OPTIMISATION D ÉCOULEMENT DES PUISSANCES PAR ALGORITHMES INTELLIGENTS
|
|
- Coraline Bibeau
- il y a 8 ans
- Total affichages :
Transcription
1 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 génétiques (AG), Algorithmes colonies des fourmis (ACF), Algorithme de D.F.P, Répartition imale des puissances. L imisation d écoulement des puissances (imal power flow ou OPF en anglais) est l une des fonctions principales de l'opération de production et du contrôle d'énergie électrique. L'objectif général est la détermination imale de production des unités afin de réduire au minimum le coût de production tandis que le système actionne dans sa limite de sécurité. Cet article présente une approche de l'algorithme de recherche de colonie de fourmi pour ce problème. Cette méthode a été appliquée sur la partie ouest du réseau algérien (220kV). 1. INTRODUCTION L imisation d écoulement des puissances (OPF), est un problème de programmation non linéaire. Elle est employé pour déterminer les sorties imales du générateur dans le système d'alimentation, avec un objectif pour réduire au minimum le coût de production total, tandis que le système fonctionne dans sa limite de sécurité [1 3]. On a utilisé la méthode classique, élaborée par Davidon Fletcher-Powel (D.F.P) [2 6]. Cette méthode est parmi celles qui ont été utilisées dans le dispatching économique. En effet, cette méthode consiste en une généralisation de la formule itérative de Newton [4]. Pour résoudre ce problème, malheureusement cette méthode comme les méthodes déterministes souffrent de trois problèmes principaux. Premièrement, ils peuvent ne pas pouvoir fournir la solution imale et se coincer habituellement à un imal local, toutes ces méthodes sont basées sur l'acceptation de la continuité de la fonction objective qui n'est pas toujours réalisable dans la pratique. Ces méthodes ne peuvent pas être appliquées avec les variables discrètes. Or l'algorithme génétique (AG) et l'algorithme de recherche de colonie de fourmis 1 Laboratoire IRECOM, Université Sidi Bel Abbés Faculté d ingénieur Département d électrotechnique, Sidi Bel Abbés, Algérie, IRECOM_younesmi@yahoo.fr 2 Laboratoire ORE, USTO, BP 1505, Oran El M naouer, Algerie Rev. Roum. Sci. Techn. Électrotechn. et Énerg., 52, 1, p. 3 12, Bucarest, 2007
2 4 Mimoun Younes et al. 2 (ACF) sont des méthodes appropriées pour résoudre ce problème, qui éliminent les inconvénients ci-dessus. Ces méthodes ont été appliquées sur la partie ouest du réseau algérien (220 kv). Dans cet article, on présente le problème posé par l industriel et comment on le modélise, et on lui donne une forme mathématique (un polynôme du deuxième degré), en tenant compte des contraintes. Après, on développe l algorithme à colonie de fourmis, sans oublier de donner un bref aperçu sur l algorithme génétique. Enfin, nous simulons le fonctionnement de notre réseau avec les trois méthodes, puis nous faisons une comparaison entre les trois méthodes. 2. MODÈLE MATHÉMATIQUE La fonction du coût pour le ième générateur (unité de production) se présente le plus souvent sous la forme d un polynôme du deuxième degré [2, 3]: Gi 2 Gi f ( P) = a + a P + a P. (1) i Les coefficients a 0, a 1, a 2, sont propres à chaque unité de production, on les détermine à l aide des méthodes d'interpolation comme par exemple celles de Lagrange, de Newton ou des Moindres Carrés. Afin de minimiser le coût de production total d un réseau interconnecté, on doit minimiser la somme des fonctions de coût des unités de production et poser la formule globale sous la forme suivante : ng Min f( PG) = fi( PGi). (2) i= 1 En prenant en considération les contraintes d égalité suivantes: ng nc P P P = 0, Gi chj L i= 1 j= 1 ng nc Q Q Q = 0; Gi chj L i= 1 j= 1 (3) ainsi que les contraintes d inégalité: min max Gi Gi Gi P P P min max Gi Gi Gi Q Q Q,, (4)
3 3 Optimisation d écoulement des puissances par algorithmes intelligents 5 où : f (P G ) fonction du coût total, ng nombre de générateurs, nc nombre de nœuds consommateurs, P G i puissance active générée au nœud i, Q Gi puissance réactive générée au nœud i, P ch j puissance active consommée au nœud j, Q ch j max puissance réactive consommée au nœud j, P L pertes totales dans le réseau, P GI max min puissance active maximale, Q Gi puissance réactive maximale, P Gi min puissance active minimale, Q Gi puissance réactive minimale. 3. LES ALGORITHMES À COLONIE DE FOURMIS Les techniques d imisation issues des colonies de fourmis (Ant Colony Optimization en anglais) ont été appliquées à divers problèmes d imisation comme la coloration de graphes [9] et le problème du voyageur de commerce [10]. La figure 1 montre comment les fourmis arrivent à trouver le chemin le plus court. Fig. 1 Contournement d un obstacle par une colonie de fourmis. L apparition d un obstacle sur un chemin entre la source de nourriture et le nid. Sur la Fig. 1, la présence d un obstacle sur le chemin contraint les fourmis à en faire le tour par l un des deux chemins (A ou B). Quand les fourmis commencent à arriver par la gauche du dessin, en moyenne, la moitié des fourmis choisissent le plus long chemin (B) et l autre moitié le plus court (A). Les fourmis déposant des phéromones, le chemin A sera plus marqué que B pour un temps donné. Comme les fourmis suivent en probabilité le chemin le plus marqué, le phéromone s amplifie et le chemin A devient majoritairement suivi par les ouvrières. Enfin, l aspect probabiliste du déplacement des fourmis assure qu elles seront toujours à la recherche d une meilleure solution puisque même quand les fourmis choisissent majoritairement le chemin A, la probabilité de choisir B ne devient pas nulle. De plus, les phéromones étant des substances chimiques volatiles, elles s évaporent avec le temps, ce qui permet aux fourmis de continuer l exploration de leur environnement. Dans une itération d algorithme ACF, f agents (fourmis) construisent chacune une solution d'après des décisions basées sur des critères heuristiques et sur des
4 6 Mimoun Younes et al. 4 traces de phéromone. Les traces sont mises à jour en examinant les solutions obtenues pour notre cas (OPF) le coût minimal de la production d énergie électrique représenté par la formule globale (2) du réseau interconnecté. Elles sont renforcées pour les décisions ayant donné de meilleures solutions et diminuées pour les autres. Ce mécanisme permet d'améliorer progressivement les solutions au cours des itérations [10]. En pratique, on construit f solutions initiales, puis on répète l'itération générale suivante jusqu à la réalisation d un critère d arrêt comme un nombre maximum d itérations ou un écart donné par rapport à une borne inférieure : 1. mise à jour des traces de phéromone dans le réseau ; 2. génération de f nouvelles solutions par les fourmis, en exploitant les traces de phéromone; 3.1. MISE À JOUR DES TRACES DE PHÉROMONE Au début, pour tout couple d arêtes à traiter (i, j), la quantité de phéromoneτ ij est nulle [12]. On la met à jour au début de chaque itération selon la formule (5), qui comprend un terme pour l évaporation et un pour le renforcement. f ij ij τij = 1 τ ρτ +, avec τ F ij =. (5) L Une idée simple est d affecter des poids égaux F = 1 aux fourmis, mais alors on ne tient pas compte de la qualité des solutions dans cette pondération supplémentaire des solutions. Les f solutions étant triées par coûts décroissants, une meilleure ion est d utiliser le rang de la fourmi en posant F =. Nous utilisons en fait des poids plus fins qui tiennent compte de la distance maximale G d entre deux arêtes à traiter : la formule (6) définit ainsi une fonction affine du rang m (entre 1 et f), prenant ses valeurs entre 1 et G d. Gd 1 f Gd F = +. (6) f 1 f CONSTRUCTION DE NOUVELLES SOLUTIONS La règle de déplacement des fourmis est donnée suivant la formule (8), où α, β sont deux paramètres contrôlant l importance relative de l intensité de la piste τ ij et de la visibilité V ij, avec α = 0 seule la visibilité de j est prise en compte; le j le plus proche parmi les arcs est choisi à chaque pas. Au contraire, avec β = 0, seules les pistes des phéromones jouent. Pour éviter une sélection trop rapide d un trajet, un compromis entre ces deux paramètres, jouant sur les comportements de diversification et d intensification, est nécessaire. Après un tour complet, chaque
5 5 Optimisation d écoulement des puissances par algorithmes intelligents 7 fourmi laisse une certaine quantité de phéromones τ ij sur l ensemble de son parcours, quantité qui dépend de la qualité de la solution trouvée. La fourmi aveugle ne prend pas en considération les traces de phéromone choisi au hasard j parmi les K arcs les plus proches qui lui restent à traiter formule (7), avec une probabilité P a Avec la probabilité 1 P a, elle tient compte des phéromones et choisit j avec la formule (8). En prenant en considération les visibilités V ij et les tracesτ ij, pondérées par des puissances choisies α et β. ij 1 P ij = K si α β [ Vij ] [ τij ] α [ Vij ] [ τiq ] q ψ i t P = si j Ω sinon P = 0, (7) β i ij j ψ sinon P = 0, où : f nombre de fourmis. On identifie dans la suite les fourmis et leurs solutions, stockées dans une table triée par coût total décroissant. La meilleure solution est donc la dernière (indice f). G d la plus grande distance dans le graphe, V ij mesure de visibilité de l arc j depuis l arc i V ij = 1/d ij, τ ij taux de persistance des traces de phéromone 0 τ ij 1, F poids constant affecté à la fourmi n, P a probabilité de déplacement aveugle, ignorant les traces de phéromone, K nombre d'arcs les plus proches considérés lors d'un déplacement aveugle,τ ij quantité de phéromone sur le chemin de l arc i à l arc j, τ ij ajout de phéromone par la fourmi sur le chemin de l arc i vers l'arc j, L coût total de la solution trouvée par la fourmi, T liste "tabou" de la fourmi (ensemble des arcs déjà traités par la fourmi), Ω t ensemble des K arcs les plus proches de l'arc i (en terme de V ij ), non encore traités par, Ψ t ensemble des K meilleurs arcs (en terme de traceτ ij ), non encore traités par, P ij probabilité pour une fourmi de se déplacer de l arc i à l'arc j. ij (8) 3.3. STRUCTURE DE L'ALGORITHME La population des f fourmis comprend en fait f e fourmis "élitistes" et f f e fourmis "non-élitistes". Les élitistes assurent la convergence de l algorithme, tandis que les non élitistes explorent l espace de recherche pour maintenir la diversité des solutions et prévenir une convergence prématurée [12]. On remplace la dernière solution d'une fourmi élitiste par la nouvelle seulement en cas d'amélioration. Par contre, on remplace toujours la dernière solution d'une fourmi non élitiste par sa nouvelle solution, qu'il y ait amélioration ou dégradation. La Fig. 2 nous montre le principe de l algorithme de fourmis.
6 8 Mimoun Younes et al. 6 Fig. 2 Organigramme de l algorithme à colonie de fourmis. Notons qu'à toute itération les f e solutions des fourmis élitistes sont les meilleures solutions découvertes depuis le début de l'algorithme. L'algorithme est renforcé par une remise à 0 périodique des traces de phéromone, qui constituent la "mémoire" de l algorithme. Ce nettoyage est effectué chaque fois que I itérations ont été effectuées sans amélioration de la meilleure solution. 4. PRINCIPE DES ALGORITHMES GÉNÉTIQUES Un algorithme génétique est un algorithme itératif, il manipule une population de taille donnée. Cette population est formée de chromosomes. Chaque chromosome représente le codage d'une solution potentielle au problème à résoudre, il est constitué d'un ensemble de gènes [7, 8]. En appliquant les opérateurs génétiques (la sélection, le croissement et la mutation) à la population initiale, on arrive à créer une nouvelle population contenant le même nombre de chromosomes que la précédente mais qui ont des qualités meilleures que les précédentes et ainsi de suite en répétant le même processus on renouvelle à chaque fois la population à chaque génération en améliorant les qualités des chromosomes qui sont mieux adaptées à leur environnement qui est représenté par la fonction objective et de cette manière les chromosomes vont tendre vers l'imum de la fonction. La sélection des meilleurs chromosomes est la première opération dans un algorithme génétique [11]. Au cours de cette opération l'algorithme sélectionne les meilleurs éléments. Le croissement permet de générer deux chromosomes nouveaux "enfants" à partir de
7 7 Optimisation d écoulement des puissances par algorithmes intelligents 9 deux chromosomes sélectionnés "parents", tandis que la mutation réalise l'inversion d'un ou plusieurs gènes d'un chromosome. 5. APPLICATION ET COMPARAISON DES RÉSULTATS Dans cette dernière étape de notre travail, nous avons effectué la comparaison des résultats obtenus dans les trois approches d imisation après son application sur la partie ouest du réseau algérien (220 kv). Ce réseau est composé de 12 jeux de barres dont deux jeux de barres sont de type PV ayant pour fonction coût les expressions : 2 2 f P ) 0.085P + 150P 2000, f P ) 1.70P + 250P 3000 ; (9) 1 ( G1 = G1 G1 + avec les contraintes : 2 ( G2 = G2 G P G1 510, 10 P G2 70 ; (10) et avec la consommation totale : P Ch = 505 MW. (11) 5.1. CALCUL DES PERTES On a considéré les pertes actives sous deux variantes : PREMIÈRE VARIANTE Comme une constante au niveau de l équation de bilan dont la valeur est déterminée par l algorithme de Gauss-Seidel DEUXIÈME VARIANTE Pour ce cas et pour les deux méthodes AG et ACF, les pertes actives ont été calculées par la méthode des B-Coefficients [2] TABLEAUX DES RÉSULTATS Les trois algorithme DFP, AG et ACF ont été programmés dans l environnement Matlab. Les résultats obtenus sont présentés respectivement dans les tableaux 1 et 2. PG 1 Le Tableau 1 présente les valeurs des paramètres et P 2 obtenues dans les trois approches, ainsi que la valeur de la fonction objectif dans le cas de la première variante. G
8 10 Mimoun Younes et al. 8 Tableau 1 Données Sonelgaz DFP GA ACF PG 1 466,05 460, , , PG 2 54,88 59, , , L [ MW] P 15,94 14,987 14,865 14,830 Coût [$/h] , , , ,227 Le Tableau 2 présente les valeurs des paramètres P 1 etp 2 obtenues dans les trois approches, ainsi que la valeur de la fonction objectif dans le cas de la deuxième variante. Tableau 2 G G Données Sonelgaz DFP GA ACF PG 1 466,05 460, , , PG 2 54,88 59, , , P L [ MW] 15,94 14,987 14,987 14,987 Coût [$/h] , , , ,73 6. CONCLUSION Cet article présente un algorithme à colonie de fourmis pour (OFP). Il a la capacité de l amélioration des solutions à la fin de chaque itération. Les résultats trouvés montrent clairement son efficacité, car dans les deux cas étudiés nous avons montré que les valeurs des fonctions coûts sont bonnes par rapport aux données de la Sonelgaz et à la méthode classique (DFP) et même par rapport à la méthode génétique. Cette application sur l OPF est très encourageante, car un nombre assez faible d itérations a été accordé à l algorithme. Le processus de convergence semble être correctement géré puisque sur certaines instances l algorithme améliore encore sa meilleure solution vers la dernière itération. Cela montre que l algorithme ne converge pas prématurément vers des minima locaux dont il ne pourrait plus s extraire. Ce bon comportement est probablement favorisé par la remise à 0 périodique des traces de phéromone. Le principal inconvénient de l'approche réside dans le coût relativement élevé de la génération des solutions. Les temps de calcul pour une itération de
9 9 Optimisation d écoulement des puissances par algorithmes intelligents 11 l'algorithme à fourmis nous ont conduit à réaliser un très faible nombre d'itérations par rapport au nombre d'itérations réalisées par l'algorithme génétique. APPENDIX Choix des paramètres de l AG : la taille de population = 110, probabilité de croissement = 0,9, probabilité de mutation = 0,01, itération maximum (nombre de génération) = 350. Choix des paramètres de l ACF : f = 40 fourmis, α = 0,5, β = 0,08 pondération pour la formule (8), ρ = 0,9, p taux de persistance de la phéromone, K = 10, taille des ensembles Ψ t et Ω t, P a = 0,1, probabilité de déplacement aveugle, f e = 5 fourmis elitilistes, I max = 300 itérations. Reçu le 1 juillet, 2005 REFERENCES 1. M.Rahli, P.Pirotte, Dispatching économique par une nouvelle méthode de programmation non linéaire à la répartition économique des puissances actives dans un réseau d énergie électrique, CIMASI 96, Casablanca, Maroc, novembre 1996, pp M.Rahli, Contribution à l étude de la répartition imale des puissances actives dans un réseau d énergie électrique, Thèse de doctorat, 06 janvier 1996, USTO, Algérie. 3. M. Younes, M. Rahli, R. Ouiddir, H. Koridak, La répartition imal des puissances en utilisant l algorithme génétique, ICEEE 2004, Laghouat, april, 2004, pp M.Minoux, Programmation mathématique théorie et algorithmes, Tome I, Dunod, G.W. Stagg et Ahmed H. El Abiadh,Computer methods in power systems analysis, Edition Mc Graw-Hill International Book Company, D. Himmelblau, Applied non linear programming, Mc Graw-Hill, David E. Goldberg, Algorithmes génétiques, Addison Wesley, France, SA, J. Holand, Adaptation in natural and Artificial Systems, The university of Michigan press, Ann Arbor, USA, D. Costa, A. Hertz, Ants can colour graphs, JORS, 48, 3, pp , M. Dorigo, L.M. Gambardella, Ant colony system: a cooperative leaning approach to the Travelling Salesman Problem, IEEE Transactions on Evolutionary Computation, 1, 1, pp , 1997.
10 12 Mimoun Younes et al G. Fleury, Méthodes stochastiques et déterministes pour les problèmes NP-difficiles, Thèse de l Université Blaise Pascal, Nicolas Monmarché, Algorithmes de fourmis artificielles applications à la classification et à l imisation, Thèse de l Université François Rabelais Tours, P. Lacomme, C. Prins, W. Ramdane-Chérif, Competitive genetic algorithms for the Capacitated Arc Routing Problem and its extensions, dans E.J.W. Boers et al. (éd.), Applications of evolutionary computing, pp , Lecture Notes in Computer Science 2037, Springer, OPTIMAL POWER FLOW BY INTELLIGENT ALGORITHMS MIMOUN YOUNES, MOSTEFA RAHLI, MOHAMED ABID, MALIKA KANDOUCI Key words: Genetic algorithm, Ant algorithm, DFP algorithm, Optimal power flow. The imal power flow is one of the principal functions of the operation of production and the power electric control. The general objective is the imal determination of production of the units in order to reduce the production cost to the minimum while the system actuates within its safety limit. This article presents an approach of the Ant Colony Optimization (ACO) for this problem. This method was applied to the western part of the network Algeria (220 kv).
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 détailJean-Philippe Préaux http://www.i2m.univ-amu.fr/~preaux
Colonies de fourmis Comment procèdent les colonies de fourmi pour déterminer un chemin presque géodésique de la fourmilière à un stock de nourriture? Les premières fourmis se déplacent au hasard. Les fourmis
Plus en détailLaboratoire 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 détailAtelier Transversal AT11. Activité «Fourmis» Pierre Chauvet. pierre.chauvet@uco.fr
Atelier Transversal AT11 Activité «Fourmis» Pierre Chauvet pierre.chauvet@uco.fr Ant : un algorithme inspiré de l éthologie L éthologie Etude scientifique des comportements animaux, avec une perspective
Plus en détailDES 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 détailDeux stratégies parallèles de l'optimisation par colonie de fourmis
4 th International Conference: Sciences of Electronic, Technologies of Information and Telecommunications March 25-29, 2007 TUNISIA Deux stratégies parallèles de l'optimisation par colonie de fourmis HERNANE
Plus en détailLes colonies de fourmis : apprentissage coopératif pour le problème du voyageur de commerce
: apprentissage coopératif pour le problème du voyageur de commerce Alexandre Bargeton Benjamin Devèze Université Pierre et Marie Curie Présentation du projet ANIMAT 1 Comportements collectifs des insectes
Plus en détailVers 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 détailOrdonnancement en temps réel d un jobshop par métaheuristique hybride : étude comparative
Ordonnancement en temps réel d un jobshop par métaheuristique hybride : étude comparative Y. Houbad, M. Souier, A. Hassam, Z.Sari Laboratoire d automatique Tlemcen Faculté de technologie, Université Abou
Plus en détailModélisation multi-agents - Agents réactifs
Modélisation multi-agents - Agents réactifs Syma cursus CSI / SCIA Julien Saunier - julien.saunier@ifsttar.fr Sources www-lih.univlehavre.fr/~olivier/enseignement/masterrecherche/cours/ support/algofourmis.pdf
Plus en détailUne application des algorithmes génétiques à l ordonnancement d atelier
Une application des algorithmes génétiques à l ordonnancement d atelier VACHER Jean-Philippe - GALINHO Thierry - MAMMERI Zoubir Laboratoire d Informatique du Havre Université du Havre 25, Rue Philippe
Plus en détailLe théorème de Perron-Frobenius, les chaines de Markov et un célèbre moteur de recherche
Le théorème de Perron-Frobenius, les chaines de Markov et un célèbre moteur de recherche Bachir Bekka Février 2007 Le théorème de Perron-Frobenius a d importantes applications en probabilités (chaines
Plus en détailALGORITHME GENETIQUE ET MODELE DE SIMULATION POUR L'ORDONNANCEMENT D'UN ATELIER DISCONTINU DE CHIMIE
ALGORITHME GENETIQUE ET MODELE DE SIMULATION POUR L'ORDONNANCEMENT D'UN ATELIER DISCONTINU DE CHIMIE P. Baudet, C. Azzaro-Pantel, S. Domenech et L. Pibouleau Laboratoire de Génie Chimique - URA 192 du
Plus en détailCours des Méthodes de Résolution Exactes Heuristiques et Métaheuristiques
Université Mohammed V, Faculté des Sciences de Rabat Laboratoire de Recherche Mathématiques, Informatique et Applications Cours des Méthodes de Résolution Exactes Heuristiques et Métaheuristiques MASTER
Plus en détailMinimisation de la somme des retards dans un jobshop flexible
Minimisation de la somme des retards dans un jobshop flexible Nozha ZRIBI, Imed KACEM, Abdelkader EL KAMEL, Pierre BORNE LAGIS Ecole Centrale de Lille, BP 48, 5965 Villeneuve d Ascq Cedex, France ISTIT
Plus en détailNouvelles propositions pour la résolution exacte du problème de sac à dos bi-objectif unidimensionnel en variables binaires
Nouvelles propositions pour la résolution exacte du problème de sac à dos bi-objectif unidimensionnel en variables binaires Julien Jorge, Xavier Gandibleux Laboratoire d Informatique de Nantes Atlantique
Plus en détailUn modèle réactif pour l optimisation par colonies de fourmis : application à la satisfaction de contraintes
Actes JFPC 2009 Un modèle réactif pour l optimisation par colonies de fourmis : application à la satisfaction de contraintes Madjid Khichane 1,2, Patrick Albert 1 et Christine Solnon 2 1 ILOG An IBM Company
Plus en détailEtude d un cas industriel : Optimisation de la modélisation de paramètre de production
Revue des Sciences et de la Technologie RST- Volume 4 N 1 /janvier 2013 Etude d un cas industriel : Optimisation de la modélisation de paramètre de production A.F. Bernate Lara 1, F. Entzmann 2, F. Yalaoui
Plus en détailSommaire. Introduction. I. Notions de routage a) Technologies actuelles b) Avantages et désavantages
Sommaire Introduction I. Notions de routage a) Technologies actuelles b) Avantages et désavantages II. Routage et fourmis a) Principe et avantages b) Structure du simulateur III.Implémentation a) Présentation
Plus en détailLES MÉTA-HEURISTIQUES : quelques conseils pour en faire bon usage
LES MÉTA-HEURISTIQUES : quelques conseils pour en faire bon usage Alain HERTZ Ecole Polytechnique - GERAD Département de mathématiques et de génie industriel CP 679, succ. Centre-ville, Montréal (QC) H3C
Plus en détailInfo0804. Cours 6. Optimisation combinatoire : Applications et compléments
Recherche Opérationnelle Optimisation combinatoire : Applications et compléments Pierre Delisle Université de Reims Champagne-Ardenne Département de Mathématiques et Informatique 17 février 2014 Plan de
Plus en détailMéthode de sureté de fonctionnement pour une maintenance efficace Application à un poste électrique (60/10KV)
Quatrième Conférence Internationale sur le Génie Electrique CIGE 10, 03-04 Novembre 2010, Université de Bechar, Algérie Méthode de sureté de fonctionnement pour une maintenance efficace Application à un
Plus en détailAnnexe 6. Notions d ordonnancement.
Annexe 6. Notions d ordonnancement. APP3 Optimisation Combinatoire: problèmes sur-contraints et ordonnancement. Mines-Nantes, option GIPAD, 2011-2012. Sophie.Demassey@mines-nantes.fr Résumé Ce document
Plus en détailAlgorithme des fourmis appliqué à la détection et au suivi de contours dans une image
IN52-IN54 A2008 Algorithme des fourmis appliqué à la détection et au suivi de contours dans une image Etudiants : Nicolas MONNERET Alexandre HAFFNER Sébastien DE MELO Responsable : Franck GECHTER Sommaire
Plus en détailCours de Master Recherche
Cours de Master Recherche Spécialité CODE : Résolution de problèmes combinatoires Christine Solnon LIRIS, UMR 5205 CNRS / Université Lyon 1 2007 Rappel du plan du cours 16 heures de cours 1 - Introduction
Plus en détailintelligence artificielle et cognitique"
Dialogue on Education, 11h-11h10 Course overview on "Automatisation avancée, intelligence artificielle et cognitique" Prof. Dr. Jean-Daniel Dessimoz, MBA, HES-SO / HEIG-VD 11:00-11:10, 18 November 2014
Plus en détailLes clients puissance cube
LETTRE CONVERGENCE Les clients puissance cube L intelligence artificielle au service du marketing des services N 28 To get there. Together. A PROPOS DE BEARINGPOINT BearingPoint est un cabinet de conseil
Plus en détailProposition de méthode d implémentation d ITIL
Proposition de méthode d implémentation d ITIL Said Sebaaoui (*) - Mohamed Lamrini (*) - Laila El Abbadi (**) (*) : Laboratoire Informatique et Modélisation (LIM), Faculté des Sciences Dhar el Mahraz,
Plus en détailOptimisation et programmation mathématique. Professeur Michel de Mathelin. Cours intégré : 20 h
Télécom Physique Strasbourg Master IRIV Optimisation et programmation mathématique Professeur Michel de Mathelin Cours intégré : 20 h Programme du cours d optimisation Introduction Chapitre I: Rappels
Plus en détailChapitre 3. Mesures stationnaires. et théorèmes de convergence
Chapitre 3 Mesures stationnaires et théorèmes de convergence Christiane Cocozza-Thivent, Université de Marne-la-Vallée p.1 I. Mesures stationnaires Christiane Cocozza-Thivent, Université de Marne-la-Vallée
Plus en détailA GRASPxELS approach for the Job Shop with generic time-lags and new statistical determination of the parameters
A GRASPxELS approach for the Job Shop with generic time-lags and new statistical determination of the parameters Présenté par : Equipe de travail : Laboratoire : Maxime CHASSAING Philippe LACOMME, Nikolay
Plus en détailSouad EL Bernoussi. Groupe d Analyse Numérique et Optimisation Rabat http ://www.fsr.ac.ma/ano/
Recherche opérationnelle Les démonstrations et les exemples seront traités en cours Souad EL Bernoussi Groupe d Analyse Numérique et Optimisation Rabat http ://www.fsr.ac.ma/ano/ Table des matières 1 Programmation
Plus en détailCURRICULUM VITAE. Informations Personnelles
CURRICULUM VITAE Informations Personnelles NOM: BOURAS PRENOM : Zine-Eddine STRUCTURE DE RATTACHEMENT: Département de Mathématiques et d Informatique Ecole Préparatoire aux Sciences et Techniques Annaba
Plus en détailLa Recherche du Point Optimum de Fonctionnement d un Générateur Photovoltaïque en Utilisant les Réseaux NEURO-FLOUS
Rev. Energ. Ren. : Chemss 2000 39-44 La Recherche du Point Optimum de Fonctionnement d un Générateur Photovoltaïque en Utilisant les Réseaux NEURO-FLOUS D.K. Mohamed, A. Midoun et F. Safia Département
Plus en détailPrincipe de symétrisation pour la construction d un test adaptatif
Principe de symétrisation pour la construction d un test adaptatif Cécile Durot 1 & Yves Rozenholc 2 1 UFR SEGMI, Université Paris Ouest Nanterre La Défense, France, cecile.durot@gmail.com 2 Université
Plus en détailDétection et suivi d'objets dans une séquence d'images par contours actifs
Détection et suivi d'objets dans une séquence d'images par contours actifs A. Fekir (1), N. Benamrane (2) et A. Taleb-Ahmed (3) (1) Département d informatique, Université de Mustapha Stambouli, BP 763,
Plus en détailApproche d'évaluation pour les problèmes d'ordonnancement multicritères : Méthode d'agrégation avec direction de recherche dynamique
Approche d'évaluation pour les problèmes d'ordonnancement multicritères : Méthode d'agrégation avec direction de recherche dynamiue D. BERKOUNE 2, K. MESGHOUNI, B. RABENASOLO 2 LAGIS UMR CNRS 846, Ecole
Plus en détailFORMATION CONTINUE SUR L UTILISATION D EXCEL DANS L ENSEIGNEMENT Expérience de l E.N.S de Tétouan (Maroc)
87 FORMATION CONTINUE SUR L UTILISATION D EXCEL DANS L ENSEIGNEMENT Expérience de l E.N.S de Tétouan (Maroc) Dans le cadre de la réforme pédagogique et de l intérêt que porte le Ministère de l Éducation
Plus en détailSystème Immunitaire Artificiel Parallèle appliqué aux Flow Shop Hybride (FSH)
République Algérienne Démocratique et Populaire Ministère de l Enseignement Supérieur et de la Recherche Scientifique Université des Sciences et de la Technologie d Oran -Mohamed Boudiaf USTO-MB Faculté
Plus en détailProgrammation linéaire
Programmation linéaire DIDIER MAQUIN Ecole Nationale Supérieure d Electricité et de Mécanique Institut National Polytechnique de Lorraine Mathématiques discrètes cours de 2ème année Programmation linéaire
Plus en détailTHÈSE. présentée à TÉLÉCOM PARISTECH. pour obtenir le grade de. DOCTEUR de TÉLÉCOM PARISTECH. Mention Informatique et Réseaux. par.
École Doctorale d Informatique, Télécommunications et Électronique de Paris THÈSE présentée à TÉLÉCOM PARISTECH pour obtenir le grade de DOCTEUR de TÉLÉCOM PARISTECH Mention Informatique et Réseaux par
Plus en détailLa programmation à mémoire adaptative ou l évolution des algorithmes évolutifs
La programmation à mémoire adaptative ou l évolution des algorithmes évolutifs Éric D. Taillard 1 Luca M. Gambardella 1 Michel Gendreau 2 Jean-Yves Potvin 2 1 IDSIA, Corso Elvezia 36, CH-6900 Lugano. E-mail
Plus en détailChaînes de Markov au lycée
Journées APMEP Metz Atelier P1-32 du dimanche 28 octobre 2012 Louis-Marie BONNEVAL Chaînes de Markov au lycée Andreï Markov (1856-1922) , série S Problème 1 Bonus et malus en assurance automobile Un contrat
Plus en détailObjectifs du cours d aujourd hui. Informatique II : Cours d introduction à l informatique et à la programmation objet. Complexité d un problème (2)
Objectifs du cours d aujourd hui Informatique II : Cours d introduction à l informatique et à la programmation objet Complexité des problèmes Introduire la notion de complexité d un problème Présenter
Plus en détailInfluence de la géométrie du conducteur sur la température dans un poste sous enveloppe métallique
SYMPOSIUM DE GENIE ELECTRIQUE (SGE 14) : EF-EPF-MGE 2014, 8-10 JUILLET 2014, ENS CACHAN, FRANCE Influence de la géométrie du conducteur sur la dans un poste sous enveloppe métallique Nesrine REBZANI 1,2,3,
Plus en détailProgrammation Linéaire - Cours 1
Programmation Linéaire - Cours 1 P. Pesneau pierre.pesneau@math.u-bordeaux1.fr Université Bordeaux 1 Bât A33 - Bur 265 Ouvrages de référence V. Chvátal - Linear Programming, W.H.Freeman, New York, 1983.
Plus en détailFrancis BISSON (06 794 819) Kenny CÔTÉ (06 836 427) Pierre-Luc ROGER (06 801 883) IFT702 Planification en intelligence artificielle
Francis BISSON (06 794 819) Kenny CÔTÉ (06 836 427) Pierre-Luc ROGER (06 801 883) PLANIFICATION DE TÂCHES DANS MS PROJECT IFT702 Planification en intelligence artificielle Présenté à M. Froduald KABANZA
Plus en détailSynthèse des convertisseurs statiques DC/AC pour les systèmes photovoltaïques
Revue des Energies Renouvelables ICESD 11 Adrar (2011) 101 112 Synthèse des convertisseurs statiques DC/AC pour les systèmes photovoltaïques M. Meddah *, M. Bourahla et N. Bouchetata Faculté de Génie Electrique,
Plus en détailTHESE. Application des algorithmes de colonies de fourmis pour l optimisation et la classification des images
République Algérienne Démocratique et Populaire وزارة التعليم العالي و البحث العلمي Ministère de l'enseignement Supérieur et de la Recherche Scientifique UNIVERSITE DES SCIENCES ET DE LA TECHNOLOGIE d
Plus en détailphysicien diplômé EPFZ originaire de France présentée acceptée sur proposition Thèse no. 7178
Thèse no. 7178 PROBLEMES D'OPTIMISATION DANS LES SYSTEMES DE CHAUFFAGE A DISTANCE présentée à l'ecole POLYTECHNIQUE FEDERALE DE ZURICH pour l'obtention du titre de Docteur es sciences naturelles par Alain
Plus en détailTHÈSE DE DOCTORAT DE L UNIVERSITÉ PARIS 12-VAL DE MARNE UFR de Sciences et Technologie. par. Walid TFAILI. pour obtenir le grade de
THÈSE DE DOCTORAT DE L UNIVERSITÉ PARIS 12-VAL DE MARNE UFR de Sciences et Technologie par Walid TFAILI pour obtenir le grade de DOCTEUR EN SCIENCES Spécialité : SCIENCES DE L INGÉNIEUR Option : Optimisation
Plus en détailHela Boukef. To cite this version: HAL Id: tel-00577101 https://tel.archives-ouvertes.fr/tel-00577101
Sur l ordonnancement d ateliers job-shop flexibles et flow-shop en industries pharmaceutiques : optimisation par algorithmes génétiques et essaims particulaires Hela Boukef To cite this version: Hela Boukef.
Plus en détailAlgorithmes de recherche
Algorithmes de recherche 1 Résolution de problèmes par recherche On représente un problème par un espace d'états (arbre/graphe). Chaque état est une conguration possible du problème. Résoudre le problème
Plus en détailProblème à résoudre. min f(s) s.c. s S
Métaheuristiques Le mot métaheuristique est dérivé de la composition de deux mots grecs: - heuristique qui vient du verbe heuriskein (ευρισκειν) et qui signifie trouver - meta qui est un suffixe signifiant
Plus en détailÉquations non linéaires
Équations non linéaires Objectif : trouver les zéros de fonctions (ou systèmes) non linéaires, c-à-d les valeurs α R telles que f(α) = 0. y f(x) α 1 α 2 α 3 x Equations non lineaires p. 1/49 Exemples et
Plus en détailFig.1. Structure d un AGQ
Evolution d Automate Cellulaire par Algorithme Génétique Quantique Zakaria Laboudi 1 - Salim Chikhi 2 Equipe SCAL, Laboratoire MISC Université Mentouri de Constantine. E - Mail : 1 laboudizak@yahoo.fr;
Plus en détailOptimisation de la compression fractale D images basée sur les réseaux de neurones
Optimisation de la compression fractale D images basée sur les réseaux de neurones D r BOUKELIF Aoued Communication Networks,Architectures and Mutimedia laboratory University of S.B.A aoued@hotmail.com
Plus en détailLaboratoire 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 détailContexte. Pour cela, elles doivent être très compliquées, c est-à-dire elles doivent être très différentes des fonctions simples,
Non-linéarité Contexte Pour permettre aux algorithmes de cryptographie d être sûrs, les fonctions booléennes qu ils utilisent ne doivent pas être inversées facilement. Pour cela, elles doivent être très
Plus en détailUne méthode d apprentissage pour la composition de services web
Une méthode d apprentissage pour la composition de services web Soufiene Lajmi * Chirine Ghedira ** Khaled Ghedira * * Laboratoire SOIE (ENSI) University of Manouba, Manouba 2010, Tunisia Soufiene.lajmi@ensi.rnu.tn,
Plus en détailClassification Automatique de messages : une approche hybride
RECIAL 2002, Nancy, 24-27 juin 2002 Classification Automatique de messages : une approche hybride O. Nouali (1) Laboratoire des Logiciels de base, CE.R.I.S., Rue des 3 frères Aïssiou, Ben Aknoun, Alger,
Plus en détailDes fourmis réelles aux fourmis artificielles
Des fourmis réelles aux fourmis artificielles Deux exemples d approches biomimétiques de la résolution de problèmes en informatique. Nicolas Monmarché & Alain Lenoir Laboratoire d Informatique - Institut
Plus en détailApplication de K-means à la définition du nombre de VM optimal dans un cloud
Application de K-means à la définition du nombre de VM optimal dans un cloud EGC 2012 : Atelier Fouille de données complexes : complexité liée aux données multiples et massives (31 janvier - 3 février
Plus en détailReconnaissance automatique de la parole à l aide de colonies de fourmis
Reconnaissance automatique de la parole à l aide de colonies de fourmis Benjamin Lecouteux Didier Schwab Groupe d Étude en Traduction Automatique/Traitement Automatisé des Langues et de la Parole Laboratoire
Plus en détailOptimisation multi-critère pour l allocation de ressources sur Clouds distribués avec prise en compte de l énergie
Optimisation multi-critère pour l allocation de ressources sur Clouds distribués avec prise en compte de l énergie 1 Présenté par: Yacine KESSACI Encadrement : N. MELAB E-G. TALBI 31/05/2011 Plan 2 Motivation
Plus en détailReprésentation et analyse des systèmes linéaires
ISAE-NK/Première année présentation et analyse des systèmes linéaires Petite classe No Compléments sur le lieu des racines. Condition sur les points de rencontre et d éclatement Les points de rencontre,(les
Plus en détailChapitre 3. Les distributions à deux variables
Chapitre 3. Les distributions à deux variables Jean-François Coeurjolly http://www-ljk.imag.fr/membres/jean-francois.coeurjolly/ Laboratoire Jean Kuntzmann (LJK), Grenoble University 1 Distributions conditionnelles
Plus en détailFIMA, 7 juillet 2005
F. Corset 1 S. 2 1 LabSAD Université Pierre Mendes France 2 Département de Mathématiques Université de Franche-Comté FIMA, 7 juillet 2005 Plan de l exposé plus court chemin Origine du problème Modélisation
Plus en détailVers une approche Adaptative pour la Découverte et la Composition Dynamique des Services
69 Vers une approche Adaptative pour la Découverte et la Composition Dynamique des Services M. Bakhouya, J. Gaber et A. Koukam Laboratoire Systèmes et Transports SeT Université de Technologie de Belfort-Montbéliard
Plus en détailUNIVERSITÉ DU QUÉBEC MÉMOIRE PRÉSENTÉ À L'UNIVERSITÉ DU QUÉBEC À CHICOUTIMI COMME EXIGENCE PARTIELLE DE LA MAÎTRISE EN INFORMATIQUE
UNIVERSITÉ DU QUÉBEC MÉMOIRE PRÉSENTÉ À L'UNIVERSITÉ DU QUÉBEC À CHICOUTIMI COMME EXIGENCE PARTIELLE DE LA MAÎTRISE EN INFORMATIQUE OFFERTE EN VERTU D'UN PROTOCOLE D'ENTENTE AVEC L'UNIVERSITÉ DU QUÉBEC
Plus en détailContrainte de flot pour RCPSP avec temps de transfert
Contrainte de flot et x-rcpsc T 1 Contrainte de flot pour RCPSP avec temps de transfert PS temp, s ij Cmax BENOIST Thierry BOUYGUES/e-Lab DIAMANTINI Maurice ENSTA/LMA Contrainte de flot et x-rcpsc T Présentation
Plus en détailRésolution d équations non linéaires
Analyse Numérique Résolution d équations non linéaires Said EL HAJJI et Touria GHEMIRES Université Mohammed V - Agdal. Faculté des Sciences Département de Mathématiques. Laboratoire de Mathématiques, Informatique
Plus en détailMaster Exploration Informatique des données Data Mining & Business Intelligence. Evelyne CHARIFOU Priscillia CASSANDRA
Master Exploration Informatique des données Data Mining & Business Intelligence Groupe 5 Piotr BENSALEM Ahmed BENSI Evelyne CHARIFOU Priscillia CASSANDRA Enseignant Françoise FOGELMAN Nicolas DULIAN SOMMAIRE
Plus en détailSolution A La Gestion Des Objets Java Pour Des Systèmes Embarqués
International Journal of Engineering Research and Development e-issn: 2278-067X, p-issn: 2278-800X, www.ijerd.com Volume 7, Issue 5 (June 2013), PP.99-103 Solution A La Gestion Des Objets Java Pour Des
Plus en détailOptimisation non linéaire Irène Charon, Olivier Hudry École nationale supérieure des télécommunications
Optimisation non linéaire Irène Charon, Olivier Hudry École nationale supérieure des télécommunications A. Optimisation sans contrainte.... Généralités.... Condition nécessaire et condition suffisante
Plus en détailRenPar'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 détailCalcul de développements de Puiseux et application au calcul du groupe de monodromie d'une courbe algébrique plane
Calcul de développements de Puiseux et application au calcul du groupe de monodromie d'une courbe algébrique plane Poteaux Adrien XLIM-DMI, UMR-CNRS 6172 Université de Limoges Soutenance de thèse 15 octobre
Plus en détailModélisation multi-agent d allocation des ressources : application à la maintenance
Modélisation multi-agent d allocation des ressources : application à la maintenance Mohamed Kharbach (*), Mustapha Ouardouz (*), Zoubir El Felsoufi (*) (*) Equipe de Modélisation Mathématique & Contrôle
Plus en détailChapitre 5 : Flot maximal dans un graphe
Graphes et RO TELECOM Nancy A Chapitre 5 : Flot maximal dans un graphe J.-F. Scheid 1 Plan du chapitre I. Définitions 1 Graphe Graphe valué 3 Représentation d un graphe (matrice d incidence, matrice d
Plus en détailEfficacité énergétique des réseaux de cœur et d accès
Efficacité énergétique des réseaux de cœur et d accès David Coudert Joanna Mouliérac, Frédéric Giroire MASCOTTE I3S (CNRS/Université Nice Sophia-Antipolis) INRIA Sophia-Antipolis Méditerranée 1 Contexte
Plus en détailContinuité et dérivabilité d une fonction
DERNIÈRE IMPRESSIN LE 7 novembre 014 à 10:3 Continuité et dérivabilité d une fonction Table des matières 1 Continuité d une fonction 1.1 Limite finie en un point.......................... 1. Continuité
Plus en détailPi, poker et informatique ; une «épuisante» alliance pour des projets en mathématiques
Pi, poker et informatique ; une «épuisante» alliance pour des projets en mathématiques Jean Fradette et Anik Trahan, Cégep de Sherbrooke Résumé Dans un cours intégrateur en mathématiques, des étudiants
Plus en détailExemples de problèmes et d applications. INF6953 Exemples de problèmes 1
Exemples de problèmes et d applications INF6953 Exemples de problèmes Sommaire Quelques domaines d application Quelques problèmes réels Allocation de fréquences dans les réseaux radio-mobiles Affectation
Plus en détailOptimisation multi-objectif par colonies de fourmis : cas des problèmes de sac à dos
Optimisation multi-objectif par colonies de fourmis : cas des problèmes de sac à dos Inès Alaya To cite this version: Inès Alaya. Optimisation multi-objectif par colonies de fourmis : cas des problèmes
Plus en détailTechniques d interaction dans la visualisation de l information Séminaire DIVA
Techniques d interaction dans la visualisation de l information Séminaire DIVA Zingg Luca, luca.zingg@unifr.ch 13 février 2007 Résumé Le but de cet article est d avoir une vision globale des techniques
Plus en détailUNE REPRESENTATION GRAPHIQUE DE LA LIAISON STATISTIQUE ENTRE DEUX VARIABLES ORDONNEES. Éric TÉROUANNE 1
33 Math. Inf. Sci. hum., (33 e année, n 130, 1995, pp.33-42) UNE REPRESENTATION GRAPHIQUE DE LA LIAISON STATISTIQUE ENTRE DEUX VARIABLES ORDONNEES Éric TÉROUANNE 1 RÉSUMÉ Le stéréogramme de liaison est
Plus en détailINSERTION TECHNIQUES FOR JOB SHOP SCHEDULING
INSERTION TECHNIQUES FOR JOB SHOP SCHEDULING ÉCOLE POLYTECHNIQUE FÉDÉRALE DE LAUSANNE POUR L'OBTENTION DU GRADE DE DOCTEUR ES SCIENCES PAR Tamas KIS Informaticien mathématicien diplômé de l'université
Plus en détailVers l'orchestration de grilles de PC par les mécanismes de publicationsouscription
Vers l'orchestration de grilles de PC par les mécanismes de publicationsouscription Présentée par Leila Abidi Sous la direction de Mohamed Jemni & Christophe Cérin Plan Contexte Problématique Objectifs
Plus en détailModèle de troncature gauche : Comparaison par simulation sur données indépendantes et dépendantes
de troncature gauche : Comparaison par simulation sur données indépendantes et dépendantes Zohra Guessoum 1 & Farida Hamrani 2 1 Lab. MSTD, Faculté de mathématique, USTHB, BP n 32, El Alia, Alger, Algérie,zguessoum@usthb.dz
Plus en détail2.0 MegaWattBlock pour parcs solaires
The better electric. 391 MWc puissance photovoltaïque construite par BELECTRIC 2011. BELECTRIC est le leader mondial de l étude, la fourniture et la réalisation (EPC) de systèmes photovoltaïques selon
Plus en détailNON-LINEARITE ET RESEAUX NEURONAUX
NON-LINEARITE ET RESEAUX NEURONAUX Vêlayoudom MARIMOUTOU Laboratoire d Analyse et de Recherche Economiques Université de Bordeaux IV Avenue. Leon Duguit, 33608 PESSAC, France tel. 05 56 84 85 77 e-mail
Plus en détailUniversité du Québec à Chicoutimi. Département d informatique et de mathématique. Plan de cours. Titre : Élément de programmation.
Université du Québec à Chicoutimi Département d informatique et de mathématique Plan de cours Titre : Élément de programmation Sigle : 8inf 119 Session : Automne 2001 Professeur : Patrice Guérin Local
Plus en détail(51) Int Cl.: B23P 19/00 (2006.01) B23P 19/04 (2006.01) F01L 1/053 (2006.01)
(19) (12) DEMANDE DE BREVET EUROPEEN (11) EP 1 886 760 A1 (43) Date de publication: 13.02.2008 Bulletin 2008/07 (21) Numéro de dépôt: 0711197.6 (1) Int Cl.: B23P 19/00 (2006.01) B23P 19/04 (2006.01) F01L
Plus en détailModélisation du comportement habituel de la personne en smarthome
Modélisation du comportement habituel de la personne en smarthome Arnaud Paris, Selma Arbaoui, Nathalie Cislo, Adnen El-Amraoui, Nacim Ramdani Université d Orléans, INSA-CVL, Laboratoire PRISME 26 mai
Plus en détailConception de réseaux de télécommunications : optimisation et expérimentations
Conception de réseaux de télécommunications : optimisation et expérimentations Jean-François Lalande Directeurs de thèse: Jean-Claude Bermond - Michel Syska Université de Nice-Sophia Antipolis Mascotte,
Plus en détailRapidMiner. Data Mining. 1 Introduction. 2 Prise en main. Master Maths Finances 2010/2011. 1.1 Présentation. 1.2 Ressources
Master Maths Finances 2010/2011 Data Mining janvier 2011 RapidMiner 1 Introduction 1.1 Présentation RapidMiner est un logiciel open source et gratuit dédié au data mining. Il contient de nombreux outils
Plus en détailPlus courts chemins, programmation dynamique
1 Plus courts chemins, programmation dynamique 1. Plus courts chemins à partir d un sommet 2. Plus courts chemins entre tous les sommets 3. Semi-anneau 4. Programmation dynamique 5. Applications à la bio-informatique
Plus en détail$SSOLFDWLRQGXNULJHDJHSRXUOD FDOLEUDWLRQPRWHXU
$SSOLFDWLRQGXNULJHDJHSRXUOD FDOLEUDWLRQPRWHXU Fabien FIGUERES fabien.figueres@mpsa.com 0RWVFOpV : Krigeage, plans d expériences space-filling, points de validations, calibration moteur. 5pVXPp Dans le
Plus en détailTraitement et exploration du fichier Log du Serveur Web, pour l extraction des connaissances: Web Usage Mining
Traitement et exploration du fichier Log du Serveur Web, pour l extraction des connaissances: Web Usage Mining Mostafa HANOUNE*, Fouzia BENABBOU* *Université Hassan II- Mohammedia, Faculté des sciences
Plus en détail