Chapitre 6. Programmation Dynamique. Méthodes P.S.E.P. 6.1 Programmation dynamique Exemple introductif
|
|
- Aimé Langevin
- il y a 8 ans
- Total affichages :
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
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 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 détailExercices - 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 détailFonctions 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 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 détailChapitre 3. Mesures stationnaires. et théorèmes de convergence
Chapitre 3 Mesures stationnaires et théorèmes de convergence Christiane Cocozza-Thivent, Université de Marne-la-Vallée p.1 I. Mesures stationnaires Christiane Cocozza-Thivent, Université de Marne-la-Vallée
Plus en 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 détailPour 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 détailFeuille 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 détail3 Approximation de solutions d équations
3 Approximation de solutions d équations Une équation scalaire a la forme générale f(x) =0où f est une fonction de IR dans IR. Un système de n équations à n inconnues peut aussi se mettre sous une telle
Plus en détailPlus 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 détailBaccalauréat 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 détailProgrammation linéaire
Programmation linéaire DIDIER MAQUIN Ecole Nationale Supérieure d Electricité et de Mécanique Institut National Polytechnique de Lorraine Mathématiques discrètes cours de 2ème année Programmation linéaire
Plus en détailMéthodes 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 détailCalcul 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 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 détailExercices - 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 détailBaccalauréat 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 détailCours 02 : Problème général de la programmation linéaire
Cours 02 : Problème général de la programmation linéaire Cours 02 : Problème général de la Programmation Linéaire. 5 . Introduction Un programme linéaire s'écrit sous la forme suivante. MinZ(ou maxw) =
Plus en 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 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 détailt 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 détailOPTIMISATION 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 détailDe 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 détailThéorème du point fixe - Théorème de l inversion locale
Chapitre 7 Théorème du point fixe - Théorème de l inversion locale Dans ce chapitre et le suivant, on montre deux applications importantes de la notion de différentiabilité : le théorème de l inversion
Plus en détailNouvelles propositions pour la résolution exacte du sac à dos multi-objectif unidimensionnel en variables binaires
Nouvelles propositions pour la résolution exacte du sac à dos multi-objectif unidimensionnel en variables binaires Julien Jorge julien.jorge@univ-nantes.fr Laboratoire d Informatique de Nantes Atlantique,
Plus en détailFonctions de plusieurs variables
Module : Analyse 03 Chapitre 00 : Fonctions de plusieurs variables Généralités et Rappels des notions topologiques dans : Qu est- ce que?: Mathématiquement, n étant un entier non nul, on définit comme
Plus en 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 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 détailCours de Recherche Opérationnelle IUT d Orsay. Nicolas M. THIÉRY. E-mail address: Nicolas.Thiery@u-psud.fr URL: http://nicolas.thiery.
Cours de Recherche Opérationnelle IUT d Orsay Nicolas M. THIÉRY E-mail address: Nicolas.Thiery@u-psud.fr URL: http://nicolas.thiery.name/ CHAPTER 1 Introduction à l optimisation 1.1. TD: Ordonnancement
Plus en détailFONCTIONS 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 détailOptimisation non linéaire Irène Charon, Olivier Hudry École nationale supérieure des télécommunications
Optimisation non linéaire Irène Charon, Olivier Hudry École nationale supérieure des télécommunications A. Optimisation sans contrainte.... Généralités.... Condition nécessaire et condition suffisante
Plus en détailCorrection du Baccalauréat S Amérique du Nord mai 2007
Correction du Baccalauréat S Amérique du Nord mai 7 EXERCICE points. Le plan (P) a une pour équation cartésienne : x+y z+ =. Les coordonnées de H vérifient cette équation donc H appartient à (P) et A n
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 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 détailSoit la fonction affine qui, pour représentant le nombre de mois écoulés, renvoie la somme économisée.
ANALYSE 5 points Exercice 1 : Léonie souhaite acheter un lecteur MP3. Le prix affiché (49 ) dépasse largement la somme dont elle dispose. Elle décide donc d économiser régulièrement. Elle a relevé qu elle
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 détailResolution limit in community detection
Introduction Plan 2006 Introduction Plan Introduction Introduction Plan Introduction Point de départ : un graphe et des sous-graphes. But : quantifier le fait que les sous-graphes choisis sont des modules.
Plus en détailProjet 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 détailCours d analyse numérique SMI-S4
ours d analyse numérique SMI-S4 Introduction L objet de l analyse numérique est de concevoir et d étudier des méthodes de résolution de certains problèmes mathématiques, en général issus de problèmes réels,
Plus en détailCCP PSI - 2010 Mathématiques 1 : un corrigé
CCP PSI - 00 Mathématiques : un corrigé Première partie. Définition d une structure euclidienne sur R n [X]... B est clairement symétrique et linéaire par rapport à sa seconde variable. De plus B(P, P
Plus en détailChapitre 7. Circuits Magnétiques et Inductance. 7.1 Introduction. 7.1.1 Production d un champ magnétique
Chapitre 7 Circuits Magnétiques et Inductance 7.1 Introduction 7.1.1 Production d un champ magnétique Si on considère un conducteur cylindrique droit dans lequel circule un courant I (figure 7.1). Ce courant
Plus en détailCours d Analyse. Fonctions de plusieurs variables
Cours d Analyse Fonctions de plusieurs variables Licence 1ère année 2007/2008 Nicolas Prioux Université de Marne-la-Vallée Table des matières 1 Notions de géométrie dans l espace et fonctions à deux variables........
Plus en 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 détailExercices du Cours de la programmation linéaire donné par le Dr. Ali DERBALA
75. Un plombier connaît la disposition de trois tuyaux sous des dalles ( voir figure ci dessous ) et il lui suffit de découvrir une partie de chacun d eux pour pouvoir y poser les robinets. Il cherche
Plus en 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 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 détailOptimisation Discrète
Prof F Eisenbrand EPFL - DISOPT Optimisation Discrète Adrian Bock Semestre de printemps 2011 Série 7 7 avril 2011 Exercice 1 i Considérer le programme linéaire max{c T x : Ax b} avec c R n, A R m n et
Plus en détailMathématiques appliquées à l'économie et à la Gestion
Mathématiques appliquées à l'économie et à la Gestion Mr Makrem Ben Jeddou Mme Hababou Hella Université Virtuelle de Tunis 2008 Continuité et dérivation1 1- La continuité Théorème : On considère un intervalle
Plus en détailProgrammation linéaire et Optimisation. Didier Smets
Programmation linéaire et Optimisation Didier Smets Chapitre 1 Un problème d optimisation linéaire en dimension 2 On considère le cas d un fabricant d automobiles qui propose deux modèles à la vente, des
Plus en détailCours3. Applications continues et homéomorphismes. 1 Rappel sur les images réciproques
Université de Provence Topologie 2 Cours3. Applications continues et homéomorphismes 1 Rappel sur les images réciproques Soit une application f d un ensemble X vers un ensemble Y et soit une partie P de
Plus en 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 détailLes arbres binaires de recherche
Institut Galilée Année 2010-2011 Algorithmique et arbres L2 TD 6 Les arbres binaires de recherche Type en C des arbres binaires (également utilisé pour les ABR) : typedef struct noeud_s { struct noeud_s
Plus en détailLa fonction exponentielle
DERNIÈRE IMPRESSION LE 2 novembre 204 à :07 La fonction exponentielle Table des matières La fonction exponentielle 2. Définition et théorèmes.......................... 2.2 Approche graphique de la fonction
Plus en détailSimulation de variables aléatoires
Chapter 1 Simulation de variables aléatoires Références: [F] Fishman, A first course in Monte Carlo, chap 3. [B] Bouleau, Probabilités de l ingénieur, chap 4. [R] Rubinstein, Simulation and Monte Carlo
Plus en détailFonctions de deux variables. Mai 2011
Fonctions de deux variables Dédou Mai 2011 D une à deux variables Les fonctions modèlisent de l information dépendant d un paramètre. On a aussi besoin de modéliser de l information dépendant de plusieurs
Plus en détail1 de 46. Algorithmique. Trouver et Trier. Florent Hivert. Mél : Florent.Hivert@lri.fr Page personnelle : http://www.lri.fr/ hivert
1 de 46 Algorithmique Trouver et Trier Florent Hivert Mél : Florent.Hivert@lri.fr Page personnelle : http://www.lri.fr/ hivert 2 de 46 Algorithmes et structures de données La plupart des bons algorithmes
Plus en détailLes devoirs en Première STMG
Les devoirs en Première STMG O. Lader Table des matières Devoir sur table 1 : Proportions et inclusions....................... 2 Devoir sur table 1 : Proportions et inclusions (corrigé)..................
Plus en détailExercices types Algorithmique et simulation numérique Oral Mathématiques et algorithmique Banque PT
Exercices types Algorithmique et simulation numérique Oral Mathématiques et algorithmique Banque PT Ces exercices portent sur les items 2, 3 et 5 du programme d informatique des classes préparatoires,
Plus en détailExercice autour de densité, fonction de répatition, espérance et variance de variables quelconques.
14-3- 214 J.F.C. p. 1 I Exercice autour de densité, fonction de répatition, espérance et variance de variables quelconques. Exercice 1 Densité de probabilité. F { ln x si x ], 1] UN OVNI... On pose x R,
Plus en détailJade. Projet Intelligence Artificielle «Devine à quoi je pense»
Jade Projet Intelligence Artificielle «Devine à quoi je pense» Réalisé par Djénéba Djikiné, Alexandre Bernard et Julien Lafont EPSI CSII2-2011 TABLE DES MATIÈRES 1. Analyse du besoin a. Cahier des charges
Plus en détailOptimisation for Cloud Computing and Big Data
1 / 23 Optimisation for Cloud Computing and Big Data Olivier Beaumont, Lionel Eyraud-Dubois 2 / 23 Aujourd hui Problèmes de fiabilité on va oublier la dynamicité Placement de VMs en programmation par contraintes
Plus en détailSujet 4: Programmation stochastique propriétés de fonction de recours
Sujet 4: Programmation stochastique propriétés de fonction de recours MSE3313: Optimisation Stochastiqe Andrew J. Miller Dernière mise au jour: October 19, 2011 Dans ce sujet... 1 Propriétés de la fonction
Plus en détailChapitre 7. Récurrences
Chapitre 7 Récurrences 333 Plan 1. Introduction 2. Applications 3. Classification des récurrences 4. Résolution de récurrences 5. Résumé et comparaisons Lectures conseillées : I MCS, chapitre 20. I Rosen,
Plus en détailARBRES BINAIRES DE RECHERCHE
ARBRES BINAIRES DE RECHERCHE Table de symboles Recherche : opération fondamentale données : éléments avec clés Type abstrait d une table de symboles (symbol table) ou dictionnaire Objets : ensembles d
Plus en détailProgrammation Linéaire - Cours 1
Programmation Linéaire - Cours 1 P. Pesneau pierre.pesneau@math.u-bordeaux1.fr Université Bordeaux 1 Bât A33 - Bur 265 Ouvrages de référence V. Chvátal - Linear Programming, W.H.Freeman, New York, 1983.
Plus en détailArbres binaires de décision
1 Arbres binaires de décision Résumé Arbres binaires de décision Méthodes de construction d arbres binaires de décision, modélisant une discrimination (classification trees) ou une régression (regression
Plus en détailLA NOTATION STATISTIQUE DES EMPRUNTEURS OU «SCORING»
LA NOTATION STATISTIQUE DES EMPRUNTEURS OU «SCORING» Gilbert Saporta Professeur de Statistique Appliquée Conservatoire National des Arts et Métiers Dans leur quasi totalité, les banques et organismes financiers
Plus en détailComplément d information concernant la fiche de concordance
Sommaire SAMEDI 0 DÉCEMBRE 20 Vous trouverez dans ce dossier les documents correspondants à ce que nous allons travailler aujourd hui : La fiche de concordance pour le DAEU ; Page 2 Un rappel de cours
Plus en détailStatistique : Résumé de cours et méthodes
Statistique : Résumé de cours et méthodes 1 Vocabulaire : Population : c est l ensemble étudié. Individu : c est un élément de la population. Effectif total : c est le nombre total d individus. Caractère
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 détailUniversité Paris-Dauphine DUMI2E 1ère année, 2009-2010. Applications
Université Paris-Dauphine DUMI2E 1ère année, 2009-2010 Applications 1 Introduction Une fonction f (plus précisément, une fonction réelle d une variable réelle) est une règle qui associe à tout réel x au
Plus en détailObjectifs. Clustering. Principe. Applications. Applications. Cartes de crédits. Remarques. Biologie, Génomique
Objectifs Clustering On ne sait pas ce qu on veut trouver : on laisse l algorithme nous proposer un modèle. On pense qu il existe des similarités entre les exemples. Qui se ressemble s assemble p. /55
Plus en détail(Exemple ici de calcul pour une Ducati 748 biposto, et également pour un S2R1000, équipé d un disque acier en fond de cloche, et ressorts d origine)
Analyse de la charge transmise aux roulements de la roue dentée, notamment en rajoutant les efforts axiaux dus aux ressorts de l embrayage (via la cloche) (Exemple ici de calcul pour une Ducati 748 biposto,
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 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 détailProgrammation par contraintes. Laurent Beaudou
Programmation par contraintes Laurent Beaudou On se trouve où? Un problème, une solution : la solution est-elle une solution du problème? simulation, vérification 2 On se trouve où? Un problème, une solution
Plus en détailBig Data et Graphes : Quelques pistes de recherche
Big Data et Graphes : Quelques pistes de recherche Hamamache Kheddouci Laboratoire d'informatique en Image et Systèmes d'information LIRIS UMR 5205 CNRS/INSA de Lyon/Université Claude Bernard Lyon 1/Université
Plus en détailL ANALYSE EN COMPOSANTES PRINCIPALES (A.C.P.) Pierre-Louis GONZALEZ
L ANALYSE EN COMPOSANTES PRINCIPALES (A.C.P.) Pierre-Louis GONZALEZ INTRODUCTION Données : n individus observés sur p variables quantitatives. L A.C.P. permet d eplorer les liaisons entre variables et
Plus en détailArchitecture des Systèmes d Information Architecture des Systèmes d Information
Plan... Tableaux et tris I3 - Algorithmique et programmation 1 Rappels Nicol Delestre 2 Tableaux à n dimensions 3 Initiation aux tris Tableaux - v2.0.1 1 / 27 Tableaux - v2.0.1 2 / 27 Rappels : tableau
Plus en détailEléments de Théorie des Graphes et Programmation Linéaire
INSTITUT NATIONAL POLYTECHNIQUE DE LORRAINE Ecole Nationale Supérieure d Electricité et de Mécanique Eléments de Théorie des Graphes et Programmation Linéaire Didier Maquin Professeur à l INPL Version
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 détailDéfinitions. Numéro à préciser. (Durée : )
Numéro à préciser (Durée : ) On étudie dans ce problème l ordre lexicographique pour les mots sur un alphabet fini et plusieurs constructions des cycles de De Bruijn. Les trois parties sont largement indépendantes.
Plus en détailInitiation à l algorithmique
Informatique S1 Initiation à l algorithmique procédures et fonctions 2. Appel d une fonction Jacques TISSEAU Ecole Nationale d Ingénieurs de Brest Technopôle Brest-Iroise CS 73862-29238 Brest cedex 3 -
Plus en détailDistribution Uniforme Probabilité de Laplace Dénombrements Les Paris. Chapitre 2 Le calcul des probabilités
Chapitre 2 Le calcul des probabilités Equiprobabilité et Distribution Uniforme Deux événements A et B sont dits équiprobables si P(A) = P(B) Si il y a équiprobabilité sur Ω, cad si tous les événements
Plus en détailExercices sur les interfaces
Exercices sur les interfaces Fabrice Rossi 18 octobre 1999 1 Le type Object 1.1 Manipulations élémentaires Exercice 1.1 : Indiquer l affichage produit par le programme suivant : public class UpCast1 {
Plus en détailTD 1 - Structures de Traits et Unification
TD 1 - Structures de Traits et Unification 1 Définitions Un trait (en: feature) est un couple attribut-valeur. Une structure de traits (en: feature structure) est un ensemble de traits. On peut les représenter
Plus en détailReprésentation des Nombres
Chapitre 5 Représentation des Nombres 5. Representation des entiers 5.. Principe des représentations en base b Base L entier écrit 344 correspond a 3 mille + 4 cent + dix + 4. Plus généralement a n a n...
Plus en détailThéorie des Graphes Cours 3: Forêts et Arbres II / Modélisation
IFIPS S7 - informatique Université Paris-Sud 11 1er semestre 2009/2010 Théorie des Graphes Cours 3: Forêts et Arbres II / 1 Forêts et arbres II Théorème 1.1. Les assertions suivantes sont équivalentes
Plus en détailApprentissage par renforcement (1a/3)
Apprentissage par renforcement (1a/3) Bruno Bouzy 23 septembre 2014 Ce document est le chapitre «Apprentissage par renforcement» du cours d apprentissage automatique donné aux étudiants de Master MI, parcours
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 détailCours de Probabilités et de Statistique
Cours de Probabilités et de Statistique Licence 1ère année 2007/2008 Nicolas Prioux Université Paris-Est Cours de Proba-Stat 2 L1.2 Science-Éco Chapitre Notions de théorie des ensembles 1 1.1 Ensembles
Plus en détailLeçon 01 Exercices d'entraînement
Leçon 01 Exercices d'entraînement Exercice 1 Etudier la convergence des suites ci-dessous définies par leur terme général: 1)u n = 2n3-5n + 1 n 2 + 3 2)u n = 2n2-7n - 5 -n 5-1 4)u n = lnn2 n+1 5)u n =
Plus en détailLicence Sciences et Technologies Examen janvier 2010
Université de Provence Introduction à l Informatique Licence Sciences et Technologies Examen janvier 2010 Année 2009-10 Aucun document n est autorisé Les exercices peuvent être traités dans le désordre.
Plus en détailSystème ASC unitaire triphasé. PowerScale 10 50 kva Maximisez votre disponibilité avec PowerScale
Système ASC unitaire triphasé 10 50 kva Maximisez votre disponibilité avec Protection de première qualité est un système ASC triphasé de taille moyenne qui offre une protection électrique remarquable pour
Plus en détaila et b étant deux nombres relatifs donnés, une fonction affine est une fonction qui a un nombre x associe le nombre ax + b
I Définition d une fonction affine Faire l activité 1 «une nouvelle fonction» 1. définition générale a et b étant deux nombres relatifs donnés, une fonction affine est une fonction qui a un nombre x associe
Plus en détailChapitre 0 Introduction à la cinématique
Chapitre 0 Introduction à la cinématique Plan Vitesse, accélération Coordonnées polaires Exercices corrigés Vitesse, Accélération La cinématique est l étude du mouvement Elle suppose donc l existence à
Plus en détailChapitre 2 Le problème de l unicité des solutions
Université Joseph Fourier UE MAT 127 Mathématiques année 2011-2012 Chapitre 2 Le problème de l unicité des solutions Ce que nous verrons dans ce chapitre : un exemple d équation différentielle y = f(y)
Plus en détailExemple 4.4. Continuons l exemple précédent. Maintenant on travaille sur les quaternions et on a alors les décompositions
Exemple 4.4. Continuons l exemple précédent. Maintenant on travaille sur les quaternions et on a alors les décompositions HQ = He 1 He 2 He 3 He 4 HQ e 5 comme anneaux (avec centre Re 1 Re 2 Re 3 Re 4
Plus en détailCalcul différentiel sur R n Première partie
Calcul différentiel sur R n Première partie Université De Metz 2006-2007 1 Définitions générales On note L(R n, R m ) l espace vectoriel des applications linéaires de R n dans R m. Définition 1.1 (différentiabilité
Plus en détail