduction aux bases de données Les Bases de Données occupent aujourd'hui une place de plus en plus importante dans les systèmes informatiques. Les Systèmes de Gestion de Bases de Données
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 détailChristophe CANDILLIER Cours de DataMining mars 2004 Page 1
Christophe CANDILLIER Cours de DataMining mars 2004 age 1 1. Introduction 2. rocessus du DataMining 3. Analyse des données en DataMining 4. Analyse en Ligne OLA 5. Logiciels 6. Bibliographie Christophe
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 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 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 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 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 détailTHÈSE. En vue de l'obtention du JURY
THÈSE En vue de l'obtention du DOCTORAT DE L UNIVERSITÉ DE TOULOUSE Délivré par l Institut Supérieur de l Aéronautique et de l Espace Spécialité : Informatique et automatique Présentée et soutenue par
Plus en détail9 5 2 5 Espaces probabilisés
BCPST2 9 5 2 5 Espaces probabilisés I Mise en place du cadre A) Tribu Soit Ω un ensemble. On dit qu'un sous ensemble T de P(Ω) est une tribu si et seulement si : Ω T. T est stable par complémentaire, c'est-à-dire
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 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 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 détail1.5 0.5 -0.5 -1.5 0 20 40 60 80 100 120. (VM(t i ),Q(t i+j ),VM(t i+j ))
La logique oue dans les PME/PMI Application au dosage de l'eau dans les bétons P.Y. Glorennec INSA de Rennes/IRISA glorenne@irisa.fr C. Hérault Hydrostop christophe@hydrostop.fr V. Hulin Hydrostop vincent@hydrostop.fr
Plus en détailRecherche dans un tableau
Chapitre 3 Recherche dans un tableau 3.1 Introduction 3.1.1 Tranche On appelle tranche de tableau, la donnée d'un tableau t et de deux indices a et b. On note cette tranche t.(a..b). Exemple 3.1 : 3 6
Plus en détailRappel. Analyse de Données Structurées - Cours 12. Un langage avec des déclaration locales. Exemple d'un programme
Rappel Ralf Treinen Université Paris Diderot UFR Informatique Laboratoire Preuves, Programmes et Systèmes treinen@pps.univ-paris-diderot.fr 6 mai 2015 Jusqu'à maintenant : un petit langage de programmation
Plus en détailUNIVERSITÉ DU QUÉBEC MÉMOIRE PRÉSENTÉ À L'UNIVERSITÉ DU QUÉBEC À CHICOUTIMI COMME EXIGENCE PARTIELLE DE LA MAÎTRISE EN INFORMATIQUE
UNIVERSITÉ DU QUÉBEC MÉMOIRE PRÉSENTÉ À L'UNIVERSITÉ DU QUÉBEC À CHICOUTIMI COMME EXIGENCE PARTIELLE DE LA MAÎTRISE EN INFORMATIQUE OFFERTE EN VERTU D'UN PROTOCOLE D'ENTENTE AVEC L'UNIVERSITÉ DU QUÉBEC
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 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 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 détailCouples de variables aléatoires discrètes
Couples de variables aléatoires discrètes ECE Lycée Carnot mai Dans ce dernier chapitre de probabilités de l'année, nous allons introduire l'étude de couples de variables aléatoires, c'est-à-dire l'étude
Plus en détailLE PROBLEME DU PLUS COURT CHEMIN
LE PROBLEME DU PLUS COURT CHEMIN Dans cette leçon nous définissons le modèle de plus court chemin, présentons des exemples d'application et proposons un algorithme de résolution dans le cas où les longueurs
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 détailChaînes de Markov au lycée
Journées APMEP Metz Atelier P1-32 du dimanche 28 octobre 2012 Louis-Marie BONNEVAL Chaînes de Markov au lycée Andreï Markov (1856-1922) , série S Problème 1 Bonus et malus en assurance automobile Un contrat
Plus en 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 détailSommaire. Introduction. I. Notions de routage a) Technologies actuelles b) Avantages et désavantages
Sommaire Introduction I. Notions de routage a) Technologies actuelles b) Avantages et désavantages II. Routage et fourmis a) Principe et avantages b) Structure du simulateur III.Implémentation a) Présentation
Plus en détailVers l'ordinateur quantique
Cours A&G Vers l'ordinateur quantique Données innies On a vu dans les chapîtres précédents qu'un automate permet de représenter de manière nie (et même compacte) une innité de données. En eet, un automate
Plus en détailLes réseaux ad hoc : problèmes de sécurité et solutions potentielles
Les réseaux ad hoc : problèmes de sécurité et solutions potentielles Jérôme LEBEGUE, Christophe BIDAN et Bernard JOUGA Supélec Rennes - Equipe SSIR 13 octobre 2005 Jérôme LEBEGUE - jerome.lebegue@supelec.fr
Plus en détailPourquoi l apprentissage?
Pourquoi l apprentissage? Les SE sont basés sur la possibilité d extraire la connaissance d un expert sous forme de règles. Dépend fortement de la capacité à extraire et formaliser ces connaissances. Apprentissage
Plus en détailMathématique et Automatique : de la boucle ouverte à la boucle fermée. Maïtine bergounioux Laboratoire MAPMO - UMR 6628 Université d'orléans
Mathématique et Automatique : de la boucle ouverte à la boucle fermée Maïtine bergounioux Laboratoire MAPMO - UMR 6628 Université d'orléans Maitine.Bergounioux@labomath.univ-orleans.fr Plan 1. Un peu de
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 détailIntroduction au Data-Mining
Introduction au Data-Mining Alain Rakotomamonjy - Gilles Gasso. INSA Rouen -Département ASI Laboratoire PSI Introduction au Data-Mining p. 1/25 Data-Mining : Kèkecé? Traduction : Fouille de données. Terme
Plus en détailTSTI 2D CH X : Exemples de lois à densité 1
TSTI 2D CH X : Exemples de lois à densité I Loi uniforme sur ab ; ) Introduction Dans cette activité, on s intéresse à la modélisation du tirage au hasard d un nombre réel de l intervalle [0 ;], chacun
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 détailLES CARTES À POINTS : POUR UNE MEILLEURE PERCEPTION
LES CARTES À POINTS : POUR UNE MEILLEURE PERCEPTION DES NOMBRES par Jean-Luc BREGEON professeur formateur à l IUFM d Auvergne LE PROBLÈME DE LA REPRÉSENTATION DES NOMBRES On ne conçoit pas un premier enseignement
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 détailThéorie et Codage de l Information (IF01) exercices 2013-2014. Paul Honeine Université de technologie de Troyes France
Théorie et Codage de l Information (IF01) exercices 2013-2014 Paul Honeine Université de technologie de Troyes France TD-1 Rappels de calculs de probabilités Exercice 1. On dispose d un jeu de 52 cartes
Plus en détailTraitement numérique de l'image. Raphaël Isdant - 2009
Traitement numérique de l'image 1/ L'IMAGE NUMÉRIQUE : COMPOSITION ET CARACTÉRISTIQUES 1.1 - Le pixel: Une image numérique est constituée d'un ensemble de points appelés pixels (abréviation de PICture
Plus en détailSystème immunitaire artificiel
République Algérienne Démocratique et Populaire Ministère de l Enseignement Supérieure Université des Sciences et de la Technologie D Oran Mohammed Boudiaf (USTO) Faculté des Sciences Département d Informatique
Plus en 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 détailAnnée Universitaire 2009/2010 Session 2 de Printemps
Année Universitaire 2009/2010 Session 2 de Printemps DISVE Licence PARCOURS : CSB4 & CSB6 UE : INF 159, Bases de données Épreuve : INF 159 EX Date : Mardi 22 juin 2010 Heure : 8 heures 30 Durée : 1 heure
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 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 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 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 détailINF6304 Interfaces Intelligentes
INF6304 Interfaces Intelligentes filtres collaboratifs 1/42 INF6304 Interfaces Intelligentes Systèmes de recommandations, Approches filtres collaboratifs Michel C. Desmarais Génie informatique et génie
Plus en détailRapport d'analyse des besoins
Projet ANR 2011 - BR4CP (Business Recommendation for Configurable products) Rapport d'analyse des besoins Janvier 2013 Rapport IRIT/RR--2013-17 FR Redacteur : 0. Lhomme Introduction...4 La configuration
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 détailCapacité d un canal Second Théorème de Shannon. Théorie de l information 1/34
Capacité d un canal Second Théorème de Shannon Théorie de l information 1/34 Plan du cours 1. Canaux discrets sans mémoire, exemples ; 2. Capacité ; 3. Canaux symétriques ; 4. Codage de canal ; 5. Second
Plus en détailde calibration Master 2: Calibration de modèles: présentation et simulation d
Master 2: Calibration de modèles: présentation et simulation de quelques problèmes de calibration Plan de la présentation 1. Présentation de quelques modèles à calibrer 1a. Reconstruction d une courbe
Plus en 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 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 détailAlgorithmique avec Algobox
Algorithmique avec Algobox 1. Algorithme: Un algorithme est une suite d instructions qui, une fois exécutée correctement, conduit à un résultat donné Un algorithme doit contenir uniquement des instructions
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 détailBaccalauréat ES Antilles Guyane 12 septembre 2014 Corrigé
Baccalauréat ES Antilles Guyane 12 septembre 2014 Corrigé EXERCICE 1 5 points Commun à tous les candidats 1. Réponse c : ln(10)+2 ln ( 10e 2) = ln(10)+ln ( e 2) = ln(10)+2 2. Réponse b : n 13 0,7 n 0,01
Plus en détailL utilisation d un réseau de neurones pour optimiser la gestion d un firewall
L utilisation d un réseau de neurones pour optimiser la gestion d un firewall Réza Assadi et Karim Khattar École Polytechnique de Montréal Le 1 mai 2002 Résumé Les réseaux de neurones sont utilisés dans
Plus en 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 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 détailLa contrefaçon par équivalence en France
BREVETS La contrefaçon par équivalence en France I. Introduction Si l'on considère une revendication de brevet qui remplit les conditions de validité au regard de l'art antérieur, le cas de contrefaçon
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 détailChapitre 6 Expérimentations
Chapitre 6 Nous avons introduit au chapitre précédent plusieurs algorithmes dédiés à l'optimisation du préordre leximin dans le cadre de la programmation par contraintes. Nous allons, dans ce chapitre,
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 détailTout savoir sur le matériel informatique
Tout savoir sur le matériel informatique Thème de l exposé : Les Processeurs Date : 05 Novembre 2010 Orateurs : Hugo VIAL-JAIME Jérémy RAMBAUD Sommaire : 1. Introduction... 3 2. Historique... 4 3. Relation
Plus en détailIntroduction au Data-Mining
Introduction au Data-Mining Gilles Gasso, Stéphane Canu INSA Rouen -Département ASI Laboratoire LITIS 8 septembre 205. Ce cours est librement inspiré du cours DM de Alain Rakotomamonjy Gilles Gasso, Stéphane
Plus en détailContents. 1 Introduction Objectifs des systèmes bonus-malus Système bonus-malus à classes Système bonus-malus : Principes
Université Claude Bernard Lyon 1 Institut de Science Financière et d Assurances Système Bonus-Malus Introduction & Applications SCILAB Julien Tomas Institut de Science Financière et d Assurances Laboratoire
Plus en détailTP n 2 Concepts de la programmation Objets Master 1 mention IL, semestre 2 Le type Abstrait Pile
TP n 2 Concepts de la programmation Objets Master 1 mention IL, semestre 2 Le type Abstrait Pile Dans ce TP, vous apprendrez à définir le type abstrait Pile, à le programmer en Java à l aide d une interface
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 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 détailProgrammation mathématique Discrète et Modèles Linéaires
Université Pierre et Marie Curie Master IAD Module PDML Programmation mathématique Discrète et Modèles Linéaires Pierre Fouilhoux pierre.fouilhoux@lip6.fr 29 septembre 2013 Table des matières I Programmation
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 détailHealth Monitoring pour la Maintenance Prévisionnelle, Modélisation de la Dégradation
Health Monitoring pour la Maintenance Prévisionnelle, Modélisation de la Dégradation Laurent Denis STATXPERT Journée technologique "Solutions de maintenance prévisionnelle adaptées à la production" FIGEAC,
Plus en détailProgrammation Objet - Cours II
Programmation Objet - Cours II - Exercices - Page 1 Programmation Objet - Cours II Exercices Auteur : E.Thirion - Dernière mise à jour : 05/07/2015 Les exercices suivants sont en majorité des projets à
Plus en détailTUTORIAL REUTERS. Utilisation de l'utilitaire de recherche Reuters
TUTORIAL REUTERS Connexion à Reuters Allez sur https://portal.hpd.global.reuters.com/auth/login.aspx Le login est reut@ensimag.imag.fr, =1 à 5, le et le mot de passe étant ceux qui vous ont été
Plus en détail