Méthodologie de Développement Objet
|
|
- Pierre-Marie Larrivée
- il y a 8 ans
- Total affichages :
Transcription
1 1/32 Méthodologie de Développement Objet Quatrième partie : Présentation du projet Christine Solnon INSA de Lyon - 4IF
2 2/32 Plan du cours Optimisation de tournées de livraison Le projet Optimod Lyon 1 Optimisation de tournées de livraison Le projet Optimod Lyon Le projet DevOO 2
3 Optimisation de tournées de livraison Le projet Optimod Lyon Le projet Optimod Lyon Réponse à un appel à projets de l ADEME sur la mobilité urbaine Porteur : Grand Lyon 13 partenaires : 2 collectivités : Lyon et Grand Lyon 8 industriels : IBM, Renault Trucks, Orange, CityWay, Phoenix ISI, Parkeon, Autoroutes Trafic, Geoloc Systems 3 laboratoires de recherche : LIRIS, CETE, LET OPTIMIZE SUSTAINABLE MOBILITY IN THE CITY Durée : 3 ans ( ) Budget : 7 M Euros 3/32
4 Optimisation de tournées de livraison Le projet Optimod Lyon Objectifs d Optimod Lyon New systems for collecting mobility data in real time Grand Lyon mobility portal Mobility Data warehouse Optimize the exploitation of urban networks by a 1 hour prediction of traffic conditions Provide real time and multi modal information, available at any time, every where and for every body Optimize urban deliveries by informing drivers and optimizing tours 4/32
5 5/32 Plan du cours Optimisation de tournées de livraison Le projet DevOO 1 Optimisation de tournées de livraison Le projet Optimod Lyon Le projet DevOO 2
6 Optimisation de tournées de livraison Le projet DevOO Vue générale du projet (IHM + DevOO) Sous-système Demande de livraison : Utilisé par les clients pour Demander une nouvelle livraison Suivre une livraison en cours Sous-système Préparation et supervision des livraisons : Utilisé par les sociétés de livraison pour Planifier les tournées de livraison Modifier une tournée planifiée Superviser le bon déroulement des tournées en cours Sous-système Réalisation des livraisons : Utilisé par les livreurs pour Connaître les livraisons à effectuer et l itinéraire à suivre Indiquer les livraisons effectuées Sous-système Relations clientèles : Utilisé par les sociétés de livraison pour gérer ses relations clients 6/32
7 Entrepot en bleu clair 7/32 Optimisation de tournées de livraison Le projet DevOO Périmètre du projet DevOO Préparation des feuilles de route : Charger un plan à partir d un fichier XML Charger une demande de livraisons à partir d un fichier XML Calculer une tournée pour une demande de livraisons Modifier interactivement une tournée Générer une feuille de route pour le livreur Points reliés par des tronçons Chaque tronçon a une longueur et une vitesse moyenne
8 7/32 Optimisation de tournées de livraison Le projet DevOO Périmètre du projet DevOO Préparation des feuilles de route : Charger un plan à partir d un fichier XML Charger une demande de livraisons à partir d un fichier XML Calculer une tournée pour une demande de livraisons Modifier interactivement une tournée Générer une feuille de route pour le livreur 3 plages de livraison : 8h-10h (bleu) : 4 livraisons 10h-12h (rose) : 4 livraisons 12h-14h (vert) : 5 livraisons
9 7/32 Optimisation de tournées de livraison Le projet DevOO Périmètre du projet DevOO Préparation des feuilles de route : Charger un plan à partir d un fichier XML Charger une demande de livraisons à partir d un fichier XML Calculer une tournée pour une demande de livraisons Modifier interactivement une tournée Générer une feuille de route pour le livreur Tournée la plus courte partant de (et revenant sur) l entrepot et passant successivement par 1 les points bleus 2 les points roses 3 les points verts
10 7/32 Optimisation de tournées de livraison Le projet DevOO Périmètre du projet DevOO Préparation des feuilles de route : Charger un plan à partir d un fichier XML Charger une demande de livraisons à partir d un fichier XML Calculer une tournée pour une demande de livraisons Modifier interactivement une tournée Générer une feuille de route pour le livreur Possibilité de Supprimer des livraisons Insérer des livraisons
11 7/32 Optimisation de tournées de livraison Le projet DevOO Périmètre du projet DevOO Préparation des feuilles de route : Charger un plan à partir d un fichier XML Charger une demande de livraisons à partir d un fichier XML Calculer une tournée pour une demande de livraisons Modifier interactivement une tournée Générer une feuille de route pour le livreur Description textuelle de la tournée indiquant l itinéraire et les horaires de passage
12 8/32 Optimisation de tournées de livraison Le projet DevOO Formalisation du problème de calcul de tournée Données fournies en entrée : Un graphe G = (V, A) tel que V = points et A = tronçons Un entrepôt e V Une fonction d : A R + telle que d ij = durée de l arc (i, j) Un ensemble de points de livraison L V Une fonction p : L N telle que p i est la plage de livraison de i Données à calculer en sortie : Un circuit c dans G tel que c part de e, passe par chaque point de L et revient sur e pour tout couple de points (i, j) L L, si p i < p j alors c passe par i avant de passer par j la somme des durées des arcs de c est minimale
13 Optimisation de tournées de livraison Le projet DevOO Reformulation du problème de calcul de tournée Calcul du graphe des plus courts chemins G : Entrée : G = (V, A), L V, e V, p : L N et d : A R + Sortie : G = (V, A ) et d : A R + tels que V = L {e} A = {(e, i) i L, p i est minimal} {(i, j) L L p i = p j p j = p i + 1} {(i, e) i L, p i est maximal} d ij = longueur du plus court chemin de i à j dans G e Recherche du plus court circuit hamiltonien dans G Entrée : un graphe G = (V, A ) et une fonction coût d : A R + Sortie : un circuit c dans G tel que Chaque sommet de V apparaît exactement une fois dans c La somme des coûts des arcs de c est minimale Problème NP-difficile bien connu : le voyageur de commerce! 9/32
14 Optimisation de tournées de livraison Le projet DevOO Reformulation du problème de calcul de tournée Calcul du graphe des plus courts chemins G : Entrée : G = (V, A), L V, e V, p : L N et d : A R + Sortie : G = (V, A ) et d : A R + tels que V = L {e} A = {(e, i) i L, p i est minimal} {(i, j) L L p i = p j p j = p i + 1} {(i, e) i L, p i est maximal} d ij = longueur du plus court chemin de i à j dans G e Recherche du plus court circuit hamiltonien dans G Entrée : un graphe G = (V, A ) et une fonction coût d : A R + Sortie : un circuit c dans G tel que Chaque sommet de V apparaît exactement une fois dans c La somme des coûts des arcs de c est minimale Problème NP-difficile bien connu : le voyageur de commerce! 9/32
15 10/32 Plan du cours Problèmes d optimisation sous contraintes 1 Optimisation de tournées de livraison 2 Problèmes d optimisation sous contraintes Programmation par contraintes Code Choco fourni pour le projet
16 11/32 Problèmes d optimisation sous contraintes Rappels (cf Aide à la décision / M. Miquel) Modèle mathématique d un problème d optimisation sous contraintes : Quadruplet (X, D, C, F) tel que X = ensemble de variables (inconnues du problème) D = fonction associant à chaque variable un ensemble de valeurs D(x i ) = domaine de x i = ensemble des valeurs que x i peut prendre C = contraintes du problème Contrainte = relation entre des variables de X Restreint les valeurs pouvant être affectées à ces variables F : X R = fonction objectif But du jeu : Affecter une valeur à chaque variable de sorte que Chaque variable soit affectée à une valeur de son domaine Toutes les contraintes de C soient satisfaites F soit maximisée (ou minimisée)
17 12/32 Quelques cas particuliers Problèmes d optimisation sous contraintes Pas de contraintes : C = Problème d optimisation Pas de fonction objectif : F = 0 Problème de satisfaction de contraintes (CSP) Domaines de D discrets (énumérables) Problème combinatoire F linéaire, D = R et C = ensemble d inéquations linéaires Problème d optimisation linéaire (programmation linéaire) F linéaire, D = Z et C = ensemble d inéquations linéaires Problème d optimisation linéaire en nombres entiers F linéaire, D = {0, 1} et C = ensemble d inéquations linéaires Problème de sac-à-dos multidimensionnel F quadratique, D = R et C = ensemble d inéquations linéaires Problème d optimisation quadratique (programmation quadratique)...
18 13/32 Très très nombreuses applications Problèmes d optimisation sous contraintes Conception d emplois du temps, affectation de ressources Ordonnancement de tâches Tournées de véhicules, voyageur de commerce Découpe de pièces, chargement de véhicules Optimisation du trafic (avions, trains, voitures, frêt,...)... et développement durable! cf Cours de M. Miquel pour des exemples...
19 14/32 Complexité Problèmes d optimisation sous contraintes Certains cas particuliers ont des complexités polynomiales : Programmation linéaire (domaines continus) 2-SAT Problème d affectation / couplage maximal Quelques problèmes dans les graphes : ACM, Plus courts chemins, Coupure minimale/flot maximal, Ils sont bien souvent NP-difficiles : Programmation linéaire en nombres entiers, Sac-à-dos SAT, 3-SAT, Planar-3-SAT,... Nombreux problèmes dans les graphes : Coloriage, Voyageur de commerce, Cliques/Stables,... CSP finis (contraintes quelconques)... Dans certains cas, ils sont indécidables : Equations diophantiennes CSP continus (contraintes quelconques)...
20 15/32 Problèmes d optimisation sous contraintes Difficulté des problèmes NP-difficiles? Croissance exponentielle : n 2 n Temps (si 10 9 instr/seconde) seconde minutes jours ans siècles
21 16/32 Et en pratique? Problèmes d optimisation sous contraintes Certaines instances de problèmes NP-complets peuvent être faciles Notion de transition de phase Certains problèmes NP-difficiles admettent des cas particuliers qui ont des complexités polynomiales Certains problèmes NP-difficiles sont approximables en temps polynomial (avec garantie sur l erreur) Sinon, on peut explorer l espace de recherche de façon intelligente" : Contenir l explosion en structurant et filtrant l espace Contourner l explosion en faisant des impasses
22 17/32 Problèmes d optimisation sous contraintes Méthodes complètes : Contenir l explosion combinatoire Branch & Bound & Propagate Branch : Structurer l espace de recherche en arbre Elaguer les branches de l arbre : Bound : Calcul de bornes sur la fonction objectif Ex. : Solution sur R en prog. linéaire Propagate : Propagation des contraintes pour réduire les domaines Utiliser des heuristiques d ordre Choix de la prochaine variable à instancier Choix de la valeur à affecter à cette variable Ex : pb des 4 reines D(x3) vide => élagage D(x4) vide => élagage
23 18/32 Problèmes d optimisation sous contraintes Méthodes incomplètes : Contourner l explosion combinatoire Exploration guidée par des heuristiques Intensification de la recherche autour des zones prometteuses" Diversification pour découvrir de nouvelles zones Deux familles d approches incomplètes Perturbatives : modification de combinaisons existantes Ex : Recherche locale (LS), Algorithmes génétiques (GA), Optimisation par essaims de particules (PSO),... Constructives : construction de nouvelles combinaisons Ex : Optimisation par colonies de fourmis (ACO), Algorithmes par estimation de distribution (EDA),... Exemple de recherche locale pour le problème des 8 reines :
24 19/32 Plan du cours Programmation par contraintes 1 Optimisation de tournées de livraison 2 Problèmes d optimisation sous contraintes Programmation par contraintes Code Choco fourni pour le projet
25 20/32 Programmation par contraintes La programmation par Contraintes (CP) "Constraint programming represents one of the closest approaches computer science has yet made to the Holy Grail of programming : the user states the problem, the computer solves it." Eugene C. Freuder En pratique : CP = Model + Search" Model = Description du problème Déclaration des variables et de leurs domaines Déclaration des contraintes Eventuellement : Déclaration d une fonction objectif Search = Exploration de l espace de recherche Utilisation d algorithmes intégrés Possibilité de guider la recherche par des heuristiques Possibilité de définir de nouvelles stratégies Pas toujours aussi efficace qu un programme «cousu main»... mais tellement plus vite développé!
26 21/32 Programmation par contraintes Langages et environnements de programmation par Contraintes ALICE [Jean-Louis Laurière, 1976] Premier système à base de contraintes CHIP, Prolog V, Gnu-Prolog Extensions de Prolog CHOCO (Java), Gecode (C++), OR-Tools (C++) Bibliothèques open source OPL Development Studio (IBM) Langage de modélisation + CP + MIP Comet (Dynadec) Langage de modélisation + CP + CBLS + MIP...
27 22/32 Programmation par contraintes Exemple de programme linéaire en OPL
28 Programmation par contraintes Exemple de sac-à-dos en OPL [Programme extrait du manuel utilisateur d OPL ( 23/32
29 24/32 Programmation par contraintes Exemple de programme CBLS : les reines en Comet
30 25/32 Programmation par contraintes Le voyageur de commerce en CP Variables : X = {next i, cost i i V } de sorte que : La variable next i donne le sommet visité après le sommet i La variable cost i donne le cout de l arc (i, next i ) Domaines : D(next i ) = {j V (i, j) A } D(cost i ) = [mincost i, maxcost i ] Contraintes : Le cout associé à i est égal au coût de l arc entre i et next i : i V, cost i = d i,nexti Next doit définir un circuit : circuit(next, 0) Fonction objectif : F = min i V cost i
31 26/32 Plan du cours Code Choco fourni pour le projet 1 Optimisation de tournées de livraison 2 Problèmes d optimisation sous contraintes Programmation par contraintes Code Choco fourni pour le projet
32 27/32 Diagramme de classes Code Choco fourni pour le projet
33 28/32 Code Choco fourni pour le projet Code Choco : Déclaration des variables et contraintes
34 29/32 Code Choco : Résolution Code Choco fourni pour le projet
35 30/32 Code Choco fourni pour le projet Code de test : Comparaison avec Branch & Bound Résultat de l exécution du test : testbestsol: 3377 ms for Choco and ms for Branch and Bound
36 31/32 Code Choco fourni pour le projet Code de test : Exécution sur une instance plus grosse
37 32/32 Résultat de l exécution du test Code Choco fourni pour le projet
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 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 détailStratégie de recherche adaptative en programmation par contrainte
Université Paul Sabatier École Nationale de l Aviation Civile Master 2 Recherche Informatique et Télécommunication parcours Intelligence Artificielle Simon Marchal Stratégie de recherche adaptative en
Plus en détailLa NP-complétude. Johanne Cohen. PRISM/CNRS, Versailles, France.
La NP-complétude Johanne Cohen PRISM/CNRS, Versailles, France. Références 1. Algorithm Design, Jon Kleinberg, Eva Tardos, Addison-Wesley, 2006. 2. Computers and Intractability : A Guide to the Theory of
Plus en détailProgrammation 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 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 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 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 détailCours Optimisation Partie Optimisation Combinatoire. Année scolaire 2008-2009. Gérard Verfaillie ONERA/DCSD/CD, Toulouse Gerard.Verfaillie@onera.
Cours Optimisation Partie Optimisation Combinatoire 3ième année ISAE Année scolaire 2008-2009 Gérard Verfaillie ONERA/DCSD/CD, Toulouse Gerard.Verfaillie@onera.fr Septembre 2008 Résumé Ce document couvre
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 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 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 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 détailModélisation multi-agents - Agents réactifs
Modélisation multi-agents - Agents réactifs Syma cursus CSI / SCIA Julien Saunier - julien.saunier@ifsttar.fr Sources www-lih.univlehavre.fr/~olivier/enseignement/masterrecherche/cours/ support/algofourmis.pdf
Plus en détailCours 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 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 détailUn modèle réactif pour l optimisation par colonies de fourmis : application à la satisfaction de contraintes
Actes JFPC 2009 Un modèle réactif pour l optimisation par colonies de fourmis : application à la satisfaction de contraintes Madjid Khichane 1,2, Patrick Albert 1 et Christine Solnon 2 1 ILOG An IBM Company
Plus en 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 détailContrainte de flot pour RCPSP avec temps de transfert
Contrainte de flot et x-rcpsc T 1 Contrainte de flot pour RCPSP avec temps de transfert PS temp, s ij Cmax BENOIST Thierry BOUYGUES/e-Lab DIAMANTINI Maurice ENSTA/LMA Contrainte de flot et x-rcpsc T Présentation
Plus en 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 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 détailModèles et algorithmes pour le conseil et la gestion des préférences en configuration de produit
Modèles et algorithmes pour le conseil et la gestion des préférences en configuration de produit Revue à mi parcours du projet ANR Blanc «BR4CP» Hélène Fargier - IRIT Résolution interactive Le «catalogue»
Plus en détailMasses de données. 1. Introduction 2. Problématiques 3. Socle de formation (non présenté) 4. Liens avec Formation INSA
Masses de données 1. Introduction 2. Problématiques 3. Socle de formation (non présenté) 4. Liens avec Formation INSA Rédacteurs : Mjo Huguet / N. Jozefowiez 1. Introduction : Besoins Informations et Aide
Plus en détailCommunications collectives et ordonnancement en régime permanent pour plates-formes hétérogènes
Loris MARCHAL Laboratoire de l Informatique du Parallélisme Équipe Graal Communications collectives et ordonnancement en régime permanent pour plates-formes hétérogènes Thèse réalisée sous la direction
Plus en détailIntroduction à la Programmation par Contraintes (PPC) Ruslan Sadykov LIX, École Polytechnique
Introduction à la Programmation par Contraintes (PPC) Ruslan Sadykov LIX, École Polytechnique Contenu Introduction Modélisation Problèmes de satisfaction des contraintes Exemples des modèles PPC simples
Plus en détailOptimisation et Processus métier
Optimisation et Processus métier découvrez avec ILOG la solution d'optimisation leader du marché Didier Vidal vidaldid@fr.ibm.com Petit problème d optimisation 1 2000 1 Coûts de transport: 10 Euros par
Plus en détailIntégration de la dimension sémantique dans les réseaux sociaux
Intégration de la dimension sémantique dans les réseaux sociaux Application : systèmes de recommandation Maria Malek LARIS-EISTI maria.malek@eisti.fr 1 Contexte : Recommandation dans les réseaux sociaux
Plus en détailLe théorème de Perron-Frobenius, les chaines de Markov et un célèbre moteur de recherche
Le théorème de Perron-Frobenius, les chaines de Markov et un célèbre moteur de recherche Bachir Bekka Février 2007 Le théorème de Perron-Frobenius a d importantes applications en probabilités (chaines
Plus en détailAlgorithmes de recherche d itinéraires en transport multimodal
de recherche d itinéraires en transport multimodal Fallou GUEYE 14 Décembre 2010 Direction : Christian Artigues LAAS-CNRS Co-direction : Marie José Huguet LAAS-CNRS Encadrant industriel : Frédéric Schettini
Plus en détailSystèmes décisionnels et programmation avancée
Systèmes décisionnels et programmation avancée M1 SIR Philippe Muller et Mustapha Mojahid, Matthieu Serrurier, Marie-Christine Scheix 2014-2015 Introduction structure du cours intervenants introduction
Plus en détailIntelligence Artificielle Planification
Intelligence Artificielle Planification Bruno Bouzy http://web.mi.parisdescartes.fr/~bouzy bruno.bouzy@parisdescartes.fr Licence 3 Informatique UFR Mathématiques et Informatique Université Paris Descartes
Plus en détailDes contraintes globales prêtes à brancher
Actes JFPC 2009 Des contraintes globales prêtes à brancher Guillaume Richaud Xavier Lorca Narendra Jussien École des Mines de Nantes, LINA UMR CNRS 6241, F 44307 Nantes Cedex 3, France {guillaume.richaud,xavier.lorca,narendra.jussien}@emn.fr
Plus en détailTRAVAUX DE RECHERCHE DANS LE
TRAVAUX DE RECHERCHE DANS LE DOMAINE DE L'EXPLOITATION DES DONNÉES ET DES DOCUMENTS 1 Journée technologique " Solutions de maintenance prévisionnelle adaptées à la production Josiane Mothe, FREMIT, IRIT
Plus en détailPROBABILITES ET STATISTIQUE I&II
PROBABILITES ET STATISTIQUE I&II TABLE DES MATIERES CHAPITRE I - COMBINATOIRE ELEMENTAIRE I.1. Rappel des notations de la théorie des ensemble I.1.a. Ensembles et sous-ensembles I.1.b. Diagrammes (dits
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 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 détail4.2 Unités d enseignement du M1
88 CHAPITRE 4. DESCRIPTION DES UNITÉS D ENSEIGNEMENT 4.2 Unités d enseignement du M1 Tous les cours sont de 6 ECTS. Modélisation, optimisation et complexité des algorithmes (code RCP106) Objectif : Présenter
Plus en détailCours de Génie Logiciel
Cours de Génie Logiciel Sciences-U Lyon Diagrammes UML (2) http://www.rzo.free.fr Pierre PARREND 1 Avril 2005 Sommaire Les Diagrammes UML Diagrammes de Collaboration Diagrammes d'etats-transitions Diagrammes
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 détailBig Data et Graphes : Quelques pistes de recherche
Big Data et Graphes : Quelques pistes de recherche Hamamache Kheddouci http://liris.cnrs.fr/hamamache.kheddouci Laboratoire d'informatique en Image et Systèmes d'information LIRIS UMR 5205 CNRS/INSA de
Plus en 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 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 détailÉvolution de schémas dans les entrepôts de données mise à jour de hiérarchies de dimension pour la personnalisation des analyses
Évolution de schémas dans les entrepôts de données mise à jour de hiérarchies de dimension pour la personnalisation des analyses Thèse présentée par Cécile FAVRE pour obtenir le titre de Docteur en Informatique
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 détailSéminaire OPTIMA 16 avril 2014. Optimod Lyon, une coopération public/privée pour la mobilité urbaine et l innovation
Séminaire OPTIMA 16 avril 2014 Optimod Lyon, une coopération public/privée pour la mobilité urbaine et l innovation Contexte de la mobilité urbaine Besoins Population Politiques Publiques Besoins Contrainte
Plus en détailInformatique Générale
Informatique Générale Guillaume Hutzler Laboratoire IBISC (Informatique Biologie Intégrative et Systèmes Complexes) guillaume.hutzler@ibisc.univ-evry.fr Cours Dokeos 625 http://www.ens.univ-evry.fr/modx/dokeos.html
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 détailTHÈSE. En vue de l obtention du DOCTORAT DE L UNIVERSITÉ DE TOULOUSE. Touria CHAFQANE BEN RAHHOU
THÈSE En vue de l obtention du DOCTORAT DE L UNIVERSITÉ DE TOULOUSE Délivré par : l Université Toulouse 3 Paul Sabatier (UT3 Paul Sabatier) Présentée et soutenue le 24/06/2013 par : Touria CHAFQANE BEN
Plus en détail3. SPÉCIFICATIONS DU LOGICIEL. de l'expression des besoins à la conception. Spécifications fonctionnelles Analyse fonctionnelle et méthodes
PLAN CYCLE DE VIE D'UN LOGICIEL EXPRESSION DES BESOINS SPÉCIFICATIONS DU LOGICIEL CONCEPTION DU LOGICIEL LA PROGRAMMATION TESTS ET MISE AU POINT DOCUMENTATION CONCLUSION C.Crochepeyre Génie Logiciel Diapason
Plus en détailElectricité : caractéristiques et point de fonctionnement d un circuit
Electricité : caractéristiques et point de fonctionnement d un circuit ENONCE : Une lampe à incandescence de 6 V 0,1 A est branchée aux bornes d une pile de force électromotrice E = 6 V et de résistance
Plus en détailVers une approche Adaptative pour la Découverte et la Composition Dynamique des Services
69 Vers une approche Adaptative pour la Découverte et la Composition Dynamique des Services M. Bakhouya, J. Gaber et A. Koukam Laboratoire Systèmes et Transports SeT Université de Technologie de Belfort-Montbéliard
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 détailI Stabilité, Commandabilité et Observabilité 11. 1 Introduction 13 1.1 Un exemple emprunté à la robotique... 13 1.2 Le plan... 18 1.3 Problème...
TABLE DES MATIÈRES 5 Table des matières I Stabilité, Commandabilité et Observabilité 11 1 Introduction 13 1.1 Un exemple emprunté à la robotique................... 13 1.2 Le plan...................................
Plus en détailFormations 2015 JASPER, REDMINE, TABLEAU, TALEND, SPAGO BI SYNALTIC 24 RUE DE L EGLISE 94300 VINCENNES
Formations 2015 JASPER, REDMINE, TABLEAU, TALEND, SPAGO BI SYNALTIC 24 RUE DE L EGLISE 94300 VINCENNES Table des matières Edito... 3 Informations pratiques... 4 Accueil des stagiaires... 4 Horaires...
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 détailUn propagateur basé sur les positions pour le problème d Open-Shop.
Actes JFPC 2007 Un propagateur basé sur les positions pour le problème d Open-Shop. Jean-Noël Monette Yves Deville Pierre Dupont Département d Ingénierie Informatique Université catholique de Louvain {jmonette,yde,pdupont}@info.ucl.ac.be
Plus en détailGuide d installation de SugarCRM Open Source version 4.5.1
Guide d installation de SugarCRM Open Source version 4.5.1 Version 1.0.2 Mentions légales Mentions légales Ce document est susceptible de modification à tout moment sans notification. Disclaimer / Responsabilité
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 détailProblème d ordonnancement de véhicules en variables booléennes
Problème d ordonnancement de véhicules en variables booléennes Freddy Hetman 2 juillet 2013 Faculté des sciences Jean Perrin Freddy Hetman () 2 juillet 2013 1 / 22 Sommaire 1 Introduction 2 Le problème
Plus en détailTD/TP 1 Introduction au SDK d Android
TD/TP 1 Introduction au SDK d Android Romain Raveaux 1 Introduction Android est un système d'exploitation pour téléphone portable de nouvelle génération développé par Google. Celui-ci met à disposition
Plus en détailIntroduction à la théorie des graphes. Solutions des exercices
CAHIERS DE LA CRM Introduction à la théorie des graphes Solutions des exercices Didier Müller CAHIER N O 6 COMMISSION ROMANDE DE MATHÉMATIQUE 1 Graphes non orientés Exercice 1 On obtient le graphe biparti
Plus en détailLamia Oukid, Ounas Asfari, Fadila Bentayeb, Nadjia Benblidia, Omar Boussaid. 14 Juin 2013
Cube de textes et opérateur d'agrégation basé sur un modèle vectoriel adapté Text Cube Model and aggregation operator based on an adapted vector space model Lamia Oukid, Ounas Asfari, Fadila Bentayeb,
Plus en détailMABioVis. Bio-informatique et la
MABioVis Modèles et Algorithmes pour la Bio-informatique et la Visualisation Visite ENS Cachan 5 janvier 2011 MABioVis G GUY MELANÇON (PR UFR Maths Info / EPI GRAVITE) (là, maintenant) - MABioVis DAVID
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 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 détailCENTRALE TELESURVEILLANCE VIA INTERNET WEB
CENTRALE TELESURVEILLANCE VIA INTERNET WEB Votre colis standard de base contient : Centrale de mesure Une sonde de température avec câble 1 M longueur (Tête ronde enrobée) Adaptateur alimentation 220 V
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 détailQuick Start Guide This guide is intended to get you started with Rational ClearCase or Rational ClearCase MultiSite.
Rational ClearCase or ClearCase MultiSite Version 7.0.1 Quick Start Guide This guide is intended to get you started with Rational ClearCase or Rational ClearCase MultiSite. Product Overview IBM Rational
Plus en détailLinked Data et description du produit automobile SemWeb Pro, Paris, 2 mai 2012
Linked Data et description du produit automobile SemWeb Pro, Paris, 2 mai 2012 François-Paul Servant (francois-paul.servant@renault.com) Edouard Chevalier (edouard.chevalier@renault.com Renault et le Semantic
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 détailFrancis BISSON (06 794 819) Kenny CÔTÉ (06 836 427) Pierre-Luc ROGER (06 801 883) IFT702 Planification en intelligence artificielle
Francis BISSON (06 794 819) Kenny CÔTÉ (06 836 427) Pierre-Luc ROGER (06 801 883) PLANIFICATION DE TÂCHES DANS MS PROJECT IFT702 Planification en intelligence artificielle Présenté à M. Froduald KABANZA
Plus en détailIndustrial Phd Progam
Industrial Phd Progam Catalan Government: Legislation: DOGC ECO/2114/2012 Modification: DOGC ECO/2443/2012 Next: Summary and proposal examples. Main dates March 2013: Call for industrial Phd projects grants.
Plus en détailIntelligence Artificielle et Systèmes Multi-Agents. Badr Benmammar bbm@badr-benmammar.com
Intelligence Artificielle et Systèmes Multi-Agents Badr Benmammar bbm@badr-benmammar.com Plan La première partie : L intelligence artificielle (IA) Définition de l intelligence artificielle (IA) Domaines
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 détailIntroduction aux systèmes temps réel. Iulian Ober IRIT ober@iut-blagnac.fr
Introduction aux systèmes temps réel Iulian Ober IRIT ober@iut-blagnac.fr Définition Systèmes dont la correction ne dépend pas seulement des valeurs des résultats produits mais également des délais dans
Plus en détailFormations 2015 JASPER, REDMINE, TABLEAU, TALEND, SPAGO BI ALTIC & SYNOTIS - TRAINING CENTER 24 RUE DE L EGLISE 94300 VINCENNES
Formations 2015 JASPER, REDMINE, TABLEAU, TALEND, SPAGO BI ALTIC & SYNOTIS - TRAINING CENTER 24 RUE DE L EGLISE 94300 VINCENNES Table des matières Edito... 3 Informations pratiques... 4 Accueil des stagiaires...
Plus en détailPackage Contents. System Requirements. Before You Begin
Package Contents DWA-125 Wireless 150 USB Adapter CD-ROM (contains software, drivers, and manual) Cradle If any of the above items are missing, please contact your reseller. System Requirements A computer
Plus en détailSéparation et Evaluation pour le problème d ordonnancement avec blocage.
Séparation et Evaluation pour le problème d ordonnancement avec blocage. Abdelhakim Ait Zai 1, Abdelkader Bentahar 1, Hamza Bennoui 1, Mourad Boudhar 2 et Yazid Mati 3 1 Faculté d Electronique et d Informatique,
Plus en détailSpécificités, Applications et Outils
Spécificités, Applications et Outils Ricco Rakotomalala Université Lumière Lyon 2 Laboratoire ERIC Laboratoire ERIC 1 Ricco Rakotomalala ricco.rakotomalala@univ-lyon2.fr http://chirouble.univ-lyon2.fr/~ricco/data-mining
Plus en détailITS Switzerland - EPFL 29/10/2014 La stratégie d information multimodale du Grand Lyon : la coopération public/privée pour la mobilité urbaine et l
ITS Switzerland - EPFL 29/10/2014 La stratégie d information multimodale du Grand Lyon : la coopération public/privée pour la mobilité urbaine et l innovation Contexte de la mobilité urbaine Besoins Population
Plus en détailA GRASPxELS approach for the Job Shop with generic time-lags and new statistical determination of the parameters
A GRASPxELS approach for the Job Shop with generic time-lags and new statistical determination of the parameters Présenté par : Equipe de travail : Laboratoire : Maxime CHASSAING Philippe LACOMME, Nikolay
Plus en 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 détailELEC2753 Electrotechnique examen du 11/06/2012
ELEC2753 Electrotechnique examen du 11/06/2012 Pour faciliter la correction et la surveillance, merci de répondre aux 3 questions sur des feuilles différentes et d'écrire immédiatement votre nom sur toutes
Plus en détailTable des matières. I Mise à niveau 11. Préface
Table des matières Préface v I Mise à niveau 11 1 Bases du calcul commercial 13 1.1 Alphabet grec...................................... 13 1.2 Symboles mathématiques............................... 14 1.3
Plus en détailRTDS G3. Emmanuel Gaudin emmanuel.gaudin@pragmadev.com
RTDS G3 Emmanuel Gaudin emmanuel.gaudin@pragmadev.com PragmaDev Dédiée au développement d un AGL pour le développement des applications temps réel et embarquées. Réseau de partenaires: Formations, Service,
Plus en détailCAP CAMION A ASSISTANCE PNEUMATIQUE
Séminaire mi parcours Stock-e 2010 CAP CAMION A ASSISTANCE PNEUMATIQUE Iyad Balloul Renault Trucks - iyad.balloul@volvo.com Eric Bideaux INSA Lyon - eric.bideaux@insa-lyon.fr Marc Michard LMFA - Marc.Michard@ec-lyon.fr
Plus en détailEric Bertrand ebertrand@ixis-cib.com. 08/11/06 Maître de conférence 1
Calcul parallèle des options MC. Eric Bertrand ebertrand@ixis-cib.com 1 Plan Contexte du calcul parallèle Qualités requises Architecture Outillage Problèmes rencontrés perspectives 2 Contexte du calcul
Plus en 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 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 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 détailCours d électricité. Circuits électriques en courant constant. Mathieu Bardoux. 1 re année
Cours d électricité Circuits électriques en courant constant Mathieu Bardoux mathieu.bardoux@univ-littoral.fr IUT Saint-Omer / Dunkerque Département Génie Thermique et Énergie 1 re année Objectifs du chapitre
Plus en détailTrouver un vecteur le plus court dans un réseau euclidien
Trouver un vecteur le plus court dans un réseau euclidien Damien STEHLÉ http://perso.ens-lyon.fr/damien.stehle Travail en commun avec Guillaume HANROT (INRIA Lorraine) CNRS/LIP/INRIA/ÉNS Lyon/Université
Plus en détailAlgorithmes de Transmission et de Recherche de l Information dans les Réseaux de Communication. Philippe Robert INRIA Paris-Rocquencourt
Algorithmes de Transmission et de Recherche de l Information dans les Réseaux de Communication Philippe Robert INRIA Paris-Rocquencourt Le 2 juin 2010 Présentation Directeur de recherche à l INRIA Institut
Plus en détailMobilités 2.0 : connaître pour mieux agir
Mobilités 2.0 : connaître pour mieux agir (objet, partenaires, cheminement et concept, architecture du projet, vues d aide à la décision, et prochaine étape 21 janvier!) denys.alapetite @smartengy.com
Plus en détailSQL Server 2012 et SQL Server 2014
SQL Server 2012 et SQL Server 2014 Principales fonctions SQL Server 2012 est le système de gestion de base de données de Microsoft. Il intègre un moteur relationnel, un outil d extraction et de transformation
Plus en détailL apport des contraintes globales pour la modélisation et la résolution d applications industrielles
L apport des contraintes globales pour la modélisation et la résolution d applications industrielles A. Aggoun, N. Beldiceanu, E. Bourreau, H. Simonis COSYTEC SA, Parc Club Orsay Université 4, rue Jean
Plus en détailBravo! Vous venez d acquérir un routeur large bande à 4 ports Conceptronic C100BRS4H.
Conceptronic C100BRS4H Guide d installation rapide Bravo! Vous venez d acquérir un routeur large bande à 4 ports Conceptronic C100BRS4H. Ce guide d installation vous permettra d installer pas à pas votre
Plus en détailIntroduction à l analyse numérique : exemple du cloud computing
Introduction à l analyse numérique : exemple du cloud computing Tony FEVRIER Aujourd hui! Table des matières 1 Equations aux dérivées partielles et modélisation Equation différentielle et modélisation
Plus en détail