Optimisation Par Colonies de Fourmis

Save this PDF as:
 WORD  PNG  TXT  JPG

Dimension: px
Commencer à balayer dès la page:

Download "Optimisation Par Colonies de Fourmis"

Transcription

1 Optimisation Par Colonies de Fourmis Présenté Par Valentin Cristinel Preda Djenet Tali-Maamar V.C.Preda & Dj.Tali-Maamar 1 Plan Introduction et historique Préambule de la méthode L algorithme de colonies des fourmis Domaines d application Ressources disponibles Conclusion V.C.Preda & Dj.Tali-Maamar 2

2 Introduction(1) L'optimisation de colonie de fourmi (ACO) étudie les systèmes artificiels qui prennent l'inspiration du comportement de vraies colonies de fourmi. Employée pour résoudre des problèmes discrets d'optimisation. V.C.Preda & Dj.Tali-Maamar 3 Introduction(2) Forment une classe des métaheuristiques récemment proposée pour des problèmes d optimisation difficile. (probèmes NP-difficiles et problèmes dynamiques). V.C.Preda & Dj.Tali-Maamar 4

3 Historique (1) Les algorithmes de colonies de fourmis sont nés à la suite d une constatation: En général sur le comportement des insectes sociaux. En particulier les colonies de fourmis. V.C.Preda & Dj.Tali-Maamar 5 Historique (2) 1983 Deneubourg Jean Louis Biologiste, étudie le comportement des fourmis. V.C.Preda & Dj.Tali-Maamar 6

4 Historique (3) Capable de trouver le chemin le plus court du nid à une source de nourriture. Capable de s adapter aux changement de l environnement. Moyen de communication: Phéromone V.C.Preda & Dj.Tali-Maamar 7 Historique(4) 1992 Dorigo Marco Élabore une méta heuristique d optimisation par colonies de fourmis. Le premier algorithme de ce type a été conçu pour le problème du voyageur de commerce. V.C.Preda & Dj.Tali-Maamar 8

5 Préambule Fourmis Agents de recherche qui miment les comportement des fourmis réels. Problème posé par les éthologues : Comment des insectes qui ne voient pas trouvent le PCC entre leur nid et la nourriture??? V.C.Preda & Dj.Tali-Maamar 9 Préambule (suite) Réponse : Utilisation du milieu pour communiquer entre les individus. Le phéromone: Une fourmi qui se déplace, laisse une quantité variable de phéromone sur son chemin, qui est détectée par les prochaines fourmis, et qui détermine avec une grande probabilité leur chemin. Forme de autocatalytic behavior : Plus des fourmis suivent le chemin plus le chemin devient attractif. V.C.Preda & Dj.Tali-Maamar 10

6 Exemple Les fourmis se déplacent entre le nid(e) et la source de la nourriture (A) sur le chemin A-E. V.C.Preda & Dj.Tali-Maamar 11 Exemple Un obstacle qui coupe le chemin. La fourmi qui se déplace de A vers E et se trouve en B, a 2 choix : Le chemin B-C-D Le chemin B-H-D V.C.Preda & Dj.Tali-Maamar 12

7 Exemple Le choix = f (intensité de phéromone) La première fourmi a des probabilités égale de suivre les deux chemins. Celle qui suit le chemin B-C-D arrive en premier en D. V.C.Preda & Dj.Tali-Maamar 13 Exemple Les fourmis qui se retournent de E ont en D deux choix : Le chemin D-C-B Le chemin D-H-B Le chemin D-C-B aura une plus forte intensité de phéromone causé par : La moitie des fourmis qui prennent ce chemin de retour. Le nombre supérieur des fourmis qui ont suivi le chemin B-C-D et qui se retournent. V.C.Preda & Dj.Tali-Maamar 14

8 Le Ant-System Différences comparatives entre les fourmis artificielles et les vraies : Les artificielles ont une certaine mémoire. Elles seront pas complètement aveugles. Le temps de l environnement est considéré discrèt. V.C.Preda & Dj.Tali-Maamar 15 L exemple plus détaillé Si on place a chaque instant t : 30 fourmis en B qui sont venus de A 30 fourmis en D qui sont venus de E la vitesse =1, l intensité de phéromone=1, le phéromone s évapore instamment au milieu de l intervalle (t+1,t+2) V.C.Preda & Dj.Tali-Maamar 16

9 L exemple plus détaillé V.C.Preda & Dj.Tali-Maamar 17 Algorithme Ant-Cycle b i (t) i = 1,..., n nombre des fourmis dans la ville i au moment t n = nombre des villes m= n i= 1 b i t) ( le nombre total des fourmis V.C.Preda & Dj.Tali-Maamar 18

10 Algorithme Ant-Cycle Propriétés des fourmis: Le choix du prochaine ville à visiter = P(distance entre les villes, intensité de phéromone sur le segment qui connecte les villes). Chaque fourmi possède une liste des villes visités ( tabu list ) qui serre à forcer le fourmi à faire des tournées complètes. Apres qu elle a complété une tournée, une intensité de phéromone est laissé sur chaque segment (i,j) qui appartient à la tournée. V.C.Preda & Dj.Tali-Maamar 19 Algorithme Ant-Cycle τ ij (t ) Définitions : Intensité de phéromone sur l arrêt (i,j) au moment t Itération Cycle = déplacement de m fourmis dans (t,t+1) = n itérations Observation : après un cycle chaque fourmi a parcouru une tournée complète. V.C.Preda & Dj.Tali-Maamar 20

11 Algorithme Ant-Cycle Mise à jour de l intensité de phéromone: où l évaporation entre le temps t et t+n est la quantité de phéromone par unité de distance, laissé sur l arrêt (i,j), par la fourmi k pendant l intervalle (t,t+n) V.C.Preda & Dj.Tali-Maamar 21 Algorithme Ant-Cycle Est une constante. Longueur de la tournée pour la fourmi k. V.C.Preda & Dj.Tali-Maamar 22

12 Algorithme Ant-Cycle : doit être <=1 pour limiter l accumulation de phéromone. : est une constante positive (intensité initialle de phéromone) tabu k : vecteur dynamique qui contient la liste des villes visitées par la fourmi k. (s) tabu k : la ville de rang s qui se trouve dans la liste de fourmi k. V.C.Preda & Dj.Tali-Maamar 23 Algorithme Ant-Cycle on définit la probabilité que la fourmi k se déplace de i en j au moment t par : d ij = dis tan ce entre visibilité η = 1/ d ij ij les villes i et j V.C.Preda & Dj.Tali-Maamar 24

13 Algorithme Ant-Cycle α β = paramètre qui contrôle l importance de l intensité de phéromone. = paramètre qui contrôle l importance de la visibilité. Donc le choix dépend de distance et de l intensité du phéromone V.C.Preda & Dj.Tali-Maamar 25 V.C.Preda & Dj.Tali-Maamar 26

14 V.C.Preda & Dj.Tali-Maamar 27 L algorithme Ant Density L algorithme Ant Quantity V.C.Preda & Dj.Tali-Maamar 28

15 Comparaison entre les 3 algorithmes les meilleures résultats ont été obtenues avec ant-cycle. Tableau tiré de : Marco Dorigo, & al, 1996, «The Ant System: Optimization by a colony of Cooperating agents» V.C.Preda & Dj.Tali-Maamar 29 Explications Ant Cycle exploite l information globale, puisque le phéromone est déposé à la fin de la tournée, La fourmi qui a fait la tournée la plus courte, laisse une quantité de phéromone augmentée sur les arrêts contenus dans la tournée. V.C.Preda & Dj.Tali-Maamar 30

16 Explications (suite) Les autres 2 algorithmes utilisent une information locale, puisque la quantité de phéromone est déposée à chaque itération. V.C.Preda & Dj.Tali-Maamar 31 Explications pour Ant-Cycle ρ = 0.5 Explications Au début, la visibilité est importante pour le choix, ensuite l intensité du phéromone devienne importante il faut une évaporation pour que le système oublie de l expérience et explore d autres chemins V.C.Preda & Dj.Tali-Maamar 32

17 Résultats Application sur une problème de 30 villes(oliver30) V.C.Preda & Dj.Tali-Maamar 33 Résultats la meilleure tournée Tableau tiré de : Marco Dorigo, & al, 1996, «The Ant System: Optimization by a colony of Cooperating agents» V.C.Preda & Dj.Tali-Maamar 34

18 Résultats Tableau tiré de : Marco Dorigo, & al, 1996, «The Ant System: Optimization by a colony of Cooperating agents» V.C.Preda & Dj.Tali-Maamar 35 Le choix des paramètres Tableau tiré de : Marco Dorigo, & al, 1996, «The Ant System: Optimization by a colony of Cooperating agents» V.C.Preda & Dj.Tali-Maamar 36

19 S inspirer d autres heuristiques Stratégie élitiste ( emprunté de la part des algorithmes génétiques) renforcement de l intensité de phéromone, pour les arrêts qui appartient à la meilleure tournée, avec la quantité e*q/l; e = nombre des fourmis élitistes L = la meilleure tournée Meilleures résultats avec e=8 V.C.Preda & Dj.Tali-Maamar 37 Comparaison avec autres heuristiques spécialisés en T.S.P. Le problème de test a été Oliver30 Conclusion: Bonne performance, mais temps d exécution long Tableau tiré de : Marco Dorigo, & al, 1996, «The Ant System: Optimization by a colony of Cooperating agents» V.C.Preda & Dj.Tali-Maamar 38

20 Comparaison avec autres heuristiques générales Problème de test: Oliver30 Temps de test: 1 heure Tableau tiré de : Marco Dorigo, & al, 1996, «The Ant System: Optimization by a colony of Cooperating agents» V.C.Preda & Dj.Tali-Maamar 39 Domaines d application Applications au problème symétrique et asymétrique de voyageur de commerce. Applications au problème d ordonnancement séquentiel. Applications au problèmes d affectation quadratique. Applications au problèmes de tournées des véhicules. Applications aux problèmes d'établissement d horaires. V.C.Preda & Dj.Tali-Maamar 40

21 Domaines d application (suite) Applications au problèmes de coloration de graphe. Applications aux problèmes de partitionnement. Applications aux réseaux de télécommunications. Implémentations parallèles. D'autres applications. V.C.Preda & Dj.Tali-Maamar 41 Dorigo M. & Thomas St utzle, (2000). The Ant Colony Optimization Metaheuristic: MTH6414 Algorithms, - Colonies Applications, de fourmis and Advances V.C.Preda & Dj.Tali-Maamar 42

22 Optimisation dynamique Dorigo M. & Thomas St utzle, (2000). The Ant Colony Optimization Metaheuristic: Algorithms, Applications, and Advances V.C.Preda & Dj.Tali-Maamar 43 Dorigo M. & Thomas St utzle, (2000). The Ant Colony Optimization Metaheuristic: Algorithms, Applications, and Advances V.C.Preda & Dj.Tali-Maamar 44

23 Logiciels (1) Progiciel: ACOTSP.V1.0.tar.gz Auteur: Thomas Stützle Description : Ce progiciel fournit une exécution de divers algorithmes de l'optimisation de colonie de fourmi (ACO) appliqués au problème symétrique de représentant de commerce (TSP). Les algorithmes d'aco mis en application: algorithms applied to the symmetric Traveling Salesman Problem (TSP). The ACO algorithms implemented are Ant System, Elitist Ant System, MAX-MIN Ant System, Rank-based version of Ant System, Best-Worst Ant System, and Ant Colony System. Langage de programmation: Développé en C sous Linux (aucunes garanties que cela fonctionne bien sous Windows; cependant, quelques essais limités ont prouvé que le code fonctionne également très bien sous OS de Windows et d'imper X). V.C.Preda & Dj.Tali-Maamar 45 Logiciels(2) Progiciel: antnet-1.1-src.tar Auteur: Muddassar Farooq Description: Une exécution d'antnet dans Omnet++. Langage de programmation: Développé dans Omnet++. Commentaire: Le modèle met en application l'algorithme de cheminement d'antnet proposé dans: «G. Di Caro and M. Dorigo. AntNet: Distributed Stigmergetic Control for Communications Networks. Journal of Artificial Intelligence Research, 9: , It reqires OMNeT or later.» V.C.Preda & Dj.Tali-Maamar 46

24 Logiciels (3) Progiciel: hc-mmas-ubqp.tar.gz Auteur: Blum Chrétien Description: Un système de la fourmi Maximum-minute (MMAS) mis en application dans le cadre de Hyper Cube pour application à la programmation quadratique binaire sans contrainte (UBQP). But du logiciel: Éducatif (à rendement non élevé); il montre comment mettre en application un MMAS dans le cadre de Hyper Cube. Langage de programmation: Développé dans C++ sous Linux (aucunes garanties que cela fonctionne sous Windows). Commentaire: Une description de l'algorithme mis en application peut être trouvée dans le papier «The Hyper-Cube Framework for Ant Colony Optimzation, which is published in IEEE Transactions on Systems, Man, and Cybernetics -- Part B» V.C.Preda & Dj.Tali-Maamar 47 Conférences Proceedings of the First European Conference on Artificial Life, Paris, France Proceedings of the Parallel Problem Solving from Nature Conference, Proceedings of the Metaheuristics International Conference. Proceedings of ML-95, Twelfth International Conference on Machine Learning, Proceedings of IEEE Intenational Conference on Evolutionary Computation, International Conference on Artificial Neural Networks and Genetic Algorithms, V.C.Preda & Dj.Tali-Maamar 48

25 CONFÉRENCES ANT COLONY OPTIMIZATION ANTS 2004: Fourth International Workshop on Ant Colony Optimization and Swarm Intelligence, Brussels, Belgium, September ANTS From Ant Colonies to Artificial Ants: Third International Workshop on Ant Algorithms, Brussels, Belgium, September Special ACO session at MIC-2001 Porto, Portugal, July 16-20, ACO special track at GECCO-2001 San Francisco, USA, July 7-11, ANTS' From Ant Colonies to Artificial Ants: Second International Workshop on Ant Algorithms, Brussels, Belgium, September 8-9, Ant Colony Methods Session at 1999 Congress on Evolutionary Computation, Washington DC, USA, July 6-9, 1999 ANTS'98 - From Ant Colonies to Artificial Ants: First International Workshop on Ant Colony Optimization, Brussels, Belgium, October 15-16, Ant Colony Optimization Session at INFORMS Tel Aviv 1998 Tel Aviv, Israel, June 28 - July 1, 1998 V.C.Preda & Dj.Tali-Maamar 49 JOURNAL SPECIALISÉ EN ANT COLONY OPTIMIZATION AND RELATED Special issue on Ant Colony Optimization to be published in the Future Generation Computer Systems journal, 2000, North Holland (Editors: M. Dorigo, G. Di Caro, and T. Stützle). Dorigo M., V. Maniezzo & A. Colorni (1996). Ant System: Optimization by a colony of cooperating agents. IEEE Transactions on Systems, Man, and Cybernetics-Part B, 26(1):29-41 Dorigo M. & Thomas St utzle, (2000). The Ant Colony Optimization Metaheuristic: Algorithms, Applications, and Advances V.C.Preda & Dj.Tali-Maamar 50

26 LIVRES Bonabeau E., M. Dorigo & T. Theraulaz (1999). From Natural to Artificial Swarm Intelligence. New York: Oxford University Press. Corne D., M. Dorigo & F. Glover, Editors (1999). New Ideas in Optimisation. McGraw-Hill. Marco Dorigo and Thomas Stüzle, Ant Colony Optimization. MIT Press, Cambridge, MA, USA, V.C.Preda & Dj.Tali-Maamar 51 Groupes de recherche CRT, Montréal, Québec IDSIA, Lugano, Suisse INTELLEKTIK, Darmstadt, Allemagne IRIDIA, Bruxelles, Belgique. V.C.Preda & Dj.Tali-Maamar 52

27 Références sur le Web V.C.Preda & Dj.Tali-Maamar 53 Conclusion L algorithme des colonies des fourmis est une heuristique, avec caractère général utilisée pour résoudre différentes problèmes d analyse combinatoire Versatile s applique a plusieurs types de problèmes Robuste des changements mineures sont nécessaires pour l adapter aux autres problèmes( Ex: J.S.P ou Q.A.P.) V.C.Preda & Dj.Tali-Maamar 54

28 Conclusion(suite) L approche de l algorithme est basée sur l utilisation d une population, qui exploite un mécanisme de feed-back. Principal inconvénient : coût relativement élevé de la génération des solutions. V.C.Preda & Dj.Tali-Maamar 55 Conclusion (suite) Bien décrite et formalisée. L ensemble des propriétés la décrivant est connu (construction probabiliste d une solution, heuristique sur l instance du problème, ) Elle commence à être adaptées à des problèmes continus. V.C.Preda & Dj.Tali-Maamar 56

- Exposé Optimisation Avancée -

- Exposé Optimisation Avancée - République Algérienne démocratique et populaire Ministère de l enseignement supérieur et de la recherche scientifique Université des Sciences et de la Technologie d Oran Faculté des Sciences Département

Plus en détail

Optimisation Combinatoire et Colonies de Fourmis Nicolas Monmarche April 21, 1999 Sommaire Inspiration biologiques Ant Colony Optimization Applications TSP QAP Flow Shop Problemes dynamiques 1 Historique

Plus en détail

L intelligence artificielle en essaim

L intelligence artificielle en essaim L intelligence artificielle en essaim Joël Quinqueton Université Paul Valéry Cerics et Lirmm, Montpellier L intelligence de l essaim Swarm intelligence Quand l intelligence vient du collectif Les coactones

Plus en détail

Diverses techniques d'optimisation inspirées de l'auto-organisation dans les systèmes biologiques

Diverses techniques d'optimisation inspirées de l'auto-organisation dans les systèmes biologiques Diverses techniques d'optimisation inspirées de l'auto-organisation dans les systèmes biologiques Johann Dréo & Patrick Siarry Université Paris 12 (LERISS) Séminaire Optimisation par Essaim Particulaire

Plus en détail

Algorithme fourmi avec différentes stratégies phéromonales pour le sac à dos multidimensionnel

Algorithme fourmi avec différentes stratégies phéromonales pour le sac à dos multidimensionnel Algorithme fourmi avec différentes stratégies phéromonales pour le sac à dos multidimensionnel Inès Alaya * Christine Solnon ** Khaled Ghédira * * SOIE, Institut Supérieur de Gestion de Tunis 41 Rue de

Plus en détail

Plan. Modèles et systèmes multi-agents. Approche réactive. Conception de SMA. Caractéristiques. Caractéristiques

Plan. Modèles et systèmes multi-agents. Approche réactive. Conception de SMA. Caractéristiques. Caractéristiques Modèles et systèmes multi-agents Modèles bio-mimétiques inspirés de l'observation de comportements collectifs réactifs et application de ces modèles à la résolution de problèmes Autres exemples Tri auto

Plus en détail

Ant Colony Optimisation.

Ant Colony Optimisation. Ant Colony Optimisation 1/77 Plan Fourragement fourmis Algorithmes fourmis Ant Colony Optimisation appliqué au TSP Généralisation ACO Analyse de l'algorithme 2/77 Fourragement ches les fourmis Mecanisme

Plus en détail

LES MÉTAHEURISTIQUES: OUTILS DE CONCEPTION OPTIMALE DES CIRCUITS INTÈGRES ANALOGIQUES

LES MÉTAHEURISTIQUES: OUTILS DE CONCEPTION OPTIMALE DES CIRCUITS INTÈGRES ANALOGIQUES INERNATIONAL WORKSHOP IN OPTIMIZATION AND APPLICATIONS (WOA 2015) LES MÉTAHEURISTIQUES: OUTILS DE CONCEPTION OPTIMALE DES CIRCUITS INTÈGRES ANALOGIQUES FS -Meknès CONTEXTE L optimisation est un souci quotidien

Plus en détail

Deux stratégies parallèles de l'optimisation par colonie de fourmis

Deux stratégies parallèles de l'optimisation par colonie de fourmis 4 th International Conference: Sciences of Electronic, Technologies of Information and Telecommunications March 25-29, 2007 TUNISIA Deux stratégies parallèles de l'optimisation par colonie de fourmis HERNANE

Plus en détail

OPTIMISATION D ÉCOULEMENT DES PUISSANCES PAR ALGORITHMES INTELLIGENTS

OPTIMISATION D ÉCOULEMENT DES PUISSANCES PAR ALGORITHMES INTELLIGENTS Électrotechnique et électroénergétique OPTIMISATION D ÉCOULEMENT DES PUISSANCES PAR ALGORITHMES INTELLIGENTS MIMOUN YOUNES 1, MOSTEFA RAHLI 2, MOHAMED ABID 1, MALIKA KANDOUCI 1. Mots-clé : Algorithmes

Plus en détail

G. Lesauvage. Laboratoire d Informatique et du Traitement de l Information et des Systèmes

G. Lesauvage. Laboratoire d Informatique et du Traitement de l Information et des Systèmes Gestion dynamique des activités des chariots cavaliers sur un terminal portuaire à conteneurs en environnement incertain - approche par intelligence collective - G. Lesauvage Unité de Formation et de Recherche

Plus en détail

Apprentissage par renforcement pour la personnalisation d un logiciel d enseignement des langues

Apprentissage par renforcement pour la personnalisation d un logiciel d enseignement des langues 1 Apprentissage par renforcement pour la personnalisation d un logiciel d enseignement des langues Conférence EIAH 2011 (Environnements Informatiques pour l Apprentissage Humain) Lucie Daubigney *, Matthieu

Plus en détail

Titre : «La Méthode de Recherche à Voisinage Variable (RVV)

Titre : «La Méthode de Recherche à Voisinage Variable (RVV) REPUBLIQUE ALGERIENNE DEMOCRATIQUE & POPULAIRE Ministère de l Enseignement Supérieur & de la Recherche Scientifique Université USTO MB Faculté des Sciences Département d Informatique Spécialité : Informatique

Plus en détail

Atelier Transversal AT11. Activité «Fourmis» Pierre Chauvet. pierre.chauvet@uco.fr

Atelier Transversal AT11. Activité «Fourmis» Pierre Chauvet. pierre.chauvet@uco.fr Atelier Transversal AT11 Activité «Fourmis» Pierre Chauvet pierre.chauvet@uco.fr Ant : un algorithme inspiré de l éthologie L éthologie Etude scientifique des comportements animaux, avec une perspective

Plus en détail

Plan du cours. Métaheuristiques pour l optimisation combinatoire. Quelques problèmes classiques (2/3) Quelques problèmes classiques (1/3)

Plan du cours. Métaheuristiques pour l optimisation combinatoire. Quelques problèmes classiques (2/3) Quelques problèmes classiques (1/3) Plan du cours Quelques problèmes classiques Quelques algorithmes classiques Métaheuristiques pour l optimisation combinatoire un peu de vocabulaire codage des solutions taxinomie méthodes complètes méthodes

Plus en détail

Aspects théoriques et algorithmiques du calcul réparti Le placement

Aspects théoriques et algorithmiques du calcul réparti Le placement Aspects théoriques et algorithmiques du calcul réparti Le placement Patrick CIARLET Enseignant-Chercheur UMA patrick.ciarlet@ensta-paristech.fr Françoise LAMOUR franc.lamour@gmail.com Aspects théoriques

Plus en détail

Jean-Philippe Préaux http://www.i2m.univ-amu.fr/~preaux

Jean-Philippe Préaux http://www.i2m.univ-amu.fr/~preaux Colonies de fourmis Comment procèdent les colonies de fourmi pour déterminer un chemin presque géodésique de la fourmilière à un stock de nourriture? Les premières fourmis se déplacent au hasard. Les fourmis

Plus en détail

Optimisation par essaim particulaire pour un problème d ordonnancement et d affectation de ressources

Optimisation par essaim particulaire pour un problème d ordonnancement et d affectation de ressources INSTITUT SUPERIEUR D INFORMATIQUE DE MODELISATION ET DE LEURS APPLICATIONS COMPLEXE DES CEZEAUX BP 125 63173 AUBIERE CEDEX Rapport de Projet 3ème année Modélisation et Calcul Scientifique Optimisation

Plus en détail

Les colonies de fourmis : apprentissage coopératif pour le problème du voyageur de commerce

Les colonies de fourmis : apprentissage coopératif pour le problème du voyageur de commerce : apprentissage coopératif pour le problème du voyageur de commerce Alexandre Bargeton Benjamin Devèze Université Pierre et Marie Curie Présentation du projet ANIMAT 1 Comportements collectifs des insectes

Plus en détail

The Current State and Future of Search Based Software Engineering

The Current State and Future of Search Based Software Engineering The Current State and Future of Search Based Software Engineering Mark Harman 1 IEEE International Conference on Software Engineering FoSE 07: Future of Software Engineering 1 King's College, LONDON, UK

Plus en détail

Aspects théoriques et algorithmiques du calcul réparti Le placement

Aspects théoriques et algorithmiques du calcul réparti Le placement Aspects théoriques et algorithmiques du calcul réparti Le placement Patrick CIARLET Enseignant-Chercheur UMA patrick.ciarlet@ensta-paristech.fr Françoise LAMOUR franc.lamour@gmail.com Aspects théoriques

Plus en détail

Algorithmes de recherche locale

Algorithmes de recherche locale Algorithmes de recherche locale Recherche Opérationnelle et Optimisation Master 1 Sébastien Verel verel@lisic.univ-littoral.fr http://www-lisic.univ-littoral.fr/~verel Université du Littoral Côte d Opale

Plus en détail

k Couche de sortie change alors, seul k change. Si w ij

k Couche de sortie change alors, seul k change. Si w ij Support théorique de «backprop» : Cette partie présente la théorie qui sous-tend l algorithme «backprop» dont une exécution a été montrée à la partie précédente. La figure 4 montre un réseau plus général

Plus en détail

Optimisation par colonies de fourmis appliqué au découpage de l espace aérien européen en zones de qualification

Optimisation par colonies de fourmis appliqué au découpage de l espace aérien européen en zones de qualification Optimisation par colonies de fourmis appliqué au découpage de l espace aérien européen en zones de qualification Charles-Edmond Bichot Jean-Marc Alliot LOG (Laboratoire d Optimisation Globale) CENA/ENAC

Plus en détail

Anne-lise HUYET- Jean-Luc PARIS LIMOS équipe Recherche en Systèmes de Production IFMA Mail: huyet@ifma.fr, paris@ifma.fr

Anne-lise HUYET- Jean-Luc PARIS LIMOS équipe Recherche en Systèmes de Production IFMA Mail: huyet@ifma.fr, paris@ifma.fr Extraction de Connaissances pertinentes sur le comportement des systèmes de production: une approche conjointe par Optimisation Évolutionniste via Simulation et Apprentissage Anne-lise HUYET- Jean-Luc

Plus en détail

Méthodologie de Développement Objet

Méthodologie de Développement Objet 1/32 Méthodologie de Développement Objet Quatrième partie : Présentation du projet Christine Solnon INSA de Lyon - 4IF 2014-2015 2/32 Plan du cours Optimisation de tournées de livraison Le projet Optimod

Plus en détail

Laboratoire 4 Développement d un système intelligent

Laboratoire 4 Développement d un système intelligent DÉPARTEMENT DE GÉNIE LOGICIEL ET DES TI LOG770 - SYSTÈMES INTELLIGENTS ÉTÉ 2012 Laboratoire 4 Développement d un système intelligent 1 Introduction Ce quatrième et dernier laboratoire porte sur le développement

Plus en détail

FORTAS : Framework for Real-Time Analysis and Simulation

FORTAS : Framework for Real-Time Analysis and Simulation FORTAS : Framework for Real-Time Analysis and Simulation Pierre Courbin (courbin@ece.fr) LACSC - ECE Paris 12/03/2012 Pierre Courbin (courbin@ece.fr) FORTAS : Framework for Real-Time Analysis and Simulation

Plus en détail

Optimisation par colonies de fourmis. COSTANZO Andrea LUONG Thé Van MARILL Guillaume

Optimisation par colonies de fourmis. COSTANZO Andrea LUONG Thé Van MARILL Guillaume Optimisation par colonies de fourmis COSTANZO Andrea LUONG Thé Van MARILL Guillaume 19 mai 2006 Table des matières 1 Introduction 4 1.1 Pourquoi les fourmis?.................................. 4 1.2 Relation

Plus en détail

des réapprovisionnements pour système d assemblage à deux niveaux quand les délais d approvisionnement sont aléatoires

des réapprovisionnements pour système d assemblage à deux niveaux quand les délais d approvisionnement sont aléatoires Planification des réapprovisionnements pour système d assemblage à deux niveaux quand les délais d approvisionnement sont aléatoires Oussama Ben Ammar, Faicel Hnaien, Hélène Marian, Alexandre Dolgui To

Plus en détail

Machine learning et scoring à valeurs discrètes

Machine learning et scoring à valeurs discrètes Machine learning et scoring à valeurs discrètes F. Baschenis sujet proposé par N. Vayatis École Normale Supérieure de Cachan, département de mathématiques 24 Juin 2010 Bref rappel du problème Un film un

Plus en détail

Optimisation Par Colonie de Fourmies

Optimisation Par Colonie de Fourmies République Algérienne Démocratique et Populaire Ministère de l Enseignement Supérieur et de la Recherche Scientifique Université des Sciences et de la Technologie d Oran Faculté des Sciences Département

Plus en détail

METAHEURISTIQUES POUR LA MANIPULATION DE ROUTAGES ALTERNATIFS EN TEMPS REEL DANS UN FMS

METAHEURISTIQUES POUR LA MANIPULATION DE ROUTAGES ALTERNATIFS EN TEMPS REEL DANS UN FMS METAHEURISTIQUES POUR LA MANIPULATION DE ROUTAGES ALTERNATIFS EN TEMPS REEL DANS UN FMS M. Souier, A. Hassam, Z. Sari Laboratoire d automatique de tlemcen Faculté des sciences de l ingénieur, Université

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

Problème de chargement de camions-citernes Tank Truck Loading Problem

Problème de chargement de camions-citernes Tank Truck Loading Problem Problème de chargement de camions-citernes Tank Truck Loading Problem Fabien Cornillier CENTOR, Université Laval fabien.cornillier@centor.ulaval.ca Fayez F. Boctor CENTOR, Université Laval Gilbert Laporte

Plus en détail

Laboratoire d Automatique et Productique Université de Batna, Algérie

Laboratoire d Automatique et Productique Université de Batna, Algérie Anale. Seria Informatică. Vol. IX fasc. 2 Annals. Computer Science Series. 9 th Tome st Fasc. 2 La sélection de paramètres d un système industriel par les colonies de fourmis Ouahab Kadri, L. Hayet Mouss,

Plus en détail

Classification de Données Multidimensionnelles Techniques de Projection des Données dans des Espaces de Dimension Réduite

Classification de Données Multidimensionnelles Techniques de Projection des Données dans des Espaces de Dimension Réduite Classification de Données Multidimensionnelles Techniques de Projection des Données dans des Espaces de Dimension Réduite Denis HAMAD ULCO LASL Denis.Hamad@laslIuniv-littoral.fr Présenté dans la journée

Plus en détail

Intelligence collective

Intelligence collective couvain_tp.nb 1 Collège du Sud, Marcel Délèze Intelligence collective L'entomologie nous montre que les sociétés de termites ou de fourmis ont un comportement collectif complexe. Une société peut-elle

Plus en détail

Génération d une visualisation personnalisée

Génération d une visualisation personnalisée Génération d une visualisation personnalisée Mohamed Mouine RALI-DIRO Université de montréal mouinemo@iro.umontreal.ca Résumé. Nous présentons une méthode permettant de calculer les besoins et les préférences

Plus en détail

SEG 2506 Construction de logiciels

SEG 2506 Construction de logiciels SEG 2506 Construction de logiciels Devoir 04: Programmation avec concurrence présenté à: prof. G. Bochmann, Ph.D. par: Alexandre Bradley 4548582 abrad087@uottawa.ca et Kevin Mottashed 4490866 kmott071@uottawa.ca

Plus en détail

Comparaison de critères de pureté pour l intégration de connaissances en clustering semi-supervisé

Comparaison de critères de pureté pour l intégration de connaissances en clustering semi-supervisé Comparaison de critères de pureté pour l intégration de connaissances en clustering semi-supervisé Germain Forestier, Cédric Wemmert, Pierre Gançarski Université de Strasbourg - LSIIT - CNRS - UMR 7005

Plus en détail

Vers l intégration automatique d une politique de sécurité Or-BAC

Vers l intégration automatique d une politique de sécurité Or-BAC 315 Prépublication n 48 Fascicule n 2 Vers l intégration automatique d une politique de sécurité Or-BAC Yliès Falcone, Mohamad Jaber Vérimag & Laboratoire d Informatique de Grenoble Ylies.Falcone@imag.fr,

Plus en détail

Allocation des tâches en parallèle dans un essaim de robots Etude et mise en œuvre sur la plateforme e-puck

Allocation des tâches en parallèle dans un essaim de robots Etude et mise en œuvre sur la plateforme e-puck Allocation des tâches en parallèle dans un essaim de robots Etude et mise en œuvre sur la plateforme e-puck Ing. N. BAIBOUN ECAM Bruxelles Ce travail propose une méthode qui permet à un groupe de robots

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

Communiquer efficacement avec des communautés diverses

Communiquer efficacement avec des communautés diverses Communiquer efficacement avec des communautés diverses Crossrail Crossrail est une société britannique fondée en 2001 dont le but est de développer l infrastructure des transports dans le sud-est de l

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

L'Intelligence Artificielle pour les développeurs Concepts et implémentations en Java

L'Intelligence Artificielle pour les développeurs Concepts et implémentations en Java Avant-propos 1. Objectifs du livre 15 2. Public et prérequis 15 3. Structure du livre 16 4. Code en téléchargement 18 Introduction 1. Présentation du chapitre 19 2. Définir l intelligence 19 3. L intelligence

Plus en détail

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

DES FOURMIS POUR LIVRER DU MAZOUT

DES FOURMIS POUR LIVRER DU MAZOUT DES FOURMIS POUR LIVRER DU MAZOUT É. D. Taillard (1), G. Agazzi (2), L.-M. Gambardella (3) Résumé La livraison de certains biens peut engendrer des coûts non négligeables par rapport à la valeur de la

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

Optimisation par Colonies de Fourmis Artificielles

Optimisation par Colonies de Fourmis Artificielles Optimisation par Colonies de Fourmis Artificielles Tour d horizon Nicolas Monmarché Laboratoire d Informatique Université François Rabelais - Tours Yravals 07, Deuxième école d été sur L Évolution Artificielle

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

Contenu. Sources et références. Classification supervisée. Classification supervisée vs. non-supervisée

Contenu. Sources et références. Classification supervisée. Classification supervisée vs. non-supervisée PJE : Analyse de comportements avec Twitter Classification supervisée Arnaud Liefooghe arnaud.liefooghe@univ-lille1.fr Master 1 Informatique PJE2 2012-2013 B. Derbel L. Jourdan A. Liefooghe Contenu Classification

Plus en détail

Des fourmis pour le problème d ordonnancement de voitures

Des fourmis pour le problème d ordonnancement de voitures Actes JFPC 2006 Des fourmis pour le problème d ordonnancement de voitures Christine Solnon LIRIS CNRS UMR 5205, Université Lyon I Nautibus, 43 Bd du 11 novembre, 69622 Villeurbanne cedex, France christine.solnon@liris.cnrs.fr

Plus en détail

Planification des salles opératoires avec durées d interventions aléatoires

Planification des salles opératoires avec durées d interventions aléatoires Planification des salles opératoires avec durées d interventions aléatoires Mehdi LAMIRI, Xiaolan XIE, Alexandre DOLGUI et Frédéric GRIMAUD Centre Ingénierie et santé Centre Génie Industriel et Informatique

Plus en détail

CHAPITRE II: INTELLIGENCE ARTIFICIELLE

CHAPITRE II: INTELLIGENCE ARTIFICIELLE 1 CHAPITRE II: INTELLIGENCE ARTIFICIELLE Dekhicilatifa@gmail.com Plan 2 IA et ses applications Réalité virtuelle IA 3 plan 4 1. Def. 2. Applications. 3. IA faible et forte 4. Fiction 5. Méthodes et approches

Plus en détail

Le point sur la gestion de configuration

Le point sur la gestion de configuration Le point sur la gestion de configuration Plan : Examen probatoire, soutenu le lundi, 30 mai 2005 par Thomas JGENTI Introduction / Définition Problématique Principes et mécanismes de la GCL Solutions logicielles

Plus en détail

Ordonnancement temps réel multiprocesseur pour la réduction de la consommation énergétique des systèmes embarqués

Ordonnancement temps réel multiprocesseur pour la réduction de la consommation énergétique des systèmes embarqués Soutenance de thèse Ordonnancement temps réel multiprocesseur pour la réduction de la consommation énergétique des systèmes embarqués Vincent LEGOUT Directeurs de thèse : Laurent PAUTET, Mathieu JAN CEA

Plus en détail

Quels critères pour votre infrastructure hyperconvergée de nouvelle génération?

Quels critères pour votre infrastructure hyperconvergée de nouvelle génération? Descriptif de la solution Mars 2016 Points clés Qu'est-ce que l'hyperconvergence de nouvelle génération? Nous présentons les objectifs permettant aux systèmes hyperconvergés de nouvelle génération de corriger

Plus en détail

A Hybrid Routing Protocol based on Fuzzy C-Means Clustering and Ant Colony Optimization for Lifetime Improvement in WSN

A Hybrid Routing Protocol based on Fuzzy C-Means Clustering and Ant Colony Optimization for Lifetime Improvement in WSN A Hybrid Routing Protocol based on Fuzzy C-Means Clustering and Ant Colony Optimization for Lifetime Improvement in WSN Mourad Hadjila Hervé Guyennet RGE Université Franche-Comté femto-st, DISC, Besançon

Plus en détail

LES RÉSEAUX TRANSNATIONAUX DE VILLES ENGAGÉS DANS LA GOUVERNANCE CLIMATIQUE MONDIALE

LES RÉSEAUX TRANSNATIONAUX DE VILLES ENGAGÉS DANS LA GOUVERNANCE CLIMATIQUE MONDIALE LES RÉSEAUX TRANSNATIONAUX DE VILLES ENGAGÉS DANS LA GOUVERNANCE CLIMATIQUE MONDIALE Présentation réalisée pour le Colloque annuel EDS 24 mars 2016 Marielle Papin Étudiante au doctorat en Science Politique

Plus en détail

INFO-F-310 (MATH-H404) Algorithmique et Recherche Opérationnelle. Prof. Yves De Smet (co-titulaire Prof. Bernard Fortz)

INFO-F-310 (MATH-H404) Algorithmique et Recherche Opérationnelle. Prof. Yves De Smet (co-titulaire Prof. Bernard Fortz) INFO-F-310 (MATH-H404) Algorithmique et Recherche Opérationnelle Prof. Yves De Smet (co-titulaire Prof. Bernard Fortz) Terminologie Recherche Opérationnelle Méthodes quantitatives de gestion Mathématiques

Plus en détail

Table des matières. Coopération homme-machine pour l ordonnancement sous incertitudes. L atelier de production. Introduction.

Table des matières. Coopération homme-machine pour l ordonnancement sous incertitudes. L atelier de production. Introduction. Coopération homme-machine pour l ordonnancement sous incertitudes Guillaume Pinot IRCCyN, équipes ACSED et PsyCoTec Christian Artigues CR, CNRS, Toulouse Rapporteur Jacques Carlier Pr., UTC, Compiègne

Plus en détail

Programmation par contraintes pour les technologies logicielles

Programmation par contraintes pour les technologies logicielles Colloque GEMSTIC 03 Programmation par contraintes pour les technologies logicielles Narendra Jussien École des Mines de Nantes 4, rue Alfred Kastler BP 20722 F-44307 Nantes Cedex 3 email: jussien@emn.fr

Plus en détail

Projet de Fin d Etudes. Smart Picking

Projet de Fin d Etudes. Smart Picking Projet de Fin d Etudes Smart Picking Mathieu BOSSENNEC IMA5 Florian CARON 2014-2015 Sommaire Sommaire 2 Remerciements 3 Introduction 4 I - Présentation du Contexte 5 II - Travaux Réalisés 6 1) Système

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

Dispatching économique par une méthode artificielle

Dispatching économique par une méthode artificielle 128 Dispatching économique par une méthode artificielle Mimoun YOUNES, Samir HADJRI et Houari SAYAH Résumé : Dans cet article, nous présentons une solution au problème de Dispatching économique (DE) basée

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

1 Contrôle des connaissances 2010/2011

1 Contrôle des connaissances 2010/2011 1 Contrôle des connaissances 2010/2011 Remarque préliminaire On s attachera dans la rédaction à être aussi précis que possible. Ainsi, lors de l écriture de chaque problème d optimisation et de chaque

Plus en détail

Chapitre 8Innovation technologique et dynamique des industries

Chapitre 8Innovation technologique et dynamique des industries Chapitre 8 Innovation technologique et dynamique des industries Niveau méso-économique : Approche évolutionniste innovations technologiques comme source principale de la dynamique industrielle Vision riche,

Plus en détail

Classification des profils gazeux odorants : Utilisation d un système de capteurs multi-gaz associé aux techniques de reconnaissance de forme

Classification des profils gazeux odorants : Utilisation d un système de capteurs multi-gaz associé aux techniques de reconnaissance de forme Classification des profils gazeux odorants : Utilisation d un système de capteurs multi-gaz associé aux techniques de reconnaissance de forme Chaouki Regoui, Olivier Ramalho, Séverine Kirchner To cite

Plus en détail

MASTER INFORMATIQUE Parcours INFORMATIQUE DECISIONNELLE

MASTER INFORMATIQUE Parcours INFORMATIQUE DECISIONNELLE MASTER INFORMATIQUE Parcours INFORMATIQUE DECISIONNELLE Responsable du parcours: Prof Hoai An LE THI Département d Informatique, UFR MIM Tel. 03 87 31 54 41, email lethi@univ-metz.fr Informatique décisionnelle

Plus en détail

Résumé du chapitre 8 Ressources et interblocage

Résumé du chapitre 8 Ressources et interblocage Résumé du chapitre 8 Ressources et interblocage Jacques Mossière 12 août 2004 1 Introduction Ce chapitre est consacré à l étude d un problème classique dans les systèmes, l interblocage, c est à dire l

Plus en détail

Journées autour des publications, LISyC, 2009. Les chercheurs et les publications

Journées autour des publications, LISyC, 2009. Les chercheurs et les publications Journées autour des publications, LISyC, 2009 Publier au Quoi? Comment? Ou? jean-philippe.babau@univ-brest.fr LISyC, UBO, UEB www.lisyc.univ-brest.fr/pages_perso/babau/ Les chercheurs et les publications

Plus en détail

RenPar'14 Hammamet, Tunisie 10-13 avril 2002

RenPar'14 Hammamet, Tunisie 10-13 avril 2002 PARALLELISATION CO-EVOLUTIVE DE L OPTIMISATION PAR COLONIE DE FOURMIS POUR LA RESOLUTION D UN PROBLEME D ORDONNANCEMENT INDUSTRIEL Pierre Delisle (1), Marc Gravel (1), Caroline Gagné (1), Michaël Krajecki

Plus en détail

Construction d Applications Réparties

Construction d Applications Réparties Construction d Applications Réparties Jean-Francois Roos LIFL - équipe GOAL USTL - bâtiment M3 Extension - bureau 204 Jean-Francois.Roos@lifl.fr Avril 1 Objectifs du cours Appréhender la conception d applications

Plus en détail

POPMUSIC POUR LE PLACEMENT DE LÉGENDES SUR PROBLÈME DU PLACEMENT DE LÉGENDES ORBE ORBE ORBE YVERDON LAUSANNE LAUSANNE LAUSANNE DES PLANS

POPMUSIC POUR LE PLACEMENT DE LÉGENDES SUR PROBLÈME DU PLACEMENT DE LÉGENDES ORBE ORBE ORBE YVERDON LAUSANNE LAUSANNE LAUSANNE DES PLANS POPMUSIC POUR LE PLACEMENT DE LÉGENDES SUR DES PLANS Éric Taillard, G. Burri EIVD Haute École spécialisée de Suisse occidentale, Yverdon-les-Bains, Suisse FRANCORO04, Fribourg, Suisse, 8.004 1 PROBLÈME

Plus en détail

L'Intelligence Artificielle pour les développeurs Concepts et implémentations en C#

L'Intelligence Artificielle pour les développeurs Concepts et implémentations en C# Introduction 1. Structure du chapitre 19 2. Définir l intelligence 19 3. L intelligence du vivant 22 4. L intelligence artificielle 23 5. Domaines d application 25 6. Synthèse 27 Systèmes experts 1. Présentation

Plus en détail

Comment reproduire les résultats de l article : POP-Java : Parallélisme et distribution orienté objet

Comment reproduire les résultats de l article : POP-Java : Parallélisme et distribution orienté objet Comment reproduire les résultats de l article : POP-Java : Parallélisme et distribution orienté objet Beat Wolf 1, Pierre Kuonen 1, Thomas Dandekar 2 1 icosys, Haute École Spécialisée de Suisse occidentale,

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

C est quoi la RO : des théorèmes ou des logiciels?

C est quoi la RO : des théorèmes ou des logiciels? C est quoi la RO : des théorèmes ou des logiciels? Frédéric Gardi Bouygues e-lab & LocalSolver, Paris fgardi@localsolver.com Prix Robert Faure ROADEF 2012, Angers 1/10 Mon parcours Professionnel : - 2000

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

Module 3 : Introduction à la Modélisation SOUS MODELER

Module 3 : Introduction à la Modélisation SOUS MODELER Module 3 : Introduction à la Modélisation SOUS MODELER 1 Techniques prédictives Passé pour prédire l avenir 2 Concepts de la modélisation Données test / apprentissage Généralement créées par l utilisateur

Plus en détail

Méthode d aide à la conception en présence d imprécisions

Méthode d aide à la conception en présence d imprécisions Méthode d aide à la conception en présence d imprécisions Franck Massa, Thierry Tison, Bertrand Lallemand Laboratoire d'automatique, de Mécanique et d'informatique Industrielles et Humaines, UMR 8530,

Plus en détail

INFO-F-302 : Logique informatique Projet : Le Jeu ABCPath et Utilisation d un Solveur SAT

INFO-F-302 : Logique informatique Projet : Le Jeu ABCPath et Utilisation d un Solveur SAT UNIVERSITE LIBRE DE BRUXELLES INFO-F-302 : Logique informatique Projet : Le Jeu ABCPath et Utilisation d un Solveur SAT L objectif de ce projet est de modéliser plusieurs problèmes en logique propositionnelle

Plus en détail

Innovateurs et réformateurs : technologies numériques pour l école.

Innovateurs et réformateurs : technologies numériques pour l école. 130 BÉZIAT Jacques Innovateurs et réformateurs : technologies numériques pour l école. MOTS-CLES : discours / innovateur / réformateur / école primaire / TIC Cette contribution, issue d une thèse de doctorat,

Plus en détail

Enseignement d'informatique au second degré Approche comparative entre pays

Enseignement d'informatique au second degré Approche comparative entre pays Unité Mixte de Recherche - Sciences Techniques Education Training Enseignement d'informatique au second degré Approche comparative entre pays Françoise TORT STEF - ENS Cachan - IFé, France francoise.tort@ens-cachan.fr

Plus en détail

L'ÉNERGIE DANS LES BASES DE DONNÉES

L'ÉNERGIE DANS LES BASES DE DONNÉES L'ÉNERGIE DANS LES BASES DE DONNÉES Amine Roukh Faculté des Sciences Exactes & Informatique Université de Mostaganem amineroukh@gmail.com CONTEXTE L'amélioration de performance des systèmes informatiques

Plus en détail

Resource Description Framework

Resource Description Framework Resource Description Framework Resource Description Framework xml-rdf Code: xml-rdf Originaux url: http://tecfa.unige.ch/guides/tie/html/test/test.html url: http://tecfa.unige.ch/guides/tie/pdf/files/test.pdf

Plus en détail

Baccalauréat ES/L Métropole 21 juin 2013 (sujet dévoilé)

Baccalauréat ES/L Métropole 21 juin 2013 (sujet dévoilé) Baccalauréat ES/L Métropole 21 juin 2013 (sujet dévoilé) EXERCICE 1 4 points Cet exercice est un questionnaire à choix multiples (QCM). Pour chacune des questions posées, une seule des quatre réponses

Plus en détail

MATH-F-306 - Optimisation. Prénom Nom Note

MATH-F-306 - Optimisation. Prénom Nom Note MATH-F-306 Optimisation examen de 1 e session année 2009 2010 Prénom Nom Note Répondre aux questions ci-dessous en justifiant rigoureusement chaque étape, affirmation, etc. AUCUNE NOTE N EST AUTORISÉE.

Plus en détail

Vers une Optimisation de l Algorithme AntTreeStoch

Vers une Optimisation de l Algorithme AntTreeStoch Revue des Sciences et de la Technologie - RST- Volume 3 N 1 / janvier 2012 Vers une Optimisation de l Algorithme AntTreeStoch O. KADRI, H. MOUSS, A. ABDELHADI, R. MAHDAOUI Laboratoire d Automatique et

Plus en détail

Université de Sousse. Ecole Nationale d Ingénieurs de Sousse

Université de Sousse. Ecole Nationale d Ingénieurs de Sousse Réf :../ AU : 2014-2015 Université de Sousse Ecole Nationale d Ingénieurs de Sousse Rapport de stage d initiation (ou d Ingénieur) Réalisé par : Prénom & Nom de l'élève ingénieur Filière : 1 ère Année

Plus en détail

Méthodes d optimisation pour les tournées et gestion des temps des conducteurs eu égard à la législation européenne

Méthodes d optimisation pour les tournées et gestion des temps des conducteurs eu égard à la législation européenne Méthodes d optimisation pour les tournées et gestion des temps des conducteurs eu égard à la législation européenne Naima Belakbir, Ahcène Bounceur, Stéphane Croguennec, Reinhardt Euler, Marc Lepouliquen,

Plus en détail

Deuxième épreuve d admission. Exemples de sujets

Deuxième épreuve d admission. Exemples de sujets Deuxième épreuve d admission. Exemples de sujets Thème : probabilités 1) On lance deux dés équilibrés à 6 faces et on note la somme des deux faces obtenues. 1.a) Donner un univers associé cette expérience.

Plus en détail

Framework à but pédagogique sous Linux

Framework à but pédagogique sous Linux Travail de diplôme Framework à but pédagogique sous Linux Plan de la présentation Introduction Environnements Techniques développées Implémentation Résultat Conclusion 1 Introduction Framework Outil de

Plus en détail

Analyse de protocoles binaires avec les N-Grams

Analyse de protocoles binaires avec les N-Grams Analyse de protocoles binaires avec les N-Grams N-Gram against the Machine : On the Feasibility of the N-Gram network Analysis for Binary Protocols Thomas LETAN 26 novembre 2012 Objectifs des auteurs :

Plus en détail

IFT 615 Intelligence artificielle

IFT 615 Intelligence artificielle Département d informatique IFT 615 Intelligence artificielle Plan de cours Hiver 201 Professeur Auxiliaire Froduald Kabanza Courriel : kabanza@usherbrooke.ca Local : D-1022-2 Téléphone : (819) 821-8000,

Plus en détail

Jeu stochastique de partage dynamique de ressources dans un réseau de files d attente à processeur partagé

Jeu stochastique de partage dynamique de ressources dans un réseau de files d attente à processeur partagé MADA-ETI, ISSN 2220-073, Vol.1, 201, www.madarevues.gov.mg Jeu stochastique de partage dynamique de ressources dans un réseau de files d attente à processeur partagé Ravaliminoarimalalason T. B. 1 Randimbindrainibe

Plus en détail

Ricco Rakotomalala http://eric.univ-lyon2.fr/~ricco/cours/cours_programmation_r.html. R.R. Université Lyon 2

Ricco Rakotomalala http://eric.univ-lyon2.fr/~ricco/cours/cours_programmation_r.html. R.R. Université Lyon 2 Ricco Rakotomalala http://eric.univ-lyon2.fr/~ricco/cours/cours_programmation_r.html 1 R est un langage de programmation. L objet de base est un vecteur de données. C est un «vrai» langage c.-à-d. types

Plus en détail