Une application des algorithmes génétiques à l ordonnancement d atelier

Dimension: px
Commencer à balayer dès la page:

Download "Une application des algorithmes génétiques à l ordonnancement d atelier"

Transcription

1 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 Lebon F Le Havre {vacher, galinho, RESUME : L ordonnancement d atelier est un problème complexe de la gestion de production. Cet article présente une application des Algorithmes Génétiques (AG) pour la résolution des problèmes d ordonnancement de type NxM Job-Shop. Ce type d algorithmes est comparé à d autres méthodes aléatoires telles que le gradient (descente) ou le recuit simulé en utilisant un algorithme de placement par lot. C est-à-dire que l on place les lots un par un et la prise en compte du lot suivant n est possible qu après placement de toutes les opérations du lot précédent. Le critère de comparaison retenu est le retard cumulé de tous les lots par rapport à leur date au plus tard. Les retards sont calculés sur une base d exemples réalisée à partir d un générateur aléatoire. ABSTRACT : Scheduling is a complex problem in production control. This paper presents an application of Genetic Algorithms (GA) for solving NxM Job-Shop scheduling problems. This type of algorithms is compared to other random methods such as gradient or simulated annealing, using a job placing algorithm, i.e.,$ the schedule is done job by job and the following job is considered only after placing all the operations of the previous job. The criteria of comparison $ (supprimer retained) is the $accumulated delay of all jobs with regard to their latest date. The delays are computed using a set of examples yielded by a random generator. Mots-clés : Algorithmes Génétiques, Ordonnancement, Placement, Job-Shop. Keywords : Genetic algorithms, Scheduling, Placing, Job-Shop. 1. Introduction Le problème général qui consiste à parcourir un espace pour y trouver un point remarquable, un minimum ou un maximum la plupart du temps, est souvent le problème à résoudre en informatique. Dans notre cas, nous cherchons à minimiser le

2 retard d un ordonnancement de jobs pour des problèmes de type job-shop. Différentes méthodes ont été étudiées. Parmi celles-ci, citons les techniques: stochastiques : aléatoire pure, recuit simulé, algorithmes génétiques (AG) [VAC 96][ZOO 94],$ exhaustives et énumératives.$ Certaines méthodes utilisent directement la fonction objectif pour estimer la direction à suivre dans le parcours de l espace de recherche. Ces techniques fonctionnent bien pour les fonctions possédant un seul optimum mais elles sont, généralement, bloquées sur des optima locaux quand elles résolvent des fonctions comportant plusieurs optima. La méthode exhaustive teste tous les points de l espace de recherche, ce qui la réserve aux problèmes de petites tailles. Pour chaque point, on mesure sa qualité (le retard total) comme solution au problème. Une fonction, dite objectif, évalue les points. Le processus renvoie le ou les points ayant obtenu la meilleure évaluation. L examen de certaines régions peut être évité en utilisant des heuristiques telles que l algorithme branch-and-bound [VAC 96][CHE 95]. Les méthodes stochastiques ont été $implantées plus récemment ;$ elles sont basées sur un «parcours» stochastique de l espace de recherche, en partant d un point fixé et l observation de son voisinage, poursuivant la recherche jusqu'à ce que l algorithme n évolue plus ou qu un critère d arrêt soit atteint. Ces méthodes se basent sur la simulation de systèmes physiques ou biologiques tels que le recuit simulé ou l évolution des espèces. Les AG sont basés sur l étude de l adaptation dans les milieux naturels et sur la simulation de ce processus. Nous avons appliqué certaines de ces méthodes au problème d ordonnancement d atelier de type NxM Job-Shop. L objectif est de minimiser la somme des retards, critère que nous avons retenu. $L algorithme de construction d un ordonnancement que nous utilisons est la méthode du placement par lots consiste qui à prendre les lots ou jobs les uns après les autres et à placer toutes leurs opérations avant de considérer les opérations du lot suivant. Lors du placement des opérations du lot, nous regardons les machines sur lesquelles elles peuvent être réalisées, en choisissant $celles donnant le meilleur résultat en plaçant l opération au mieux, c est-à-dire dans un emplacement où la machine est libre et où l on respecte les contraintes de précédence. En fonction de l ordre des lots, lors du placement, nous obtenons des solutions radicalement différentes. La méthode du placement par lots est à opposer à la simulation classique pour $laquelle l élément de base est $(l doit rester collé) l opération. Cette technique a été choisie d une part pour des raisons de temps de calcul et d'autre part en définissant un vecteur correspondant à un ordre de lots pouvant être utilisé par les algorithmes génétiques comme chromosomes. La taille de ces vecteurs détermine le nombre de possibilités et par conséquent le temps de calcul. Dans la suite de cet article, nous présenterons tout d abord le modèle générique des algorithmes génétiques. Nous adaptons ensuite ce modèle pour l utiliser dans notre algorithme de placement pour l ordonnancement. Enfin, nous comparons les résultats obtenus avec nos AG par rapport à d autres méthodes d optimisation. 2. Les Algorithmes Génétiques (AG).

3 2.1. Principes des AG. Dans cette section, nous donnons une définition générique des algorithmes génétiques basée sur une (et une seule) population [GOL 91]. Cette définition entend recouvrir les différentes variantes. Le but n est pas de proposer un principe formel des algorithmes génétiques, mais de préciser les caractéristiques que l on peut considérer comme essentielles pour qualifier de génétique un algorithme. D une manière générale, un AG simule l évolution d une population d individus. Cette évolution est stochastique et se déroule en temps discret. Chaque individu évolue dans un «environnement» auquel il est plus ou moins adapté. La mesure du degré d adaptation d un individu est explicite et indique sa capacité à être le père d individus. A chaque génération, une méthode de sélection forme la population de la génération suivante. Un individu est défini par son «génotype». Ce génotype est évalué par la fonction objectif pour obtenir son «phénotype». Celui-ci indique l aptitude de l individu à survivre dans son environnement et à se reproduire. Le génotype d un individu est constitué d un ensemble de gènes qui peuvent prendre un certain nombre de valeurs dénommées «allèles». Généralement, l ensemble des allèles est fixé et n évolue pas. Les individus les mieux adaptés tendent à fournir la descendance la plus nombreuse. Néanmoins, le nombre total d enfants $engendrés est égal au nombre total de parents Utilisation des AG dans l ordonnancement. La gestion de production regroupe un ensemble de problèmes liés à la production tels que la gestion des données, la planification et le suivi de production [GAL 94]. L ordonnancement, thème central de cette étude, est lié aux autres fonctions de la gestion de production et aux aspects inhérents au bon fonctionnement de l atelier. La gamme de fabrication indique les ressources à utiliser, les temps opératoires, etc. Dans notre cas, elle induit des relations de précédence entre les opérations. Les opérations élémentaires sont liées par un ordre total, non nécessairement identique pour tous les travaux, ce qui nous situe dans le cadre des problèmes de type jobshop, et plus précisément de type N M Job-Shop où N est le nombre de jobs/lots et M le nombre de machines. Ce problème est NP-Complet. La méthode retenue pour la construction des ordonnancements est la placement par lot. On obtient des solutions différentes en modifiant l ordre de placement des lots. Par conséquent un vecteur de N entiers représentant le rang de placement des lots caractérise un ordonnancement particulier. Ce vecteur peut être considéré comme un individu. Les AG faisant appel à une population d individus à optimiser, cette représentation est particulièrement adaptée à l ordonnancement. La fonction objectif, pour notre étude [VAC 96], est la minimisation du retard cumulé. 3. Notre démarche d application des AG

4 Le génotype d un individu est constitué d un ensemble de gènes que nous noterons γ i avec 1 i N, ou N dénote le nombre de gènes des individus. On 1 1, γ i E. notera E = [ N, ] [, N ] La fonction objectif, φ, correspondant au retard cumulé des lots : φ : I R + χ a φ( χ) La valeur rendue par φ sera dénommée la «performance» de l individu. La probabilité ϕ, pour un individu d être cloné, sera dénommée «fitness». ϕ + : I R χ a ( ) ϕ χ ϕ indique, pour un individu donné de la population à l instant t, la probabilité qu il fournisse des individus dans la population suivante à la génération t+1. Définition 1 : La performance moyenne de la population est la moyenne sur l ensemble de la population I, à une génération t de la population I t : χ I t Ψ t Φ( χ) Ψ ($l indice t a disparu, pourquoi?) est le nombre d individus de la population I t. Un AG part d une population initiale d individus générée aléatoirement. Ceux-ci représentent des solutions au problème que l on désire résoudre. La population évolue alors, effectuant à chaque génération le cycle reproduction/sélection. Dans la version originellement décrite par J. Holland [HOL 75], les gènes sont des bits, et donc les allèles 0 et 1. Dans notre cas, les individus χ sont des chaînes d entiers de longueur λ = N fixée et identique pour tous les individus. La cardinalité de la population Ψ est constante au cours du temps. Un allèle γ i correspond au rang du lot i. γ i est positif si les opérations sont placées en marche avant et négatif lors d un placement en marche arrière. Ψ est constant, en effet on engendre autant d enfants qu il y a de parents à chaque génération. La méthode de la roulette (méthode de clonage), a été $implantée. Elle correspond à la fonction de «fitness» ϕ. La méthode de la roulette assure que le nombre d enfants d un individu est proportionnel à sa performance. Le principe est d attribuer à chaque individu une section de surface proportionnelle à sa performance sur une roulette de casino. Un des problèmes majeures avec cette technique de clonage est la convergence prématurée vers un optimum local. Lorsqu un individu obtient une performance très supérieure à celle des autres représentants, les générations suivantes risquent de se

5 réduire à ses descendants, à quelques individus près. Si cet individu représente un optimum local, la chance de trouver un meilleur optimum est faible. Suite à l opération de clonage, les opérateurs génétiques : crossover et mutation manipulent les individus enfants. L idée est de mimer la reproduction naturelle sexuée.le génotype d un enfant est obtenu par recombinaison des génotypes des deux parents, où des modifications stochastiques (mutations) peuvent apparaître. Dans notre étude, l opérateur de mutation agit sur un individu et consiste à choisir un ou plusieurs gènes au hasard, puis à modifier leurs allèles (en prenant l opposé). Cette opération nous permet d introduire le changement de sens de placement. Le crossover, opérateur le plus important, consiste à prendre deux individus et à combiner leurs gènes. Il agit sur des paires d individus. Plusieurs types de crossover ont été mis en place tels que le crossover n-point ( n Ν ), uniforme et ceux issus de la représentation chemin comme le PMX, CX et OX [GOL 91][DAV 85]. Ce sont ces derniers que nous avons principalement utilisés, en effet ils fournissent des individus toujours viables après croisement ce qui accélère les temps de calcul. La dernière opération, dite de sélection, permet de construire la population de la génération suivante à partir des enfants et des parents de la génération courante. Pour générer la nouvelle population, notre fonction objectif est la suivante : φ : I R ( ) χ a retard i La sélection des survivants étant stochastique, le meilleur individu d une génération peut ne pas survivre. Aussi, nous avons introduit une notion de stratégie élitiste pour être sûr que le meilleur individu d une population soit gardé d une génération à la suivante. Dans notre cas, ses clones remplacent les plus mauvais individus de la population. N i=1 4. Les résultats 4.1. Les résultats obtenus par les AG. Après avoir présenté notre démarche d application des AG (en particulier représentation chemin)$, nous avons mené une étude comparative pour obtenir un ensemble de paramètres les plus adéquats aux AG afin de pouvoir comparer, par la suite, ceux-ci avec d autres méthodes telles que le recuit simulé. Afin d établir une base de comparaisons entre les différentes méthodes, nous avons implanté un générateur aléatoire [VAC 96] de problèmes ayant en entrée des paramètres tels que le nombre de machines, le nombre de lots, le nombre moyen d opérations par lot, des charges moyennes par machine, etc. Une autre des $caractéristiques de notre générateur aléatoire est de fournir par construction une solution à retard cumulé nul. Parmi les stratégies de crossover, il nous a fallu déterminer le meilleur opérateur. Pour cela, nous avons utilisé des exemples comportant entre 10 et 20 lots. Sur les tests effectués, il s est avéré que certains opérateurs n étaient pas adéquats pour les

6 problèmes d ordonnancement. Les opérateurs issus de la représentation chemin tels que le PMX, le CX et l OX (respectivement Partially Mapped, Cycle et Order Crossover) [MIC 94] présentent l avantage de fournir des individus toujours viables. C est-à-dire que l on ne trouve pas dans le génotype d un individu des gènes ayant une même valeur d allèle en valeur absolue. Les opérateurs n-points et l opérateur uniforme, quant à eux, nécessitent des algorithmes de réparations pour fournir des individus viables. Les AG nécessitant un temps de calcul important, pour les problèmes de grande dimension, les opérateurs n-points et l opérateur uniforme supposent un coût plus important par rapport aux autres crossing-over. Ensuite, il nous a fallu déterminer les autres paramètres utilisables par les AG à savoir le taux de mutation et $ (le ou de?) de crossover à utiliser. Etant donné la nature stochastique des AG, le résultat de l exécution d une seule simulation n est pas suffisant. Pour un même jeu de paramètres et une fonction objectif donnée, deux exécutions peuvent donner des résultats différents. Aussi, pour chacune des simulations discutées ici, nous avons exécuté plusieurs (20) expériences avec le même jeu de paramètres. Suite à ces essais, nous avons pris la moyenne des optima pour déterminer la meilleure configuration. Nous avons constaté que les meilleures solutions, sur notre base d exemples, étaient obtenues en prenant un taux de mutation de 0.1 et un taux de crossing-over compris entre 0.7 et 1. Ces paramètres sont assez proches des paramètres standard de «génésis» (respectivement et 0.8). Dans ces conditions les individus convergent vers une bonne approximation de la solution ou vers un des optima locaux très proches. Le taux de mutation est plus important car c est à ce niveau que nos AG introduisent la diversité de sens de placement. Après avoir fixé les différents paramètres, nous avons utilisé les AG pour la recherche des optima correspond au retard minimal total pour une base plus grande. Afin de pouvoir établir une comparaison, nous avons réalisé une série de placements (2000 générations pour une taille de population de 10 individus). Globalement, les AG fournissent de bons résultats en moyenne pour les petites configurations de notre base d exemples. De plus, pour les configurations à 10 lots comportant 3 et 5 opérations, cette technique atteint les différents optima dans tous les cas. Pour les configurations comportant 20 et 50 lots, les AG n atteignent pas l optimum global mais des optima locaux. Vu le nombre important de solutions pour les problèmes de grande dimension, les AG n ont pas le temps d explorer complètement l espace de recherche. Nous avons limité de façon trop significative le nombre de placements. 4.2 Les résultats obtenus par les autres méthodes. Les autres méthodes d optimisation testées fournissent des résultats proches des optima globaux mais souvent au détriment d un temps de calcul important. Avec la méthode exhaustive, en raison du nombre de solutions, dans le cas où le retard cumulé partiel est supérieur à l optimum courant, nous stoppons l algorithme pour diminuer le temps de calcul. Etant donné les temps de calcul, nous n avons pu obtenir que les optima (accessibles par la méthode de placement) pour les configurations à 10 lots. La solution n est jamais unique et dans certains cas, l optimum peut être obtenu pour un grand nombre d ordonnancement de jobs. La méthode aléatoire pure consiste à choisir une position de manière aléatoire dans

7 notre vecteur donnant l ordre des lots et à prendre éventuellement l opposé du rang. Cette technique nécessite de nombreux essais ce qui explique ses piètres résultats quand on se limite à des temps de calcul raisonnables. La méthode du recuit simulé fournit de bons résultats en s approchant d un l optimum global dans certains cas en s y trouvant proche. Nous remarquons que, pour de grandes configurations, les résultats ne sont plus $probants. Cela peut s expliquer par le fait que la décroissance en température que nous utilisons (T=0.95T) doit être une fonction du nombre de lots. Une décroissance logarithmique, à la place d une décroissance exponentielle, assurerait une convergence mais au prix d un coût $de calcul important. 5. Etude comparative Comme nous pouvons le constater sur le tableau 1 ($mettre tableau 1 et 2, au lieu de tableau de la figure 1 et 2), les algorithmes génétiques fournissent de bons résultats par rapport aux autres méthodes car les AG permettent d explorer une surface plus importante de l espace des solutions à moindre coût. Ceci permet de déterminer ainsi la ou les solutions optimales pour les petites configurations de façon plus fréquente que les autres méthodes. Du fait de la fonction objectif, les algorithmes génétiques atteignent plus rapidement la solution en comparant la complexité de l algorithme (cf. $tableau 2) par rapport aux autres méthodes telles que l aléatoire total ou le gradient surtout si ces méthodes restent bloquées sur un optimum local. Nb. De lots Nb. opérations AG Recuit simulé Gradient Aléatoire Itérative $Tableau 1. Retards moyens obtenus par les différentes techniques. Nb. De lots Nb. opérations AG Recuit simulé Gradient Aléatoire $Tableau 2. Temps moyens obtenus par les différentes techniques pour $élaborer un $résultat. Pour $le temps de calcul, en moyenne, la méthode du gradient est la plus rapide mais au détriment de résultats médiocres. La méthode du recuit simulé fournit des résultats légèrement moins bons que les algorithmes génétiques mais cette différence sur le retard total cumulé n est pas significative. Il faut savoir que dans certains cas,

8 la méthode du recuit simulé peut être considérée comme un cas particulier des AG. Sur les petites configurations de notre base d exemples, les résultats (cf. $tableau 1) sont meilleures que ceux obtenus par la méthode du gradient (descente) car le recuit simulé calcule des $probabilités [VAC 96][ZOO 94] à chaque placement et accepte des dégradations du $résultat pour sortir d un optimum local contrairement à la méthode du gradient qui va se laisser enfermer dans un optimum local.comme nous pouvons le voir sur $le tableau 1 donnant la valeur moyenne du retard cumulé, les méthodes traditionnelles donnent globalement de bons résultats mais les algorithmes génétiques fournissent les meilleures résultats mais avec un coût de calcul plus important. Il apparaît que pour les configurations à 50 lots, le gradient produit de meilleurs résultats que le recuit simulé. Ceci peut s expliquer par le fait que la décroissance en température doit être une fonction du nombre de lots. Une décroissance logarithmique aurait assuré une convergence par rapport à une décroissance exponentielle mais au prix d un temps de calcul plus long. Toutefois, le but principal de l ordonnancement est de fournir un résultat satisfaisant en un temps raisonnable pour une utilisation industrielle. Il nous faut donc faire un compromis entre le coût CPU et la qualité de la solution au problème.

9 6. Conclusion La représentation de problèmes de type Job-Shop se fait ($se fait par qui et pour quel but?) à l aide de configurations, générées aléatoirement, décrivant la structure d un atelier et celle des lots d une façon proche de la réalité. Différentes méthodes de recherche d optima ont été implantées afin de pouvoir comparer et valider les résultats obtenus avec les AG. Parmi ces méthodes, celles du gradient et du recuit simulé donnent de meilleurs résultats que des méthodes totalement aléatoires. Basés sur un processus d évolution naturelle, les Algorithmes Génétiques appartiennent aux techniques d optimisation se basant sur l exploration aléatoire de l espace des solutions. $Ils cherchent l optimum à partir d une population de points et non à partir d un seul point. L opérateur de crossover a une place importante et la mutation ne joue qu un rôle secondaire par rapport à ce dernier mais son influence sur l exploration de l espace des solutions n est pas à négliger. Parmi les représentations possibles du problème, nous avons choisi la représentation chemin car elle correspond à une représentation naturelle et les opérateurs qui y sont définis donnent les meilleurs résultats. De plus, le codage employé est en décimal et diffère des codages classiques car chaque gène possède un signe caractérisant le sens de placement du lot correspondant. L opérateur le plus performant qui a été trouvé après plusieurs tests est le crossover CX. $Les tests ont aussi permis de déterminer les autres paramètres pour obtenir des résultats intéressants. Les algorithmes génétiques sont particulièrement adaptés à l ordonnancement mais en collaboration avec le recuit simulé, ils auraient la faculté d aboutir plus rapidement à une solution optimale par création d une population de base déjà optimisée. Mais pour définir cette population, une étude sur la décroissance en température devrait être $envisagée afin de produire des individus de départ ayant un faible retard. Toutefois, le risque $majeur est de rester bloqué sur un optimum local et pour en sortir, un accroissement du taux de mutation assurerait une diversité de sens de placement. Références [CHE 95] CHENGZHONG X., TSCHOKE S. et BURKHARD M., Performance Evaluation of Load Distribution $Strategies in Parallel Branch and Bound Computations, $Proceedings of the 7th IEEE Symposium on Parallel and Distributed Processing, SPDP 95, pp , 1995 [DAV 85] DAVIS L., Applying Adaptive Algorithms to Epistatic Domains, $Proceedings of the 9th International Joint Conference on Artificial Intelligence, pp , [GAL 94] GALINHO T., Algorithme heuristique de placement d ordonnancement, Thèse d université, Rouen, [GOL 91] GOLDBERG D.E., Algorithmes génétiques, Editions Addison-Wesley France, [HOL 75] HOLLAND J.H., Adaptation in natural and $artificial systems, University of Michigan Press, $c est un rapport ou quoi? [MIC 94] MICHALEWICZ Z., GAs : What Are They?, The Traveling Salesman Problem, Genetic Algorithms + Data Structures = Evolution Programs, pp , pp , Springer-Verlag, ($pourquoi y a t il deux fois pp.?) [VAC 96] VACHER J.P., GUY E., Application des algorithmes génétiques à l ordonnancement d atelier, Mémoire de DEA Informatique, INSA Rouen, 1996.

10 [ZOO 94] ZOONEKYND V., Recuit simulé et autres méthodes d optimisation, Ecole Nationale Supérieure de Cachan, $c est un rapport ou quoi?

Ordonnancement en temps réel d un jobshop par métaheuristique hybride : étude comparative

Ordonnancement 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 détail

ALGORITHME 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 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 détail

Cours des Méthodes de Résolution Exactes Heuristiques et Métaheuristiques

Cours 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 détail

Différentes opérateurs évolutionnaires de permutation: sélections, croisements et mutations

Différentes opérateurs évolutionnaires de permutation: sélections, croisements et mutations LABORATOIRE D INFORMATIQUE DE L UNIVERSITE DE FRANCHE-COMTE EA 4269 Différentes opérateurs évolutionnaires de permutation: sélections, croisements et mutations Mais HAJ-RACHID, Christelle BLOCH, Wahiba

Plus en détail

Approche 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 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 détail

LES MÉTA-HEURISTIQUES : quelques conseils pour en faire bon usage

LES 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 détail

Annexe 6. Notions d ordonnancement.

Annexe 6. Notions d ordonnancement. Annexe 6. Notions d ordonnancement. APP3 Optimisation Combinatoire: problèmes sur-contraints et ordonnancement. Mines-Nantes, option GIPAD, 2011-2012. Sophie.Demassey@mines-nantes.fr Résumé Ce document

Plus en détail

Hela Boukef. To cite this version: HAL Id: tel-00577101 https://tel.archives-ouvertes.fr/tel-00577101

Hela 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 détail

A 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 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 détail

Etude d un cas industriel : Optimisation de la modélisation de paramètre de production

Etude 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 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

Modèles et simulations informatiques des problèmes de coopération entre agents

Modèles et simulations informatiques des problèmes de coopération entre agents Modèles et simulations informatiques des problèmes de coopération entre agents Bruno Beaufils LIFL Axe CIM Équipe SMAC Laboratoire d'informatique Plan 1. Motivations 2. Dilemme itéré du prisonnier 3. Simulations

Plus en détail

Les simulations dans l enseignement des sondages Avec le logiciel GENESIS sous SAS et la bibliothèque Sondages sous R

Les simulations dans l enseignement des sondages Avec le logiciel GENESIS sous SAS et la bibliothèque Sondages sous R Les simulations dans l enseignement des sondages Avec le logiciel GENESIS sous SAS et la bibliothèque Sondages sous R Yves Aragon, David Haziza & Anne Ruiz-Gazen GREMAQ, UMR CNRS 5604, Université des Sciences

Plus en détail

Fig.1. Structure d un AGQ

Fig.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 détail

Système Immunitaire Artificiel Parallèle appliqué aux Flow Shop Hybride (FSH)

Système 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 détail

Sujet proposé par Yves M. LEROY. Cet examen se compose d un exercice et de deux problèmes. Ces trois parties sont indépendantes.

Sujet proposé par Yves M. LEROY. Cet examen se compose d un exercice et de deux problèmes. Ces trois parties sont indépendantes. Promotion X 004 COURS D ANALYSE DES STRUCTURES MÉCANIQUES PAR LA MÉTHODE DES ELEMENTS FINIS (MEC 568) contrôle non classant (7 mars 007, heures) Documents autorisés : polycopié ; documents et notes de

Plus en détail

Représentation des Nombres

Représentation des Nombres Chapitre 5 Représentation des Nombres 5. Representation des entiers 5.. Principe des représentations en base b Base L entier écrit 344 correspond a 3 mille + 4 cent + dix + 4. Plus généralement a n a n...

Plus en détail

Problèmes d ordonnancement dans les systèmes de production. Journée Automatique et Optimisation Université de Paris 12 20 Mars 2003

Problèmes d ordonnancement dans les systèmes de production. Journée Automatique et Optimisation Université de Paris 12 20 Mars 2003 Problèmes d ordonnancement dans les systèmes de production Michel Gourgand Université Blaise Pascal Clermont Ferrand LIMOS CNRS UMR 6158 1 Le LIMOS Laboratoire d Informatique, de Modélisation et d Optimisation

Plus en détail

Optimisation Combinatoire (Méthodes approchées) II. Recherche Locale simple (Les bases)

Optimisation Combinatoire (Méthodes approchées) II. Recherche Locale simple (Les bases) Optimisation Combinatoire (Méthodes approchées) II. Recherche Locale simple (Les bases) Heuristique Constructive Itérativement, ajoute de nouvelles composantes à une solution partielle candidate Espace

Plus en détail

Modélisation aléatoire en fiabilité des logiciels

Modélisation aléatoire en fiabilité des logiciels collection Méthodes stochastiques appliquées dirigée par Nikolaos Limnios et Jacques Janssen La sûreté de fonctionnement des systèmes informatiques est aujourd hui un enjeu économique et sociétal majeur.

Plus en détail

INSERTION TECHNIQUES FOR JOB SHOP SCHEDULING

INSERTION 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 détail

Gènes Diffusion - EPIC 2010

Gènes Diffusion - EPIC 2010 Gènes Diffusion - EPIC 2010 1. Contexte. 2. Notion de génétique animale. 3. Profil de l équipe plateforme. 4. Type et gestion des données biologiques. 5. Environnement Matériel et Logiciel. 6. Analyses

Plus en détail

Info0804. Cours 6. Optimisation combinatoire : Applications et compléments

Info0804. Cours 6. Optimisation combinatoire : Applications et compléments Recherche Opérationnelle Optimisation combinatoire : Applications et compléments Pierre Delisle Université de Reims Champagne-Ardenne Département de Mathématiques et Informatique 17 février 2014 Plan de

Plus en détail

MCMC et approximations en champ moyen pour les modèles de Markov

MCMC et approximations en champ moyen pour les modèles de Markov MCMC et approximations en champ moyen pour les modèles de Markov Gersende FORT LTCI CNRS - TELECOM ParisTech En collaboration avec Florence FORBES (Projet MISTIS, INRIA Rhône-Alpes). Basé sur l article:

Plus en détail

Partie 7 : Gestion de la mémoire

Partie 7 : Gestion de la mémoire INF3600+INF2610 Automne 2006 Partie 7 : Gestion de la mémoire Exercice 1 : Considérez un système disposant de 16 MO de mémoire physique réservée aux processus utilisateur. La mémoire est composée de cases

Plus en détail

Minimisation de la somme des retards dans un jobshop flexible

Minimisation 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 détail

Apprentissage par renforcement (1a/3)

Apprentissage par renforcement (1a/3) Apprentissage par renforcement (1a/3) Bruno Bouzy 23 septembre 2014 Ce document est le chapitre «Apprentissage par renforcement» du cours d apprentissage automatique donné aux étudiants de Master MI, parcours

Plus en détail

PLAN DE COURS. GPA750 Ordonnancement des systèmes de production aéronautique

PLAN DE COURS. GPA750 Ordonnancement des systèmes de production aéronautique Département de génie de la production automatisée Programme de baccalauréat Professeur Pontien Mbaraga, Ph.D. Session/année Automne 2004 Groupe(s) 01 PLAN DE COURS GPA750 Ordonnancement des systèmes de

Plus en détail

Présentation des algorithmes génétiques et de leurs applications en économie

Présentation des algorithmes génétiques et de leurs applications en économie Présentation des algorithmes génétiques et de leurs applications en économie Thomas Vallée et Murat Yıldızoğlu LEN-C3E Université de Nantes, LEA-CIL Chemin de la Censive du Tertre F-44312 NANTES Thomas.Vallee@sc-eco.univ-nantes.fr

Plus en détail

Objectifs du cours d aujourd hui. Informatique II : Cours d introduction à l informatique et à la programmation objet. Complexité d un problème (2)

Objectifs du cours d aujourd hui. Informatique II : Cours d introduction à l informatique et à la programmation objet. Complexité d un problème (2) Objectifs du cours d aujourd hui Informatique II : Cours d introduction à l informatique et à la programmation objet Complexité des problèmes Introduire la notion de complexité d un problème Présenter

Plus en détail

La programmation à mémoire adaptative ou l évolution des algorithmes évolutifs

La 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 détail

ÉVALUATION DE L UTILISABILITÉ D UN SITE WEB : TESTS D UTILISABILITÉ VERSUS ÉVALUATION HEURISTIQUE

ÉVALUATION DE L UTILISABILITÉ D UN SITE WEB : TESTS D UTILISABILITÉ VERSUS ÉVALUATION HEURISTIQUE ÉVALUATION DE L UTILISABILITÉ D UN SITE WEB : TESTS D UTILISABILITÉ VERSUS ÉVALUATION HEURISTIQUE BOUTIN MARIO Centre de recherche informatique de Montréal (CRIM), 550, rue Sherbrooke Ouest, Bureau 100,

Plus en détail

Nouvelles 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 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 détail

Principe de symétrisation pour la construction d un test adaptatif

Principe 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 détail

Vers une approche Adaptative pour la Découverte et la Composition Dynamique des Services

Vers 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 détail

Algorithme des fourmis appliqué à la détection et au suivi de contours dans une image

Algorithme 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 détail

OPTIMISATION DE LA MAINTENANCE DES EQUIPEMENTS DE MANUTENTION DU TERMINAL A CONTENEURS DE BEJAIA (BMT)

OPTIMISATION DE LA MAINTENANCE DES EQUIPEMENTS DE MANUTENTION DU TERMINAL A CONTENEURS DE BEJAIA (BMT) OPTIMISATION DE LA MAINTENANCE DES EQUIPEMENTS DE MANUTENTION DU TERMINAL A CONTENEURS DE BEJAIA (BMT) LAGGOUNE Radouane 1 et HADDAD Cherifa 2 1,2: Dépt. de G. Mécanique, université de Bejaia, Targa-Ouzemour

Plus en détail

Sommaire. Introduction.2. 1. Définition..2. 2. Historique.2. 3. Domaine d application.2. 4.Les Travaux réalisés sur les domaines d application.

Sommaire. Introduction.2. 1. Définition..2. 2. Historique.2. 3. Domaine d application.2. 4.Les Travaux réalisés sur les domaines d application. Sommaire Introduction.2 1. Définition..2 2. Historique.2 3. Domaine d application.2 4.Les Travaux réalisés sur les domaines d application.3 5.Algorithme 4 6.Exemple d application 5 7. Avantage et inconvénient..6

Plus en détail

Programmation linéaire

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

Plus en détail

THÈSE 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 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 détail

Cours de Master Recherche

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

Plus en détail

Ordonnancement robuste et décision dans l'incertain

Ordonnancement robuste et décision dans l'incertain Ordonnancement robuste et décision dans l'incertain 4 ème Conférence Annuelle d Ingénierie Système «Efficacité des entreprises et satisfaction des clients» Centre de Congrès Pierre Baudis,TOULOUSE, 2-4

Plus en détail

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

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

Plus en détail

Modèle de troncature gauche : Comparaison par simulation sur données indépendantes et dépendantes

Modèle 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 détail

physicien diplômé EPFZ originaire de France présentée acceptée sur proposition Thèse no. 7178

physicien 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 détail

CHAPITRE 5. Stratégies Mixtes

CHAPITRE 5. Stratégies Mixtes CHAPITRE 5 Stratégies Mixtes Un des problèmes inhérents au concept d équilibre de Nash en stratégies pures est que pour certains jeux, de tels équilibres n existent pas. P.ex.le jeu de Pierre, Papier,

Plus en détail

Exercices de génétique classique partie II

Exercices de génétique classique partie II Exercices de génétique classique partie II 1. L idiotie phénylpyruvique est une maladie héréditaire dont sont atteints plusieurs membres d une famille, dont voici l arbre généalogique : 3 4 5 6 7 8 9 10

Plus en détail

ÉTUDE DE L EFFICACITÉ DE GÉOGRILLES POUR PRÉVENIR L EFFONDREMENT LOCAL D UNE CHAUSSÉE

ÉTUDE DE L EFFICACITÉ DE GÉOGRILLES POUR PRÉVENIR L EFFONDREMENT LOCAL D UNE CHAUSSÉE ÉTUDE DE L EFFICACITÉ DE GÉOGRILLES POUR PRÉVENIR L EFFONDREMENT LOCAL D UNE CHAUSSÉE ANALYSIS OF THE EFFICIENCY OF GEOGRIDS TO PREVENT A LOCAL COLLAPSE OF A ROAD Céline BOURDEAU et Daniel BILLAUX Itasca

Plus en détail

I Stabilité, Commandabilité et Observabilité 11. 1 Introduction 13 1.1 Un exemple emprunté à la robotique... 13 1.2 Le plan... 18 1.3 Problème...

I Stabilité, Commandabilité et Observabilité 11. 1 Introduction 13 1.1 Un exemple emprunté à la robotique... 13 1.2 Le plan... 18 1.3 Problème... TABLE DES MATIÈRES 5 Table des matières I Stabilité, Commandabilité et Observabilité 11 1 Introduction 13 1.1 Un exemple emprunté à la robotique................... 13 1.2 Le plan...................................

Plus en détail

Définition et diffusion de signatures sémantiques dans les systèmes pair-à-pair

Définition et diffusion de signatures sémantiques dans les systèmes pair-à-pair Définition et diffusion de signatures sémantiques dans les systèmes pair-à-pair Raja Chiky, Bruno Defude, Georges Hébrail GET-ENST Paris Laboratoire LTCI - UMR 5141 CNRS Département Informatique et Réseaux

Plus en détail

Couplage efficace entre Optimisation et Simulation stochastique Application à la maintenance optimale d une constellation de satellites

Couplage efficace entre Optimisation et Simulation stochastique Application à la maintenance optimale d une constellation de satellites Couplage efficace entre Optimisation et Simulation stochastique Application à la maintenance optimale d une constellation de satellites Benoît Beghin Pierre Baqué André Cabarbaye Centre National d Etudes

Plus en détail

TRAITEMENT DES DONNEES MANQUANTES AU MOYEN DE L ALGORITHME DE KOHONEN

TRAITEMENT DES DONNEES MANQUANTES AU MOYEN DE L ALGORITHME DE KOHONEN TRAITEMENT DES DONNEES MANQUANTES AU MOYEN DE L ALGORITHME DE KOHONEN Marie Cottrell, Smaïl Ibbou, Patrick Letrémy SAMOS-MATISSE UMR 8595 90, rue de Tolbiac 75634 Paris Cedex 13 Résumé : Nous montrons

Plus en détail

Introduction. I Étude rapide du réseau - Apprentissage. II Application à la reconnaissance des notes.

Introduction. I Étude rapide du réseau - Apprentissage. II Application à la reconnaissance des notes. Introduction L'objectif de mon TIPE est la reconnaissance de sons ou de notes de musique à l'aide d'un réseau de neurones. Ce réseau doit être capable d'apprendre à distinguer les exemples présentés puis

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

Modernisation et gestion de portefeuilles d applications bancaires

Modernisation et gestion de portefeuilles d applications bancaires Modernisation et gestion de portefeuilles d applications bancaires Principaux défis et facteurs de réussite Dans le cadre de leurs plans stratégiques à long terme, les banques cherchent à tirer profit

Plus en détail

EXPLOITATIONS PEDAGOGIQUES DU TABLEUR EN STG

EXPLOITATIONS PEDAGOGIQUES DU TABLEUR EN STG Exploitations pédagogiques du tableur en STG Académie de Créteil 2006 1 EXPLOITATIONS PEDAGOGIQUES DU TABLEUR EN STG Commission inter-irem lycées techniques contact : dutarte@club-internet.fr La maquette

Plus en détail

Système immunitaire artificiel

Système immunitaire artificiel République Algérienne Démocratique et Populaire Ministère de l Enseignement Supérieure Université des Sciences et de la Technologie D Oran Mohammed Boudiaf (USTO) Faculté des Sciences Département d Informatique

Plus en détail

Chapitre VI- La validation de la composition.

Chapitre VI- La validation de la composition. Chapitre VI- La validation de la composition. Objectifs du chapitre : Expliquer les conséquences de l utilisation de règles de typage souples dans SEP. Présenter le mécanisme de validation des connexions

Plus en détail

Optimisation non linéaire Irène Charon, Olivier Hudry École nationale supérieure des télécommunications

Optimisation 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 détail

Equilibrage de charge (Load

Equilibrage de charge (Load Equilibrage de charge (Load balancing) dans les MPSoCs Présenté Le : 02 Décembre 2013 Par : A. AROUI Encadreur : A.E. BENYAMINA 01/12/2013 1 Problématique Comportement dynamique des applications et la

Plus en détail

$SSOLFDWLRQGXNULJHDJHSRXUOD FDOLEUDWLRQPRWHXU

$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 détail

Ordonnancement sous contraintes de Qualité de Service dans les Clouds

Ordonnancement sous contraintes de Qualité de Service dans les Clouds Ordonnancement sous contraintes de Qualité de Service dans les Clouds GUÉROUT Tom DA COSTA Georges (SEPIA) MONTEIL Thierry (SARA) 05/12/2014 1 Contexte CLOUD COMPUTING Contexte : Environnement de Cloud

Plus en détail

MABioVis. Bio-informatique et la

MABioVis. Bio-informatique et la MABioVis Modèles et Algorithmes pour la Bio-informatique et la Visualisation Visite ENS Cachan 5 janvier 2011 MABioVis G GUY MELANÇON (PR UFR Maths Info / EPI GRAVITE) (là, maintenant) - MABioVis DAVID

Plus en détail

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

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

Plus en détail

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

Méthaheuristiques pour l optimisation combinatoire et l affectation sous contraintes

Méthaheuristiques pour l optimisation combinatoire et l affectation sous contraintes Méthaheuristiques pour l optimisation combinatoire et l affectation sous contraintes Jin-Kao Hao *, Philippe Galinier **, Michel Habib *** * LERIA, U.F.R. Sciences, Université d Angers, 2 bd Lavoisier,

Plus en détail

DOCUMENT DE TRAVAIL 1998-021. Centre de recherche sur l aide à l évaluation et à la décision dans les organisations (CRAEDO)

DOCUMENT DE TRAVAIL 1998-021. Centre de recherche sur l aide à l évaluation et à la décision dans les organisations (CRAEDO) Publié par : Published by : Publicación de la : Édition électronique : Electronic publishing : Edición electrónica : Disponible sur Internet : Available on Internet Disponible por Internet : Faculté des

Plus en détail

PROBLEMES D'ORDONNANCEMENT AVEC RESSOURCES

PROBLEMES D'ORDONNANCEMENT AVEC RESSOURCES Leçon 11 PROBLEMES D'ORDONNANCEMENT AVEC RESSOURCES Dans cette leçon, nous retrouvons le problème d ordonnancement déjà vu mais en ajoutant la prise en compte de contraintes portant sur les ressources.

Plus en détail

M. F. PITA Departamento de Geografía Física. Universidad de Sevilla. C/ María de Padilla s.n. 41.002-SEVILLA (Espagne). mfpita@cica.

M. F. PITA Departamento de Geografía Física. Universidad de Sevilla. C/ María de Padilla s.n. 41.002-SEVILLA (Espagne). mfpita@cica. Un nouvel indice de sécheresse pour les domaines méditerranéens. Application au bassin du Guadalquivir (sudo-uest de l Espagne). En: Un nouvel indice de sécheresse pour les domaines méditerranéens. Application

Plus en détail

Transmission d informations sur le réseau électrique

Transmission d informations sur le réseau électrique Transmission d informations sur le réseau électrique Introduction Remarques Toutes les questions en italique devront être préparées par écrit avant la séance du TP. Les préparations seront ramassées en

Plus en détail

LE FORMAT DES RAPPORTS DU PERSONNEL DES COMMISSIONS DE DISTRICT D AMENAGEMENT FORMAT OF DISTRICT PLANNING COMMISSION STAFF REPORTS

LE FORMAT DES RAPPORTS DU PERSONNEL DES COMMISSIONS DE DISTRICT D AMENAGEMENT FORMAT OF DISTRICT PLANNING COMMISSION STAFF REPORTS FORMAT OF DISTRICT PLANNING COMMISSION STAFF REPORTS LE FORMAT DES RAPPORTS DU PERSONNEL DES COMMISSIONS DE DISTRICT D AMENAGEMENT A Guideline on the Format of District Planning Commission Staff Reports

Plus en détail

Feuille d exercices 2 : Espaces probabilisés

Feuille d exercices 2 : Espaces probabilisés Feuille d exercices 2 : Espaces probabilisés Cours de Licence 2 Année 07/08 1 Espaces de probabilité Exercice 1.1 (Une inégalité). Montrer que P (A B) min(p (A), P (B)) Exercice 1.2 (Alphabet). On a un

Plus en détail

Modélisation multi-agent d allocation des ressources : application à la maintenance

Modélisation 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 détail

Ordonnancement temps réel

Ordonnancement temps réel Ordonnancement temps réel Laurent.Pautet@enst.fr Version 1.5 Problématique de l ordonnancement temps réel En fonctionnement normal, respecter les contraintes temporelles spécifiées par toutes les tâches

Plus en détail

SIMULATION HYBRIDE EN TEMPOREL D UNE CHAMBRE REVERBERANTE

SIMULATION HYBRIDE EN TEMPOREL D UNE CHAMBRE REVERBERANTE SIMULATION HYBRIDE EN TEMPOREL D UNE CHAMBRE REVERBERANTE Sébastien LALLECHERE - Pierre BONNET - Fatou DIOUF - Françoise PALADIAN LASMEA / UMR6602, 24 avenue des landais, 63177 Aubière pierre.bonnet@lasmea.univ-bpclermont.fr

Plus en détail

TP N 57. Déploiement et renouvellement d une constellation de satellites

TP N 57. Déploiement et renouvellement d une constellation de satellites TP N 57 Déploiement et renouvellement d une constellation de satellites L objet de ce TP est d optimiser la stratégie de déploiement et de renouvellement d une constellation de satellites ainsi que les

Plus en détail

Problème à résoudre. min f(s) s.c. s S

Problème 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 détail

Classe de première L

Classe de première L Classe de première L Orientations générales Pour bon nombre d élèves qui s orientent en série L, la classe de première sera une fin d étude en mathématiques au lycée. On a donc voulu ici assurer à tous

Plus en détail

Cryptographie et fonctions à sens unique

Cryptographie et fonctions à sens unique Cryptographie et fonctions à sens unique Pierre Rouchon Centre Automatique et Systèmes Mines ParisTech pierre.rouchon@mines-paristech.fr Octobre 2012 P.Rouchon (Mines ParisTech) Cryptographie et fonctions

Plus en détail

NORME INTERNATIONALE D AUDIT 330 REPONSES DE L AUDITEUR AUX RISQUES EVALUES

NORME INTERNATIONALE D AUDIT 330 REPONSES DE L AUDITEUR AUX RISQUES EVALUES NORME INTERNATIONALE D AUDIT 330 REPONSES DE L AUDITEUR AUX RISQUES EVALUES Introduction (Applicable aux audits d états financiers pour les périodes ouvertes à compter du 15 décembre 2009) SOMMAIRE Paragraphe

Plus en détail

Évaluation d une méthode d ordonnancement multicritère utilisant AHP

Évaluation d une méthode d ordonnancement multicritère utilisant AHP Évaluation d une méthode d ordonnancement multicritère utilisant AHP FOUZIA OUNNAR 1, SELMA KHADER 2, YVES DUBROMELLE 1, JEAN-PIERRE PRUNARET 1, PATRICK PUJO 1 1 LSIS UMR CNRS 7296 Aix-Marseille Université

Plus en détail

Contents. 1 Introduction Objectifs des systèmes bonus-malus Système bonus-malus à classes Système bonus-malus : Principes

Contents. 1 Introduction Objectifs des systèmes bonus-malus Système bonus-malus à classes Système bonus-malus : Principes Université Claude Bernard Lyon 1 Institut de Science Financière et d Assurances Système Bonus-Malus Introduction & Applications SCILAB Julien Tomas Institut de Science Financière et d Assurances Laboratoire

Plus en détail

Modélisation 3D par le modèle de turbulence k-ε standard de la position de la tête sur la force de résistance rencontrée par les nageurs.

Modélisation 3D par le modèle de turbulence k-ε standard de la position de la tête sur la force de résistance rencontrée par les nageurs. Modélisation 3D par le modèle de turbulence k-ε standard de la position de la tête sur la force de résistance rencontrée par les nageurs. H. ZAÏDI a, S. FOHANNO a, R. TAÏAR b, G. POLIDORI a a Laboratoire

Plus en détail

Filtrage stochastique non linéaire par la théorie de représentation des martingales

Filtrage stochastique non linéaire par la théorie de représentation des martingales Filtrage stochastique non linéaire par la théorie de représentation des martingales Adriana Climescu-Haulica Laboratoire de Modélisation et Calcul Institut d Informatique et Mathématiques Appliquées de

Plus en détail

MÉTHODOLOGIE DE L ASSESSMENT CENTRE L INSTRUMENT LE PLUS ADÉQUAT POUR : DES SÉLECTIONS DE QUALITÉ DES CONSEILS DE DÉVELOPPEMENT FONDÉS

MÉTHODOLOGIE DE L ASSESSMENT CENTRE L INSTRUMENT LE PLUS ADÉQUAT POUR : DES SÉLECTIONS DE QUALITÉ DES CONSEILS DE DÉVELOPPEMENT FONDÉS MÉTHODOLOGIE DE L ASSESSMENT CENTRE L INSTRUMENT LE PLUS ADÉQUAT POUR : DES SÉLECTIONS DE QUALITÉ ET DES CONSEILS DE DÉVELOPPEMENT FONDÉS 1. Introduction Placer la «bonne personne au bon endroit» représente

Plus en détail

Mathématiques financières

Mathématiques financières Mathématiques financières Table des matières 1 Intérêt simple 1 1.1 Exercices........................................ 1 2 Intérêt composé 2 2.1 Taux nominal, taux périodique, taux réel.......................

Plus en détail

F411 - Courbes Paramétrées, Polaires

F411 - Courbes Paramétrées, Polaires 1/43 Courbes Paramétrées Courbes polaires Longueur d un arc, Courbure F411 - Courbes Paramétrées, Polaires Michel Fournié michel.fournie@iut-tlse3.fr http://www.math.univ-toulouse.fr/ fournie/ Année 2012/2013

Plus en détail

Coup de Projecteur sur les Réseaux de Neurones

Coup de Projecteur sur les Réseaux de Neurones Coup de Projecteur sur les Réseaux de Neurones Les réseaux de neurones peuvent être utilisés pour des problèmes de prévision ou de classification. La représentation la plus populaire est le réseau multicouche

Plus en détail

PREPROCESSING PAR LISSAGE LOESS POUR ACP LISSEE

PREPROCESSING PAR LISSAGE LOESS POUR ACP LISSEE PREPROCESSING PAR LISSAGE LOESS POUR ACP LISSEE Jean-Paul Valois, Claude Mouret & Nicolas Pariset Total, 64018 Pau Cédex MOTS CLEFS : Analyse spatiale, ACP, Lissage, Loess PROBLEMATIQUE En analyse multivariée,

Plus en détail

Principes de mathématiques 12 SÉRIE DE PROBLÈMES. Septembre 2001. Student Assessment and Program Evaluation Branch

Principes de mathématiques 12 SÉRIE DE PROBLÈMES. Septembre 2001. Student Assessment and Program Evaluation Branch Principes de mathématiques 12 SÉRIE DE PROBLÈMES Septembre 2001 Student Assessment and Program Evaluation Branch REMERCIEMENTS Le Ministère de l Éducation tient à remercier chaleureusement les professionnels

Plus en détail

- MANIP 2 - APPLICATION À LA MESURE DE LA VITESSE DE LA LUMIÈRE

- MANIP 2 - APPLICATION À LA MESURE DE LA VITESSE DE LA LUMIÈRE - MANIP 2 - - COÏNCIDENCES ET MESURES DE TEMPS - APPLICATION À LA MESURE DE LA VITESSE DE LA LUMIÈRE L objectif de cette manipulation est d effectuer une mesure de la vitesse de la lumière sur une «base

Plus en détail

Modélisation et simulation du trafic. Christine BUISSON (LICIT) Journée Simulation dynamique du trafic routier ENPC, 9 Mars 2005

Modélisation et simulation du trafic. Christine BUISSON (LICIT) Journée Simulation dynamique du trafic routier ENPC, 9 Mars 2005 Modélisation et simulation du trafic Christine BUISSON (LICIT) Journée Simulation dynamique du trafic routier ENPC, 9 Mars 2005 Plan de la présentation! Introduction : modèles et simulations définition

Plus en détail

LE CHEMINEMENT COMPLEXE D UN VACCIN

LE CHEMINEMENT COMPLEXE D UN VACCIN LE CHEMINEMENT COMPLEXE D UN VACCIN Chaîne de production, exigences réglementaires et accès aux vaccins International Federation of Pharmaceutical Manufacturers & Associations LE CHEMINEMENT COMPLEXE D

Plus en détail

Agrégation des portefeuilles de contrats d assurance vie

Agrégation des portefeuilles de contrats d assurance vie Agrégation des portefeuilles de contrats d assurance vie Est-il optimal de regrouper les contrats en fonction de l âge, du genre, et de l ancienneté des assurés? Pierre-O. Goffard Université d été de l

Plus en détail

Solution A La Gestion Des Objets Java Pour Des Systèmes Embarqués

Solution 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 détail

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

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

Plus en détail

FIMA, 7 juillet 2005

FIMA, 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 détail

Projet du service «ON DEMAND BUS» à Kashiwa (Japon)

Projet du service «ON DEMAND BUS» à Kashiwa (Japon) Module COSMI Master TRADD PFR Mina KAGAWA (Japon) Youssef MHIMRA (Maroc) Projet du service «ON DEMAND BUS» à Kashiwa (Japon) Aperçu général sur la ville de Kashiwa : La ville de Kashiwa est située à environ

Plus en détail

L utilisation d un réseau de neurones pour optimiser la gestion d un firewall

L utilisation d un réseau de neurones pour optimiser la gestion d un firewall L utilisation d un réseau de neurones pour optimiser la gestion d un firewall Réza Assadi et Karim Khattar École Polytechnique de Montréal Le 1 mai 2002 Résumé Les réseaux de neurones sont utilisés dans

Plus en détail