Utilisation des Structures Combinatoires pour le Test Statistique. Contexte. Plan. Le test de logiciel. Les structures combinatoires décomposables

Save this PDF as:
 WORD  PNG  TXT  JPG

Dimension: px
Commencer à balayer dès la page:

Download "Utilisation des Structures Combinatoires pour le Test Statistique. Contexte. Plan. Le test de logiciel. Les structures combinatoires décomposables"

Transcription

1 Utilisation des Structures Combinatoires pour le Test Statistique Sandrine-Dominique GOURAUD Équipe Programmation et Génie Logiciel, L.R.I. Co-encadrants: M.-C. Gaudel et A. Denise Plan Contexte Structures combinatoires Test statistique et qualité de test Nouelle approche du test statistique Tirer des chemins Optimiser la qualité de test Validation de l approche Le prototype AuGuSTe Résultats expérimentaux Bilan et Perspecties Les structures combinatoires décomposables Contexte La spécification de structures combinatoires consiste en un ensemble de règles de production construites à partir: d objets de base: (de taille et atome (de taille d opérateurs: union(+, produit(x, sequence, etc. de contraintes de cardinalité Exemples: Arbre binaire complet non ide: A= F+ AxA où F est l atome de base représentant une feuille Séquence de 3 à 5 feuilles: S= Sequence(F,Card=3..5 Les structures combinatoires décomposables Résultats théoriques sur la génération aléatoire uniforme de telles structures [Flajolet,Zimmermann,VanCutsem,99] Complexité en n*log n pour des structures combinatoires de taille n Complexité linéaire dans certains cas particuliers Outils disponibles pour l enironnement MuPAD: Le package CS [Corteel, Denise,Dutour,Sarron,Zimmermann] Le package MuPAD-Combinat [Thiery & al] Le test de logiciel Objectif: trouer des fautes/erreurs dans les programmes Comment? En exécutant le programme sur un ensemble de données qu on appelle jeu de test. Les difficultés: Trouer les bons jeux de test Exécution et dépouillement Quand arrêter les tests (critère? 5 6

2 Sélection d un jeu de test? Le test fonctionnel (boîte noire: sélection basée sur une spécification du système Ce que le système derait faire Le test structurel (boîte de erre: sélection basée sur le programme i.e. on s intéresse à différents chemins d exécution Ce que le programme fait et comment Le test statistique (ou aléatoire: sélection aléatoire (uniforme ou opérationnelle dans le Sélection d un jeu de test structurel/fonctionnel Pour sélectionner un jeu de tests, on part: D une modélisation du système/programme D un critère de test adapté à cette modélisation Exemples: Spécification algébriques / Couerture des axiomes Système à transitions étiquetées / Couerture des arcs Texte du programme / Couerture des instructions domaine des entrées du programme 8 Exemple: esttrie(tab,t Exemple: esttrie Spécification: le programme prend en entrée un tableau tab d au plus 6 entiers et un nombre t 6. Si les t premières aleurs du tableau tab sont triés en ordre croissant, alors il retourne rai. Si les t premières aleurs du tableau tab ne sont pas triés en ordre croissant, alors il! " #" # $ $ $ retourne faux. 9 Pourquoi le test statistique? Aantages: Possibilité de faire du test plus intensif qu aec les autres méthodes Inconénients: Mauaise couerture des cas particuliers (ex: cas d exception Solution? Le combiner aec une autre méthode de test [Théenod-Fosse,Waeselynck,99]. Qualité d un test statistique [TF,Wa] Soit E l ensemble des éléments à courir N le nombre de tests La qualité de test q N est la probabilité minimale d un élément de E d être couert lors des N tests q N =-( (- p min N où p min = min{p(e, e E} Pour maximiser q N, il faut maximiser p min Une solution (pas toujours possible: Tirage uniforme dans E

3 Relation entre N et q N [TF,Wa] Le test Statistique Structurel [TF,Wa] q N =-( (- p min N Si je choisis de faire N tests, quelle sera ma qualité de test q N? Si je désire atteindre une qualité de test q N, combien de tests suis-je censé effectuer? & & % Aec p 3 min {,} Construction d une distribution sur le domaine des entrées qui: Maximise la qualité de test donc la probabilité minimale d atteindre un élément du critère de couerture structurel considéré N écarte aucun point du domaine d entrée Aantages: Bons résultats expérimentaux Inconénients: Distribution déterminée de manière empirique dans certains cas Objectif de cette thèse Méthode de test statistique: qui s applique à différents types de modélisation représentable sous forme de graphes, qui optimise la qualité de test par rapport à un critère donné, qui est automatisée Nouelle approche pour le Test Statistique Apport possible des structures combinatoires pour le test 5 Nouelle approche pour le Test Statistique Test et structures combinatoires Tirage aléatoire de chemins L ensemble des chemins d un graphe peut se représenter facilement sous forme d une spécification de structures combinatoires Génération aléatoire de complexité linéaire étapes: Tirer un ensemble de chemins adéquat Passer des chemins aux données d entrée qui permettent de les parcourir Première étape: Tirer un ensemble de chemins tel que la qualité de test soit optimale Remarque: Idéalement, tirage parmi tous les chemins du graphe. En pratique, tirage dans un sous-ensemble de chemins: la présence de circuits dans le graphe implique une infinité de chemins. En pratique, on limite la longueur n des chemins. 8 3

4 Exemple: quel n choisir? Graphe et structure combinatoire Longueur du chemin élémentaire le plus long: Atomes= arcs Séquence d arcs= chemin e Choix de n pour la suite: Nombre de passages dans la boucle entre et 3 5 chemins de longueur à considérer S=.S +.e.c.e C= e.e + e 3.B.e 6 B= e.i + I= e 5.B S e e e 3 5 e e 6 e e C 9 Génération: dénombrement Génération: tirage C B I S S=.S +.e.c.e C= e.e + e 3.B.e 6 B= e.i + I= e 5.B e C 3 e S 3 / S /3? /3? S 6 e C e S 5 e C e / e e 3 B e 6 e e e e e 3 5 e e 6 e e e e e e e 3 e 6 e e e 3 e e 5 e 6 e 3 chemins issus de S de longueur Longueur= e Tirage de chemins Si le critère consiste à courir un ensemble de chemins : on construit la structure combinatoire correspondante Exemples: tous les chemins passant par l arc a, tous les chemins passant par le sommet B3 puis par le sommet I Si le critère consiste à courir un ensemble d éléments quelconque :??? Exemples: tous les sommets, tous les arcs Comment un tirage uniforme parmi des chemins peut-il assurer une bonne qualité de test pour une couerture d autres éléments? 3 Soit N le nombre de tests à générer.. Tirer aléatoirement, selon une distribution adéquate, N éléments e,,e N parmi les éléments à courir. Pour chaque e i, tirer aléatoirement et uniformément un chemin (de longueur n parmi ceux qui passent par e i.

5 Exemple: Exemple: Critère: tous les sommets carrés S={I,I,I,I5} 5 chemins de longueur. Distribution uniforme p(i= / +/ /5 +/ +/ /5 =/ =.35 De même: p(i=/, p(i=, p(i5= p min =p(i=.35 On n obtient pas le p min optimal! 5 Critère: tous les sommets carrés S={I,I} 5 chemins de longueur. Distribution uniforme p min =.5 Comment pourrais-je maximiser automatiquement le p min? 6 Probabilité d un élément La probabilité p(e d un élément e d être atteint lors d une exécution est: p(e=p (e+p (e Probabilité de tirer l élément (étape : p (e Un chemin passant par cet élément a été tiré (étape : (' = ' ' (' où e est l élément qui a été tiré (étape, c(e est le nombre de chemins passant par e c(e,e est le nombre de chemins passant par e et e Calcul des c(e,e : exemple de c(b3,i e e 3 e 5 e 6 e X A e e e A On en déduit la structure combinatoire puis la fonction 8 de dénombrement e e 3 e 5 e e 5 e 6 e Une manière de définir la distribution Pour optimiser la qualité de test, il faut maximiser p min. Or pour tout e de E, (' % + ' ' (' Maximiser p min sous les contraintes S pmin = % + + % + + = On résout ce problème d optimisation par un simplex et on en déduit les p (e i. 3 5

6 Exemple: Des chemins aux entrées Critère: tous les sommets carrés Distribution uniforme pour les chemins 5 chemins de longueur. % = = * = 3 Deuxième étape: Déterminer les entrées permettant d exécuter les chemins tirés Construction des prédicats associés aux chemins tirés (algorithme classique. Résolution des prédicats (problème indécidable dans le cas général 3 Exemple: Spécification: t [..6] Chemin I-C-I-I5 Prédicat calculé: t Ce chemin est faisable Entrées possibles: t= tab arbitraires Chemin I-C-B3-I5 Prédicat calculé: (t> (t - Ce chemin est infaisable Des chemins aux entrées Plusieurs cas possibles pour la résolution de chaque prédicat:. Le prédicat a une solution: c est notre donnée de test. Le prédicat n a pas de solution: le chemin associé est infaisable 3. Le prédicat est indéterminé Le calcul théorique des p (e i ne prend pas en compte les chemins infaisables 33 3 Application au test statistique structurel Validation de l approche Modèle: graphe de contrôle du programme Critères: Tous les chemins de longueur n Tous les enchaînements Toutes les instructions Un prototype: AuGuSTe Version : distribution basée sur les dominances Version : distribution basée sur la résolution du système linéaire : Automated Generation of Statistical Tests 36 6

7 ,/ +!&%%,( -( ( (%!&!(. &!/(%!&- -& (!-! (( -(% - 3-!% -!-! (( -(% 6 ((5 / %!!-! 3 Les expériences Objectifs: alider l approche Comparer à l approche du LAAS Éaluer la stabilité Passage à l échelle possible? Comment? En utilisant les programmes et les mutants fournis par le LAAS Plus de exécutions réalisées sur plus 9 mutants 38 Les programmes Éaluation par mutation des méthodes de test Nom Fct Fct Fct3 Fct #lignes #chemins 9 33 ( infini #blocs 9 9 #arcs #choix 5 Principe: détecter le maximum de mutants «non équialents» La proportion de mutants détectés est appelée score de mutation La notion d équialence dépend en partie de l enironnement d exécution des tests Exemple: présence de ariables non initialisées Mutants équialents différents 39 Les programmes et leurs mutants Les programmes et leurs mutants Nom #mutants #mutants équialents Nom #mutants #mutants équialents Fct Fct Fct3 Fct Fct Fct Fct3 Fct

8 Critère de couerture, q N et N Nom Fct Fct Fct3 Fct Critère choisi Tous les chemins Tous les chemins Tous les chemins Tous les enchaînements #tests 8 5x5 5x85 Qualité de test isée:.9999 Fct3 et Fct: pour s assurer de la stabilité, il y a 5 séries de tests. 3 Résultats pour Fct, Fct et Fct3 Fct3 Fct Fct Min Moy Max Uniforme Score de mutation LAAS AuGuSTe Fct3: Reflète la dépendance is-à-is de l enironnement Lié aux ariables non initialisées détectables par un bon compilateur Graphe de contrôle de FCT Première expérience aec Fct NB_VOIES=8 NB_VOIES=9 Choix de n? n 6+ 9 soit n 3 NUM_VOIE < NB_VOIES SE_VOIE_EN_TEST=TRUE Soit plus de 3 chemins à considérer chemins dont 99,98% de chemins infaisables AuGuSTe (: p min =.5 Mais en pratique tous les enchaînements ne sont pas couerts AuGuSTe (: p min =.5 Mais en pratique, tous les enchaînements ne sont pas couerts Distribution sur les éléments tirage uniforme parmi les chemins Présence d un nombre considérable de chemins infaisables 5 6 p min NB_VOIES=8 Résultats pour Fct: expérience NB_VOIES=9 NUM_VOIE < NB_VOIES Graphe équilibré => Tirage uniforme parmi les chemins SE_VOIE_EN_TEST=TRUE Deux sous-graphes indépendants mauaise couerture Idée: Transformation automatique de la structure combinatoire Score de mutation Min Moy Max Uniforme.895 Nc.95 LAAS AuGuSTe( AuGuSTe( Eniron 6 chemins de longueur 3 Eniron 5% de chemins infaisables AuGuSTe (: p min =.33 Mais en pratique, tous les enchaînements ne sont pas forcément couerts AuGuSTe (: p min =.93 En pratique, tous les enchaînements sont couerts 8 8

9 Bilan et Perspecties Contribution Première utilisation des méthodes de tirage uniforme dans les structures combinatoires pour le test de logiciel Définition une méthode générale et automatisée pour le test statistique Importante campagne d expériences Expériences aux résultats positifs: Efficacité comparable à celle du LAAS et automatisation Approche stable Passage à l échelle possible 5 Perspecties (/ Adapter/améliorer la distribution des p (e i en fonction des différents problèmes rencontrés: Les chemins infaisables Méthodes d apprentissage [Sebag & al] Méthodes probabilistes [Maume & al] Borner la longueur des chemins peut masquer des erreurs Méthode Boltzmann [Duchon,Flajolet,Louchard,Schaeffer,] Prendre en compte plus d aspects sémantiques Exemple: les cas exceptionnels doient-ils être autant testés que les cas standards? 5 Perspecties (/ Mieux exploiter les structures combinatoires pour limiter les chemins infaisables Analyse statique Meilleure distribution Application à d autres techniques Test statistique fonctionnel Model checking 5 Modification de la structure combinatoire Des questions?

10 Distribution basée sur les dominances (/ Distribution basée sur les dominances (/ Classe d équialence Une classe A domine une classe B, si tout chemin qui passe par les éléments de B passe par les éléments de A I I,C,I5 B3 I Choisir un représentant des classes aux feuilles S={I,I} Rajouter éentuellement à S un représentant de la classe racine. S={I,I,I} Faire du tirage uniforme dans l ensemble S. p min =. I I,C,I5 B3 I

Méthodes de Résolution de problèmes En Intelligence Artificielle

Méthodes de Résolution de problèmes En Intelligence Artificielle Méthodes de Résolution de problèmes En Intelligence Artificielle Résolution de Problèmes et Intelligence Artificielle Résoudre des puzzles Jouer aux échecs Faire des mathématiques Et même conduire une

Plus en détail

M2 MPRO. Optimisation dans les Graphes 2014-2015

M2 MPRO. Optimisation dans les Graphes 2014-2015 M2 MPRO Optimisation dans les Graphes 2014-2015 Programmation linéaire et problèmes d'optimisation dans les graphes 1 Problèmes d'optimisation dans les graphes : quelles méthodes pour les résoudre? Théorie

Plus en détail

Stéphane GOBRON HES SO HE Arc

Stéphane GOBRON HES SO HE Arc Stéphane GOBRON HES SO HE Arc 2015 Algorithmes Numériques 7 chapitres Codage des nombres Résolution d équations Systèmes linéaires Dérivation Intégration Equation différentielles Mots clés du cours : introduction

Plus en détail

Ioannis Parissis UFR IMA Laboratoire LIG. Test logiciel

Ioannis Parissis UFR IMA Laboratoire LIG. Test logiciel Test logiciel Objectif et plan du du cours Présenter les concepts de base sur le test logiciel Introduire des techniques simples pour construire des tests A partir de la spécification informelle du programme

Plus en détail

Techniques d estimation : Maximum de Vraisemblance et Méthode des Moments Généralisée

Techniques d estimation : Maximum de Vraisemblance et Méthode des Moments Généralisée Techniques d estimation : Maximum de Vraisemblance et Méthode des Moments Généralisée Philippe Gagnepain Université Paris 1 Ecole d Economie de Paris Centre d économie de la Sorbonne-UG 4-Bureau 405 philippe.gagnepain@univ-paris1.fr

Plus en détail

COURS DE THÉORIE DES GRAPHES ORGANISATION PRATIQUE & PROJET

COURS DE THÉORIE DES GRAPHES ORGANISATION PRATIQUE & PROJET COURS DE THÉORIE DES GRAPHES ORGANISATION PRATIQUE & PROJET Pour le lundi 26 octobre 2015, chaque étudiant aura choisi les modalités d examen le concernant : 1) projet d implémentation, exercices, partie

Plus en détail

Les algorithmes évolutionnistes. INF6953 Les algorithmes évolutionnistes (1) 1

Les algorithmes évolutionnistes. INF6953 Les algorithmes évolutionnistes (1) 1 Les algorithmes évolutionnistes INF6953 Les algorithmes évolutionnistes (1) 1 Métaheuristiques et algorithmes évolutionnistes Les métaheuristiques recherche locale consistent fondamentalement à faire évoluer

Plus en détail

Chap. 2. Langages et automates

Chap. 2. Langages et automates Chapitre 2. Langages et automates 1. Quelques définitions et description d un langage. 2. Les expressions régulières. 3. Les automates fini déterministes et non-déterministes. 4. Construction automatique

Plus en détail

Table des Matières. Satisfaisabilité en logique propositionnelle ES pour les problèmes d optimisation Élagage à l aide d heuristiques Le Labyrinthe

Table des Matières. Satisfaisabilité en logique propositionnelle ES pour les problèmes d optimisation Élagage à l aide d heuristiques Le Labyrinthe Table des Matières Essais Successifs (ES) 1 Rappels : Fonctions et Ordres de grandeurs 2 Diviser pour Régner 3 Approches Gloutonnes 4 Programmation Dynamique 5 Essais Successifs (ES) Le problème des n

Plus en détail

CHAPITRE 3 : Types de base, Opérateurs et Expressions

CHAPITRE 3 : Types de base, Opérateurs et Expressions CHAPITRE 3 : Types de base, Opérateurs et Expressions 1. Types simples Un type définit l'ensemble des valeurs que peut prendre une variable, le nombre d'octets à réserver en mémoire et les opérateurs que

Plus en détail

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

Chapitre 6. Programmation Dynamique. Méthodes P.S.E.P. 6.1 Programmation dynamique. 6.1.1 Exemple introductif Chapitre 6 Programmation Dynamique. Méthodes P.S.E.P. 6.1 Programmation dynamique 6.1.1 Exemple introductif Problème : n matrices M i (m i, m i+1 ) à multiplier en minimisant le nombre de multiplications,

Plus en détail

Chapitre 4 Automates à pile et langages hors-contexte

Chapitre 4 Automates à pile et langages hors-contexte Chapitre 4 Automates à pile et langages hors-contexte 87 Introduction Langage a n b n n est pas accepté par un automate fini. Par contre L k = {a n b n n k} est accepté. Mémoire finie, mémoire infinie,

Plus en détail

Algorithmique et Structures de Données

Algorithmique et Structures de Données 1.1 Algorithmique et Structures de Données Jean-Charles Régin Licence Informatique 2ème année 1.2 Itérations Jean-Charles Régin Licence Informatique 2ème année Itération : définition 3 En informatique,

Plus en détail

MAP-SIM2 : Planification de trajectoire

MAP-SIM2 : Planification de trajectoire MP-SIM : Planification de trajectoire sujet proposé par Nicolas Kielbasiewicz : nicolas.kielbasiewicz@ensta-paristech.fr 0 janvier 06 La planification de trajectoire consiste à déterminer une trajectoire,

Plus en détail

Résolution de problèmes en intelligence artificielle et optimisation combinatoire : les algorithmes A*

Résolution de problèmes en intelligence artificielle et optimisation combinatoire : les algorithmes A* Résolution de problèmes en intelligence artificielle et optimisation combinatoire : les algorithmes A* Michel Couprie Le 5 avril 2013 Ce document est une courte introduction à la technique dite A*. Pour

Plus en détail

Prédiction de la Structure des Protéines. touzet@lifl.fr

Prédiction de la Structure des Protéines. touzet@lifl.fr Prédiction de la Structure des Protéines Hélène TOUZET touzet@lifl.fr Structure Structure Structure Structure primaire secondaire tertiaire quaternaire Exemple : la structure secondaire de la transthyretine

Plus en détail

Analyse de la complexité algorithmique (1)

Analyse de la complexité algorithmique (1) Analyse de la complexité algorithmique (1) L analyse de la complexité telle que nous l avons vue jusqu à présent nous a essentiellement servi à déterminer si un problème est ou non facile (i.e. soluble

Plus en détail

IN 101 - Cours 05. 7 octobre 2011. Un problème concret Recherche de collisions

IN 101 - Cours 05. 7 octobre 2011. Un problème concret Recherche de collisions Un problème concret Recherche de collisions IN 101 - Cours 05 7 octobre 2011 Le paradoxe des anniversaires dit que 365 élèves sont suffisants (en moyenne) pour avoir une collision d anniversaire, deux

Plus en détail

Au menu. Cours 7: Classes Probabilistes. Application : Calcul de la médiane. Sous menu. Retours sur quelques algorithmes.

Au menu. Cours 7: Classes Probabilistes. Application : Calcul de la médiane. Sous menu. Retours sur quelques algorithmes. Au menu Cours 7: Classes Probabilistes Olivier Bournez bournez@lix.polytechnique.fr LIX, Ecole Polytechnique Retours sur quelques algorithmes Quelques résultats INF561 Algorithmes et Complexité 1 2 Sous

Plus en détail

Algorithmes pour les graphes

Algorithmes pour les graphes Algorithmes pour les graphes 1 Définitions Un graphe est représenté par : V : L ensemble des noeuds ou sommets. E : L ensemble des arcs ou arrêtes. E est un sous-ensemble de V xv. On note G = (V, E). Si

Plus en détail

Placements de tours sur les diagrammes de permutations

Placements de tours sur les diagrammes de permutations Placements de tours sur les diagrammes de permutations 5 août 0 Résumé Le problème des placements de tours consiste à compter le nombre de manières de placer k tours sur un échiquier sans que les tours

Plus en détail

Objets Avancées Semestre 3 Année 2015-2016. Projet

Objets Avancées Semestre 3 Année 2015-2016. Projet Conception et Programmation IUT d Aix-Marseille Dép. INFO Aix Objets Avancées Semestre 3 Année 2015-2016 Projet André Abramé - andre.abrame@univ-amu.fr Sophie Nabitz - sophie.nabitz@univ-avignon.fr Petru

Plus en détail

Construction et destruction des objets de vie des objets Objets composites Tableaux d'objets Copie (Initialisation et affectation) des objets

Construction et destruction des objets de vie des objets Objets composites Tableaux d'objets Copie (Initialisation et affectation) des objets Construction et destruction des objets Durée de vie des objets Objets composites Tableaux d'objets Copie (Initialisation et affectation) des objets Initialisation des objets Constructeur par recopieinit

Plus en détail

Le test de logiciel : pourquoi et comment Marie-Claude Gaudel, Professeur émérite, LRI UMR n 8623 Université Paris Sud 11

Le test de logiciel : pourquoi et comment Marie-Claude Gaudel, Professeur émérite, LRI UMR n 8623 Université Paris Sud 11 1/6 Gaudel Le test de logiciel : pourquoi et comment Marie-Claude Gaudel, Professeur émérite, LRI UMR n 8623 Université Paris Sud 11 Introduction Le logiciel est un élément inévitable de notre environnement

Plus en détail

LIF4 - Optimisation à base de règles

LIF4 - Optimisation à base de règles LIF4 - Optimisation à base de règles Fabien Duchateau fabien.duchateau [at] univ-lyon1.fr Université Claude Bernard Lyon 1 2015-2016 http://liris.cnrs.fr/fabien.duchateau/ens/lif4/ Remerciements : Nicolas

Plus en détail

Heuristique et métaheuristique. 8. Optimisation combinatoire et métaheuristiques. Optimisation combinatoire. Problème du voyageur de commerce

Heuristique et métaheuristique. 8. Optimisation combinatoire et métaheuristiques. Optimisation combinatoire. Problème du voyageur de commerce Heuristique et métaheuristique IFT1575 Modèles de recherche opérationnelle (RO) 8. Optimisation combinatoire et métaheuristiques Un algorithme heuristique permet d identifier au moins une solution réalisable

Plus en détail

Introduction à la théorie des jeux à deux

Introduction à la théorie des jeux à deux Introduction à la théorie des jeux à deux Table des matières 1 Arbres d évaluation 2 A) Minimax...................................... 2 B) α-β......................................... 3 2 Variantes et

Plus en détail

Le problème des multiplications matricielles enchaînées peut être énoncé comme suit : étant

Le problème des multiplications matricielles enchaînées peut être énoncé comme suit : étant Licence informatique - L Année 0/0 Conception d algorithmes et applications (LI) COURS Résumé. Dans cette cinquième séance, nous continuons l exploration des algorithmes de type Programmation Dynamique.

Plus en détail

Méthodes d Optimisation

Méthodes d Optimisation Méthodes d Optimisation Licence Professionnelle Logistique Université du Littoral - Côte d Opale, Pôle Lamartine Laurent SMOCH (smoch@lmpa.univ-littoral.fr) Septembre 2011 Laboratoire de Mathématiques

Plus en détail

Programmation par Contraintes. Correctif des quelques exercices.

Programmation par Contraintes. Correctif des quelques exercices. Programmation par Contraintes. Correctif des quelques exercices. Ruslan Sadykov 22 décembre 204 Les règles de Golomb Une règle de Golomb est un ensemble d entiers naturels dans lequel les distances entre

Plus en détail

Optimisation de plans de financement immobiliers

Optimisation de plans de financement immobiliers Optimisation de plans de financement immobiliers ~ Frédéric GARDI 03/07/2007 Présentation du problème Plan/solution de financement : assemblage/mix de produits Pour chaque prêt du plan : son montant, sa

Plus en détail

Machine de Turing. Informatique II Algorithmique 1

Machine de Turing. Informatique II Algorithmique 1 Machine de Turing Nous avons vu qu un programme peut être considéré comme la décomposition de la tâche à réaliser en une séquence d instructions élémentaires (manipulant des données élémentaires) compréhensibles

Plus en détail

3 Lien entre pointeurs et tableaux.

3 Lien entre pointeurs et tableaux. programme sont dit dynamiques. On se limite ici aux tableaux statiques à une seule dimension, analogue aux vecteurs manipulés en mathématiques. Ils se déclarent sous la forme : type_d_élément variable_tableau[taille];

Plus en détail

VII- Enumérations dans l ordre alphabétique

VII- Enumérations dans l ordre alphabétique VII- Enumérations dans l ordre alphabétique Prenons un dictionnaire. Comment savoir si un mot se trouve avant ou après un autre? On commence par comparer la première lettre de ces deux mots. Si elles sont

Plus en détail

Espaces de probabilités.

Espaces de probabilités. Université Pierre et Marie Curie 2010-2011 Probabilités et statistiques - LM345 Feuille 2 Espaces de probabilités. 1. Donner un exemple d'une famille de parties d'un ensemble qui ne soit pas une tribu.

Plus en détail

ACCQ204 4 Jan. 2016. Cours 3. Définition 1 Pour tout entier r 2 un code de Hamming (binaire) a pour matrice de parité H r telle que : 1 0 1 0 1.

ACCQ204 4 Jan. 2016. Cours 3. Définition 1 Pour tout entier r 2 un code de Hamming (binaire) a pour matrice de parité H r telle que : 1 0 1 0 1. ACCQ4 4 Jan 6 Cours 3 Enseignant: Aslan Tchamkerten Crédit: Pierre de Sainte Agathe Code de Hamming Définition Pour tout entier r un code de Hamming (binaire) a pour matrice de parité H r telle que : H

Plus en détail

Corrigé du baccalauréat ES Asie 19 juin 2014

Corrigé du baccalauréat ES Asie 19 juin 2014 Corrigé du baccalauréat ES Asie 9 juin 4 EXERCICE 4 points Commun à tous les candidats Proposition : fausse f (4) est le coefficient directeur de la tangente à la courbe au point C ; cette droite passe

Plus en détail

Vérification par model-checking, extension aux systèmes infinis

Vérification par model-checking, extension aux systèmes infinis Vérification par model-checking, extension aux systèmes infinis Sébastien Bardin LSV - CNRS & ENS de Cachan Des programmes fiables? L informatique se répand très vite dans tous les domaines : téléphones,

Plus en détail

Second degré. Christophe ROSSIGNOL. Année scolaire 2008/2009

Second degré. Christophe ROSSIGNOL. Année scolaire 2008/2009 Second degré Christophe ROSSIGNOL Année scolaire 008/009 Table des matières 1 Polynômes du second degré 1.1 Définition................................................. 1. Forme canonique.............................................

Plus en détail

Techniques et outils de test pour les logiciels réactifs synchrones

Techniques et outils de test pour les logiciels réactifs synchrones Journées Systèmes et Logiciels Critiques Institut IMAG ; 14-16 nombre 2000 Techniques et outils de test pour les logiciels réactifs synchrones Farid Ouabdesselam 1 Méthodes de test : classification générale

Plus en détail

Génération aléatoire de structures ordonnées

Génération aléatoire de structures ordonnées Génération aléatoire de structures ordonnées Olivier Roussel Équipe APR Laboratoire d Informatique de Paris 6 Université Pierre et Marie Curie ALÉA 2011 7 mars 2011 Olivier Roussel (LIP6) Génération de

Plus en détail

Ressources pour le lycée technologique

Ressources pour le lycée technologique éduscol Enseignement de mathématiques Classe de première STMG Ressources pour le lycée technologique Échantillonnage : couleur des yeux au Canada Contexte pédagogique Objectifs Obtenir un intervalle de

Plus en détail

Statistique pour la bio-informatique Séance 9-10 - Decembre 2003 Chaînes de Markov cachées. 1 Chaînes de Markov cachées et applications

Statistique pour la bio-informatique Séance 9-10 - Decembre 2003 Chaînes de Markov cachées. 1 Chaînes de Markov cachées et applications Statistique pour la bio-informatique Séance 9-10 - Decembre 2003 Chaînes de Markov cachées 1 Chaînes de Markov cachées et applications Les modèles à données latentes (ou manquantes ou cachées) constituent

Plus en détail

- 06 - LA GESTION DE LA PRODUCTION : PARTIE 1

- 06 - LA GESTION DE LA PRODUCTION : PARTIE 1 - 06 - LA GESTION DE LA PRODUCTION : PARTIE 1 Objectif(s) : o o Pré requis : o o o Contraintes de production, Optimisation de la gestion de la production. Coût de production, Production sous contraintes,

Plus en détail

Arithmétique Algorithmique. http://www.math.univ-lyon1.fr/~roblot/ens.html

Arithmétique Algorithmique. http://www.math.univ-lyon1.fr/~roblot/ens.html Arithmétique Algorithmique http://www.math.univ-lyon1.fr/~roblot/ens.html Partie III Algorithmes classiques 1 Coût de la multiplication et de la division 2 Exponentiation rapide 3 Algorithme d Euclide

Plus en détail

Suites et Convergence

Suites et Convergence Suites et Convergence Une suite c est se donner une valeur (sans ambigüité) pour chaque N sauf peutêtre les premiers n. Donc une suite est une fonction : I R où I = N: = N. Notation : On note ( ) I R pour

Plus en détail

Exemple d un modèle de PL. 2. Programmation linéaire a. modélisation. Programmation linéaire (PL) Exemple d un modèle de PL (suite)

Exemple d un modèle de PL. 2. Programmation linéaire a. modélisation. Programmation linéaire (PL) Exemple d un modèle de PL (suite) Exemple d un modèle de PL IFT1575 Modèles de recherche opérationnelle (RO). Programmation linéaire a. modélisation Données du problème (Wyndor Glass, sec..1 H&L): Deux types de produits (produit 1, produit

Plus en détail

PSR : état de l art. Algorithmes exponentiels pour les problèmes de jeux dans les graphes

PSR : état de l art. Algorithmes exponentiels pour les problèmes de jeux dans les graphes PSR : état de l art Algorithmes exponentiels pour les problèmes de jeux dans les graphes Romain Letourneur Université d Orléans 14 mai 2012 2/34 Ma thématique Algorithmique exponentielle ; Problèmes de

Plus en détail

Ax = b iff (B + N) x N

Ax = b iff (B + N) x N Chapitre 3 Algorithme du simplexe 3.1 Solution de base admissible P en forme standard. A = (a 1,...,a n ) Hypothèse : n m (plus de variables que d équations) et rg(a)=m (pas d équation inutile). Donc après

Plus en détail

Licence informatique - L3 Année 2012/2013. Conception d algorithmes et applications (LI325) COURS 2

Licence informatique - L3 Année 2012/2013. Conception d algorithmes et applications (LI325) COURS 2 Licence informatique - L Année 0/0 Conception d algorithmes et applications (LI) COURS Résumé. Cette deuxième séance est entièrement consacrée aux applications du principe Diviser pour Régner. Nous regarderons

Plus en détail

Génie Logiciel I. Cours VII - La S.T.L. et les conteneurs. Nicolas Kielbasiewicz C.D.C.S.P./I.S.T.I.L./I.C.J. Filière M.A.M. 2ème année - 08/09

Génie Logiciel I. Cours VII - La S.T.L. et les conteneurs. Nicolas Kielbasiewicz C.D.C.S.P./I.S.T.I.L./I.C.J. Filière M.A.M. 2ème année - 08/09 Génie Logiciel I Cours VII - La S.T.L. et les conteneurs Nicolas Kielbasiewicz C.D.C.S.P./I.S.T.I.L./I.C.J. Filière M.A.M. 2ème année - 08/09 Nicolas Kielbasiewicz (C.D.C.S.P./I.S.T.I.L./I.C.J.) Génie

Plus en détail

Automates temporisés Partie 1: Définitions

Automates temporisés Partie 1: Définitions p.1 Automates temporisés Partie 1: Définitions p.2 Motivation Les automates temporisés constituent un des modèle de systèmes réactifs à temps continu proposé par Alur et Dill en 1991. Temps continu vs

Plus en détail

Présentation àla Matinale des Réseaux

Présentation àla Matinale des Réseaux Présentation àla Matinale des Réseaux Mars 2011 www.asterop.com Sommaire Rapide Présentation du Géomarketing Les solutions de développement de réseau Les études d implantation : DIP, potentiel théorique

Plus en détail

BACCALAURÉAT GÉNÉRAL. MATHÉMATIQUES Série ES/L

BACCALAURÉAT GÉNÉRAL. MATHÉMATIQUES Série ES/L BACCALAURÉAT GÉNÉRAL SESSION 2015 MATHÉMATIQUES Série ES/L Durée de l épreuve : 3 heures Coefficient : 5 (ES), 4 (L) ES : ENSEIGNEMENT OBLIGATOIRE L : ENSEIGNEMENT DE SPECIALITE Les calculatrices électroniques

Plus en détail

ÉLÉMENTS D OPTIMISATION. Complément au cours et au livre de MTH 1101 - CALCUL I

ÉLÉMENTS D OPTIMISATION. Complément au cours et au livre de MTH 1101 - CALCUL I ÉLÉMENTS D OPTIMISATION Complément au cours et au livre de MTH 1101 - CALCUL I CHARLES AUDET DÉPARTEMENT DE MATHÉMATIQUES ET DE GÉNIE INDUSTRIEL ÉCOLE POLYTECHNIQUE DE MONTRÉAL Hiver 2011 1 Introduction

Plus en détail

3- Les Réseaux de Petri

3- Les Réseaux de Petri http://www.tn.refer.org/hebergement/cours/sys_disc/notions_de_base_rdp.html Page 1 sur 7 3- Les Réseaux de Petri Plan Accueil Contact 3-1 Notions de Base 3-2 RdP Particuliers 3-3 Propriétés 3-4 Graphe

Plus en détail

Baccalauréat ES Pondichéry 21 avril 2016

Baccalauréat ES Pondichéry 21 avril 2016 Exercice 1 Commun à tous les candidats Baccalauréat ES Pondichéry 21 avril 216 4 points Cet exercice est un QCM (questionnaire à choix multiples). Pour chacune des quatre questions posées, une seule des

Plus en détail

Programmation linéaire

Programmation linéaire Programmation linéaire NICOD JEAN-MARC Master 2 Informatique Université de Franche-Comté UFR des Sciences et Techniques septembre 2008 NICOD JEAN-MARC Rappels sur les graphes 1 / 47 Sommaire 1 Exemple

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

4. Programmation en nombres entiers

4. Programmation en nombres entiers IFT575 Modèles de recherche opérationnelle (RO). Programmation en nombres entiers b. Séparation et évaluation progressive c. Plans de coupes Résolution de modèles entiers Programmation en nombres entiers

Plus en détail

Arbres couvrants minimaux

Arbres couvrants minimaux Arbres couvrants minimaux Algorithmique L François Laroussinie er décembre 00 Plan Définitions Algorithme de Prim Algorithme de Kruskal Application au voyageur de commerce Plan Définitions Algorithme de

Plus en détail

4. Programmation en nombres entiers

4. Programmation en nombres entiers IFT575 Modèles de recherche opérationnelle (RO). Programmation en nombres entiers a. Modélisation Terminologie de base Programmation en nombres entiers Programmation linéaire avec certaines variables contraintes

Plus en détail

UNIVERSITE SAAD DAHLAB DE BLIDA

UNIVERSITE SAAD DAHLAB DE BLIDA Chapitre 5 :. Introduction aux méthodes par séparation et évaluation Les méthodes arborescentes ( Branch and Bound Methods ) sont des méthodes exactes d'optimisation qui pratiquent une énumération intelligente

Plus en détail

Problème du flot à coût minimum

Problème du flot à coût minimum Problème du flot à coût minimum IFT1575 Modèles de recherche opérationnelle (RO). Optimisation de réseaux e. Flot à coût minimum On a un graphe orienté et connexe chaque arc (i,j), on associe une capacité

Plus en détail

Agrégation externe de mathématiques, texte d exercice diffusé en 2012 Épreuve de modélisation, option informatique

Agrégation externe de mathématiques, texte d exercice diffusé en 2012 Épreuve de modélisation, option informatique Agrégation externe de mathématiques, texte d exercice diffusé en 2012 Épreuve de modélisation, option informatique Résumé : A partir du problème de la représentation des droites sur un écran d ordinateur,

Plus en détail

ÉCOLE POLYTECHNIQUE FÉDÉRALE DE LAUSANNE Section d Informatique et de Systèmes de Communication

ÉCOLE POLYTECHNIQUE FÉDÉRALE DE LAUSANNE Section d Informatique et de Systèmes de Communication ÉCOLE POLYTECHNIQUE FÉDÉRALE DE LAUSANNE Section d Informatique et de Systèmes de Communication Corrigé de la série 9 3 Juin 2005 1. Augmenter les poids a) Soit T l ensemble de tous les arbres couvrants

Plus en détail

PROGRAMMATION DYNAMIQUE

PROGRAMMATION DYNAMIQUE PROGRAMMATION DYNAMIQUE 1 Le principe d optimalité de Bellman La programmation dynamique est fondée sur le principe d optimalité de Bellman : Soit f une fonction réelle de x et y = (y 1, y 2,..., y n ).

Plus en détail

MÉRÉ Aurélien FIIFO1. Pathfinder

MÉRÉ Aurélien FIIFO1. Pathfinder MÉRÉ Aurélien FIIFO1 AMC Pathfinder 1 Sommaire Préambule... 3 Modélisation de l espace... 4 Modélisation des cases δ, α... 4 Interface en mode texte... 5 Modélisation du robot... 8 1 ) Le type Robot...

Plus en détail

Projet : Plan Assurance Qualité

Projet : Plan Assurance Qualité Projet : Document : Plan Assurance Qualité 2UP_ARCHI_DEV1 VERSION 1.00 Objet Ce document a pour objectif de définir la démarche TOW TRACK UNIFIED PROCESS. Auteur Eric PAPET Vérifié par: Dominique MASSON

Plus en détail

Statistiques descriptives Variance et écart type

Statistiques descriptives Variance et écart type Statistiques descriptives Variance et écart type I) Rappel : la moyenne (caractéristique de position ) Définition Soit la série statistique définie dans le tableau suivant : Valeur... Effectif... Fréquences

Plus en détail

Modélisation pour la fabrication additive. Sylvain Lefebvre

Modélisation pour la fabrication additive. Sylvain Lefebvre Modélisation pour la fabrication additive Sylvain Lefebvre Fabrication additive Procède par ajout de matière Typiquement couche après couche Nombreuses technologies Exemple: SLS laser objet en cours de

Plus en détail

Reprise en main du programme d Affectation de transport en commun

Reprise en main du programme d Affectation de transport en commun Reprise en main du programme d Affectation de transport en commun Modifications indispensables pour bonne compilation : Utilisation de visual C++ express pour avoir accès à un débuggeur et un compilateur

Plus en détail

CHAPITRE 2 GRAPHES 2.1 LES GRAPHES ET LEURS COMPOSANTES.

CHAPITRE 2 GRAPHES 2.1 LES GRAPHES ET LEURS COMPOSANTES. CHAPITRE 2 GRAPHES 2.1 LES GRAPHES ET LEURS COMPOSANTES. Faire le numéro 5 a)b) de la page 39 du cahier math 3000 Remarque importante : La somme des degrés de tous les sommets d un graphe est toujours

Plus en détail

Les Tables de Hachage

Les Tables de Hachage NICOD JEAN-MARC Licence 3 Informatique Université de Franche-Comté UFR des Sciences et Techniques septembre 2007 NICOD JEAN-MARC 1 / 34 Référence Tables à adressage directe Thomas H. Cormen, Charles E.

Plus en détail

Java : Programmation Impérative

Java : Programmation Impérative 1 Java : Programmation Impérative Résumé du cours précédent (I11) Paradigme impératif Algorithmique simple Découpage fonctionnel Qu est-ce qu un programme informatique? / un langage de programmation? /

Plus en détail

INTRODUCTION À L ALGORITHMIQUE

INTRODUCTION À L ALGORITHMIQUE INTRODUCTION À L ALGORITHMIQUE Table des matières 1. Introduction 1 2. Les éléments de base d un algorithme simple 2 2.1. Préparation du traitement 2 2.2. Le traitement 2 2.3. La sortie des résultats 2

Plus en détail

Preuve de la correction de l algorithme alpha-bêta

Preuve de la correction de l algorithme alpha-bêta I02 ÉPREUVE COMMUNE DE TIPE 2013 - Partie D TITRE : Preuve de la correction de l algorithme alpha-bêta Temps de préparation :.. 2 h 15 minutes Temps de présentation devant les examinateurs :.10 minutes

Plus en détail

Codes linéaires. Distance d un code linéaire

Codes linéaires. Distance d un code linéaire Distance d un code linéaire Un code binaire C est linéaire si la somme de deux mots quelconques du code est encore un mot du code : w 1, w 2 C, w 1 + w 2 C Un code linéaire est donc un sous-espace vectoriel

Plus en détail

Résolution de systèmes linéaires creux par des méthodes directes

Résolution de systèmes linéaires creux par des méthodes directes Résolution de systèmes linéaires creux par des méthodes directes J. Erhel Janvier 2014 1 Stockage des matrices creuses Dans de nombreuses simulations numériques, la discrétisation du problème aboutit à

Plus en détail

Génie logiciel Test logiciel A.U. 2013/2014 (Support de cours) R. MAHMOUDI (mahmoudr@esiee.fr) 1 Plan du chapitre - Définition du test logiciel - Principe de base du test logiciel - Les différentes étapes

Plus en détail

Dessin de Graphes. Romain Bourqui. Maître de Conférences romain.bourqui@labri.fr

Dessin de Graphes. Romain Bourqui. Maître de Conférences romain.bourqui@labri.fr Dessin de Graphes Romain Bourqui Maître de Conférences romain.bourqui@labri.fr Dessin de Graphes Plan Introduction Dessin de graphes planaires Dessin hiérarchique Dessin par analogie physique Dessin de

Plus en détail

M2 Informatique/Réseaux Université Pierre et Marie Curie UE APMM

M2 Informatique/Réseaux Université Pierre et Marie Curie UE APMM TD TECHNIQUES DE CODAGE ET DE COMPRESSION. LANGAGE / CODAGE / VALENCE.. Rappels Toute fraction intelligible d un message est constituée de symboles. Le langage est l ensemble de ces symboles. Un codage

Plus en détail

Chapitre 3 Planification I

Chapitre 3 Planification I Chapitre 3 Planification I Le processus de planification d un projet Pourquoi faire un plan? Qu est-ce qu un plan? Contenu d un plan Processus de planification Critères de qualité pour évaluer un plan

Plus en détail

Problème du voyageur de commerce par algorithme génétique

Problème du voyageur de commerce par algorithme génétique Problème du voyageur de commerce par algorithme génétique 1 Problème du voyageur de commerce Le problème du voyageur de commerce, consiste en la recherche d un trajet minimal permettant à un voyageur de

Plus en détail

Programmation avancée

Programmation avancée Programmation avancée Chapitre 1 : Complexité et les ABR (arbres binaires de recherche) 1 1 IFSIC Université de Rennes-1 M2Crypto, octobre 2011 Plan du cours 1 2 3 4 5 6 7 8 9 10 Algorithmes Définition

Plus en détail

Jeu d instruction et Pipeline NSY 104

Jeu d instruction et Pipeline NSY 104 Jeu d instruction et Pipeline NSY 104 Les jeux d instructions Définitions Partie de l architecture avec laquelle le programmeur ou le concepteur de compilateur est en contact. Ensemble des instructions

Plus en détail

Devoir Surveillé informatique MP, PC, PSI

Devoir Surveillé informatique MP, PC, PSI NOM : Classe : Devoir Surveillé informatique MP, PC, PSI L utilisation des calculatrices n est pas autorisée pour cette épreuve. Le langage de programmation choisi est Python. L espace laissé pour les

Plus en détail

Arithmétique binaire. (Université Bordeaux 1) Architecture de l Ordinateur 2007-2008 1 / 10

Arithmétique binaire. (Université Bordeaux 1) Architecture de l Ordinateur 2007-2008 1 / 10 Entiers naturels Arithmétique binaire Représentation en base 10: 2034 = 2 10 3 + 0 10 2 + 3 10 1 + 4 10 0 Représentation en base 2: 11010 = 1 2 4 + 1 2 3 + 0 2 2 + 1 2 1 + 0 2 0 (Université Bordeaux 1)

Plus en détail

Indexation 3D à partir de vues 2D

Indexation 3D à partir de vues 2D Indexation 3D à partir de vues 2D Thibault Napoléon 1 Télécom ParisTech - TSI Qu est ce que l indexation 3D? Recherche dans une grande base de donnée 3D Recherche par le contenu (la forme, la couleur...)

Plus en détail

Problèmes à propos des nombres entiers naturels

Problèmes à propos des nombres entiers naturels Problèmes à propos des nombres entiers naturels 1. On dispose d une grande feuille de papier, on la découpe en 4 morceaux, puis on déchire certains morceaux (au choix) en 4 et ainsi de suite. Peut-on obtenir

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

D après une idée originale dans «Les maths au quotidien» M.Colonval et A.Roumadni éd. Ellipses

D après une idée originale dans «Les maths au quotidien» M.Colonval et A.Roumadni éd. Ellipses LES ABEILLES D après une idée originale dans «Les maths au quotidien» M.Colonval et A.Roumadni éd. Ellipses 1. Présentation de la trame : Recherche et synthèse d infos Notion d optimisation Intérêt et

Plus en détail

Chapitre 1 Introduction

Chapitre 1 Introduction Chapitre 1 Introduction Jean Privat Université du Québec à Montréal INF7330 Construction de logiciels Diplôme d études supérieures spécialisées en systèmes embarqués Automne 2012 Jean Privat (UQAM) 01

Plus en détail

Feuille 1 : Autour du problème SAT

Feuille 1 : Autour du problème SAT Master-2 d Informatique 2014 2015 Complexit Algorithmique Applique. Feuille 1 : Autour du problème SAT 1 Rappels sur SAT Énoncé du problème. Le problème SAT (ou le problème de Satisfaisabilité) est le

Plus en détail

De l art d écrire des programmes qui résolvent des problèmes que l on ne sait pas résoudre soi-même!

De l art d écrire des programmes qui résolvent des problèmes que l on ne sait pas résoudre soi-même! Chapitre 1 La récursivité De l art d écrire des programmes qui résolvent des problèmes que l on ne sait pas résoudre soi-même! 1.1 Définition et types de récursivité Définition 1 (Définition récursive,

Plus en détail

Bilan de stage. Bilan du stage «test de LocalSolver pour le placement des assemblages en piscine»

Bilan de stage. Bilan du stage «test de LocalSolver pour le placement des assemblages en piscine» Bilan du stage «test de LocalSolver pour le placement des assemblages en piscine» Bilan du stage «test de LocalSolver pour le placement des assemblages en piscine» PLAN Le problème des permutations de

Plus en détail

4.1 Planification d une expérience complètement randomisée

4.1 Planification d une expérience complètement randomisée Chapitre 4 La validation des hypothèses d ANOVA à un facteur Dans le modèle standard d ANOVA, on a fait quelques hypothèses. Pour que les résultats de l analyse effectuée soient fiables, il est nécessaire

Plus en détail

Les réseaux de Petri stochastiques modèles et méthodes. 1. Introduction décembre 2003

Les réseaux de Petri stochastiques modèles et méthodes. 1. Introduction décembre 2003 Les réseaux de Petri stochastiques modèles et méthodes 1. Introduction décembre 2003 Serge HADDAD LAMSADE - CNRS Université Paris-Dauphine Patrice MOREAUX LAMSADE & LERI-RESYCOM - URCA t 2 p 3 t 4 p 6

Plus en détail

(i) Le nombre de travailleurs commencant leur service est positif ou nul : x i 0 i = 1,...,7

(i) Le nombre de travailleurs commencant leur service est positif ou nul : x i 0 i = 1,...,7 Chapitre 1 Modelisation 11 Exemples de Problèmes 111 La Cafétaria Cafétaria ouverte toute la semaine Statistique sur le personnel requis : Jour Lundi Mardi Mercredi Jeudi Vendredi Samedi Dimanche Nombre

Plus en détail

Prof.É.D.Taillard. Classification automatique @Prof. E. Taillard 1 EIVD, Informatique logiciel, 4 e semestre

Prof.É.D.Taillard. Classification automatique @Prof. E. Taillard 1 EIVD, Informatique logiciel, 4 e semestre INFORMATIQUE ORIENTATION LOGICIELS CLASSIFICATION AUTOMATIQUE Prof.É.D.Taillard Classification automatique @Prof. E. Taillard EIVD, Informatique logiciel, 4 e semestre CLASSIFICATION AUTOMATIQUE But :

Plus en détail