Chapitre 6. Programmation Dynamique. Méthodes P.S.E.P. 6.1 Programmation dynamique Exemple introductif

Dimension: px
Commencer à balayer dès la page:

Download "Chapitre 6. Programmation Dynamique. Méthodes P.S.E.P. 6.1 Programmation dynamique. 6.1.1 Exemple introductif"

Transcription

1 Chapitre 6 Programmation Dynamique. Méthodes P.S.E.P. 6.1 Programmation dynamique Exemple introductif Problème : n matrices M i (m i, m i+1 ) à multiplier en minimisant le nombre de multiplications, variable selon le parenthésage. Exemple 1 On donne M 1 (100, 1), M 2 (1, 100), M 3 (100, 10), M 4 (10, 20) alors (M 1 M 2 )(M 3 M 4 ) prend multiplications scalaires : pour M 12 = M 1 M 2, (100, 100) et pour M 34 = M 3 M 4, (100, 20) puis pour M 12 M 34. M 1 ((M 2 M 3 )M 4 ) prend 3200 opérations : pour M 23 = M 2 M 3 (1, 10), 1 20 pour M 24 = M 23 M 4 (1, 20) et pour le produit final. Moralité : il faut calculer le meilleur parenthésage avant de se lancer dans les calculs, à condition que le calcul du parenthésage ne soit pas trop coûteux. Comme il y a un nombre exponentiel de parenthésage possibles, (voir exercice), il n est pas efficace de les énumérer tous. On va utiliser la programmation dynamique pour trouver le meilleur parenthésage possible. Généralisation : on généralise le problème en trouver le meilleur parenthésage pour M i M i+1...m j pour tout couple i, j tel que 1 i j n. La solution du problème initial est obtenue pour i = 1, j = n. On calcule c(i, j) le nombre minimal d opérations requis pour M i M i+1...m j. Formulation récursive : c(i, j) = Min i p<j (c(i, p) + c(p + 1, j) + m i m p+1 m j+1 ) Pour avoir aussi le parenthésage on se rappelle les p qui donnent le minimum. 1

2 2 CHAPITRE 6. PROGRAMMATION DYNAMIQUE. MÉTHODES P.S.E.P. Organisation des calculs de manière itérative : La formule récursive donne lieu à un arbre de calculs contenant beaucoup de redondance. Pour éviter ces calculs redondants on effectue les calculs en partant des feuilles de l arbre, en calculant successivement les c(i, j) pour j i = k, k une constante qui vaudra 0, 1,..., n 1. Etape 0 : Pour tout i = 1,..., n c 0 (i, i) = 0 Etape k : Pour tout i, j dans 1,...,n tels que j i = k, calculer c k (i, j) = Min i p<j (c p i (i, p) + c j p 1 (p + 1, j) + m i m p+1 m j+1 ) On retient les valeurs de p donnant le minimum. Arrêt pour k = n 1 et solution pour i = 1, j = n. Remontée des calculs : on trouve un parenthèsage optimal en remontant du résultat vers les feuilles en utilisant un p ayant donné la solution optimale. Pour l exemple les calculs effectués donnent : k = 0 c 0 (1, 1) = 0 c 0 (2, 2) = 0 c 0 (3, 3) = 0 c 0 (4, 4) = 0 k = 1 c 1 (1, 2) = c 1 (2, 3) = 1000 c 1 (3, 4) = k = 2 c 3 (1, 3) = 2000 c 3 (2, 4) = 1200 k = 3 c 4 (1, 4) = 3200 Le nombre de termes calculés est n = n(n 1)/2. Un terme sur la ligne correspondant à j i = k demande k multiplications. On fait donc Σ k=n 1 k=0 (n k)k = O(n 3 ) opérations Méthode La méthode est concue pour les problèmes vérifiant le principe suivant. Principe d optimalité des solutions induites. Le problème P peut se décomposer en deux sous-problèmes P 1 et P 2 tels que une solution S de P se décompose en S 1 solution de P 1 et S 2 solution de P 2. Dans ce cas si S est optimale alors S 1 et S 2 sont optimales. Exemple 2 Plus court chemin dans un graphe entre x et y : si un chemin x = x 1, x 2,...,x n = y est un chemin de longueur minimale entre x et y alors pour tout z de ce chemin (i) Le chemin x 1 = x, x 2,...,x k = z est un chemin de longueur minimale entre x et z et (ii) le chemin x k = z, x k+1,...,x n = y est un chemin de longueur minimale entre z et y. Le principe de la méthode est le suivant : 1. Chercher une formulation récursive. 2. Si échec en (1) alors généraliser et aller en (1) sinon aller en (3). 3. Organiser les calculs de manière itérative des feuilles vers la racine.

3 6.2. EXEMPLES 3 (a) Organisation des calculs en étapes. (b) Stockage (tabulation) des résultats intermédiaires pour n effectuer un calcul qu une seule fois. Explication : La formulation récursive conduit à une exploration d arbre de recherche qui est inefficace en général à cause des multiples calculs redondants (souvent le cout est exponentiel, (cf exemple de fibonacci). 4. Retrouver la solution en remontant les calculs effectués (exige d avoir stocké à chaque étape la(es) valeur(s) qui donne(nt) la solution optimale.) 6.2 Exemples Voyageur de commerce Problème. n villes x 0, x 1,...,x n 1 à visiter une et une seule fois en partant et revenant de x 0 et en minimisant le cout du trajet avec c x,y le cout pour aller directement de x à y. 1. Généralisation. F(y, S)= cout pour aller de y à x 0 en passant par toutes les villes de S avec S un sous-ensemble de villes avec y, x 0 S. 2. Formulation récursive. F(y, S) = Min z S (c y,z + F(z, S {z}) La solution du problème initial est obtenue avec F(x 0, S) avec S = {x 1,...,x n 1 }. 3. Organisation en étapes par cardinalité croissante des ensembles S. Etape 0. F 0 (y, ) = c y,x0 (avec c x0,x 0 = 0) et V 0 (y, ) =. Etape k. Pour tout y, S tel que y, x 0 S et S = k, calculer F k (y, S) = Min z S (c y,z + F k 1 (z, S {z})) et on se souvient des villes qui donnent le minimum V k (y, S) = {z z realise le minimum dans le calcul de F k (y, S)} Arret pour k = n 1 : on calcule donc F n 1 (x 0, {x 1,..., x n 1 }) qui donne la solution du problème initial. 4. Remontée des calculs. Choisir z 1 V n 1 (x 0, {x 1,...,x n 1 }) et définir S 1 = {x 1,...,x n 1 } {z 1 }. Tant que S p faire choisir z p V n p (z p, S p 1 ) S p = S p 1 {z p }. fait

4 4 CHAPITRE 6. PROGRAMMATION DYNAMIQUE. MÉTHODES P.S.E.P Programmation linéaire entière : cas simple Max z = Σ i=n i=1 c i.x i Σ i=n i=1 a ix i B 0 x i g i i = 1,..., n avec a i 0, c i 0 pour i = 1,..., n. Pour simplifier on suppose a i, c i, B, g i entiers. Il est important de réaliser que ce n est qu un cas très particulier de programmation linéaire : tous les coefficients sont positifs ou nul. 1. Généralisation : F k (b)= solution optimale du problème obtenu en posant x j = 0 pour j > k et remplacant B par b avec 0 b B. On a bien la solution du problème initial avec F n (B). 2. Formulation récursive : F k (b) = Max αk = 0,...,g k 0 b a k α k F k 1(b a k α k ) + c k α k 3. Organisation des calculs de manière itérative. Etape 0 : F 0 (b) = 0 Etape k : pour tout b = 0,..., B calculer F k (b) = Max αk = 1,...,g k 0 b a k α k F k 1(b a k α k ) + c k α k et on se souvient des valeurs qui donnent le maximum : fin pour k = n. Exemple : Les calculs des F k (b) sont donnés par : Max z = 5x 1 + 4x 2 + 6x 3 2x 1 + 2x 2 + 3x 3 4 x i {0, 1} i = 1,...,4 Exemple de calcul : F 2 (4) = Max α2 = 0, 1 4 2α 2 0 b F 0 (b) F 1 (b) F 2 (b) F 3 (b) (F 1 (4 2α 2 ) + 4α 2 ) = Max(F 1 (4), F 1 (2), F 1 (0)) = 9

5 6.3. MÉTHODES P.S.E.P. (BRANCH AND BOUND). 5 Cette méthode se généralise sans difficculté à un systèmes d équations (dont les coefficients sont 0). 6.3 Méthodes P.S.E.P. (branch and bound). P.S.E.P=programmation par séparation et évaluation progressive. Le principe est de séparer (branch) les solutions du problèmes en plusieurs ensembles de solutions et d utiliser une évaluation partielle pour éliminer des solutions grâce à des bornes sur les valeurs possibles des solutions (bound). Sans cette étape d élimination on énumerer explicitement toutes les solutions. Grâce aux bornes, l énumeration est implicite (certaines solutions ne sont pas calculées car on sait que c est inutile). Principe : On décompose S l ensemble des solutions de P en S 1, S 2,...,S m tels que { S = i=1,...,m S i S i < S pour i = 1,..., n et on itère la décomposition jusqu à ce qu on obtienne des ensembles de solutions calculables (typiquement quand S = 1, mais pas seulement) 6.4 Exemples Sac à dos Problème : n objets à prendre, l objet i pèse p i > 0 et rapporte c i > 0 quand il est vendu. Le poids total disponible est P. Modélisation : Max z = c 1 x c n x n p 1 x c n x n P x i {0, 1} i = 1,..., 4 Au problème on associe N le nombre de décision prises R le poids disponible B une majoration du bénéfice possible Séparation. La séparation consiste à décider de prendre ou laisser un objet de plus. choix sur x i x i = 0 x i = 1 N 1 = N + 1 R 1 = R B 1 = B c i N 2 = N + 1 R 2 = R p i B 2 = B L évaluation consiste d une part à s arrêter dès que R < 0 et surtout à utiliser des sous-problèmes résolus (donc pour lequel on connait le bénéfice) et la borne sur le bénéfice pour couper des branches de l arbre selon le principe suivant : si un noeud est caractérisé

6 6 CHAPITRE 6. PROGRAMMATION DYNAMIQUE. MÉTHODES P.S.E.P. par (N,R,B) et qu on a calculé une branche qui donne un bénéfice réel (attention pas une estimation, un bénéfice atteint) de B > B alors il est inutile de développer le noeud. Exemple. Max z = 8x x 2 + 6x 3 + 4x 4 5x 1 + 7x 2 + 4x 3 + 3x 4 14 x i {0, 1} On choisit la variable à instancier par un algorithme glouton en calculant c i /p i, ce qui donne x 1. (I) N = 0, B = 29, R = 14 x 1 = 1 x 1 = 0 (II) N = 1, R = 9, B = 29 (III) N = 1, R = 14, B = 21 On developpe de nouveau le problème (II) (on choisit une strategie en profondeur d abord de manière à obtenir rapidement une solution qui servira de borne. On choisit x 2 de la même manière que x 1. (II) N = 1, R =, B = 29 x 2 = 1 x 2 = 0 (IV ) N = 2, R = 2, B = 19 (V ) N = 2, R = 9, B = 18 Les developpements du problème (IV ) donne immédiatement x 3 = x 4 = 0 et un bénéfice réalisable de 19. cette borne 19 permet de couper l arbre au noeud (V ) B = 18 < 19. On développe (III) en choisissant x 2. (III) N = 1, R = 14, B = 21 x 2 = 1 x 2 = 0 (V I) N = 2, R = 7, B = 21 (V II) N = 2, R = 14, B = 10 Inutile de développer (V II) à cause de B = 10 < 19, on developpe (V I) : (V I) N = 2, R = 7, B = 21 x 3 = 1 x 3 = 0 (V III) N = 2, R = 3, B = 21 (IX) N = 2, R = 14, B = 15 On coupe (IX) et le dernier développement de (V III) donne la solution x 1 = 0, x 2 = x 3 = x 4 = 1 et z = 21. On a donc examiné 9 noeuds (à comparer aux 16 cas possibles) Programmation linéaire en nombre entiers On résoud le problème P à l aide du simplexe (ce qui donne une borne sur la valeur de la fonction objectif. S il la solution est entière on s arrête sinon on choisit un x k dont la valeur α k n est pas entière et on relance le simplexe sur les sous-problèmes P x k α k

7 6.4. EXEMPLES 7 et P x k α k On remarque que la solution x k = α k est éliminée. On itère le developpement de l arbre, une feuille étant obtenue lorsqu on a un problème ayant une solution entière et on utilise les solutions déjà obtenues pour couper des branches de l arbre. Rien ne garantit que le processus s arrête. En fait, l idée ci-dessus est utilisée dans des méthodes plus élaborées : les méthodes de coupe qui permettent d avoir des résultats de terminaison, mais sur les exemples traités la méthode suffit (en particulier en programmation 0-1, la méthode terminera toujours (car elle reviendra à instancier une variable par 0 ou 1). Exemple : On reprend le problème de programmation 0-1 précédent qu on va résoudre différemment. Max z = 8x x 2 + 6x 3 + 4x 4 5x 1 + 7x 2 + 4x 3 + 3x 4 14 x i {0, 1} Le simplexe donne : x 1 = x 2 = 1, x 3 = 0, 5, x 4 = 0, z = 22 ce qui ne fournit pas une solution entière. On relance (I) P x 3 0 qui donne une solution non entière et z = 21, 65 et (II) P x 3 1 qui donne une solution non entière et x 1 = x 3 = 1, x 4 = 0 et x 2 = 5/7, pour z = 21, 85. On developpe (II) en (III) II x 2 0 qui donne x 1 = x 3 = x 4 = 1, x 2 = 0 et z = 18 qui donne une première borne 18 et (IV ) II x 2 1 qui donne x 2 = x 3 = 1 x 4 = 0, x 1 = 3/5 et z = 21, 8. On developpe (IV ) en IV x 1 0 qui donne x 1 = 0, x 2 = x 3 = x 4 = 1 et z = 21 qui est une meilleure borne qui permet de couper le problème I (les coefficients étant entiers on ne peut pas avoir de solution meilleure que 21 puisque z vaut au mieux 21,65 et IV x 1 1

8 8 CHAPITRE 6. PROGRAMMATION DYNAMIQUE. MÉTHODES P.S.E.P. qui n a pas de solution. Donc le développement est fini et on a une solution pour un optimum z = 21. On a examiné 7 noeuds de l arbres et résolu 7 problèmes de simplexes (à comparer aux 16 possibilités pour les valeurs). Exercice Exercice 1 On reprend l exemple des multipications de matrices. 1. Montrer que le nombre de parenthésages possibles P(n) vérifie : P(n) = Σ 1 k n 1 P(k) P(n k) P(1) = 1 2. Montrer que P(n) = 1/n C n 1 2n 2 (nombres de Catalan) et que P(n) 2n 2. Exercice 2 Un étudiant désire travailler 4 heures maximum par semaine en lpus de ses cours. Il a 4 emplois possibles pour lesquels les salaires ne sont pas proportionnels aux heures de travail. Trouver les emplois qu il devrait choisir pour maximiser son salaire (utiliser la programmation dynamique) avec le tableau de salaire suivant : heure de travail emploi 1 emploi2 emploi3 emploi Exercice 3 Avec la programmation dynamique, trouver le circuit minimal que doit réaliser un facteur qui doit prendre le courrier dans 5 boites à lettres et le déposer au centre de tri, compte tenu du tableau de distances suivant. T ri B1 B2 B3 B4 B5 Tri B B B B B

Chapitre 6. Modélisation en P.L.I. 6.1 Lien entre PL et PLI. 6.1.1 Approximation de la PLI

Chapitre 6. Modélisation en P.L.I. 6.1 Lien entre PL et PLI. 6.1.1 Approximation de la PLI Chapitre 6 Modélisation en P.L.I. 6.1 Lien entre PL et PLI (P) problème de PL. On restreint les variables à être entières : on a un problème de PLI (ILP en anglais). On restreint certaines variables à

Plus en détail

Chapitre 7. Problèmes de flots. 7.1 Exemple. 7.2 Notions de base sur les graphes

Chapitre 7. Problèmes de flots. 7.1 Exemple. 7.2 Notions de base sur les graphes Chapitre 7 Problèmes de flots. 7.1 Exemple. Un réseau electrique est formé de lignes reliant des noeuds (transformateurs, centre de redistributions,...), chaque ligne a une capacité de transport maximale.

Plus en détail

Exercices théoriques

Exercices théoriques École normale supérieure 2008-2009 Département d informatique Algorithmique et Programmation TD n 9 : Programmation Linéaire Avec Solutions Exercices théoriques Rappel : Dual d un programme linéaire cf.

Plus en détail

Programmation linéaire

Programmation 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 détail

Voyageur de commerce et solution exacte

Voyageur de commerce et solution exacte Voyageur de commerce et solution exacte uteurs :. Védrine,. Monsuez e projet consiste à réaliser un outil capable de trouver le plus court trajet pour un commercial qui doit visiter n villes, les n villes

Plus en détail

Optimisation en nombres entiers

Optimisation en nombres entiers Optimisation en nombres entiers p. 1/83 Optimisation en nombres entiers Michel Bierlaire michel.bierlaire@epfl.ch EPFL - Laboratoire Transport et Mobilité - ENAC Optimisation en nombres entiers p. 2/83

Plus en détail

Feuille TD n 1 Exercices d algorithmique éléments de correction

Feuille TD n 1 Exercices d algorithmique éléments de correction Master Sciences, Technologies, Santé Mention Mathématiques, spécialité Enseignement des mathématiques Algorithmique et graphes, thèmes du second degré Feuille TD n 1 Exercices d algorithmique éléments

Plus en détail

Arbres binaires. Hélène Milhem. Institut de Mathématiques de Toulouse, INSA Toulouse, France IUP SID, 2011-2012

Arbres binaires. Hélène Milhem. Institut de Mathématiques de Toulouse, INSA Toulouse, France IUP SID, 2011-2012 Arbres binaires Hélène Milhem Institut de Mathématiques de Toulouse, INSA Toulouse, France IUP SID, 2011-2012 H. Milhem (IMT, INSA Toulouse) Arbres binaires IUP SID 2011-2012 1 / 35 PLAN Introduction Construction

Plus en détail

Applications #2 Problème du voyageur de commerce (TSP)

Applications #2 Problème du voyageur de commerce (TSP) Applications #2 Problème du voyageur de commerce (TSP) MTH6311 S. Le Digabel, École Polytechnique de Montréal H2014 (v2) MTH6311: Heuristiques pour le TSP 1/34 Plan 1. Introduction 2. Formulations MIP

Plus en détail

I Arbres binaires. Lycée Faidherbe 2014-2015. 1 Rappels 2 1.1 Définition... 2 1.2 Dénombrements... 2 1.3 Parcours... 3

I Arbres binaires. Lycée Faidherbe 2014-2015. 1 Rappels 2 1.1 Définition... 2 1.2 Dénombrements... 2 1.3 Parcours... 3 I Arbres binaires 2014-2015 Table des matières 1 Rappels 2 1.1 Définition................................................ 2 1.2 Dénombrements............................................ 2 1.3 Parcours.................................................

Plus en détail

Exercices - Fonctions de plusieurs variables : corrigé. Pour commencer

Exercices - Fonctions de plusieurs variables : corrigé. Pour commencer Pour commencer Exercice 1 - Ensembles de définition - Première année - 1. Le logarithme est défini si x + y > 0. On trouve donc le demi-plan supérieur délimité par la droite d équation x + y = 0.. 1 xy

Plus en détail

Licence STIC, Semestre 1 Algorithmique & Programmation 1

Licence STIC, Semestre 1 Algorithmique & Programmation 1 Licence STIC, Semestre 1 Algorithmique & Programmation 1 Exercices Alexandre Tessier 1 Introduction 2 instruction de sortie 3 expressions 4 variable informatique 5 séquence d instructions, trace Exercice

Plus en détail

Cours de Master Recherche

Cours 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 détail

Algorithmique et Programmation Projets 2012/2013

Algorithmique et Programmation Projets 2012/2013 3 Dames 3. Objectif Il s agit d écrire un programme jouant aux Dames selon les règles. Le programme doit être le meilleur possible. Vous utiliserez pour cela l algorithme α β de recherche du meilleur coup

Plus en détail

Structures de données non linéaires

Structures de données non linéaires Structures de données non linéaires I. Graphes Définition Un graphe (simple) orienté G est un couple (S, A), où : S est un ensemble dont les éléments sont appelés les sommets. A est un ensemble de couples

Plus en détail

Gestion d'un entrepôt

Gestion d'un entrepôt Gestion d'un entrepôt Épreuve pratique d'algorithmique et de programmation Concours commun des écoles normales supérieures Durée de l'épreuve: 3 heures 30 minutes Juin/Juillet 2010 ATTENTION! N oubliez

Plus en détail

La 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? 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 détail

Sortie : OUI si n est premier, NON sinon. On peut voir Premier aussi comme une fonction, en remplaçant OUI par 1 et NON par 0.

Sortie : OUI si n est premier, NON sinon. On peut voir Premier aussi comme une fonction, en remplaçant OUI par 1 et NON par 0. Université Bordeaux 1. Master Sciences & Technologies, Informatique. Examen UE IN7W11, Modèles de calcul. Responsable A. Muscholl Session 1, 2011 2012. 12 décembre 2011, 14h-17h. Documents autorisés :

Plus en détail

Fonctions de plusieurs variables

Fonctions de plusieurs variables Maths MP Exercices Fonctions de plusieurs variables Les indications ne sont ici que pour être consultées après le T (pour les exercices non traités). Avant et pendant le T, tenez bon et n allez pas les

Plus en détail

Problèmes de Mathématiques Noyaux et images itérés

Problèmes de Mathématiques Noyaux et images itérés Énoncé Soit E un espace vectoriel sur IK (IK = IR ou lc). Soit f un endomorphisme de E. On pose f 0 = Id E, et pour tout entier k 1, f k = f f k 1. 1. Montrer que (Im f k ) k 0 et (Ker f k ) k 0 forment

Plus en détail

EXAMEN FINAL. 2 Février 2006-2 heures Aucun document autorisé

EXAMEN FINAL. 2 Février 2006-2 heures Aucun document autorisé MIE - E ANNÉE ALGORITHMIQUE GÉNÉRALE Vincent Mousseau EXAMEN FINAL Février 006 - heures Aucun document autorisé Exercice : On s intéresse à la gestion informatique des réservations sur l année d une salle

Plus en détail

Souad EL Bernoussi. Groupe d Analyse Numérique et Optimisation Rabat http ://www.fsr.ac.ma/ano/

Souad 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 détail

Pour l épreuve d algèbre, les calculatrices sont interdites.

Pour l épreuve d algèbre, les calculatrices sont interdites. Les pages qui suivent comportent, à titre d exemples, les questions d algèbre depuis juillet 003 jusqu à juillet 015, avec leurs solutions. Pour l épreuve d algèbre, les calculatrices sont interdites.

Plus en détail

La notion de dualité

La notion de dualité La notion de dualité Dual d un PL sous forme standard Un programme linéaire est caractérisé par le tableau simplexe [ ] A b. c Par définition, le problème dual est obtenu en transposant ce tableau. [ A

Plus en détail

Chapitre 3. Mesures stationnaires. et théorèmes de convergence

Chapitre 3. Mesures stationnaires. et théorèmes de convergence Chapitre 3 Mesures stationnaires et théorèmes de convergence Christiane Cocozza-Thivent, Université de Marne-la-Vallée p.1 I. Mesures stationnaires Christiane Cocozza-Thivent, Université de Marne-la-Vallée

Plus en détail

Recherche opérationnelle. Programmation linéaire et recherche opérationnelle. Programmation linéaire. Des problèmes de RO que vous savez résoudre

Recherche opérationnelle. Programmation linéaire et recherche opérationnelle. Programmation linéaire. Des problèmes de RO que vous savez résoudre Recherche opérationnelle Programmation linéaire et recherche opérationnelle Ioan Todinca Ioan.Todinca@univ-orleans.fr tél. 0 38 41 7 93 bureau : en bas à gauche Tentative de définition Ensemble de méthodes

Plus en détail

Plus courts chemins, programmation dynamique

Plus courts chemins, programmation dynamique 1 Plus courts chemins, programmation dynamique 1. Plus courts chemins à partir d un sommet 2. Plus courts chemins entre tous les sommets 3. Semi-anneau 4. Programmation dynamique 5. Applications à la bio-informatique

Plus en détail

LE PROBLEME DU PLUS COURT CHEMIN

LE 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 détail

Exercices - Polynômes : corrigé. Opérations sur les polynômes

Exercices - Polynômes : corrigé. Opérations sur les polynômes Opérations sur les polynômes Exercice 1 - Carré - L1/Math Sup - Si P = Q est le carré d un polynôme, alors Q est nécessairement de degré, et son coefficient dominant est égal à 1. On peut donc écrire Q(X)

Plus en détail

Baccalauréat S Antilles-Guyane 11 septembre 2014 Corrigé

Baccalauréat S Antilles-Guyane 11 septembre 2014 Corrigé Baccalauréat S ntilles-guyane 11 septembre 14 Corrigé EXERCICE 1 6 points Commun à tous les candidats Une entreprise de jouets en peluche souhaite commercialiser un nouveau produit et à cette fin, effectue

Plus en détail

Baccalauréat ES Centres étrangers 12 juin 2014 - Corrigé

Baccalauréat ES Centres étrangers 12 juin 2014 - Corrigé Baccalauréat ES Centres étrangers 1 juin 14 - Corrigé A. P. M. E. P. Exercice 1 5 points Commun à tous les candidats 1. On prend un candidat au hasard et on note : l évènement «le candidat a un dossier

Plus en détail

Programmation dynamique

Programmation dynamique A. Principe général B. Application Triangle de Pascal Série mondiale Multiplication chaînée de matrices Les plus courts chemins Principe général Souvent, pour résoudre un problème de taille n, on s'aperçoit

Plus en détail

Programmation linéaire

Programmation linéaire Programmation linéaire DIDIER MAQUIN Ecole Nationale Supérieure d Electricité et de Mécanique Institut National Polytechnique de Lorraine Mathématiques discrètes cours de 2ème année Programmation linéaire

Plus en détail

[http://mp.cpgedupuydelome.fr] édité le 16 octobre 2015 Enoncés 1

[http://mp.cpgedupuydelome.fr] édité le 16 octobre 2015 Enoncés 1 [http://mp.cpgedupuydelome.fr] édité le 16 octobre 2015 Enoncés 1 Relations binaires Relations d équivalence Exercice 1 [ 02643 ] [Correction] Soit R une relation binaire sur un ensemble E à la fois réflexive

Plus en détail

Cours de mathématiques fondamentales 1 année, DUT GEA. Mourad Abouzaïd

Cours de mathématiques fondamentales 1 année, DUT GEA. Mourad Abouzaïd Cours de mathématiques fondamentales 1 année, DUT GEA Mourad Abouzaïd 9 décembre 2008 2 Table des matières Introduction 7 0 Rappels d algèbre élémentaire 9 0.1 Calcul algébrique................................

Plus en détail

LA PROGRAMMATION LINEAIRE : UN OUTIL DE MODELISATION

LA PROGRAMMATION LINEAIRE : UN OUTIL DE MODELISATION LA PROGRAMMATION LINEAIRE : UN OUTIL DE MODELISATION Dans les leçons précédentes, nous avons modélisé des problèmes en utilisant des graphes. Nous abordons dans cette leçon un autre type de modélisation.

Plus en détail

Anneaux, algèbres. Chapitre 2. 2.1 Structures

Anneaux, algèbres. Chapitre 2. 2.1 Structures Chapitre 2 Anneaux, algèbres 2.1 Structures Un anneau est un ensemble A muni de deux opérations internes + et et d éléments 0 A et 1 A qui vérifient : associativité de l addition : commutativité de l addition

Plus en détail

RAPPORT DE STAGE : Création d un programme pour la reconnaissance de ballons récursivement arbitrairement partitionnables

RAPPORT DE STAGE : Création d un programme pour la reconnaissance de ballons récursivement arbitrairement partitionnables Laboratoire Bordelais de Recherche en Informatique Licence 3 : Informatique RAPPORT DE STAGE : Création d un programme pour la reconnaissance de ballons récursivement arbitrairement partitionnables Auteur

Plus en détail

Master Informatique Fondamentale - M1 Compilation

Master Informatique Fondamentale - M1 Compilation Master Informatique Fondamentale - M1 Compilation Analyse Statique Paul Feautrier ENS de Lyon Paul.Feautrier@ens-lyon.fr perso.ens-lyon.fr/paul.feautrier 12 mai 2007 1 / 38 Indécidabilité de la Terminaison

Plus en détail

Méthodes de quadrature. Polytech Paris-UPMC. - p. 1/48

Méthodes de quadrature. Polytech Paris-UPMC. - p. 1/48 Méthodes de Polytech Paris-UPMC - p. 1/48 Polynôme d interpolation de Preuve et polynôme de Calcul de l erreur d interpolation Étude de la formule d erreur Autres méthodes - p. 2/48 Polynôme d interpolation

Plus en détail

Applications des métaheuristiques #1 Coloration de graphes

Applications des métaheuristiques #1 Coloration de graphes Applications des métaheuristiques #1 Coloration de graphes MTH6311 S. Le Digabel, École Polytechnique de Montréal H2014 (v2) MTH6311: Applications des métaheuristiques #1 Coloration de graphes 1/29 Plan

Plus en détail

Partie I : Automates et langages

Partie I : Automates et langages 2 Les calculatrices sont interdites. N.B. : Le candidat attachera la plus grande importance à la clarté, à la précision et à la concision de la rédaction. Si un candidat est amené à repérer ce qui peut

Plus en détail

3 Approximation de solutions d équations

3 Approximation de solutions d équations 3 Approximation de solutions d équations Une équation scalaire a la forme générale f(x) =0où f est une fonction de IR dans IR. Un système de n équations à n inconnues peut aussi se mettre sous une telle

Plus en détail

Applications Bilinéaires et Formes Quadratiques

Applications Bilinéaires et Formes Quadratiques Ce cours peut être librement copié et distribué. Il est recommandé d en télécharger la version la plus récente à partir de : http://www.math.jussieu.fr/~alp. Toute remarque, correction ou suggestion doit

Plus en détail

1 Définition. 2 Recherche dans un Arbre-B. 3 Insertion dans un Arbre-B. 4 Suppression dans un Arbre-B. Arbre-B

1 Définition. 2 Recherche dans un Arbre-B. 3 Insertion dans un Arbre-B. 4 Suppression dans un Arbre-B. Arbre-B Déition Recherche Arbre-B Insertion Arbre-B Suppression Arbre-B Déition Recherche Arbre-B Insertion Arbre-B Suppression Arbre-B Plan... Les arbres-b Géraldine Del Mondo, Nicolas Delestre 1 Déition 2 Recherche

Plus en détail

Calculs approchés d un point fixe

Calculs approchés d un point fixe M11 ÉPREUVE COMMUNE DE TIPE 2013 - Partie D TITRE : Calculs approchés d un point fixe Temps de préparation :.. 2 h 15 minutes Temps de présentation devant les examinateurs :.10 minutes Dialogue avec les

Plus en détail

Option Informatique Arbres binaires équilibrés

Option Informatique Arbres binaires équilibrés Option Informatique Arbres binaires équilibrés Sujet novembre 2 Partie II : Algorithmique et programmation en CaML Cette partie doit être traitée par les étudiants qui ont utilisé le langage CaML dans

Plus en détail

Surcharge et Redéfinition.

Surcharge et Redéfinition. Surcharge et Redéfinition. Surcharge et Redéfinition...1 La surcharge...1 Type déclaré et type réel....2 Algorithme de résolution de la surcharge....2 La redéfinition...4 Exécution de service...5 Exemple

Plus en détail

Correction de l épreuve intermédiaire de mai 2009.

Correction de l épreuve intermédiaire de mai 2009. Licence de Gestion. 3ème Année Année universitaire 8-9 Optimisation Appliquée C. Léonard Correction de l épreuve intermédiaire de mai 9. Exercice 1 Avec les notations du cours démontrer que la solution

Plus en détail

Apprentissage supervisé

Apprentissage supervisé Apprentissage supervisé 1 Apprendre aux ordinateurs à apprendre Objectif : appliquer la démarche de l apprentissage par l exemple à l ordinateur. Montrer des exemples à l ordinateur en lui disant de quoi

Plus en détail

Cours 02 : Problème général de la programmation linéaire

Cours 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 détail

1 Récupération des données

1 Récupération des données Lycée Buffon MP*/PSI 014-15 Épreuve d informatique du concours blanc, jeudi 5 mars 015 (3h00) Les documents, téléphones portables, ordinateurs et calculatrices sont interdits. Le sujet de cette épreuve

Plus en détail

Les arbres Florent Hivert

Les arbres Florent Hivert 1 de 1 Algorithmique Les arbres Florent Hivert Mél : Florent.Hivert@lri.fr Page personnelle : http://www.lri.fr/ hivert 2 de 1 Algorithmes et structures de données La plupart des bons algorithmes fonctionnent

Plus en détail

Partie 3. Gilles Lebrun (gilles.lebrun@unicaen.fr)

Partie 3. Gilles Lebrun (gilles.lebrun@unicaen.fr) Partie 3 Gilles Lebrun (gilles.lebrun@unicaen.fr) Les arbres binaires Définition : C est une structure arborescente ou hiérarchique ou récursive Chaque élément (nœud) constituant la structure de l arbre

Plus en détail

Structures de données, IMA S6

Structures de données, IMA S6 Structures de données, IMA S6 Arbres Binaires d après un cours de N. Devésa, Polytech Lille. Laure Gonnord http://laure.gonnord.org/pro/teaching/ Laure.Gonnord@polytech-lille.fr Université Lille 1 - Polytech

Plus en détail

Baccalauréat ES/L Métropole La Réunion 13 septembre 2013 Corrigé

Baccalauréat ES/L Métropole La Réunion 13 septembre 2013 Corrigé Baccalauréat S/L Métropole La Réunion 13 septembre 2013 Corrigé A. P. M.. P. XRCIC 1 Commun à tous les candidats Partie A 1. L arbre de probabilité correspondant aux données du problème est : 0,3 0,6 H

Plus en détail

Calcul matriciel. Définition 1 Une matrice de format (m,n) est un tableau rectangulaire de mn éléments, rangés en m lignes et n colonnes.

Calcul matriciel. Définition 1 Une matrice de format (m,n) est un tableau rectangulaire de mn éléments, rangés en m lignes et n colonnes. 1 Définitions, notations Calcul matriciel Définition 1 Une matrice de format (m,n) est un tableau rectangulaire de mn éléments, rangés en m lignes et n colonnes. On utilise aussi la notation m n pour le

Plus en détail

Mathématiques I. Recueil d exercices #2. Analyse II

Mathématiques I. Recueil d exercices #2. Analyse II FACULTE DES SCIENCES ECONOMIQUES ET SOCIALES Sections des sciences économiques et des hautes études commerciales Mathématiques I Cours du professeur D. Royer Recueil d exercices #2 Analyse II Semestre

Plus en détail

PROBLEMES D'ORDONNANCEMENT AVEC RESSOURCES

PROBLEMES 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 détail

1 Force brute. 2 Analyse. 3 Conception préliminaire. 4 Conception détaillée. 5 Développement. 6 Conclusion. Architecture des Systèmes d Information

1 Force brute. 2 Analyse. 3 Conception préliminaire. 4 Conception détaillée. 5 Développement. 6 Conclusion. Architecture des Systèmes d Information Plan Puissance 4 intelligent I3 Algorithmique Nicol Delestre 1 Force brute 2 Analyse 3 Conception préliminaire 4 Conception détaillée 5 Développement 6 Conclusion Puissance 4. v2.0 1 / 29 Puissance 4.

Plus en détail

Optimisation linéaire

Optimisation linéaire Optimisation linéaire Recherche opérationnelle GC-SIE Algorithme du simplexe Phase I 1 Introduction Algorithme du simplexe : Soit x 0 une solution de base admissible Comment déterminer x 0? Comment déterminer

Plus en détail

Notes de cours d algorithmique L3

Notes de cours d algorithmique L3 UFR d Informatique Paris 7 Paris Diderot Année 2010 2011 Notes de cours d algorithmique L3 François Laroussinie Notes de cours d algorithmique L3 François Laroussinie francois.laroussinie@liafa.jussieu.fr

Plus en détail

De même, le périmètre P d un cercle de rayon 1 vaut P = 2π (par définition de π). Mais, on peut démontrer (difficilement!) que

De même, le périmètre P d un cercle de rayon 1 vaut P = 2π (par définition de π). Mais, on peut démontrer (difficilement!) que Introduction. On suppose connus les ensembles N (des entiers naturels), Z des entiers relatifs et Q (des nombres rationnels). On s est rendu compte, depuis l antiquité, que l on ne peut pas tout mesurer

Plus en détail

La localisation et le transport

La localisation et le transport La localisation et le transport Conception des Systèmes Manufacturiers MEC652 Copyright 2012, Dao, Thien-My, École de technologie supérieure 1 Facteurs décisionnels en localisation INTERNATIONNAL Technologie

Plus en détail

Théorème du point fixe - Théorème de l inversion locale

Théorème 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 détail

Théorie des ensembles

Théorie des ensembles Théorie des ensembles Cours de licence d informatique Saint-Etienne 2002/2003 Bruno Deschamps 2 Contents 1 Eléments de théorie des ensembles 3 1.1 Introduction au calcul propositionnel..................

Plus en détail

Représentation de la Connaissance. Complément Pratique 7 novembre 2006

Représentation de la Connaissance. Complément Pratique 7 novembre 2006 Représentation de la Connaissance Les jeux en Prolog Introduction Complément Pratique 7 novembre 2006 Nous nous intéressons aux jeux à deux joueurs pour lesquels la situation du jeu est connue des deux

Plus en détail

Terminale ES Correction du bac blanc de Mathématiques (version spécialité).

Terminale ES Correction du bac blanc de Mathématiques (version spécialité). Terminale ES Correction du bac blanc de Mathématiques (version spécialité). Lycée Jacques Monod février 05 Exercice : Voici les graphiques des questions. et.. A 4 A Graphique Question. Graphique Question..

Plus en détail

Exemples de problèmes et d applications. INF6953 Exemples de problèmes 1

Exemples 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 détail

Algorithmes de recherche

Algorithmes 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 détail

INTRODUCTION AUX PROBLEMES COMBINATOIRES "DIFFICILES" : LE PROBLEME DU VOYAGEUR DE COMMERCE ET LE PROBLEME DE COLORATION D'UN GRAPHE

INTRODUCTION AUX PROBLEMES COMBINATOIRES DIFFICILES : LE PROBLEME DU VOYAGEUR DE COMMERCE ET LE PROBLEME DE COLORATION D'UN GRAPHE Leçon 10 INTRODUCTION AUX PROBLEMES COMBINATOIRES "DIFFICILES" : LE PROBLEME DU VOYAGEUR DE COMMERCE ET LE PROBLEME DE COLORATION D'UN GRAPHE Dans cette leçon, nous présentons deux problèmes très célèbres,

Plus en détail

Fonctions de plusieurs variables

Fonctions 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 détail

Fiche Méthode 11 : Noyaux et images.

Fiche Méthode 11 : Noyaux et images. Fiche Méthode 11 : Noyaux et images. On se place dans un espace vectoriel E de dimension finie n, muni d une base B = ( e 1,..., e n ). f désignera un endomorphisme de E 1 et A la matrice de f dans la

Plus en détail

Université Pierre et Marie Curie - Licence Informatique 2014-2015 Cours LI 352 - Industrie Informatique et son Environnement Économique

Université Pierre et Marie Curie - Licence Informatique 2014-2015 Cours LI 352 - Industrie Informatique et son Environnement Économique Université Pierre et Marie Curie - Licence Informatiue 2014-2015 Cours LI 352 - Industrie Informatiue et son Environnement Économiue TD 5 : CORRIGE 1 Offre à court terme (en CPP) 1.1 La condition de maximisation

Plus en détail

TD: Ensembles, applications, dénombrement

TD: Ensembles, applications, dénombrement Université de Provence Année 011/1 Licence Math Info ème année S3 Fondements de l Informatique 1 Ensembles et fonctions TD: Ensembles, applications, dénombrement 1. On suppose que l ensemble de tous les

Plus en détail

Chapitre 3 RÉGRESSION ET CORRÉLATION

Chapitre 3 RÉGRESSION ET CORRÉLATION Statistique appliquée à la gestion et au marketing http://foucart.thierry.free.fr/statpc Chapitre 3 RÉGRESSION ET CORRÉLATION La corrélation est une notion couramment utilisée dans toutes les applications

Plus en détail

Arbres binaires de recherche

Arbres binaires de recherche Chapitre 1 Arbres binaires de recherche 1 Les arbre sont très utilisés en informatique, d une part parce que les informations sont souvent hiérarchisées, et peuvent être représentées naturellement sous

Plus en détail

t 100. = 8 ; le pourcentage de réduction est : 8 % 1 t Le pourcentage d'évolution (appelé aussi taux d'évolution) est le nombre :

t 100. = 8 ; le pourcentage de réduction est : 8 % 1 t Le pourcentage d'évolution (appelé aussi taux d'évolution) est le nombre : Terminale STSS 2 012 2 013 Pourcentages Synthèse 1) Définition : Calculer t % d'un nombre, c'est multiplier ce nombre par t 100. 2) Exemples de calcul : a) Calcul d un pourcentage : Un article coûtant

Plus en détail

OPTIMISATION À UNE VARIABLE

OPTIMISATION À UNE VARIABLE OPTIMISATION À UNE VARIABLE Sommaire 1. Optimum locaux d'une fonction... 1 1.1. Maximum local... 1 1.2. Minimum local... 1 1.3. Points stationnaires et points critiques... 2 1.4. Recherche d'un optimum

Plus en détail

Modèle probabiliste: Algorithmes et Complexité

Modèle probabiliste: Algorithmes et Complexité Modèles de calcul, Complexité, Approximation et Heuristiques Modèle probabiliste: Algorithmes et Complexité Jean-Louis Roch Master-2 Mathématique Informatique Grenoble-INP UJF Grenoble University, France

Plus en détail

Les arbres de décision

Les arbres de décision Les arbres de décision 25 Septembre 2007 Datamining 1 2007-2008 Plan 1 Le partitionnement récursif 2 C4.5 3 CART 4 Evaluation de performances 5 Bilan Datamining 2 2007-2008 Les données du Titanic Le partitionnement

Plus en détail

SOMMES ET PRODUITS. 1 Techniques de calcul. 1.1 Le symbole. 1.2 Règles de calcul. Laurent Garcin MPSI Lycée Jean-Baptiste Corot

SOMMES ET PRODUITS. 1 Techniques de calcul. 1.1 Le symbole. 1.2 Règles de calcul. Laurent Garcin MPSI Lycée Jean-Baptiste Corot SOMMES ET PRODUITS 1 Techniques de calcul 1.1 Le symbole Notation 1.1 Soient m et n deux entiers naturels. Alors { a m + a m+1 + + a + a n si m n, a = 0 sinon. On peut aussi noter m n =m a ou encore m,n

Plus en détail

Relations binaires sur un ensemble.

Relations binaires sur un ensemble. Math122 Relations binaires sur un ensemble. TABLE DES MATIÈRES Relations binaires sur un ensemble. Relations d équivalence, relation d ordre. Table des matières 0.1 Définition et exemples...................................

Plus en détail

Utilisation d EXCEL pour résoudre des problèmes de programmation linéaire

Utilisation d EXCEL pour résoudre des problèmes de programmation linéaire Utilisation d EXCEL pour résoudre des problèmes de programmation linéaire Introduction Le solveur d'excel est un outil puissance d'optimisation et d'allocation de ressources. Il peut vous aider à déterminer

Plus en détail

Projet d informatique M1BI : Compression et décompression de texte. 1 Généralités sur la compression/décompression de texte

Projet d informatique M1BI : Compression et décompression de texte. 1 Généralités sur la compression/décompression de texte Projet d informatique M1BI : Compression et décompression de texte Le but de ce projet est de coder un programme réalisant de la compression et décompression de texte. On se proposera de coder deux algorithmes

Plus en détail

Modèles stochastiques et applications à la finance

Modèles stochastiques et applications à la finance 1 Université Pierre et Marie Curie Master M1 de Mathématiques, 2010-2011 Modèles stochastiques et applications à la finance Partiel 25 Février 2011, Durée 2 heures Exercice 1 (3 points) On considère une

Plus en détail

CONCOURS SEPTEMBRE 2011 SUJETS

CONCOURS SEPTEMBRE 2011 SUJETS CONCOURS SEPTEMBRE 2011 SUJETS Florilège COPIRELEM Page 155 CERPE groupement 1 - septembre 2011 (corrigé page 171) GROUPEMENT 1 septembre 2011 EXERCICE 1 : Dans cet exercice, six affirmations sont proposées.

Plus en détail

FONCTIONS DE PLUSIEURS VARIABLES (Outils Mathématiques 4)

FONCTIONS DE PLUSIEURS VARIABLES (Outils Mathématiques 4) FONCTIONS DE PLUSIEURS VARIABLES (Outils Mathématiques 4) Bernard Le Stum Université de Rennes 1 Version du 13 mars 2009 Table des matières 1 Fonctions partielles, courbes de niveau 1 2 Limites et continuité

Plus en détail

Nouvelles 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 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 détail

Arbres ordonnés, binaires, tassés, FAP, tri par FAP, tas, tri par tas

Arbres ordonnés, binaires, tassés, FAP, tri par FAP, tas, tri par tas Arbres ordonnés, binaires, tassés, FAP, tri par FAP, tas, tri par tas 1. Arbres ordonnés 1.1. Arbres ordonnés (Arbres O) On considère des arbres dont les nœuds sont étiquetés sur un ensemble muni d'un

Plus en détail

Cours numéro 9 : arbres binaires et de recherche

Cours numéro 9 : arbres binaires et de recherche Cours numéro 9 : arbres binaires et de recherche LI213 Types et Structures de données Licence d Informatique Université Paris 6 Arbre Arbre Un arbre est un ensemble fini A d éléments, liés entre eux par

Plus en détail

Multiplication par une constante entière

Multiplication par une constante entière Multiplication par une constante entière Vincent Lefèvre Juin 2001 Introduction But : générer du code optimal à l aide d opérations élémentaires (décalages vers la gauche, additions, soustractions). Utile

Plus en détail

Un corrigé de l épreuve de mathématiques du baccalauréat blanc

Un corrigé de l épreuve de mathématiques du baccalauréat blanc Terminale ES Un corrigé de l épreuve de mathématiques du baccalauréat blanc EXERCICE ( points). Commun à tous les candidats On considère une fonction f : définie, continue et doublement dérivable sur l

Plus en détail

Systèmes différentiels. 1 Généralités, existence et unicité des solutions

Systèmes différentiels. 1 Généralités, existence et unicité des solutions Systèmes différentiels Cours de YV, L3 Maths, Dauphine, 2012-2013 Plan du cours. Le cours a pour but de répondre aux questions suivantes : - quand une équation différentielle a-t-elle une unique solution

Plus en détail

Notion de complexité

Notion de complexité 1 de 27 Algorithmique Notion de complexité Florent Hivert Mél : Florent.Hivert@lri.fr Adresse universelle : http://www-igm.univ-mlv.fr/ hivert Outils mathématiques 2 de 27 Outils mathématiques : analyse

Plus en détail

Arbres binaires de recherche et arbres rouge noir

Arbres binaires de recherche et arbres rouge noir Institut Galilée lgo, rbres, Graphes I nnée 006-007 License rbres binaires de recherche et arbres rouge noir Rappels de cours et correction du TD rbres binaires de recherche : définitions Un arbre binaire

Plus en détail

6.11 Bases de Lanczos bi-orthogonales pour des matrices non symétriques

6.11 Bases de Lanczos bi-orthogonales pour des matrices non symétriques Chapitre 6 Méthodes de Krylov 611 Bases de Lanczos bi-orthogonales pour des matrices non symétriques Dans le cas où la matrice A n est pas symétrique, comment peut-on retrouver une matrice de corrélation

Plus en détail

Introduction aux inégalités

Introduction aux inégalités Introduction aux inégalités -cours- Razvan Barbulescu ENS, 8 février 0 Inégalité des moyennes Faisons d abord la liste des propritétés simples des inégalités: a a et b b a + b a + b ; s 0 et a a sa sa

Plus en détail

Analyse de programme

Analyse de programme Analyse de programme À quoi ça sert? Comment ça marche? Bertrand Jeannet et Alain Girault INRIA Rhône-Alpes 25 janvier 2012 A. Girault et B. Jeannet (INRIA) Analyse de programme 25 janvier 2012 1 / 41

Plus en détail

Plan. Cours 4 : Méthodes d accès aux données. Architecture système. Objectifs des SGBD (rappel)

Plan. Cours 4 : Méthodes d accès aux données. Architecture système. Objectifs des SGBD (rappel) UPMC - UFR 99 Licence d informatique 205/206 Module 3I009 Cours 4 : Méthodes d accès aux données Plan Fonctions et structure des SGBD Structures physiques Stockage des données Organisation de fichiers

Plus en détail