Analyse de données pour l aide à la décision interactive en optimisation ROADEF de 2010 tournées1 de / 23 véhi
|
|
- Gisèle Bernard
- il y a 8 ans
- Total affichages :
Transcription
1 Analyse de données pour l aide à la décision interactive en optimisation de tournées de véhicules B. GACIAS 1, P. LOPEZ 1, J. CEGARRA 2 1 LAAS-CNRS; Université de Toulouse, France 2 CLLE; Université de Toulouse, France {bgacias,lopez}@laas.fr, julien.cegarra@univ-jfc.fr ROADEF 2010 Analyse de données pour l aide à la décision interactive en optimisation ROADEF de 2010 tournées1 de / 23 véhi
2 Plan 1 Introduction 2 SAD proposé 3 Inversion du modèle 4 Résultats expérimentaux 5 Conclusion et perspectives Analyse de données pour l aide à la décision interactive en optimisation ROADEF de 2010 tournées2 de / 23 véhi
3 Plan 1 Introduction 2 SAD proposé 3 Inversion du modèle 4 Résultats expérimentaux 5 Conclusion et perspectives Analyse de données pour l aide à la décision interactive en optimisation ROADEF de 2010 tournées3 de / 23 véhi
4 Introduction Forte concurrence plus de reactivité face à la demande (minimisation des coûts et qualité de service) Optimisation des problèmes de tournées de véhicules (VRP) VRP : Déterminer les itinéraires à suivre par une flotte de véhicules de transport de manière à satisfaire un ensemble de requêtes clients routes dépot dépot clients Analyse de données pour l aide à la décision interactive en optimisation ROADEF de 2010 tournées4 de / 23 véhi
5 Présentation du problème Prendre en compte les contraintes du problème réel : capacité, fenêtres de temps,... RO : méthodes pour résoudre efficacement les VRP [Toth and Vigo, 2002] Limitations importantes : facteurs humains négligés dans les phases de modélisation et de résolution du problème modèles et systèmes de résolution non adaptés aux changements rapides des situations manque d une procédure d aide à la décision lorsque le problème devient non-réalisable Proposition d une approche interdisciplinaire pour le SAD [Gacias et al., 2009] Analyse de données pour l aide à la décision interactive en optimisation ROADEF de 2010 tournées5 de / 23 véhi
6 Plan 1 Introduction 2 SAD proposé 3 Inversion du modèle 4 Résultats expérimentaux 5 Conclusion et perspectives Analyse de données pour l aide à la décision interactive en optimisation ROADEF de 2010 tournées6 de / 23 véhi
7 Système d Aide à la Décision (SAD) Deux éléments : Mécanisme de résolution basé sur les méthodes de RO Une IHM basée sur l analyse du domaine de travail et qui prend en compte l humain Homme Interface Ecologique solution modèle algo. VRP Prise de décisions CSP Base de données Analyse du domaine de travail (WDA) Propagation de contraintes Mécanisme de résolution 3 étapes indépendantes : Sélection des véhicules Affectation des clients aux véhicules Conception des itinéraires Analyse de données pour l aide à la décision interactive en optimisation ROADEF de 2010 tournées7 de / 23 véhi
8 Mécanisme de résolution Algorithmes VRP pour l affectation des clients et la conception des itinéraires 3 modes de contrôle Automatisation Analyse de données pour l aide à la décision interactive en optimisation ROADEF de 2010 tournées8 de / 23 véhi
9 Plan 1 Introduction 2 SAD proposé 3 Inversion du modèle 4 Résultats expérimentaux 5 Conclusion et perspectives Analyse de données pour l aide à la décision interactive en optimisation ROADEF de 2010 tournées9 de / 23 véhi
10 Inversion du modèle Que faire lorsque le problème n est pas réalisable? Inversion du modèle pour offrir des choix à l utilisateur sur les contraintes à relâcher Qu est-ce que l inversion du modèle? variables de décision paramètres paramètres variables de décision Nous proposons des techniques pour l inversion du modèle pour l étape de sélection des véhicules Analyse de données pour l aide à la décision interactive en optimisation ROADEF 2010 de tournées 10 de / 23 véhi
11 Inversion du modèle pour la phase de sélection des véhicules Décision : Véhicules à utiliser pour résoudre le problème Satisfaction des contraintes de capacité (poids, volume, longueur) Calcul d une borne inférieure pour le nombre de véhicules Analyse de données pour l aide à la décision interactive en optimisation ROADEF 2010 de tournées 11 de / 23 véhi
12 Inversion du modèle pour la phase de sélection des véhicules Méthodologie Identification des paramètres qui interviennent dans les contraintes Chaque contrainte dispose d une procédure d inversion du modèle Identification des paramètres à analyser Application des méthodes de classification Critère géographique Critère temporel Analyse de données pour l aide à la décision interactive en optimisation ROADEF 2010 de tournées 12 de / 23 véhi
13 Inversion du modèle pour la phase de sélection des véhicules Critère géographique Utiliser l algorithme de k-means (centres mobiles) pour créer m groupes de clients Itération 1 Itération 2 g 1 2 g 1 2 g 2 2 c 2 g 2 1 g 1 1 g 1 1 c 1 Analyse de données pour l aide à la décision interactive en optimisation ROADEF 2010 de tournées 13 de / 23 véhi
14 Inversion du modèle pour la phase de sélection des véhicules Les clients qui font partie du même cluster ont une grande probabilité d être servis par le même véhicule Pour chaque client i du cluster P k nous calculons la distance moyenne entre le client et les autres clients du cluster dij dm i = j P k P k 1 L ordre des valeurs de dm i donnent une liste de clients à supprimer du problème en priorité Analyse de données pour l aide à la décision interactive en optimisation ROADEF 2010 de tournées 14 de / 23 véhi
15 Inversion du modèle pour la phase de sélection des véhicules Critère temporel Utilisation d un indice de dissimilarité pour mesurer le degré de centrage entre les FT 8 >< δ(i, j) = >: 1 min(d j r i,d i r j ) max(d j r i,d i r j ) si min(d i, d j ) max(r i, r j ), 1 min(d j r i,d i r j ) 1 P ni=1 (d n i r i ) sinon. di rj di rj di rj min(dj ri, di rj) j j j j j i i i i i dj ri dj ri dj ri 0 1 δ(i, j) Analyse de données pour l aide à la décision interactive en optimisation ROADEF 2010 de tournées 15 de / 23 véhi
16 Inversion du modèle pour la phase de sélection des véhicules Application de l algorithme des nuées dynamiques pour grouper les clients dont les FT se chevauchent Identification des ensembles de clients les plus conflictuels (critère P k > seuil) Retour à l algorithme des centres mobiles pour déterminer la liste de clients à supprimer en priorité 7 Clients 3 Groupes r7 3 d7 r6 2 d6 r5 3 d5 r4 2 d4 r3 2 d3 r2 2 d2 r1 1 d1 t Analyse de données pour l aide à la décision interactive en optimisation ROADEF 2010 de tournées 16 de / 23 véhi
17 Inversion du modèle pour la phase de sélection des véhicules Exemple Problème à 7 clients C i avec FT [r i, d i ] BI nv = 3 dû aux FT V (C 3 ) V (C 4 ) V (C 3 ) V (C 6 ) V (C 4 ) V (C 6 ) L utilisateur propose une solution avec 2 véhicules non-réalisable C3 C2 C4 C7 C5 C1 Dépôt C6 Analyse de données pour l aide à la décision interactive en optimisation ROADEF 2010 de tournées 17 de / 23 véhi
18 Inversion du modèle pour la phase de sélection des véhicules Exemple Identification des clients : C 3, C 4 et C 6 Appliquer l algorithme des centres mobiles C 6 Appliquer l algorithme des nuées dynamiques C 4 L utilisateur choisit le client à supprimer du problème C3 C2 C4 C7 C5 C1 Dépôt C6 Analyse de données pour l aide à la décision interactive en optimisation ROADEF 2010 de tournées 18 de / 23 véhi
19 Inversion du modèle pour la phase de sélection des véhicules Exemple Identification des clients : C 3, C 4 et C 6 Appliquer l algorithme des centres mobiles C 6 Appliquer l algorithme des nuées dynamiques C 4 L utilisateur choisit le client à supprimer du problème C3 C2 C4 Dépôt C6 Analyse de données pour l aide à la décision interactive en optimisation ROADEF 2010 de tournées 18 de / 23 véhi
20 Plan 1 Introduction 2 SAD proposé 3 Inversion du modèle 4 Résultats expérimentaux 5 Conclusion et perspectives Analyse de données pour l aide à la décision interactive en optimisation ROADEF 2010 de tournées 19 de / 23 véhi
21 Résultats expérimentaux 56 instances nc = 9 Nb_Opt_Dist Dev_Opt Position Nb_Sol GC-C 13 (17) 8.73 % GC-R 9 (23) 5.99 % GC-RC 9 (16) 5.01 % TC-C 5 (17) % TC-R 3 (23) % TC-RC 4 (16) 9.30 % DDC-C 8 (17) % DDC-R 5 (23) % DDC-RC 3 (16) 9.12 % Total Analyse de données pour l aide à la décision interactive en optimisation ROADEF 2010 de tournées 20 de / 23 véhi
22 Plan 1 Introduction 2 SAD proposé 3 Inversion du modèle 4 Résultats expérimentaux 5 Conclusion et perspectives Analyse de données pour l aide à la décision interactive en optimisation ROADEF 2010 de tournées 21 de / 23 véhi
23 Conclusion Approche interdisciplinaire : les facteurs humains et les techniques de RO sont considérés pour la conception du SAD pour le VRP L utilisateur participe au processus de résolution du problème Proposition de méthodes basées sur des techniques d analyse de données lorsque le problème devient non-réalisable Analyse de données pour l aide à la décision interactive en optimisation ROADEF 2010 de tournées 22 de / 23 véhi
24 Perspectives Proposer une procédure d inversion du modèle pour chaque type de contrainte Proposer un algorithme pour la relaxation des FT des clients Etendre l inversion du modèle aux autres étapes de la résolution Finaliser la réalisation du système interactif d aide à la décision Analyse de données pour l aide à la décision interactive en optimisation ROADEF 2010 de tournées 23 de / 23 véhi
Annexe 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 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 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 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 détailCoup de Projecteur sur les Réseaux de Neurones
Coup de Projecteur sur les Réseaux de Neurones Les réseaux de neurones peuvent être utilisés pour des problèmes de prévision ou de classification. La représentation la plus populaire est le réseau multicouche
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 détailPartie 1 - Séquence 3 Original d une fonction
Partie - Séquence 3 Original d une fonction Lycée Victor Hugo - Besançon - STS 2 I. Généralités I. Généralités Définition Si F(p) = L [f(t)u (t)](p), alors on dit que f est l original de F. On note f(t)
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 détailALGORITHMIQUE II NOTION DE COMPLEXITE. SMI AlgoII
ALGORITHMIQUE II NOTION DE COMPLEXITE 1 2 Comment choisir entre différents algorithmes pour résoudre un même problème? Plusieurs critères de choix : Exactitude Simplicité Efficacité (but de ce chapitre)
Plus en détailContexte et motivations Les techniques envisagées Evolution des processus Conclusion
Vérification de logiciels par analyse statique Contexte et motivations Les techniques envisagées Evolution des processus Conclusion Contexte et motivations Specification Design architecture Revues and
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 détailINFO-F-425 Modèles mathématiques et algorithmes pour l ordonnancement. Bernard Fortz
INFO-F-425 Modèles mathématiques et algorithmes pour l ordonnancement Bernard Fortz 2008-2009 Table des matières 1 Définition et classification des problèmes d ordonnancement 2 1.1 Introduction....................................
Plus en détail" # $ % % & ' ( ) * +,! '()*+ *, + ' +' + ' ' -+ - +.+. /0 / 1 0 12 1 1 2 34+ 4 1 +. 50 5 * 0 4 * 0 6! "##$ % &!
"# $ %%& ' ( )*+, '()*+,'+''-++.+/0112134+1.50*406 "##$ %& 8CC "#$%& ' ( )* +,-./ 0 123 456+7 3 7-55-89.*/ 0 +3 *+:3 ;< =3 3-3 8 0 23 >-8-3 >5? //*/*0;* @A: *53,,3 / * $/ >B+? - 5, 2 34*56 7 /+#** //8
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 détailAlgorithmique I. Augustin.Lux@imag.fr Roger.Mohr@imag.fr Maud.Marchal@imag.fr. Algorithmique I 20-09-06 p.1/??
Algorithmique I Augustin.Lux@imag.fr Roger.Mohr@imag.fr Maud.Marchal@imag.fr Télécom 2006/07 Algorithmique I 20-09-06 p.1/?? Organisation en Algorithmique 2 séances par semaine pendant 8 semaines. Enseignement
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 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 détailProjet SINF2275 «Data mining and decision making» Projet classification et credit scoring
Projet SINF2275 «Data mining and decision making» Projet classification et credit scoring Année académique 2006-2007 Professeurs : Marco Saerens Adresse : Université catholique de Louvain Information Systems
Plus en détail6. Hachage. Accès aux données d'une table avec un temps constant Utilisation d'une fonction pour le calcul d'adresses
6. Hachage Accès aux données d'une table avec un temps constant Utilisation d'une fonction pour le calcul d'adresses PLAN Définition Fonctions de Hachage Méthodes de résolution de collisions Estimation
Plus en 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 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 détailLa classification automatique de données quantitatives
La classification automatique de données quantitatives 1 Introduction Parmi les méthodes de statistique exploratoire multidimensionnelle, dont l objectif est d extraire d une masse de données des informations
Plus en 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 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 détailACCÈS SÉMANTIQUE AUX BASES DE DONNÉES DOCUMENTAIRES
ACCÈS SÉMANTIQUE AUX BASES DE DONNÉES DOCUMENTAIRES Techniques symboliques de traitement automatique du langage pour l indexation thématique et l extraction d information temporelle Thèse Défense publique
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 détailRégionalisation des régimes de perturbations et implications pour l aménagement dans un contexte de changement climatique
Régionalisation des régimes de perturbations et implications pour l aménagement dans un contexte de changement climatique Sylvie Gauthier, Chercheuse scientifique, successions forestières RNCan-SCF-CFL
Plus en détailSOFI Gestion+ Version 5.4. Echanges de données informatiques Spicers Sofi gestion+ Groupements. SOFI Informatique. Actualisé le 10.09.
SOFI Gestion+ SOFI Informatique Version 5.4 Echanges de données informatiques Spicers Sofi gestion+ Groupements Actualisé le 10.09.2004 Table des matières 1. Catalogue et tarifs... 4 1.1 Définition EDI...
Plus en détailTechniques d analyse et de conception d outils pour la gestion du processus de segmentation des abonnés des entreprises de télécommunication
Techniques d analyse et de conception d outils pour la gestion du processus de segmentation des abonnés des entreprises de télécommunication R. Carlos Nana Mbinkeu 1,3, C. Tangha 1, A. Chomnoue 1, A. Kuete
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 détailQUELQUES ACTIVITES RELATIVES A LA PARTIE A Propagation d une onde ; onde progressive. Comment installer le format de compression divx?
Lycée Bi h t QUELQUES ACTIVITES RELATIVES A LA PARTIE A Propagation d une onde ; onde progressive Il semble nécessaire d utiliser des fichiers images, de grande taille généralement, aussi, nous proposons
Plus en détailCompression Compression par dictionnaires
Compression Compression par dictionnaires E. Jeandel Emmanuel.Jeandel at lif.univ-mrs.fr E. Jeandel, Lif CompressionCompression par dictionnaires 1/25 Compression par dictionnaire Principe : Avoir une
Plus en détailGOL-MPPT- 24V-10A GOL-MPPT- 12V-15A
/ En quelques mots Le régulateur de a pour fonction de réguler la de la batterie solaire afin d éviter son vieillissement prématuré. Nous proposons diverses gammes de régulateurs : Gamme standard 12V 24V
Plus en détailV- Manipulations de nombres en binaire
1 V- Manipulations de nombres en binaire L ordinateur est constitué de milliards de transistors qui travaillent comme des interrupteurs électriques, soit ouverts soit fermés. Soit la ligne est activée,
Plus en détailAnalyse technique: Sélectionnez les actions sur base de la force relative.
Analyse technique: Sélectionnez les actions sur base de la force relative. Le feuilleton du oui et du non qui a opposé les Démocrates et les Républicains aux USA a été source de volatilité. L indicateur
Plus en détailLe GPS, la téléphonie mobile et les alertes intelligentes au service de la santé et de votre famille.
Le GPS, la téléphonie mobile et les alertes intelligentes au service de la santé et de votre famille. Symposium sur les Créneaux d'excellence québécois et les Pôles de compétitivité français Québec Mercredi
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 détailELCA Forum 2014 Possédez-vous des données sensibles sur des systèmes anciens? Rien à crainde des projets de modernisation.
ELCA Forum 2014 Possédez-vous des données sensibles sur des systèmes anciens? Rien à crainde des projets de modernisation. Alexandra Choutko, ELCA Responsable de projet Didier Bouyer, Manor Responsable
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 détailExpertise, Indépendance et Performances Durables
Expertise, Indépendance et Performances Durables Atelier «Gouvernance et engagement actionnarial» Chaire «Finance durable et Investissement Responsable» Gwenaël Roudaut Ecole Polytechnique 2 juillet 2012
Plus en détailPlus de suivi dans un monde en mouvement
M O B I L I T Y Plus de suivi dans un monde en mouvement M O B I L I T Y S appuyant sur un vaste réseau d agences en France, les équipes Hub One fournissent des solutions clé en main pour répondre de façon
Plus en détailPARTENARIAT DE L OBSERVATOIRE TECHNOLOGIQUE
PARTENARIAT DE L OBSERVATOIRE TECHNOLOGIQUE Gouvernance du Système d Information Comment bien démarrer? Page 1 Soirée «Gouverner son informatique et sa sécurité : le défi des entreprises» CLUSIS / ISACA
Plus en détailLoi fédérale sur les entreprises de transport par route
Projet de la Commission de rédaction pour le vote final Loi fédérale sur les entreprises de transport par route (LEnTR) Modification du 26 septembre 2014 L Assemblée fédérale de la Confédération suisse,
Plus en détailQuelques algorithmes simples dont l analyse n est pas si simple
Quelques algorithmes simples dont l analyse n est pas si simple Michel Habib habib@liafa.jussieu.fr http://www.liafa.jussieu.fr/~habib Algorithmique Avancée M1 Bioinformatique, Octobre 2008 Plan Histoire
Plus en détailGroupe symétrique. Chapitre II. 1 Définitions et généralités
Chapitre II Groupe symétrique 1 Définitions et généralités Définition. Soient n et X l ensemble 1,..., n. On appelle permutation de X toute application bijective f : X X. On note S n l ensemble des permutations
Plus en détailOrdonnancement temps réel
Ordonnancement temps réel Laurent.Pautet@enst.fr Version 1.5 Problématique de l ordonnancement temps réel En fonctionnement normal, respecter les contraintes temporelles spécifiées par toutes les tâches
Plus en détailFormules emprunts obligataires
Formules emprunts obligataires Sommaire Formules emprunts obligataires1 I Emprunts obligataires avec obligations remboursées au pair (R=C)2 1 Cas général2 2 Annuités constantes3 3 Amortissements constants3
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 détailANALYSE DES DETERMINANTS DE L EPARGNE DU RWANDA
ANALYSE DES DETERMINANTS DE L EPARGNE DU RWANDA Deuxième Congrès des Economistes Africains Abidjan, Côte d Ivoire Novembre 24-26, 2011 Présentateur: Charles RURANGA Institution: Université Nationale du
Plus en détailExploitation de la micro-sismique pour le monitoring de la fracturation Etude de faisabilité
المعهد الجزاي ري للبترول INSTITUT ALGERIEN DU PETROLE JOURNEES D ETUDES TIGHT & SHALE RESERVOIRS 17-18 Septembre 2013 Sheraton, Alger Exploitation de la micro-sismique pour le monitoring de la fracturation
Plus en détailEn vue de l'obtention du. Présentée et soutenue par Abir BEN HMIDA SAKLY Le 12/12/2009
THÈSE En vue de l'obtention du DOCTORAT DE L UNIVERSITÉ DE TOULOUSE Délivré par l'institut National des Sciences Appliquées de Toulouse Discipline ou spécialité : Systèmes Informatiques Présentée et soutenue
Plus en détailLe décret du 11 mars 1999 relatif au PERMIS D ENVIRONNEMENT
Le décret du 11 mars 1999 relatif au PERMIS D ENVIRONNEMENT «Le registre des modifications» UWE «90 minutes pour l environnement» DGO3 - DPA Mons Wavre - Jeudi 10 mai 2012. B. Bequet 1 Plan de l exposé
Plus en détailTransmission d informations sur le réseau électrique
Transmission d informations sur le réseau électrique Introduction Remarques Toutes les questions en italique devront être préparées par écrit avant la séance du TP. Les préparations seront ramassées en
Plus en détailUtilisation du backtrack intelligent dans un branch-and-bound Application au problème d Open-Shop
Utilisation du backtrack intelligent dans un branch-and-bound Application au problème d Open-Shop Narendra Jussien et Christelle Guéret École des Mines de Nantes 4 rue Alfred Kastler BP 20722 F-44300 Nantes
Plus en détailÉvaluation des logiciels et autres réalisations
DOCUMENT D ANALYSE DE LA COMMISSION D ÉVALUATION DE L INRIA Évaluation des logiciels et autres réalisations Préparé par David Margery, Jean-Pierre Merlet, Cordelia Schmid, Agnès Sulem, Paul Zimmermann
Plus en détailBases de données documentaires et distribuées Cours NFE04
Bases de données documentaires et distribuées Cours NFE04 Introduction a la recherche d information Auteurs : Raphaël Fournier-S niehotta, Philippe Rigaux, Nicolas Travers prénom.nom@cnam.fr Département
Plus en détailIntroduction au Data-Mining
Introduction au Data-Mining Gilles Gasso, Stéphane Canu INSA Rouen -Département ASI Laboratoire LITIS 8 septembre 205. Ce cours est librement inspiré du cours DM de Alain Rakotomamonjy Gilles Gasso, Stéphane
Plus en détailDÉPLOIEMENT DU SERVICE AUTOLIB. version juillet 2015
DÉPLOIEMENT DU SERVICE AUTOLIB version juillet 2015 ÉLÉMENTS GÉNÉRAUX Autolib Métropole : un syndicat mixte ouvert Acteurs 82 communes dont Ville de Paris adhésion Autolib Métropole concédant public privé
Plus en détailLicence Bio Informatique Année 2004-2005. Premiers pas. Exercice 1 Hello World parce qu il faut bien commencer par quelque chose...
Université Paris 7 Programmation Objet Licence Bio Informatique Année 2004-2005 TD n 1 - Correction Premiers pas Exercice 1 Hello World parce qu il faut bien commencer par quelque chose... 1. Enregistrez
Plus en détailFinance de marché Thèmes abordés Panorama des marches de capitaux Fonctionnement des marchés de capitaux Le marché des obligations Le marchés des
FINANCE DE MARCHE 1 Finance de marché Thèmes abordés Panorama des marches de capitaux Fonctionnement des marchés de capitaux Le marché des obligations Le marchés des actions Les marchés dérivés Les autres
Plus en détailMonia Amami Franck Brulhart Raymond Gambini Pierre-Xavier Meschi
Version 4.7 Simulation d Entreprise «Artemis» Monia Amami Franck Brulhart Raymond Gambini Pierre-Xavier Meschi p. 1 1. Objectifs et Contexte Général L objectif de la simulation d entreprise «Artemis» est
Plus en détailSUJET ZÉRO Epreuve d'informatique et modélisation de systèmes physiques
SUJET ZÉRO Epreuve d'informatique et modélisation de systèmes physiques Durée 4 h Si, au cours de l épreuve, un candidat repère ce qui lui semble être une erreur d énoncé, d une part il le signale au chef
Plus en détailchargement d amplitude variable à partir de mesures Application à l approche fiabiliste de la tolérance aux dommages Modélisation stochastique d un d
Laboratoire de Mécanique et Ingénieriesnieries EA 3867 - FR TIMS / CNRS 2856 ER MPS Modélisation stochastique d un d chargement d amplitude variable à partir de mesures Application à l approche fiabiliste
Plus en détailCréation intuitive des éléments d un paysage
Création intuitive des éléments d un paysage Marie-Paule Cani Univ. Grenoble-Alpes, CNRS & Inria Organisation du cours «Façonner l imaginaire» Partie 1 : Création numérique 3D Modélisation géométrique
Plus en détailChapitre 7 : Intégration sur un intervalle quelconque
Universités Paris 6 et Paris 7 M1 MEEF Analyse (UE 3) 2013-2014 Chapitre 7 : Intégration sur un intervalle quelconque 1 Fonctions intégrables Définition 1 Soit I R un intervalle et soit f : I R + une fonction
Plus en détailApprentissage Automatique
Apprentissage Automatique Introduction-I jean-francois.bonastre@univ-avignon.fr www.lia.univ-avignon.fr Définition? (Wikipedia) L'apprentissage automatique (machine-learning en anglais) est un des champs
Plus en détailSOLUTION GLOBALE DE FIDÉLISATION. Florent MARTENNE-DUPLAN CCI Tarn-et-Garonne 12 novembre 2012 LE MOBILE MARKETING ET FIDELISATION CLIENTELE
SOLUTION GLOBALE DE FIDÉLISATION Florent MARTENNE-DUPLAN CCI Tarn-et-Garonne 12 novembre 2012 LE MOBILE MARKETING ET FIDELISATION CLIENTELE Développer son activité commerciale C est principalement améliorer
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 détailIntroduction à l Informatique Décisionnelle - Business Intelligence (7)
Introduction à l Informatique Décisionnelle - Business Intelligence (7) Bernard ESPINASSE Professeur à Aix-Marseille Université (AMU) Ecole Polytechnique Universitaire de Marseille Septembre 2013 Emergence
Plus en détailApplication de K-means à la définition du nombre de VM optimal dans un cloud
Application de K-means à la définition du nombre de VM optimal dans un cloud EGC 2012 : Atelier Fouille de données complexes : complexité liée aux données multiples et massives (31 janvier - 3 février
Plus en détailPROJET : ETNIC ESB JANUS. Guide technique : WS-Notification - Clustering. BULL Services et Solutions
PROJET : ETNIC ESB JANUS Guide technique : WS- BULL Services et Solutions Date : 20 novembre 2008 Version : 1.0 Référence Bull : ETNIC_ESB/ANA/00 Auteur : NOSEDA Anne Projet ETNIC ESB JANUS Guide technique
Plus en détailIndustrie des cartes de paiement (PCI) Norme de sécurité des données Récapitulatif des modifications de
Industrie des cartes de paiement (PCI) Norme de sécurité des données Récapitulatif des modifications de la norme PCI DSS entre les versions 2.0 et 3.0 Novembre 2013 Introduction Ce document apporte un
Plus en détailnexus Timestamp Server
Atteste le moment du traitement, l intégrité et la validité de la signature au cours de vos processus commerciaux électroniques. Les tampons encreurs sur les documents papier ont été utilisés pour enregistrer
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 détailThèmes et situations : Agenda et Emploi du temps. Fiche pédagogique
Ressources pour les enseignants et les formateurs en français des affaires Activité pour la classe : CFP Crédit : Joelle Bonenfant, Jean Lacroix Thèmes et situations : Agenda et Emploi du temps Objectifs
Plus en détailDétection des deux roues motorisés par télémétrie laser à balayage
MEsure du TRAfic des deux-roues MOTOrisés pour la sécurité et l évaluation des risques Détection des deux roues motorisés par télémétrie laser à balayage Séminaire de mi parcours 11 mai 2012 CETE Normandie
Plus en détailExercices Corrigés Premières notions sur les espaces vectoriels
Exercices Corrigés Premières notions sur les espaces vectoriels Exercice 1 On considére le sous-espace vectoriel F de R formé des solutions du système suivant : x1 x 2 x 3 + 2x = 0 E 1 x 1 + 2x 2 + x 3
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 détailOrdonnancement robuste et décision dans l'incertain
Ordonnancement robuste et décision dans l'incertain 4 ème Conférence Annuelle d Ingénierie Système «Efficacité des entreprises et satisfaction des clients» Centre de Congrès Pierre Baudis,TOULOUSE, 2-4
Plus en détailIBM Tivoli Monitoring, version 6.1
Superviser et administrer à partir d une unique console l ensemble de vos ressources, plates-formes et applications. IBM Tivoli Monitoring, version 6.1 Points forts! Surveillez de façon proactive les éléments
Plus en détailMise en place Active Directory / DHCP / DNS
Mise en place Active Directory / DHCP / DNS Guillaume Genteuil Période : 2014 Contexte : L entreprise Diamond Info localisé en Martinique possède une cinquantaine de salariés. Basé sur une infrastructure
Plus en détailGestion des e-mails par ELO
>> La gestion du cycle de vie du courrier électronique comme La bonne décision pour aujourd hui et pour demain Les solutions de gestion du contenu d entreprise (Enterprise Content Management/ECM) de ELO
Plus en détailPrésentation IBM Maximo Asset Management
Solutions IBM de gestion d actifs et de services Présentation IBM Maximo Asset Management Janvier 2009 La stratégie IBM Maximo La gestion de l ensemble des actifs de l entreprise (EAM) Maximo est une application
Plus en détailTOUR DE STOCKAGE VERTICALE LOGIMAT. Une technologie bien pensée pour le stockage et la préparation de commandes de petites pièces
ogimat TOUR DE STOCKAGE VERTICALE LOGIMAT Une technologie bien pensée pour le stockage et la préparation de commandes de petites pièces Avantages Tour de stockage verticale LogiMat Système ergonomique
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 détailChronogrammes et contraintes. à la modélisation de systèmes dynamiques à événements
Actes FAC 2007 Chronogrammes et contraintes pour la modélisation de systèmes dynamiques à événements discrets Gérard Verfaillie Cédric Pralet Michel Lemaître ONERA/DCSD Toulouse 2 av. Édouard Belin, BP
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 détailToutes nos prestations sont assurées et garanties.
QUI SOMMES NOUS? PROMAID+ est une société familiale qui a pour vocation l hygiène et le nettoyage professionnel. Nous intervenons sur le département Midi-Pyrénées. PROMAID+ s engage à répondre dans un
Plus en détailSII TECHNOLOGIE. Offre GOLD santé. Responsible Commercial SII Technologie 24/10/2014
2014 SII TECHNOLOGIE Offre GOLD santé Responsible Commercial SII Technologie 24/10/2014 Présentation SII Technologie est une entreprise jeune qui évolue dans le domaine de l informatique. Très intéressé
Plus en détailDifférentiabilité ; Fonctions de plusieurs variables réelles
Différentiabilité ; Fonctions de plusieurs variables réelles Denis Vekemans R n est muni de l une des trois normes usuelles. 1,. 2 ou.. x 1 = i i n Toutes les normes de R n sont équivalentes. x i ; x 2
Plus en détailMaster Informatique Aix-Marseille Université
Aix-Marseille Université http://masterinfo.univ-mrs.fr/ Département Informatique et Interactions UFR Sciences Laboratoire d Informatique Fondamentale Laboratoire des Sciences de l Information et des Systèmes
Plus en détailANALYSE DE RISQUE AVEC LA MÉTHODE MEHARI Eric Papet e.papet@dev1-0.com Co-Fondateur SSII DEV1.0 Architecte Logiciel & Sécurité Lead Auditor ISO 27001
ANALYSE DE RISQUE AVEC LA MÉTHODE MEHARI Eric Papet e.papet@dev1-0.com Co-Fondateur SSII DEV1.0 Architecte Logiciel & Sécurité Lead Auditor ISO 27001 PLAN Introduction Générale Introduction MEHARI L'analyse
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 détailHypervision et pilotage temps réel des réseaux IP/MPLS
Hypervision et pilotage temps réel des réseaux IP/MPLS J.M. Garcia, O. Brun, A. Rachdi, A. Al Sheikh Workshop autonomique 16 octobre 2014 Exemple d un réseau opérateur national 8 technologies : 2G / 3G
Plus en détailPlanche n o 22. Fonctions de plusieurs variables. Corrigé
Planche n o Fonctions de plusieurs variables Corrigé n o : f est définie sur R \ {, } Pour, f, = Quand tend vers, le couple, tend vers le couple, et f, tend vers Donc, si f a une limite réelle en, cette
Plus en détailVers l'orchestration de grilles de PC par les mécanismes de publicationsouscription
Vers l'orchestration de grilles de PC par les mécanismes de publicationsouscription Présentée par Leila Abidi Sous la direction de Mohamed Jemni & Christophe Cérin Plan Contexte Problématique Objectifs
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 détailAlgorithmique et Programmation, IMA
Algorithmique et Programmation, IMA Cours 2 : C Premier Niveau / Algorithmique Université Lille 1 - Polytech Lille Notations, identificateurs Variables et Types de base Expressions Constantes Instructions
Plus en détailNuméro : 300. Excédents, méthodes de calcul - Ligne 7 de la Déclaration des salaires
Numéro : 300 Excédents, méthodes de calcul - Ligne 7 de la Déclaration des salaires Décembre 2013 Objectif de cette note d orientation... 4 Références légales... 4 Contexte... 5 Historique du calcul hebdomadaire
Plus en détail