M2 MPRO. Optimisation dans les Graphes

Dimension: px
Commencer à balayer dès la page:

Download "M2 MPRO. Optimisation dans les Graphes 2014-2015"

Transcription

1 M2 MPRO Optimisation dans les Graphes Programmation linéaire et problèmes d'optimisation dans les graphes 1

2 Problèmes d'optimisation dans les graphes : quelles méthodes pour les résoudre? Théorie des graphes (et algorithmique de graphes) : La théorie des graphes fournit un cadre unifié pour étudier des propriétés structurelles des graphes (bornes sur la valeur d'un paramètre), mais aussi pour résoudre certains problèmes d'optimisation dans les graphes De nombreux algorithmes combinatoires issus de l'algorithmique de graphes sont ainsi basés sur ces propriétés structurelles Un autre des grands domaines de la RO est la programmation mathématique, et en particulier linéaire (PL ou PLNE) : Des modèles et des méthodes génériques (et souvent efficaces) Peut-on exhiber des liens entre ces deux domaines? S'il y en a, comment les exploiter? Et comment traduire la spécificité d'un problème particulier de l'optimisation dans les graphes dans un modèle aussi général? 2

3 PARTIE I : Dualité en PL et matrices totalement unimodulaires ; Application à la dualité flots/coupes et au théorème de König 3

4 Le problème du flot maximum Problème emblématique de la RO et de l'optimisation dans les graphes Rappel : on se donne un graphe orienté G connexe dont les arcs sont munis de capacités, un sommet source s et un sommet puits p Problématique : on cherche, dans G, à acheminer autant d'unités de flot que possible de s vers p, sans dépasser la capacité de chaque arc Modèle PLNE (modèle 1)? Le flot total circulant sur tous les chemins de s à p passant par chaque arc est limité par la capacité de l'arc (une variable par chemin) Maximiser la quantité de flot acheminée de s à p Résolution en temps polynomial si flots continus? Modèle PLNE alternatif (modèle 2)? Conservation du flot en chaque nœud (sauf s et p) Flot limité par la capacité sur chaque arc (une variable par arc) Maximiser la quantité de flot acheminée de s à p 4

5 Calcul du dual Moralité : formuler un problème = en fournir une description On peut écrire les PL duaux des relaxations continues des 2 modèles Modèle 1 : et si les variables duales sont entières? Modèle 2 On obtient un PL modélisant le problème de la coupe minimum Les PL sont liés par une relation de dualité (dualité en PL), et donc les problèmes aussi! Interprétation du PL dual si les variables duales sont entières Preuve alternative de la faible dualité flot/coupe! 5

6 Totale unimodularité Définition : une matrice à valeurs réelles est dite totalement unimodulaire (TU) si et seulement si le déterminant de toute sousmatrice carrée qui en est extraite vaut 0, 1 ou -1 Propriété 1 : toute sous-matrice d une matrice TU est TU, et en particulier tout élément d'une matrice TU vaut 0, 1 ou -1 (sousmatrice carrée extraite ayant une ligne et une colonne) Propriété 2 : si une matrice est TU, alors la juxtaposition de cette matrice avec la matrice identité est aussi une matrice TU Propriété 3 : une matrice est TU si et seulement si sa transposée l est Caractérisation de Ghouila-Houri : une matrice est TU ssi tout sousensemble de colonnes peut être partitionné en deux parties telles que, sur chaque ligne, les sommes des éléments sur chacune de ces deux parties diffèrent d'au plus 1 Corollaire de la Propriété 3 : ce théorème est aussi vrai en échangeant «colonne» et «ligne» 6

7 Conséquence de la totale unimodularité Propriété 4 : si un PL a une matrice des contraintes TU et des seconds membres entiers, alors toute solution de base de ce PL est entière (et, en particulier, toute solution de base optimale l est) Corollaire de la Propriété 4 : Résoudre un PLNE ayant une matrice des contraintes TU et des seconds membres entiers est équivalent à résoudre sa relaxation continue (= un PL), et les valeurs optimales sont les mêmes! 7

8 Une condition suffisante de totale unimodularité, et une première conséquence Propriété 5 : la matrice d'incidence (arcs-sommets) d'un graphe orienté est TU Corollaire (immédiat) du modèle 2 et des Propriétés 2 à 5 : Théorème de Ford-Fulkerson (flot max=coupe min) «Preuve alternative» basée exclusivement sur la dualité en PL et les propriétés des matrices TU 8

9 Une deuxième condition suffisante de totale unimodularité, et une deuxième conséquence Modèle PLNE pour le problème du couplage maximum? Dual (avec variables entières) de la relaxation continue de ce PL = PLNE de la couverture minimum des arêtes par les sommets Propriété 6 : la matrice d'incidence (arêtes-sommets) d'un graphe biparti est TU Corollaire de cette dualité et de la Propriété 6 : Théorème de König Dans les deux cas, la «spécificité» du problème d'optimisation dans les graphes considéré est donc ici exprimée par la formulation PL/PLNE utilisée, et les propriétés de la matrice des contraintes associée (matrice d'incidence d'un graphe orienté ou d'un graphe biparti, selon le cas) 9

10 PARTIE II : Réduction entre problèmes d optimisation dans les graphes, et conséquences sur les formulations PL ; Applications aux flots non orientés, aux flots à coût minimum, aux multiflots, et aux arbres de Steiner 10

11 Flot maximum dans les graphes non orientés Problème du flot maximum entre deux sommets s et p dans un graphe non orienté? La matrice des contraintes de la formulation PLNE la plus naïve n'est pas TU ==> ce problème est-il plus difficile? Comment le résoudre? Réduire le problème considéré à un problème ayant une matrice des contraintes TU, et en déduire ainsi une «bonne» formulation PLNE? Oui : on peut en fait réduire ce cas au cas des graphes orientés! On en déduit donc une formulation PLNE ayant une matrice TU par un raisonnement purement combinatoire, qui ne porte que sur des transformations du graphe donné dans l'instance considérée Identique pour la coupe minimum ==> extension du théorème de F.-F. 11

12 Bonne formulation pour le flot à coût minimum (graphes orientés ou non) On se donne un graphe G connexe, orienté ou non, dont les arcs/arêtes sont munis de capacités et de coûts unitaires, ainsi que deux sommets s et p de G On considère le problème suivant : déterminer dans G un flot de valeur donnée (potentiellement maximum) entre s et p, et dont le coût total (somme sur tous les arcs/arêtes du coût unitaire de l'arc/arête fois la valeur du flot sur l'arc/arête) est minimum Problème du flot à coût minimum : le modèle PL associé («inspiré» de celui du flot maximum) a une matrice TU ==> polynomial Et si les coûts sont quelconques (>0 ou <0)? Peut-on alors trouver un chemin hamiltonien «facilement»? Non : le modèle n'est plus adapté! 12

13 Conséquence : de bonnes formulations pour certains cas particuliers célèbres du flot à coût minimum Plus court chemin (longueurs 0) : déterminer un plus court chemin entre deux sommets s et p dans un graphe = flot de valeur 1 à coût min. Affectation linéaire : n tâches à affecter à n agents (chaque tâche est affectée à un et un seul agent), chaque affectation induisant un coût ==> minimiser la somme totale des coûts (couplage parfait biparti à coût minimum) = flot (de valeur n) à coût minimum Programme de transport : marchandises à transporter de n entrepôts (quantité disponible de marchandises connue pour chacun) vers m clients (demande en marchandises connue pour chacun, et on suppose pour simplifier Offre totale = Demande totale), sachant que transporter 1 marchandise d'un entrepôt i à un client j induit un coût unitaire donné ==> satisfaire la demande à coût total minimum = flot à coût minimum 13

14 Multiflots (et multicoupes) Plusieurs paires sources-puits : les unités de flot émises par une source donnée ne peuvent être acheminées que vers le puits correspondant Une seule paire source-puits = flot maximum ==> problème plus général Modèles PLNE similaires aux modèles 1 et 2 Notions de «coupe» similaire à la coupe simple : multicoupe Même dualité des relaxations continues des formulations PLNE, MAIS les matrices des contraintes obtenues ne sont pas TU! Problèmes NP-difficiles, même dans des cas très particuliers 14

15 Une bonne formulation pour les multiflots/multicoupes dits «multiterminaux» dans les graphes sans circuits 15 Hypothèse 1 : étant donnés t sommets du graphe considéré, il existe une paire sourcespuits entre toute paire de ces t sommets (multiterminaux) Hypothèse 2 : le graphe G considéré est orienté et sans circuits On peut établir une bonne formulation pour les problèmes de multiflots et multicoupes dans ce cas, en les réduisant à un flot et une coupe simples Etape 1 : on «éclate» chacun de ces t sommets v i en 2 sommets v' i et v'' i (v' i est incident à tous les arcs entrant en v i, et v'' i à tous ceux en sortant) v i v i v i Etape 2 : on ajoute les 2 sommets s (super-source) et p (super-puits), et on relie s à tous les v'' i, et tous les v' i à p (par des arcs de grande capacité) Déterminer un multiflot maximum (une multicoupe minimum) est alors équivalent à calculer un flot maximum (une coupe minimum) entre s et p

16 Multicoupe minimum avec deux paires sources-puits Parfois, on peut montrer que résoudre un problème donné peut se réduire à la résolution d un ensemble d instances d un autre problème d optimisation dans les graphes : cela fournit donc un moyen de le résoudre, mais sans que cela ne se traduise nécessairement par une formulation PL ayant des propriétés particulières Ainsi, on peut réduire la résolution de toute instance du problème de multicoupe minimum avec deux paires sources-puits dans les graphes non orientés à deux instances du problème de coupe minimum (en gardant la meilleure des deux valeurs optimales obtenues) : on obtient alors une «bonne» réduction pour ce problème! Essentiellement le seul cas non NP-difficile que l'on peut obtenir (pour les multiflots/multicoupes dans les graphes, orientés ou non, avec un nombre donné >1 de paires sources-puits)! 16

17 Arbres de Steiner de poids minimum (1/5) On cherche dans un graphe dont les arêtes sont munies de poids >0 un arbre de poids minimum couvrant au moins un sous-ensemble de sommets (appelés sommets terminaux) {t 1,, t k } Tous les autres sommets, appelés sommets Steiner, sont donc facultatifs Un tel arbre (indépendamment de son poids) est un arbre de Steiner Si le graphe est connexe, alors il existe toujours un arbre de Steiner! Le problème consistant à trouver un arbre de Steiner de poids minimum généralise le problème de l'arbre couvrant de poids minimum (où tous les sommets sont terminaux), ce dernier étant polynomial Le problème de l'arbre de Steiner de poids minimum est beaucoup plus dur : il est NP-difficile même dans les graphes planaires 17

18 Arbres de Steiner de poids minimum (2/5) Exemple : un graphe à 9 sommets et 4 terminaux (= les sommets 0,3,7,8) Arbre couvrant de poids minimum (poids=35) Arbre de Steiner de poids minimum (poids=31) 18

19 Arbres de Steiner de poids minimum (3/5) Si seulement deux terminaux : problème du plus court chemin! Modèle PLNE pour le cas général? On remplace chaque arête par deux arcs de sens opposés et de même poids, On choisit un terminal «racine» t 1, et on veut qu'il existe un chemin de t 1 vers tous les autres terminaux, Les poids étant >0, on n'a pas besoin d'imposer explicitement le fait que ce soit un arbre (imposer la connexité est suffisant)! En revanche, un arc utilisé par des chemins de t 1 vers plusieurs terminaux ne doit être comptabilisé qu'une fois! Aucune formulation connue ne possède une matrice des contraintes TU 19

20 Arbres de Steiner de poids minimum (4/5) Et si le nombre de terminaux est une constante? Dans toute solution optimale, le nombre de feuilles est au plus k (le nombre de terminaux), et, dans tout arbre, le nombre de sommets de degré 3 ou plus est borné supérieurement par le nombre de feuilles-2, Donc «squelette» de la solution recherchée (sans les sommets non terminaux de degré 2) = un arbre ayant au plus 2(k-1) sommets, Détermination du squelette correspondant à cette solution par «simple» énumération : la formule de Cayley donne une borne supérieure sur le nombre f(k) d'arbres à considérer (borne moins bonne = tout sommet d un graphe étiqueté à n sommets a au plus 2 n-1 voisinages possibles). Mais comment passer du squelette à la solution elle-même? Réduction du problème à un «simple» calcul de plus courts chemins, Conservation de la meilleure solution admissible obtenue, L'algorithme obtenu est polynomial pour k constant : un meilleur temps d'exécution peut être obtenu par programmation dynamique (cf CAP). 20

21 Arbres de Steiner de poids minimum (5/5) Les 4 squelettes possibles pour k=3 : t 1 t 2 t 3 t 1 t 3 t 2 t 2 t 1 t 3 t 1 t 2 t 3 Les squelettes possibles pour k=4 : t 1 t 2 t 3 t 4 + tous ceux obtenus en contractant au plus deux arêtes et en renumérotant les terminaux 21

22 PARTIE III : Totale unimodularité et algorithmes combinatoires : les approches primales-duales 22

23 Graphes d'intervalle Un graphe d intervalle (GI) est le graphe d intersection d un ensemble d intervalles (par exemple, d intervalles de temps) horizontaux : les sommets du GI sont les intervalles, et deux sommets sont reliés par une arête du GI ssi les deux intervalles associés ont une intersection non vide Etant donné un graphe d intervalle, une représentation par intervalles de ce graphe peut être obtenue en temps polynomial Les deux représentations sont donc polynomialement équivalentes 23

24 Stables maximums dans les graphes d'intervalle Un ensemble stable (ou stable) dans un graphe d intervalle peut donc être vu comme un ensemble d intervalles deux à deux disjoints Donc chercher un stable maximum dans un tel graphe = choisir un ensemble de cardinalité maximum d intervalles deux à deux disjoints Dans cet exemple, {C,G} = stable de cardinal 2, et {A,E,F}, {B,D,G} = deux stables maximums Dans le cas général, comment déterminer un stable maximum dans de tels graphes? 24

25 Stables maximums dans les graphes d'intervalle Un ensemble stable (ou stable) dans un graphe d intervalle peut donc être vu comme un ensemble d intervalles deux à deux disjoints Donc chercher un stable maximum dans un tel graphe = choisir un ensemble de cardinalité maximum d intervalles deux à deux disjoints Dans cet exemple, {C,G} = stable de cardinal 2, et {A,E,F}, {B,D,G} = deux stables maximums Dans le cas général, comment déterminer un stable maximum dans de tels graphes? 25

26 Stables maximums dans les graphes d'intervalle Un ensemble stable (ou stable) dans un graphe d intervalle peut donc être vu comme un ensemble d intervalles deux à deux disjoints Donc chercher un stable maximum dans un tel graphe = choisir un ensemble de cardinalité maximum d intervalles deux à deux disjoints Dans cet exemple, {C,G} = stable de cardinal 2, et {A,E,F}, {B,D,G} = deux stables maximums Dans le cas général, comment déterminer un stable maximum dans de tels graphes? 26

27 Formuler le problème du stable maximum dans les graphes d'intervalle (1/3) Bonne formulation pour ce problème? Formulation «classique» pour le stable maximum : Une variable 0-1 x i pour tout sommet (ou intervalle) i, indiquant si i est choisi (=1) ou non (=0) Une contrainte x i +x j 1 pour toute arête (i,j) On maximise la somme des x i MAIS la matrice des contraintes de cette formulation n est pas toujours TU (exemple du cycle à 3 sommets, comme ABC)! 27

28 Formuler le problème du stable maximum dans les graphes d'intervalle (2/3) Formulation alternative : Notons [d i,f i ]=ième intervalle, et e j =jème plus petit élément de l union des ensembles {d i,f i } Découpage de l horizon de temps en 2n-1 fenêtres (ou moins), chacune associée à la période [e j,e j+1 ] pour un j Mêmes variables En revanche, il y a désormais une contrainte par fenêtre e 1 e 2 e 3 e 4 e 5 e 6 e 7 e 8 e 9 e 10 e 11 e 12 e 13 e 14 28

29 Formuler le problème du stable maximum dans les graphes d'intervalle (3/3) Propriétés de cette formulation? Tout intervalle contient des fenêtres consécutives Sur chaque colonne, les «1» sont donc consécutifs Propriété des 1 consécutifs matrice d intervalle Or, toute matrice d intervalle est TU! Le problème est donc polynomial par la PL Le problème dual entier consiste à choisir un nombre minimum de fenêtres intersectant tous les intervalles 29

30 Algorithme primal-dual pour le problème du stable maximum dans les graphes d'intervalle (1/3) Faire mieux que la PL? En réalité, dans ce cas, on peut même concevoir un algorithme combinatoire glouton (rapide) pour ce problème On va en fait décrire une paire d'algorithmes gloutons (les deux peuvent être implémentés en O(n), où n=nombre d'intervalles) Ces algorithmes construisent une solution «primale» et une solution «duale» en se basant sur les relations d exclusion du 2ème PL et de son dual On appelle ces approches «primales-duales», et c est une méthode de conception d algorithmes particulièrement utile 30

31 Algorithme primal-dual pour le problème du stable maximum dans les graphes d'intervalle (2/3) Pseudo-code de l'algo. glouton pour le stable max. dans un GI : Calculer une représentation par intervalles du GI Trier et numéroter les intervalles par ordre croissant de leurs dates de fin Intervalle courant := premier intervalle Tant que non STOP faire Sélectionner l'intervalle courant S'il n'existe plus d'intervalle ayant une intersection vide avec les intervalles déjà sélectionnés, alors STOP Sinon, intervalle courant := premier intervalle n'ayant aucune intersection avec les intervalles déjà sélectionnés 31

32 Algorithme primal-dual pour le problème du stable maximum dans les graphes d'intervalle (3/3) Dans ce premier algorithme, les numéros des intervalles sélectionnés au cours de l exécution sont donc croissants Pseudo-code de l'algorithme glouton pour le PL dual : Exécuter l'algorithme précédent (à la fin de ce dernier, une fenêtre est dite «active» si elle est contenue dans l'un des intervalles sélectionnés) Pour chaque intervalle sélectionné par l algorithme précédent Sélectionner la fenêtre la plus à droite contenue dans cet intervalle 32

33 Exemple de déroulement de l algorithme primal-dual Solutions renvoyées par l algorithme sur l exemple : e 1 e 2 e 3 e 4 e 5 e 6 e 7 e 8 e 9 e 10 e 11 e 12 e 13 e 14 33

34 Exemple de déroulement de l algorithme primal-dual Solutions renvoyées par l algorithme sur l exemple : e 1 e 2 e 3 e 4 e 5 e 6 e 7 e 8 e 9 e 10 e 11 e 12 e 13 e 14 34

35 Exemple de déroulement de l algorithme primal-dual Solutions renvoyées par l algorithme sur l exemple : e 1 e 2 e 3 e 4 e 5 e 6 e 7 e 8 e 9 e 10 e 11 e 12 e 13 e 14 35

36 Exemple de déroulement de l algorithme primal-dual Solutions renvoyées par l algorithme sur l exemple : e 1 e 2 e 3 e 4 e 5 e 6 e 7 e 8 e 9 e 10 e 11 e 12 e 13 e 14 36

37 Exemple de déroulement de l algorithme primal-dual Solutions renvoyées par l algorithme sur l exemple : e 1 e 2 e 3 e 4 e 5 e 6 e 7 e 8 e 9 e 10 e 11 e 12 e 13 e 14 37

38 Exemple de déroulement de l algorithme primal-dual Solutions renvoyées par l algorithme sur l exemple : e 1 e 2 e 3 e 4 e 5 e 6 e 7 e 8 e 9 e 10 e 11 e 12 e 13 e 14 e 1 e 2 e 3 e 4 e 5 e 6 e 7 e 8 e 9 e 10 e 11 e 12 e 13 e 14 38

39 Preuves des algorithmes Preuves des algorithmes basées sur les relations d'exclusion en PL : Rappel : dans une solution (de base) optimale, contrainte primale (duale) saturée OU variable duale (primale) associée nulle De façon équivalente : dans une solution (de base) optimale, contrainte primale (duale) non saturée variable duale (primale) associée nulle Ici, on a un type de contraintes primales et un type de contraintes duales : Fenêtre non active non sélectionnée : toute fenêtre sélectionnée est active Intervalle contient plus d'une fenêtre active non sélectionné : tout intervalle sélectionné ne contient qu'une seule fenêtre active Il «suffit» donc de montrer que les deux solutions construites : Sont admissibles (la solution primale l étant clairement, il reste à s assurer que la solution duale l est), Respectent les relations d'exclusion (vrai par définition du 2ème algorithme). 39

40 Bilan sur les approches primales-duales Les propriétés d une bonne formulation peuvent parfois permettre d établir la polynomialité du problème étudié Souvent, cela n est qu une première étape dans la résolution pratique du problème, et signifie en fait qu il existe un algorithme combinatoire efficace pour résoudre ce problème sans passer par la PL Un algorithme primal-dual est un bon candidat dans ce cas-là, puisque ses «choix» sont guidés par les conditions des écarts complémentaires (relations d exclusion) du PL associé Dans certains cas, cela ne marche pas si bien : Stables de poids maximum dans un graphe d intervalle (dans notre exemple, si C a un poids de 3, et tous les autres 1, alors la valeur optimale est 4) Enfin, ce genre d approches peut parfois être utilisé également pour obtenir des solutions approchées à des problèmes difficiles (cf CAP) 40

Rappels sur les tableaux et l algorithme du simplexe

Rappels sur les tableaux et l algorithme du simplexe Rappels sur les tableaux et l algorithme du simplexe À tout tableau est associée non seulement une base du problème initial (primal) mais également une base du problème dual. Les valeurs des variables

Plus en détail

Aspects théoriques et algorithmiques du calcul réparti Placement - Compléments

Aspects théoriques et algorithmiques du calcul réparti Placement - Compléments A- 0/0 Aspects théoriques et algorithmiques du calcul réparti Placement - Compléments Patrick CIARLET Enseignant-Chercheur UMA patrick.ciarlet@ensta-paristech.fr Françoise LAMOUR franc.lamour@gmail.com

Plus en détail

La notion de dualité

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

Plus en détail

Exercices théoriques

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

Plus en détail

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

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

Plus en détail

Gestion d'un entrepôt

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

Plus en détail

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

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

Plus en détail

Planifica(on du stockage intermédiaire dans l industrie du shampoing

Planifica(on du stockage intermédiaire dans l industrie du shampoing dans l industrie du shampoing R. Belaid, V. T kindt, C. Esswein, rabah.belaid@etu.univ-tours.fr Université François Rabelais Tours Laboratoire d Informatique 64 avenue Jean Portalis, 37200, Tours Journées

Plus en détail

Applications #2 Problème du voyageur de commerce (TSP)

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

Plus en détail

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

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

Plus en détail

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

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

Plus en détail

Fondements de l informatique: Examen Durée: 3h

Fondements de l informatique: Examen Durée: 3h École polytechnique X2013 INF412 Fondements de l informatique Fondements de l informatique: Examen Durée: 3h Sujet proposé par Olivier Bournez Version 3 (corrigé) L énoncé comporte 4 parties (sections),

Plus en détail

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

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

Plus en détail

Structures de données non linéaires

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

Plus en détail

Plus courts chemins, programmation dynamique

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

Plus en détail

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

Souad EL Bernoussi. Groupe d Analyse Numérique et Optimisation Rabat http ://www.fsr.ac.ma/ano/ Recherche opérationnelle Les démonstrations et les exemples seront traités en cours Souad EL Bernoussi Groupe d Analyse Numérique et Optimisation Rabat http ://www.fsr.ac.ma/ano/ Table des matières 1 Programmation

Plus en détail

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

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

Plus en détail

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

Exemples de problèmes et d applications. INF6953 Exemples de problèmes 1 Exemples de problèmes et d applications INF6953 Exemples de problèmes Sommaire Quelques domaines d application Quelques problèmes réels Allocation de fréquences dans les réseaux radio-mobiles Affectation

Plus en détail

Ordonnancement avec exclusion mutuelle par un graphe d intervalles ou d une classe apparentée : complexité et algorithmes ~ Frédéric Gardi

Ordonnancement avec exclusion mutuelle par un graphe d intervalles ou d une classe apparentée : complexité et algorithmes ~ Frédéric Gardi Ordonnancement avec exclusion mutuelle par un graphe d intervalles ou d une classe apparentée : complexité et algorithmes ~ Frédéric Gardi - 14 Juin 2005 - - Faculté des Sciences de Luminy - 1. Introduction

Plus en détail

Programmation linéaire

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

Plus en détail

Théorie des Graphes Cours 3: Forêts et Arbres II / Modélisation

Théorie 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 détail

Chapitre 5 : Flot maximal dans un graphe

Chapitre 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 détail

Programmation linéaire

Programmation linéaire 1 Programmation linéaire 1. Le problème, un exemple. 2. Le cas b = 0 3. Théorème de dualité 4. L algorithme du simplexe 5. Problèmes équivalents 6. Complexité de l Algorithme 2 Position du problème Soit

Plus en détail

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

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

Plus en détail

BACCALAUREAT GENERAL MATHÉMATIQUES

BACCALAUREAT GENERAL MATHÉMATIQUES BACCALAUREAT GENERAL FEVRIER 2014 MATHÉMATIQUES SERIE : ES Durée de l épreuve : 3 heures Coefficient : 5 (ES), 4 (L) 7(spe ES) Les calculatrices électroniques de poche sont autorisées, conformement à la

Plus en détail

Ensimag 2A. Rapport de TER. Application de la Recherche Opérationnelle à la Finance

Ensimag 2A. Rapport de TER. Application de la Recherche Opérationnelle à la Finance Ensimag 2A Rapport de TER Application de la Recherche Opérationnelle à la Finance Elève : Yuefei HUANG Tuteur : Zoltán SZIGETI Mai, 2010 2 Sommaire 1. Introduction... 3 2. Le marché des changes et arbitrage...

Plus en détail

Algorithmes de recherche

Algorithmes de recherche Algorithmes de recherche 1 Résolution de problèmes par recherche On représente un problème par un espace d'états (arbre/graphe). Chaque état est une conguration possible du problème. Résoudre le problème

Plus en détail

Communications collectives et ordonnancement en régime permanent pour plates-formes hétérogènes

Communications 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 détail

La NP-complétude. Johanne Cohen. PRISM/CNRS, Versailles, France.

La 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 détail

Jeux-Langages-Logique Jeux extensifs, jeux stratégiques

Jeux-Langages-Logique Jeux extensifs, jeux stratégiques Université de Bordeaux Master Informatique, 2015/2016 Jeux extensifs, à information complète Jeux-Langages-Logique Jeux extensifs, jeux stratégiques Exercice 2.1 Th. de Von Neumann Soit un graphe orienté

Plus en détail

À propos des matrices échelonnées

À propos des matrices échelonnées À propos des matrices échelonnées Antoine Ducros appendice au cours de Géométrie affine et euclidienne dispensé à l Université Paris 6 Année universitaire 2011-2012 Introduction Soit k un corps, soit E

Plus en détail

Un corrigé de l épreuve de mathématiques du baccalauréat blanc

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

Plus en détail

Cours de Master Recherche

Cours de Master Recherche Cours de Master Recherche Spécialité CODE : Résolution de problèmes combinatoires Christine Solnon LIRIS, UMR 5205 CNRS / Université Lyon 1 2007 Rappel du plan du cours 16 heures de cours 1 - Introduction

Plus en détail

Gestion de projet. Jean-Charles Régin. Licence Informatique 3 ème année - MIAGE

Gestion de projet. Jean-Charles Régin. Licence Informatique 3 ème année - MIAGE Gestion de projet Jean-Charles Régin Licence Informatique 3 ème année - MIAGE Gestion de projet : Ordonnancement Jean-Charles Régin Licence Informatique 3 ème année - MIAGE Remerciements Michel Minoux

Plus en détail

Outils d Aide à la Décision. Christophe Duhamel & Philippe Lacomme ZZ2 F2/F3-2014

Outils d Aide à la Décision. Christophe Duhamel & Philippe Lacomme ZZ2 F2/F3-2014 Outils d Aide à la Décision Christophe Duhamel & Philippe Lacomme ZZ2 F2/F3-2014 Plan du cours Complexité algorithmique Conception d'algorithmes Problèmes combinatoires Problèmes d'ordonnancement Problèmes

Plus en détail

Jeux à somme nulle : le cas fini

Jeux à somme nulle : le cas fini CHAPITRE 2 Jeux à somme nulle : le cas fini Les jeux à somme nulle sont les jeux à deux joueurs où la somme des fonctions de paiement est nulle. Dans ce type d interaction stratégique, les intérêts des

Plus en détail

Annexe 6. Notions d ordonnancement.

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 détail

PARCOURS DU CAVALIER SUR L ÉCHIQUIER

PARCOURS DU CAVALIER SUR L ÉCHIQUIER I05 ÉPREUVE COMMUNE DE TIPE 2011 - Partie D TITRE : PARCOURS DU CAVALIER SUR L ÉCHIQUIER Temps de préparation :.. 2 h 15 minutes Temps de présentation devant les examinateurs :.10 minutes Dialogue avec

Plus en détail

Généralités sur les graphes

Généralités sur les graphes Généralités sur les graphes Christophe ROSSIGNOL Année scolaire 2008/2009 Table des matières 1 Notion de graphe 3 1.1 Un peu de vocabulaire.......................................... 3 1.2 Ordre d un graphe,

Plus en détail

Cours 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. 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 détail

Théorie des ensembles

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

Plus en détail

Arbres binaires Version prof Version prof

Arbres binaires Version prof Version prof Arbres binaires Version prof Version prof types /* déclaration du type t_element */ t_arbrebinaire = t_noeudbinaire t_noeudbinaire = enregistrement t_element cle t_arbrebinaire fg, fd n enregistrement

Plus en détail

Introduction à la théorie des graphes. Solutions des exercices

Introduction 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 détail

Théorie des graphes pour l analyse de réseaux réels

Théorie des graphes pour l analyse de réseaux réels Théorie des graphes pour l analyse de réseaux réels Bertrand Jouve Laboratoire ERIC - IXXI - Université Lyon 2 Plan 1 Entre théorie des graphes et réseaux réels 2 Partitionnement métrique Exemple d étude

Plus en détail

Fonctions de plusieurs variables

Fonctions de plusieurs variables Module : Analyse 03 Chapitre 00 : Fonctions de plusieurs variables Généralités et Rappels des notions topologiques dans : Qu est- ce que?: Mathématiquement, n étant un entier non nul, on définit comme

Plus en détail

Le corps R des nombres réels

Le corps R des nombres réels Le corps R des nombres réels. Construction de R à l aide des suites de Cauchy de nombres rationnels On explique brièvement dans ce paragraphe comment construire le corps R des nombres réels à partir du

Plus en détail

Graphes Pour la Terminale ES

Graphes Pour la Terminale ES Graphes Pour la Terminale ES Groupe IREM de Luminy Pierre Arnoux Fernand Didier Catherine Dufossé Nicolas Lichiardopol Christian Mauduit Dominique Proudhon Christiane Rambaud 18 octobre 2002 Table des

Plus en détail

Baccalauréat ES Centres étrangers 12 juin 2014 - Corrigé

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

Plus en détail

Pourquoi l apprentissage?

Pourquoi 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 détail

Info0804. Cours 6. Optimisation combinatoire : Applications et compléments

Info0804. 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 détail

Baccalauréat ES Polynésie (spécialité) 10 septembre 2014 Corrigé

Baccalauréat 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 détail

Factorisation des matrices creuses

Factorisation des matrices creuses Chapitre 5 Factorisation des matrices creuses 5.1 Matrices creuses La plupart des codes de simulation numérique en mécanique des fluides ou des structures et en électromagnétisme utilisent des discrétisations

Plus en détail

L2: cours I4c Langages et automates

L2: cours I4c Langages et automates L2: cours I4c Langages et automates Olivier Togni, LE2I (038039)3887 olivier.togni@u-bourgogne.fr Modifié le 31 mai 2007 Sommaire Utiles pour compilation, interprétation,... 1. Langages rationnels 2. Langages

Plus en détail

Principes généraux de codage entropique d'une source. Cours : Compression d'images Master II: IASIG Dr. Mvogo Ngono Joseph

Principes généraux de codage entropique d'une source. Cours : Compression d'images Master II: IASIG Dr. Mvogo Ngono Joseph Principes généraux de codage entropique d'une source Cours : Compression d'images Master II: IASIG Dr. Mvogo Ngono Joseph Table des matières Objectifs 5 Introduction 7 I - Entropie d'une source 9 II -

Plus en détail

Programmation, partiel: sémantique d un tableur

Programmation, partiel: sémantique d un tableur Programmation, partiel: sémantique d un tableur Recommandations. Votre copie (papier ou électronique) devra être lisible et bien structurée. La note tiendra compte autant du fond que de la présentation.

Plus en détail

To cite this version: HAL Id: tel-00596215 https://tel.archives-ouvertes.fr/tel-00596215

To cite this version: HAL Id: tel-00596215 https://tel.archives-ouvertes.fr/tel-00596215 Algorithmes Combinatoires et Relaxations par Programmation Linéaire et Semidéfinie. Application à la Résolution de Problèmes Quadratiques et d Optimisation dans les Graphes. Frédéric Roupin To cite this

Plus en détail

Sujet 3: Modèles de la planification stratègique : Autres applications

Sujet 3: Modèles de la planification stratègique : Autres applications Sujet 3: Modèles de la planification stratègique : Autres applications MSE3312: Planification de production et gestion des opérations Andrew J. Miller Dernière mise à jour: October 11, 2010 Dans ce sujet...

Plus en détail

Cours de spécialité mathématiques en Terminale ES

Cours de spécialité mathématiques en Terminale ES Cours de spécialité mathématiques en Terminale ES O. Lader 2014/2015 Lycée Jean Vilar Spé math terminale ES 2014/2015 1 / 51 Systèmes linéaires Deux exemples de systèmes linéaires à deux équations et deux

Plus en détail

Exercices types Algorithmique et simulation numérique Oral Mathématiques et algorithmique Banque PT

Exercices 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 détail

optimisation robuste de réseaux de télécommunications

optimisation robuste de réseaux de télécommunications optimisation robuste de réseaux de télécommunications Orange Labs Laboratoire Heudiasyc, UMR CNRS 6599, Université de Technologie de Compiègne Olivier Klopfenstein thèse effectuée sous la direction de

Plus en détail

Exploration informée

Exploration informée Exploration informée Jerôme Champavère jerome.champavere @ lifl.fr http://www.grappa.univ-lille3.fr/~champavere/?page=enseignement Stratégies d'exploration informée Exploration «meilleur d'abord» Best-first

Plus en détail

Excel Avancé. Plan. Outils de résolution. Interactivité dans les feuilles. Outils de simulation. La valeur cible Le solveur

Excel Avancé. Plan. Outils de résolution. Interactivité dans les feuilles. Outils de simulation. La valeur cible Le solveur Excel Avancé Plan Outils de résolution La valeur cible Le solveur Interactivité dans les feuilles Fonctions de recherche (ex: RechercheV) Utilisation de la barre d outils «Formulaires» Outils de simulation

Plus en détail

Rapport de stage. Simulation d'algorithmes auto-stabilisants

Rapport de stage. Simulation d'algorithmes auto-stabilisants Université Joseph Fourier Département Licence Sciences & Technologies Rapport de stage Simulation d'algorithmes auto-stabilisants DIAKITE Moussa Laboratoire d'accueil : Verimag Directeur du laboratoire

Plus en détail

CH.8 Décidabilité. Propriétés des langages récursifs : Fermés par complémentation, union et intersection. oui. non. oui M 1. non. oui M 2.

CH.8 Décidabilité. Propriétés des langages récursifs : Fermés par complémentation, union et intersection. oui. non. oui M 1. non. oui M 2. CH.8 Décidabilité 8.1 Les langages récursifs 8.2 La machine de Turing universelle 8.3 Des problèmes de langages indécidables 8.4 D'autres problèmes indécidables Automates ch8 1 8.1 Les langages récursifs

Plus en détail

Objectifs 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 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 détail

Optimisation Discrète

Optimisation 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 détail

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

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

Plus en détail

La programmation linéaire : une introduction. Qu est-ce qu un programme linéaire? Terminologie. Écriture mathématique

La programmation linéaire : une introduction. Qu est-ce qu un programme linéaire? Terminologie. Écriture mathématique La programmation linéaire : une introduction Qu est-ce qu un programme linéaire? Qu est-ce qu un programme linéaire? Exemples : allocation de ressources problème de recouvrement Hypothèses de la programmation

Plus en détail

Couplages et colorations d arêtes

Couplages et colorations d arêtes Couplages et colorations d arêtes Complément au chapitre 5 «Une employée mécontente» et au chapitre 9 «L apprentie sudokiste» Considérons n équipes de hockey qui doivent s affronter lors d un tournoi.

Plus en détail

I.2: Le test fonctionnel I.2.2 : Le test fonctionnel de logiciel

I.2: Le test fonctionnel I.2.2 : Le test fonctionnel de logiciel I.2: Le test fonctionnel I.2.2 : Le test fonctionnel de logiciel Introduction Notre contexte : pas possible d exprimer toutes les combinaisons de DT. Le test fonctionnel est basé sur la spécification/interface

Plus en détail

PROBABILITÉS CONDITIONNELLES

PROBABILITÉS CONDITIONNELLES PROBABILITÉS ONDITIONNELLES Exercice 01 On considère une roue partagée en 15 secteurs angulaires numérotés de 1 à 15. es secteurs sont de différentes couleurs. On fait tourner la roue qui s'arrête sur

Plus en détail

Arbres de segments. Plan. Arbres de segments. Arbres de sélection Listes à saut Compléments de Java Dictionnaires Automates. Solution.

Arbres de segments. Plan. Arbres de segments. Arbres de sélection Listes à saut Compléments de Java Dictionnaires Automates. Solution. Plan Arbres de segments Arbres de segments Arbres de sélection Listes à saut Compléments de Java Dictionnaires Automates Problème : Chercher, dans un ensemble d intervalles de la droite réelle, les intervalles

Plus en détail

En 2005, année de sa création, un club de randonnée pédestre comportait 80 adhérents. Chacune des années suivantes on a constaté que :

En 2005, année de sa création, un club de randonnée pédestre comportait 80 adhérents. Chacune des années suivantes on a constaté que : Il sera tenu compte de la présentation et de la rédaction de la copie lors de l évaluation finale. Les élèves n ayant pas la spécialité mathématique traiteront les exercices 1, 2,3 et 4, les élèves ayant

Plus en détail

Programmation linéaire

Programmation linéaire CHAPTER 1 Programmation linéaire 1.1. Qu'est-ce que la programmation linéaire 1.1.1. Exemple: le problème du régime de Polly [1, p.3]. Besoins journaliers: Énergie: 2000 kcal Protéines: 55g Calcium: 800

Plus en détail

TD2 Fonctions mesurables Corrigé

TD2 Fonctions mesurables Corrigé Intégration et probabilités 2012-2013 TD2 Fonctions mesurables Corrigé 0 Exercice qui avait été préparé chez soi Exercice 1. Soit (Ω, F, µ) un espace mesuré tel que µ (Ω) = 1. Soient A, B P (Ω) deux sousensembles

Plus en détail

Chapitre 5 Les Probablilités

Chapitre 5 Les Probablilités A) Introduction et Définitions 1) Introduction Chapitre 5 Les Probablilités De nombreuses actions provoquent des résultats qui sont dus en partie ou en totalité au hasard. Il est pourtant nécessaire de

Plus en détail

TP 8 : Arbres binaires de recherche

TP 8 : Arbres binaires de recherche TP 8 : Arbres binaires de recherche Semaine du 17 Mars 2008 Exercice 1 Dénir une structure struct noeud_s permettant de coder un n ud d'un arbre binaire contenant une valeur entière. Ajouter des typedef

Plus en détail

LE PROBLEME DU PLUS COURT CHEMIN

LE PROBLEME DU PLUS COURT CHEMIN LE PROBLEME DU PLUS COURT CHEMIN Dans cette leçon nous définissons le modèle de plus court chemin, présentons des exemples d'application et proposons un algorithme de résolution dans le cas où les longueurs

Plus en détail

Formules d inclusion-exclusion

Formules d inclusion-exclusion Université de Rouen L1 M.I.EEA 2011 2012 Mathématiques discrètes Formules d inclusion-exclusion Je présente ici une correction détaillée de l Exercice 5 de la Feuille d exercices 1, en reprenant le problème

Plus en détail

Modèle probabiliste: Algorithmes et Complexité

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

Plus en détail

LES ÉTAPES DE L ALGORITHME DU SIMPLEXE

LES ÉTAPES DE L ALGORITHME DU SIMPLEXE LES ÉTAPES DE L ALGORITHME DU SIMPLEXE Sommaire 1. Introduction... 1 2. Variables d écart et d excédent... 2 3. Variables de base et variables hors base... 2 4. Solutions admissibles... 3 5. Résolution

Plus en détail

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

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

Plus en détail

Ordonnancement. N: nains de jardin. X: peinture extérieure. E: électricité T: toit. M: murs. F: fondations CHAPTER 1

Ordonnancement. N: nains de jardin. X: peinture extérieure. E: électricité T: toit. M: murs. F: fondations CHAPTER 1 CHAPTER 1 Ordonnancement 1.1. Étude de cas Ordonnancement de tâches avec contraintes de précédences 1.1.1. Exemple : construction d'une maison. Exercice. On veut construire une maison, ce qui consiste

Plus en détail

Image d un intervalle par une fonction continue

Image d un intervalle par une fonction continue DOCUMENT 27 Image d un intervalle par une fonction continue La continuité d une fonction en un point est une propriété locale : une fonction est continue en un point x 0 si et seulement si sa restriction

Plus en détail

UNIVERSITE PARIS VII - DENIS DIDEROT U.F.R. D'INFORMATIQUE THESE

UNIVERSITE PARIS VII - DENIS DIDEROT U.F.R. D'INFORMATIQUE THESE UNIVERSITE PARIS VII - DENIS DIDEROT U.F.R. D'INFORMATIQUE Année 1998 N attribué par la bibliothèque _ THESE pour obtenir le grade de DOCTEUR DE L'UNIVERSITE PARIS VII Discipline : Informatique présentée

Plus en détail

Dénombrement Probabilité uniforme sur un ensemble fini

Dénombrement Probabilité uniforme sur un ensemble fini UPV - MathsL1S1 1 II Dénombrement Dénombrement Probabilité uniforme sur un ensemble fini I Dénombrement 1) Factorielles : Pour n entier 1, il y a : n! = n.(n - 1). (n - 2) 2.1 façons d aligner n objets

Plus en détail

Contrôle sur papier. INF441 Modex Programmation efficace juin 2010. 1. Photo de dés

Contrôle sur papier. INF441 Modex Programmation efficace juin 2010. 1. Photo de dés Contrôle sur papier INF441 Modex Programmation efficace juin 2010 1. Photo de dés Plusieurs dés ont été lancés sur une table, et une photo a été pris de haut. Cette photo est représentée par une matrice.

Plus en détail

CH.5 SYSTÈMES À CLÉ PUBLIQUE

CH.5 SYSTÈMES À CLÉ PUBLIQUE CH.5 SYSTÈMES À CLÉ PUBLIQUE 5.1 Les clés publiques : RSA 5.2 Les clés publiques : le sac à dos 5.3 Les clés publiques : le logarithme discret 5.4 L'authentification et la signature électronique 5.5 Les

Plus en détail

TD 3 : Problème géométrique dual et méthode des moindres carrés

TD 3 : Problème géométrique dual et méthode des moindres carrés Semestre, ENSIIE Optimisation mathématique 4 mars 04 TD 3 : Problème géométrique dual et méthode des moindres carrés lionel.rieg@ensiie.fr Exercice On considère le programme géométrique suivant : min x>0,y>0

Plus en détail

Algorithmes d'apprentissage

Algorithmes 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 détail

Cours 1: Introduction à l algorithmique

Cours 1: Introduction à l algorithmique 1 Cours 1: Introduction à l algorithmique Olivier Bournez bournez@lix.polytechnique.fr LIX, Ecole Polytechnique 2011-12 Algorithmique 2 Aujourd hui Calcul de x n Maximum Complexité d un problème Problème

Plus en détail

Cours MP. Espaces vectoriels normés

Cours MP. Espaces vectoriels normés Table des matières Espaces vectoriels normés B. Seddoug. Médiane Sup, Oujda I Norme et distance 1 I.1 Définitions..................... 1 I.2 Evn produit.................... 12 I.3 Notions topologiques

Plus en détail

Application des arbres binaires. Plan

Application des arbres binaires. Plan Application des arbres binaires. Plan Compter les arbres binaires Tétrarbres (quad trees) Problème des n corps Recherche dans un intervalle Recherche dans un nuage de points Recherche dans un arbre d intervalles

Plus en détail

Théorie des graphes. Introduction. Programme de Terminale ES Spécialité. Résolution de problèmes à l aide de graphes. Préparation CAPES UCBL

Théorie des graphes. Introduction. Programme de Terminale ES Spécialité. Résolution de problèmes à l aide de graphes. Préparation CAPES UCBL Introduction Ces quelques pages ont pour objectif de vous initier aux notions de théorie des graphes enseignées en Terminale ES. Le programme de Terminale (voir ci-après) est construit sur la résolution

Plus en détail

2B La résolution de modèles linéaires par Excel 2010

2B La résolution de modèles linéaires par Excel 2010 2B La résolution de modèles linéaires par Excel 2010 Nous reprenons ici, de façon plus détaillée, la section où est indiqué comment utiliser le solveur d'excel 2010 pour résoudre un modèle linéaire (voir

Plus en détail

Préparation à l agrégation 2012/2013. Mots clés : Graphes. Vecteur propre ; matrices stochastiques ; matrices à coefficients positifs.

Préparation à l agrégation 2012/2013. Mots clés : Graphes. Vecteur propre ; matrices stochastiques ; matrices à coefficients positifs. Mots clés : Graphes. Vecteur propre ; matrices stochastiques ; matrices à coefficients positifs. Le jury n exige pas une compréhension exhaustive du texte. Vous êtes laissé(e) libre d organiser votre discussion

Plus en détail

Algorithmique et Analyse d Algorithmes

Algorithmique et Analyse d Algorithmes Algorithmique et Analyse d Algorithmes L3 Info Cours 5 : Structures de données linéaires Benjamin Wack 2015-2016 1 / 37 La dernière fois Logique de Hoare Dichotomie Aujourd hui Type Abstrait de Données

Plus en détail

pedigree d'un cheval Zoe ; son père est Tonnerre et sa mère Belle ; mère de Belle est Rose et père de Belle est Eclair jean jean marc paul luc

pedigree d'un cheval Zoe ; son père est Tonnerre et sa mère Belle ; mère de Belle est Rose et père de Belle est Eclair jean jean marc paul luc Chap. 3 Les arbres binaires Un arbre est un ensemble de nœuds, organisés de façon hiérarchique, à partir d'un nœud distingué, appelé racine. La structure d'arbre est l'une des plus importantes et des plus

Plus en détail

Travaux dirigés n 1. Programmation linéaire

Travaux dirigés n 1. Programmation linéaire Université de Reims Champagne Ardenne U.F.R. de Sciences Exactes et Naturelles MASTER 1 Informatique - 2014/2015 Pierre Delisle Travaux dirigés n 1 Programmation linéaire Exercice 1 (Résolution d'un programme

Plus en détail

Programmation linéaire et Optimisation. Didier Smets

Programmation 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 détail