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?

Chapitre 1. L algorithme génétique

Chapitre 1. L algorithme génétique Chapitre 1 L algorithme génétique L algorithme génétique (AG) est un algorithme de recherche basé sur les mécanismes de la sélection naturelle et de la génétique. Il combine une stratégie de survie des

Plus en détail

OÙ EN EST-ON? ABANDONNER L IDÉE D AVOIR UN ALGORITHME

OÙ EN EST-ON? ABANDONNER L IDÉE D AVOIR UN ALGORITHME OÙ EN EST-ON? Que faire face à un problème dur? AAC S.Tison Université Lille1 Master1 Informatique Quelques schémas d algorithmes Un peu de complexité de problèmes Un peu d algorithmique avancée ou Que

Plus en détail

Métaheuristique. Jérémy CHANUT Charles BALLARINI

Métaheuristique. Jérémy CHANUT Charles BALLARINI Métaheuristique Jérémy CHANUT Charles BALLARINI 15 octobre 2012 CHAPITRE 1 INTRODUCTION Ce projet consiste en la résolution du problème des composants électroniques par deux méthodes : Recuit simulé Algorithme

Plus en détail

Projet informatique «Voyageur de commerce» Résolution approchée par algorithme génétique du problème du voyageur de commerce

Projet informatique «Voyageur de commerce» Résolution approchée par algorithme génétique du problème du voyageur de commerce Année 2007-2008 Projet informatique «Voyageur de commerce» Résolution approchée par algorithme génétique du problème du voyageur de commerce B. Monsuez Projet informatique «Voyageur de commerce» Résolution

Plus en détail

Optimisation Combinatoire (Méthodes approchées) VI. Algorithmes à Population (Les bases)

Optimisation Combinatoire (Méthodes approchées) VI. Algorithmes à Population (Les bases) Optimisation Combinatoire (Méthodes approchées) VI. Algorithmes à Population (Les bases) Algorithmes à Population Idée principale 'Amélioration' d'un ensemble de solutions Recombiner des solutions Orienté

Plus en détail

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

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

Plus en détail

Les méthodes d optimisation appliquées à la conception de convertisseurs électromécaniques. Elec 2311 : S7

Les méthodes d optimisation appliquées à la conception de convertisseurs électromécaniques. Elec 2311 : S7 Les méthodes d optimisation appliquées à la conception de convertisseurs électromécaniques Elec 2311 : S7 1 Plan du cours Qu est-ce l optimisation? Comment l optimisation s intègre dans la conception?

Plus en détail

Optimisation d un dispatching environnement/économique de la production d'énergie électrique par un algorithme génétique

Optimisation d un dispatching environnement/économique de la production d'énergie électrique par un algorithme génétique Quatrième Conférence Internationale sur le Génie Electrique CIGE 10, 03-04 Novembre 010, Université de Bechar, Algérie Optimisation d un dispatching environnement/économique de la production d'énergie

Plus en détail

Algorithmes génétiques

Algorithmes génétiques Algorithmes génétiques Selvaraj Ramkumar 26 avril 2007 Résumé Les algorithmes génétiques appartiennent à une catégorie d algorithmes appelés métaheuristiques, dont l objectif est de repérer une solution

Plus en détail

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

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 1 - Introduction Qu est-ce qu un

Plus en détail

Des outils pour l optimisation et la robustesse. Marc Sevaux

Des outils pour l optimisation et la robustesse. Marc Sevaux Des outils pour l optimisation et la sse Marc Sevaux Université de Valenciennes et du Hainaut-Cambrésis Laboratoire d Automatique, de Mécanique et d Informatique Industrielles et Humaines (UMR CNRS 8530)

Plus en détail

Optimisation combinatoire Métaheuristiques

Optimisation combinatoire Métaheuristiques Optimisation combinatoire Métaheuristiques Original Pierre Brezellec Laboratoire Génome et Informatique, Evry (modifié par Joël Pothier) OPTIMISATION COMBINATOIRE METAHEURISTIQUES...1 PRESENTATION INFORMELLE

Plus en détail

5.1 Les méthodes Métaheuristiques

5.1 Les méthodes Métaheuristiques 5.1 Les méthodes Métaheuristiques Les métaheuristiques constituent une classe de méthodes qui fournissent des solutions de bonne qualité en temps raisonnable à des problèmes combinatoires réputés difficiles

Plus en détail

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

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

Plus en détail

CH.5 MÉTHODES APPROCHÉES

CH.5 MÉTHODES APPROCHÉES CH.5 MÉTHODES APPROCHÉES 5.1 Les voisinages 5. Les méthodes de descentes 5. Le recuit simulé 5.4 La Méthode Tabou 5.5 Les algorithmes génétiques Opti-comb ch 5 1 5.1 Les voisinages Dans les problèmes de

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

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

The Current State and Future of Search Based Software Engineering

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

Plus en détail

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

Groupe. Chapter 1. Félix Abecassis (CSI) Christopher Chedeau (CSI) Gauthier Lemoine (SCIA) Julien Marquegnies (CSI)

Groupe. Chapter 1. Félix Abecassis (CSI) Christopher Chedeau (CSI) Gauthier Lemoine (SCIA) Julien Marquegnies (CSI) Chapter 1 Groupe Félix Abecassis (CSI) Christopher Chedeau (CSI) Gauthier Lemoine (SCIA) Julien Marquegnies (CSI) Nous avons choisi d implémenter le projet avec le langage Javascript. L avantage offert

Plus en détail

Mots-clés Optimisation par Essaims de Particules (OEP), Recuit Simulé (RS), Métaheuristique, Hybridation, ORPF, Système électrique de puissance.

Mots-clés Optimisation par Essaims de Particules (OEP), Recuit Simulé (RS), Métaheuristique, Hybridation, ORPF, Système électrique de puissance. Hybridation Intégrative OEP/RS Appliquée à l Ecoulement Optimal de la Puissance Réactive M. Lahdeb S. Arif A. Hellal Laboratoire d Analyse et de Commande des Systèmes d Energie et Réseaux Électriques (LACoSERE)

Plus en détail

Introduction à la programmation en variables entières Cours 3

Introduction à la programmation en variables entières Cours 3 Introduction à la programmation en variables entières Cours 3 F. Clautiaux francois.clautiaux@math.u-bordeaux1.fr Université Bordeaux 1 Bât A33 - Bur 272 Sommaire Notion d heuristique Les algorithmes gloutons

Plus en détail

Exploration informée

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

Plus en détail

Introduction à l Optimisation des Structures Métaheuristiques

Introduction à l Optimisation des Structures Métaheuristiques UVSQ - Master DSME P. Vannucci - 2006 Introduction à l Optimisation des Structures Métaheuristiques Introduction Les méthodes classiques pour la solution des NLPP (Non Linear Programming Problem) sont

Plus en détail

HEURISTIQUES D'OPTIMISATION. Evelyne LUTTON - INRA AgroParisTech - Grignon http ://evelyne-lutton.fr/

HEURISTIQUES D'OPTIMISATION. Evelyne LUTTON - INRA AgroParisTech - Grignon http ://evelyne-lutton.fr/ HEURISTIQUES D'OPTIMISATION Evelyne LUTTON - INRA AgroParisTech - Grignon http ://evelyne-lutton.fr/ D'après Patrick Siarry, LiSSi, Univ. de Paris-Est Créteil MÉTA-HEURISTIQUES Du grec : méta :au-delà,

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

Clustering par quantification en présence de censure

Clustering par quantification en présence de censure Clustering par quantification en présence de censure Svetlana Gribkova 1 Laboratoire de Statistique Théorique et Appliquée, Université Pierre et Marie Curie Paris 6, 4 place Jussieu, 75005 Paris Résumé.

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

IFT6580 Devoir 3. 1 Introduction. Eric Buist (buisteri@iro.umontreal.ca) 26 avril 2006

IFT6580 Devoir 3. 1 Introduction. Eric Buist (buisteri@iro.umontreal.ca) 26 avril 2006 IFT6580 Devoir 3 Eric Buist (buisteri@iro.umontreal.ca) 26 avril 2006 Résumé Le problème du voyageur de commerce a été traité par un très grand nombre d auteurs et avec différents algorithmes et heuristiques.

Plus en détail

La recherche locale. INF6953 La recherche locale 1

La recherche locale. INF6953 La recherche locale 1 La recherche locale INF6953 La recherche locale 1 Sommaire Recherche locale et voisinage. Fonction de voisinage, optimum local Fonction de voisinage et mouvements Fonction de voisinage et mouvements Exemples

Plus en détail

B/. 1 1 fr -I- 2 f", I! Méthode de prise en compte de la consanguinité dans un modèle simple de simulation de performances

B/. 1 1 fr -I- 2 f, I! Méthode de prise en compte de la consanguinité dans un modèle simple de simulation de performances NOTE Méthode de prise en compte de la consanguinité dans un modèle simple de simulation de performances J.-L. FOULLEY C. CHEVALET LN.R.A., Station de Génétique quantitative et appliquée, Centre de Recherches

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

Multiplication par une constante entière

Multiplication par une constante entière Multiplication par une constante entière Vincent Lefèvre Juin 2001 Introduction But : générer du code optimal à l aide d opérations élémentaires (décalages vers la gauche, additions, soustractions). Utile

Plus en détail

OPTIMISATION MULTICRITERE STOCHASTIQUE

OPTIMISATION MULTICRITERE STOCHASTIQUE OPTIMISATION MULTICRITERE STOCHASTIQUE Michel DUMAS, Gilles ARNAUD, Fabrice GAUDIER CEA/DEN/DMS/SFME/LETR michel.dumas@cea.r gilles.arnaud@cea.r abrice.gaudier @cea.r Introduction L optimisation multicritère

Plus en détail

OPTIMISATION DE LA TARIFICATION DES RÉSEAUX MOBILES

OPTIMISATION DE LA TARIFICATION DES RÉSEAUX MOBILES OPTIMISATION DE LA TARIFICATION DES RÉSEAUX MOBILES ST50 - Projet de fin d études Matthieu Leromain - Génie Informatique Systèmes temps Réel, Embarqués et informatique Mobile - REM 1 Suiveur en entreprise

Plus en détail

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

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

Plus en détail

Université Mohammed V Agdal Faculté des Sciences Rabat

Université Mohammed V Agdal Faculté des Sciences Rabat Université Mohammed V Agdal Faculté des Sciences Rabat N d ordre : 2633 Thèse de Doctorat Discipline : Sciences de l ingénieur Spécialité : Informatique Présentée par : Khalid Jebari Hassani Modèles évolutifs

Plus en détail

Rappel du plan du cours

Rappel du plan du cours Rappel du plan du cours 1 - Introduction Qu est-ce qu un problème «complexe»? Exemples de problèmes «complexes» 2 - Approches complètes Structuration de l espace de recherche en Arbre Application à la

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

Recherche heuristique et méta-heuristique. Introduction 3. Heuristique? 4. Matthieu Amiguet

Recherche heuristique et méta-heuristique. Introduction 3. Heuristique? 4. Matthieu Amiguet Recherche heuristique et méta-heuristique Matthieu Amiguet 2008 2009 1 Motivations 2 3 Motivations Introduction 3 Un grand nombre de problèmes d IA sont caractérisés par l absence d algorithmes permettant

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

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

Variable Neighborhood Search

Variable Neighborhood Search Variable Neighborhood Search () Universite de Montreal 6 avril 2010 Plan Motivations 1 Motivations 2 3 skewed variable neighborhood search variable neighborhood decomposition search 4 Le probleme d optimisation.

Plus en détail

StatEnAction 2009/10/30 11:26 page 111 #127 CHAPITRE 10. Machines à sous

StatEnAction 2009/10/30 11:26 page 111 #127 CHAPITRE 10. Machines à sous StatEnAction 2009/0/30 :26 page #27 CHAPITRE 0 Machines à sous Résumé. On étudie un problème lié aux jeux de hasard. Il concerne les machines à sous et est appelé problème de prédiction de bandits à deux

Plus en détail

Parallel Tree-based Exact Algorithms using Heterogeneous Many and Multi-core Computing for Solving Challenging Problems in Combinatorial Optimization

Parallel Tree-based Exact Algorithms using Heterogeneous Many and Multi-core Computing for Solving Challenging Problems in Combinatorial Optimization Parallel Tree-based Exact Algorithms using Heterogeneous Many and Multi-core Computing for Solving Challenging Problems in Combinatorial Optimization Rudi Leroy Encadrement : N. Melab (Univ. Lille 1),

Plus en détail

Machine de Turing. Informatique II Algorithmique 1

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

Plus en détail

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

Méthode de formation et de restructuration dynamique de coalitions d agents fondée sur l optimum de Pareto

Méthode de formation et de restructuration dynamique de coalitions d agents fondée sur l optimum de Pareto Méthode de formation et de restructuration dynamique de coalitions d agents fondée sur l optimum de Pareto Philippe Caillou 1 Samir Aknine 2 Suzanne Pinson 1 1 LAMSADE CNRS/Université Paris IX Dauphine

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

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

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

Plus en détail

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

Systèmes linéaires. 1. Introduction aux systèmes d équations linéaires. Exo7. 1.1. Exemple : deux droites dans le plan

Systèmes linéaires. 1. Introduction aux systèmes d équations linéaires. Exo7. 1.1. Exemple : deux droites dans le plan Exo7 Systèmes linéaires Vidéo partie 1. Introduction aux systèmes d'équations linéaires Vidéo partie 2. Théorie des systèmes linéaires Vidéo partie 3. Résolution par la méthode du pivot de Gauss 1. Introduction

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

Problèmes de fiabilité dépendant du temps

Problèmes de fiabilité dépendant du temps Problèmes de fiabilité dépendant du temps Bruno Sudret Dépt. Matériaux et Mécanique des Composants Pourquoi la dimension temporelle? Rappel Résistance g( RS, ) = R S Sollicitation g( Rt (), St (),) t =

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

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

Chapitre IV : La gestion du processeur Mécanismes d ordonnancement

Chapitre IV : La gestion du processeur Mécanismes d ordonnancement Chapitre IV : La gestion du processeur Mécanismes d ordonnancement Eric.Leclercq@u-bourgogne.fr Département IEM http://ufrsciencestech.u-bourgogne.fr http://ludique.u-bourgogne.fr/~leclercq 1 er mars 2007

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

CALCUL SCIENTIFIQUE. 1 Erreur absolue et erreur relative 2. 2 Représentation des nombres sur ordinateur 3

CALCUL SCIENTIFIQUE. 1 Erreur absolue et erreur relative 2. 2 Représentation des nombres sur ordinateur 3 MTH1504 2011-2012 CALCUL SCIENTIFIQUE Table des matières 1 Erreur absolue et erreur relative 2 2 Représentation des nombres sur ordinateur 3 3 Arithmétique flottante 4 3.1 Absorption........................................

Plus en détail

Université de Valenciennes et du Hainaut-Cambrésis

Université de Valenciennes et du Hainaut-Cambrésis Des outils pour l optimisation et la robustesse Marc Sevaux Université de Valenciennes et du Hainaut-Cambrésis Laboratoire d Automatique, de Mécanique et d Informatique Industrielles et Humaines (UMR CNRS

Plus en détail

MATHÉMATIQUES CYCLE TERMINAL DE LA SÉRIE ÉCONOMIQUE ET SOCIALE ET DE LA SÉRIE LITTERAIRE CLASSE DE PREMIÈRE

MATHÉMATIQUES CYCLE TERMINAL DE LA SÉRIE ÉCONOMIQUE ET SOCIALE ET DE LA SÉRIE LITTERAIRE CLASSE DE PREMIÈRE Annexe MATHÉMATIQUES CYCLE TERMINAL DE LA SÉRIE ÉCONOMIQUE ET SOCIALE ET DE LA SÉRIE LITTERAIRE CLASSE DE PREMIÈRE L enseignement des mathématiques au collège et au lycée a pour but de donner à chaque

Plus en détail

Deuxième partie. Calcul de fréquences de génotypes multilocus dans des pédigrees complexes XXVII

Deuxième partie. Calcul de fréquences de génotypes multilocus dans des pédigrees complexes XXVII Deuxième partie Calcul de fréquences de génotypes multilocus dans des pédigrees complexes XXVII Présentation Les programmes informatiques MDM et grafgen L analyse de schémas de construction de génotypes

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

La gestion des files d'attente par les règles de priorité

La gestion des files d'attente par les règles de priorité La gestion des files d'attente par les règles de priorité Zoheir KARAOUZENE, Zaki SARI. LAT : Laboratoire d Automatique de Tlemcen Faculté des sciences de l ingénieur Université ABOU-BEKR BELKAÎD BP 230

Plus en détail

PRÉSENTATION TRAVAIL EN COURS - APPRENTISSAGE INTERACTIF. Ianis Lallemand, 21 janvier 2013

PRÉSENTATION TRAVAIL EN COURS - APPRENTISSAGE INTERACTIF. Ianis Lallemand, 21 janvier 2013 PRÉSENTATION TRAVAIL EN COURS - APPRENTISSAGE INTERACTIF Ianis Lallemand, 21 janvier 2013 APPRENTISSAGE INTERACTIF definition Contours encore assez flous dans le champ de l apprentissage automatique. Néanmoins,

Plus en détail

Description du module GENERATEUR rev.2 1. Rôle du module

Description du module GENERATEUR rev.2 1. Rôle du module Description du module GENERATEUR rev.2 1. Rôle du module Ce module doit implémenter un générateur de «points aléatoires» selon une répartition de densité donnée. Tout d abord, le générateur doit être initialisé

Plus en détail

Les ordinateurs dispositifs électroniques fonctionnant sur la principe de création, transmission et conversion d impulses électriques

Les ordinateurs dispositifs électroniques fonctionnant sur la principe de création, transmission et conversion d impulses électriques Les ordinateurs dispositifs électroniques fonctionnant sur la principe de création, transmission et conversion d impulses électriques Les informations traitées par l ordinateur (nombres, instructions,

Plus en détail

Chapitre 10 Algorithmes probabilistes

Chapitre 10 Algorithmes probabilistes Chapitre 10 Algorithmes probabilistes Jouent à pile ou face Se comportent différemment lorsque exécutés deux fois sur un même exemplaire Défient parfois l intuition 1 Première surprise: le hasard peut

Plus en détail

Planifica(on du stockage intermédiaire dans l industrie du shampoing

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

Plus en détail

METHODES A BASE DE DIVERGENCES POUR LES PROBLEMES D ORDONNANCEMENT FLEXIBLE

METHODES A BASE DE DIVERGENCES POUR LES PROBLEMES D ORDONNANCEMENT FLEXIBLE Abir Ben Hmida 1/6 METHODES A BASE DE DIVERGENCES POUR LES PROBLEMES D ORDONNANCEMENT FLEXIBLE Abir BEN HMIDA 1 Directeur(s) de thèse: Pierre LOPEZ*, Marie-José HUGUET* et Mohamed HAOUARI ** Laboratoire

Plus en détail

Résolution de problématiques d ordonnancement par utilisation d un logiciel générique d optimisation

Résolution de problématiques d ordonnancement par utilisation d un logiciel générique d optimisation Résolution de problématiques d ordonnancement par utilisation d un logiciel générique d optimisation Christian Houlbert Centre National d Etudes Spatiales (CNES) 18 avenue Edouard Belin 31401 Toulouse

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

Optimisation en poids de structures composites

Optimisation en poids de structures composites Optimisation en poids de structures composites stratifiées Marco Montemurro, Angela Vincenti, Paolo Vannucci, Ahmed Makradi To cite this version: Marco Montemurro, Angela Vincenti, Paolo Vannucci, Ahmed

Plus en détail

TECH. INFOTECH # 34 Solvabilité 2 : Le calcul du capital économique dans le cadre d un modèle interne. Introduction

TECH. INFOTECH # 34 Solvabilité 2 : Le calcul du capital économique dans le cadre d un modèle interne. Introduction INFO # 34 dans le cadre d un modèle interne Comment les méthodes d apprentissage statistique peuvent-elles optimiser les calculs? David MARIUZZA Actuaire Qualifié IA Responsable Modélisation et Solvabilité

Plus en détail

Méta-heuristiques et intelligence artificielle

Méta-heuristiques et intelligence artificielle Chapitre 1 Méta-heuristiques et intelligence artificielle Auteurs : Jin-Kao Hao et Christine Solnon 1.1 Introduction Une méta-heuristique est une méthode générique pour la résolution de problèmes combinatoires

Plus en détail

Analyse de survie appliquée à la modélisation de la transmission des maladies infectieuses : mesurer l impact des interventions

Analyse de survie appliquée à la modélisation de la transmission des maladies infectieuses : mesurer l impact des interventions Analyse de survie appliquée à la modélisation de la transmission des maladies infectieuses : mesurer l impact des interventions Génia Babykina 1 & Simon Cauchemez 2 1 Université de Lille, Faculté Ingénierie

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) 14/9/215 1 Profil Profil Parcours : Laboratoires LAAS et IRIT à Toulouse

Plus en détail

Étapes du développement et de l utilisation d un modèle de simulation

Étapes du développement et de l utilisation d un modèle de simulation Étapes du développement et de l utilisation d un modèle de simulation Étapes du développement et de l utilisation d un modèle de simulation Formulation du problème Cueillette et analyse de données Conception

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

Exercices théoriques

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

Plus en détail

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

Sélection de variables groupées avec les forêts aléatoires. Application à l analyse des données fonctionnelles multivariées.

Sélection de variables groupées avec les forêts aléatoires. Application à l analyse des données fonctionnelles multivariées. Sélection de variables groupées avec les forêts aléatoires. Application à l analyse des données fonctionnelles multivariées. Baptiste Gregorutti 12, Bertrand Michel 2 & Philippe Saint Pierre 2 1 Safety

Plus en détail

Générateur de Nombres Aléatoires

Générateur de Nombres Aléatoires Générateur de Nombres Aléatoires Les générateurs de nombres aléatoires sont des dispositifs capables de produire une séquence de nombres dont on ne peut pas tirer facilement des propriétés déterministes.

Plus en détail

DES DISTRIBUTIONS DE PROBABILITÉ SINGULIÈRES. Marc BARBUT 1

DES DISTRIBUTIONS DE PROBABILITÉ SINGULIÈRES. Marc BARBUT 1 Math. Sci. hum / Mathematics and Social Sciences (48 e année, n 9, 2(2), p. -8) DES DISTRIBUTIONS DE PROBABILITÉ SINGULIÈRES Marc BARBUT RÉSUMÉ Ce texte n a rien d original. Son objectif est seulement

Plus en détail

- Mobiliser les résultats sur le second degré dans le cadre de la résolution d un problème.

- Mobiliser les résultats sur le second degré dans le cadre de la résolution d un problème. Mathématiques - classe de 1ère des séries STI2D et STL. 1. Analyse On dote les élèves d outils mathématiques permettant de traiter des problèmes relevant de la modélisation de phénomènes continus ou discrets.

Plus en détail

Annexe 4 Programmes des classes préparatoires aux Grandes Ecoles

Annexe 4 Programmes des classes préparatoires aux Grandes Ecoles Annexe 4 Programmes des classes préparatoires aux Grandes Ecoles Filière : scientifique Voie : Technologie et biologie (TB) Discipline : Informatique Première et seconde années Programme d informatique

Plus en détail

MAT 2377 Solutions to the Mi-term

MAT 2377 Solutions to the Mi-term MAT 2377 Solutions to the Mi-term Tuesday June 16 15 Time: 70 minutes Student Number: Name: Professor M. Alvo This is an open book exam. Standard calculators are permitted. Answer all questions. Place

Plus en détail

MEDIAPLANNING & HYBRIDATION APPLIQUE A L INTERNET

MEDIAPLANNING & HYBRIDATION APPLIQUE A L INTERNET MEDIAPLANNING & HYBRIDATION APPLIQUE A L INTERNET MOBILE Gaël Crochet 1 & Gilles Santini 2 1 Médiamétrie, 70 rue Rivay, 92532 Levallois-Perret, France, gcrochet@mediametrie.fr 2 Vintco SARL, 8 rue Jean

Plus en détail

Nom : Groupe : Date : 1 LES RESPONSABLES DES CARACTÈRES CHEZ LES ÊTRES VIVANTS (p. 350-358)

Nom : Groupe : Date : 1 LES RESPONSABLES DES CARACTÈRES CHEZ LES ÊTRES VIVANTS (p. 350-358) CHAPITRE 811 STE Questions 1 à 17, A, B. Verdict 1 LES RESPONSABLES DES CARACTÈRES CHEZ LES ÊTRES VIVANTS (p. 350-358) 1. Observez les deux cellules ci-contre. a) Sous quelle forme apparaît l ADN dans

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

Algorithmes génétiques et calcul haute performance. Jean-Charles Boisson CReSTIC-SysCom EA 3804

Algorithmes génétiques et calcul haute performance. Jean-Charles Boisson CReSTIC-SysCom EA 3804 Algorithmes génétiques et calcul haute performance Jean-Charles Boisson CReSTIC-SysCom EA 3804 Plan Algorithmes génétiques (AGs) : Positionnement Coopération avec d autres méthodes AGs et parallélisme

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

Optimisation de la structure électromagnétique d une machine spéciale fort couple.

Optimisation de la structure électromagnétique d une machine spéciale fort couple. Optimisation de la structure électromagnétique d une machine spéciale fort couple. Luc Moreau, Mohamed El Hadi ZAÏM To cite this version: Luc Moreau, Mohamed El Hadi ZAÏM. Optimisation de la structure

Plus en détail

République Algérienne Démocratique et Populaire Université Abou Bakr Belkaid Tlemcen Faculté des Sciences Département d Informatique

République Algérienne Démocratique et Populaire Université Abou Bakr Belkaid Tlemcen Faculté des Sciences Département d Informatique République Algérienne Démocratique et Populaire Université Abou Bakr Belkaid Tlemcen Faculté des Sciences Département d Informatique Mémoire de fin d études pour l obtention du diplôme de Master en Informatique

Plus en détail

Elma m l a ki i Haj a a j r a Alla a Tao a uf u i f q B ur u kkad a i i Sal a ma m n a e n e Be B n e a n b a d b en e b n i b i Il I ham

Elma m l a ki i Haj a a j r a Alla a Tao a uf u i f q B ur u kkad a i i Sal a ma m n a e n e Be B n e a n b a d b en e b n i b i Il I ham Exposé: la technique de simulation MONTE-CARLO Présenté par : Elmalki Hajar Bourkkadi Salmane Alla Taoufiq Benabdenbi Ilham Encadré par : Prof. Mohamed El Merouani Le plan Introduction Définition Approche

Plus en détail

Algorithmes d optimisation RCMI / RapidArc / VMAT

Algorithmes d optimisation RCMI / RapidArc / VMAT Algorithmes d optimisation RCMI / RapidArc / VMAT Vincent Marchesi Unité de Radiophysique Médicale Centre Alexis Vautrin Vandœuvre-les-Nancy v.marchesi@nancy.fnclcc.fr EPU Techniques dédiées en radiothérapie,

Plus en détail

Approche hybride de reconstruction de facettes planes 3D

Approche hybride de reconstruction de facettes planes 3D Cari 2004 7/10/04 14:50 Page 67 Approche hybride de reconstruction de facettes planes 3D Ezzeddine ZAGROUBA F. S.T, Dept. Informatique. Lab. d Informatique, Parallélisme et Productique. Campus Universitaire.

Plus en détail

ENSE3 - API/CSPI et Master Automatique - 2008/2009

ENSE3 - API/CSPI et Master Automatique - 2008/2009 ENSE3 - API/CSPI et Master Automatique - 28/29 DS Commande robuste - - 19 janvier 29 Nom Prénom Signature ATTENTION: Mettre votre nom et répondre directement sur les feuilles de l énoncé. Justifiez vos

Plus en détail

Un algorithme génétique hybride pour des problèmes de tournées de véhicules multi-attributs

Un algorithme génétique hybride pour des problèmes de tournées de véhicules multi-attributs Un algorithme génétique hybride pour des problèmes de tournées de véhicules multi-attributs Thibaut Vidal, Teodor Gabriel Crainic, Michel Gendreau Nadia Lahrichi, Walter Rei ROADEF 2010 Plan de la présentation

Plus en détail