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

Dimension: px
Commencer à balayer dès la page:

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

Transcription

1 Sommaire Introduction.2 1. Définition 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 Bibliographie.7 1

2 La notion de l optimisation est un mécanisme par lequel on trouve la valeur Maximale ou minimale d une fonction objectif. Cette optimisation permet de résoudre différents problèmes on utilise une méthode de résolution. Dans ce rapport on a étudié une méthode évolutif qui dépend des méthodes Approché (Méta heuristique) c est la méthode des Abeilles. 1.Définition : La méthode des Abeilles est une méthode Approché (Les méta heuristique) qui nous permet de résoudre des problèmes d optimisation combinatoire. Ind : Les méta heuristique se sont des heuristiques peuvent aller d un simple algorithme de recherche local à une classe générale d heuristique appelée méta-heuristique. Des heuristiques consistent à trouver une solution de l optimum en un temps raisonnable. 2. Historique : Parmi, les algorithmes de recherche on a l algorithme des abeilles qui a était développé en 2005.Il fait exécuté un genre de recherche de voisinage combiné avec la recherche aléatoire et on peut l appliquer dans les deux optimisations combinatoire et fonctionnelle. 3. Domaine d application : L'algorithme d'abeilles, qui est inspiré par le comportement de forager de nourriture des abeilles à miel.il existe plusieurs applications dans divers domaines : Réseaux neurologiques s'exerçants pour l'identification de modèle. Formation des cellules de production. Les travaux de Scheduling pour une machine de production. 2

3 Conclusion des solutions faisables multiples aux problèmes préliminaires d'une conception. Grouper de données. Linéarisation de la conception des composants mécaniques. Optimisation Multi-Objective. Accord d'un contrôleur de logique floue pour un gymnaste de robot. Conception Mécanique. Job scheduling :l ordonnancement des taches informatique. 4. Les Travaux réalisés sur les domaines d application :[1] Optimisation des poids de perceptrons multicouche en utilisant l'algorithme d'abeilles Réaliser par : D. T. Pham, E. Koç, A. Ghanbarzadeh, et S. Otri aux 5ème colloque international de Proc sur les systèmes de fabrication intelligents, Turquie, Formation de cellule de production en utilisant l'algorithme d'abeilles. Réaliser par : Duc Truong Pham, Ashraf Afify, Ebubekir Koc aux Conférence virtuelle innovatrice de machines et de systèmes de production d'iproms 2007, Cardiff, R-U. utilisation l'algorithme d'abeilles pour programmer les travaux pour une machine Réaliser par : D. T. Pham, E. Koç, J. Y. Lee, et J. Phrueksanant aux la conférence internationale de Proc huitième sur la métrologie de laser, CMM et l'exécution de machine-outil, LAMDAMAP, Euspen, R- U, Cardiff, P , conception préliminaire en utilisant l'algorithme d'abeilles. Réaliser par : D. T. Pham, M. Castellani, et A. Ghanbarzadeh aux la conférence internationale de Proc huitième sur la métrologie de laser, le CMM et l'exécution de machine-outil, LAMDAMAP, Euspen, R-U, Cardiff, P , données groupant en utilisant l'algorithme d'abeilles. 3

4 Réaliser par : D. T. Pham, S. Otri, A. A. Afify, M. Mahmuddin, et H. Al- Jabbouli aux Proc quarantième CIRP interne. Conférence de systèmes de fabrication, Liverpool, Optimisation Multi-Objective en utilisant l'algorithme d'abeilles Réaliser par : Pham D.T., Ghanbarzadeh A aux Démarches de Conférence d'iproms Algorithme : Initialisation de la population (Abeille scout) (n) Evaluer la fitness de la population.. Sélectionner l emplacement pour la recherche du voisinage (m). Déterminer la taille des voisinage (e). Recherche de voisinage Nombre d Abeille recruté pour les emplacements meilleurs.. Attribuer les abeilles restantes (n-m) pour la recherche. Nouvel population des abeilles scoutes. 4

5 Initialisez la population avec les solutions aléatoires. Évaluez la forme physique de la population. Tandis que (arrêtant le critère non rencontré) nouvelle population Emplacements choisis pour la recherche de voisinage. Recrutez les abeilles pour les emplacements choisis (plus d'abeilles pour les meilleurs emplacements d'e) et évaluez les fitnesses. Choisissez l'abeille la plus convenable à partir de chaque pièce rapportée. Assignez les abeilles restantes à la recherche aléatoirement et évaluez leurs fitnesses. 6.Exemple d application : Modèle de colonies d'abeilles pour des problèmes d'ordonnancement job shop. Ind : d'ordonnancement job shop a comme objectif de trouver une séquence de taches sur les Machines (Abeille) qui minimise le temps totale de la production. Une solution réalisable dans un problème d'ordonnancement job shop est un programme complet d'opérations spécifiées dans le problème. Chaque solution peut être considéré comme un chemin de la ruche à la source de nourriture. Le makespan (fitness) de la solution est analogue à la rentabilité de la source alimentaire en termes de distance et de la douceur du nectar. Ainsi, plus le makespan (fitness), plus la rentabilité du chemin solution. Nous pouvons ainsi maintenir une colonie d'abeilles, où chaque abeille va traverser un chemin solution potentielle. Une fois une solution réalisable est trouvée, chaque abeille sera de retour à la ruche pour effectuer une danse frétillante. La danse frétillante sera représenté par une liste de «solutions d'élite», à partir de laquelle les autres abeilles peuvent choisir de suivre le chemin une autre abeille. 5

6 Les abeilles avec une meilleure makespan (fitness) aura une probabilité plus élevée de l'ajout de son chemin à la liste des «élites solutions». [2] 2éme exemple : La résolution du problème de transformation des coordonnées Polaires c- à-dire la distance et l angle par rapport au soleil. 7. Avantage et inconvénient : [3] Résolution des problèmes combinatoire complexe. Faciliter d implémentation. Le nombre de visite maximal avant que de la source de nourriture soit épuisé. Utilisation de plusieurs paramètres. La sensibilité a des outils extrêmement puissants. La complexité de L algorithme 6

7 Bibliographie : [1] :http://www.multilingualarchive.com/ma/enwiki/fr/bees_algorithm#cit e_note-17. [2]http://www.answers.com/topic/beesalgorithm#In_Job_Shop_Scheduli ng. [3] 7

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

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

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

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 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 des tournées de ramassage scolaire de la commune de Seneffe

Optimisation des tournées de ramassage scolaire de la commune de Seneffe Optimisation des tournées de ramassage scolaire de la commune de Seneffe Laurie Hollaert Séminaire GRT 7 novembre Laurie Hollaert Optimisation des tournées de ramassage scolaire de la commune de Seneffe

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

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

Plus en détail

Rapport. TME2 - Problème d affectation multi-agents

Rapport. TME2 - Problème d affectation multi-agents Rapport TME2 - Problème d affectation multi-agents Auteurs : Encadrant : Lan Zhou Safia Kedad-Sidhoum Minh Viet Le Plan I. Problème :... 2 II. Question 1 - Formulation linéaire du problème :... 2 III.

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

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

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

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

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

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

Problème combinatoire sur le réseau de transport de gaz. Nicolas Derhy, Aurélie Le Maitre, Nga Thanh CRIGEN Manuel Ruiz, Sylvain Mouret ARTELYS

Problème combinatoire sur le réseau de transport de gaz. Nicolas Derhy, Aurélie Le Maitre, Nga Thanh CRIGEN Manuel Ruiz, Sylvain Mouret ARTELYS Problème combinatoire sur le réseau de transport de gaz Nicolas Derhy, Aurélie Le Maitre, Nga Thanh CRIGEN Manuel Ruiz, Sylvain Mouret ARTELYS Au programme Présentation du problème Un problème d optimisation

Plus en détail

UNIVERSITE SAAD DAHLAB DE BLIDA

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

Plus en détail

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

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

Plus en détail

GÉNÉRATION DE PLAN PAR EXPLORATION SELECTIVE D UN ARBRE DE COUVERT 2. EXPLORATION ET SELECTION DANS L ARBRE DE COUVERTURE

GÉNÉRATION DE PLAN PAR EXPLORATION SELECTIVE D UN ARBRE DE COUVERT 2. EXPLORATION ET SELECTION DANS L ARBRE DE COUVERTURE GÉNÉRATION DE PLAN PAR EXPLORATION SELECTIVE D UN ARBRE DE COUVERT Mercedes E. Narciso, Miquel A. Piera Dept Computer Science, Univ. Autonoma de Barcelona Bellaterra, 0819 Barcelona, Espagne mnarciso (miquel)@sunaut.uab.es

Plus en détail

Raisonnement symbolique et géométrique pour la robotique mobile

Raisonnement symbolique et géométrique pour la robotique mobile Introduction à la réunion finale Raisonnement symbolique et géométrique pour la robotique mobile J. Guitton, J.L. Farges Control Architectures of Robots - Bourges - 30 mai 2008 1 Plan Introduction Vers

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

SOMMAIRE. II L organisation du projet. 15 II.1 La place du projet dans la structure de l entreprise. 15 II.2 Les acteurs. 18

SOMMAIRE. II L organisation du projet. 15 II.1 La place du projet dans la structure de l entreprise. 15 II.2 Les acteurs. 18 SOMMAIRE CHAPITRE 1 INTRODUCTION I Définition du projet et de la gestion de projets. 7 I.1 Définition du projet. 7 I.2 Définition de la gestion des projets. 10 I.3 Interaction formulation - résolution

Plus en détail

MTH8442 Ordonnancement de Plan production. (3-0-6) 3 cr

MTH8442 Ordonnancement de Plan production. (3-0-6) 3 cr MTH8442 Ordonnancement de Plan production de cours Automne 2008 (3-0-6) 3 cr Michel Gamache Local A-305.29 340-4711 poste 5920 michel.gamache@polymtl.ca François Soumis Local A-520.15 340-4711 poste 6044

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

Planification et ordonnancement sous incertitudes Application à la gestion de projet

Planification et ordonnancement sous incertitudes Application à la gestion de projet Toulouse, 14 mai 2003 Planification et ordonnancement sous incertitudes Application à la gestion de projet Julien Bidot Plan Séminaire au LAAS Planification de tâches et ordonnancement Domaine d application

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

Algorithme d optimisation par colonie de fourmis pour le problème de jobshop

Algorithme d optimisation par colonie de fourmis pour le problème de jobshop Algorithme d optimisation par colonie de fourmis pour le problème de jobshop Plan Optimisation par colonie de fourmi 1 Optimisation par colonie de fourmi Principes généraux Mise en œuvre Procédure 2 Construction

Plus en détail

Recherche opérationnelle dans le secteur de la construction (3/5)

Recherche opérationnelle dans le secteur de la construction (3/5) Recherche opérationnelle dans le secteur de la construction (3/5) Antoine Jeanjean Ingénieur de recherche Ecole des Mines de Nantes Amphi Georges Besse 14h30-16h30 Plan de la présentation Le Groupe Bouygues

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

Gestion dynamique des tâches dans les grappes

Gestion dynamique des tâches dans les grappes Gestion dynamique des tâches dans les grappes une approche à base de machines virtuelles Fabien Hermenier Équipe ASCOLA, École des Mines de Nantes 26 novembre 2009 Fabien Hermenier (ASCOLA) Gestion dynamique

Plus en détail

V ERSION EXPERIMENTALE

V ERSION EXPERIMENTALE V ERSION EXPERIMENTALE Cette version de Sipina v 3.0 n est pas, et ne sera jamais, définitive, elle sert d outil de recherche, elle a plus une vocation d outil d expérimentation que de logiciel dédié au

Plus en détail

LES ÉTAPES DE L ALGORITHME DU SIMPLEXE

LES ÉTAPES DE L ALGORITHME DU SIMPLEXE LES ÉTAPES DE L ALGORITHME DU SIMPLEXE Sommaire 1. Introduction... 1 2. Variables d écart et d excédent... 2 3. Variables de base et variables hors base... 2 4. Solutions admissibles... 3 5. Résolution

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

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

ENSEIRB-MATMECA PG-113 2014. TP6: Optimisation au sens des moindres carrés

ENSEIRB-MATMECA PG-113 2014. TP6: Optimisation au sens des moindres carrés ENSEIRB-MATMECA PG-113 014 TP6: Optimisation au sens des moindres carrés Le but de ce TP est d implémenter une technique de recalage d images qui utilise une méthode vue en cours d analyse numérique :

Plus en détail

CHAPITRE II: INTELLIGENCE ARTIFICIELLE

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

Plus en détail

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

Une heuristique hybride pour le problème de set packing biobjectif p.1/19

Une heuristique hybride pour le problème de set packing biobjectif p.1/19 Une heuristique hybride pour le problème de set packing biobjectif Xavier Delorme 1,2, Xavier Gandibleux 2,3 et Fabien DEGOUTIN 2,4 1. Ecole Nationale Supérieure des Mines de Saint-Etienne Centre : Génie

Plus en détail

en sciences de l ingénieur

en sciences de l ingénieur Systèmes Automatisés Optimisation en sciences de l ingénieur présente les principales méthodes exactes d optimisation statique et dynamique. Parmi les méthodes décrites figurent : - la programmation linéaire

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

RÉPUBLIQUE ALGERIÉNNE DÉMOCRATIQUE ET POPULAIRE MINISTÉRE DE L ENSEIGNEMENT SUPÉRIEUR ET DE LA RECHERCHE SCIENTIFIQUE

RÉPUBLIQUE ALGERIÉNNE DÉMOCRATIQUE ET POPULAIRE MINISTÉRE DE L ENSEIGNEMENT SUPÉRIEUR ET DE LA RECHERCHE SCIENTIFIQUE RÉPUBLIQUE ALGERIÉNNE DÉMOCRATIQUE ET POPULAIRE MINISTÉRE DE L ENSEIGNEMENT SUPÉRIEUR ET DE LA RECHERCHE SCIENTIFIQUE Université des sciences et de la technologie Houari Boumediene USTHB Faculté d'électronique

Plus en détail

SOLUTIONS MÉTROLOGIQUES. L importance d intégrer les méthodes d inspections dès la définition préliminaire d un produit.

SOLUTIONS MÉTROLOGIQUES. L importance d intégrer les méthodes d inspections dès la définition préliminaire d un produit. SOLUTIONS MÉTROLOGIQUES L importance d intégrer les méthodes d inspections dès la définition préliminaire d un produit. Jérémy Arpin-Pont, M. Ing. Amrikart, des services à votre mesure! Amrikart, services

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

Resolution limit in community detection

Resolution limit in community detection Introduction Plan 2006 Introduction Plan Introduction Introduction Plan Introduction Point de départ : un graphe et des sous-graphes. But : quantifier le fait que les sous-graphes choisis sont des modules.

Plus en détail

CONDUITE D'UNE CELLULE DE PRODUCTION FLEXIBLE PAR UNE MÉTA-HEURISTIQUE BASÉE SUR LA RECHERCHE TABOU

CONDUITE D'UNE CELLULE DE PRODUCTION FLEXIBLE PAR UNE MÉTA-HEURISTIQUE BASÉE SUR LA RECHERCHE TABOU CONDUITE D'UNE CELLULE DE PRODUCTION FLEXIBLE PAR UNE ÉTA-HEURISTIQUE BASÉE SUR LA RECHERCHE TABOU Khaldouna Zahia, Djeghaba essaoud Laboratoire d automatique et de signaux de Annaba (LASA), Université

Plus en détail

1. L évolution de la compétitivité de l entreprise... 1. 2. Le contexte de la nouvelle gestion de production... 4

1. L évolution de la compétitivité de l entreprise... 1. 2. Le contexte de la nouvelle gestion de production... 4 Sommaire Chapitre 1 Introduction 1. L évolution de la compétitivité de l entreprise... 1 2. Le contexte de la nouvelle gestion de production... 4 3. La gestion de production et les flux... 5 4. Gestion

Plus en détail

Algorithmes de recherche locale

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

Plus en détail

LES MÉTAHEURISTIQUES: OUTILS DE CONCEPTION OPTIMALE DES CIRCUITS INTÈGRES ANALOGIQUES

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

Plus en détail

La notion de dualité

La notion de dualité La notion de dualité Dual d un PL sous forme standard Un programme linéaire est caractérisé par le tableau simplexe [ ] A b. c Par définition, le problème dual est obtenu en transposant ce tableau. [ A

Plus en détail

Problème: si les tableaux que l'on trie sont déjà à peu près triés, l'algorithme n'est pas efficace.

Problème: si les tableaux que l'on trie sont déjà à peu près triés, l'algorithme n'est pas efficace. Traonmilin Yann traonmil@enst.fr MOD Algorithmique Probabiliste 1. Deux exemples 1.1. Quicksort randomisé. Dans l'algorithme de tri classique Quicksort, le pivot est choisi au début du tableau puis on

Plus en détail

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

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

Plus en détail

Table des matières I La programmation linéaire en variables continues 1 Présentation 3 1 Les bases de la programmation linéaire 5 1.1 Formulation d'un problème de programmation linéaire........... 5 1.2

Plus en détail

Introduction aux Support Vector Machines (SVM)

Introduction aux Support Vector Machines (SVM) Introduction aux Support Vector Machines (SVM) Olivier Bousquet Centre de Mathématiques Appliquées Ecole Polytechnique, Palaiseau Orsay, 15 Novembre 2001 But de l exposé 2 Présenter les SVM Encourager

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

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

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

Plus en détail

BTS SIO option SISR Lycée Godefroy de Bouillon Clermont-Ferrand

BTS SIO option SISR Lycée Godefroy de Bouillon Clermont-Ferrand Active Directory sous Windows Server SAHIN Ibrahim BTS SIO option SISR Lycée Godefroy de Bouillon Clermont-Ferrand Sommaire I - Introduction... 3 1) Systèmes d exploitation utilisés... 3 2) Objectifs...

Plus en détail

Intelligence Artificielle Planification

Intelligence Artificielle Planification Intelligence Artificielle Planification Bruno Bouzy http://web.mi.parisdescartes.fr/~bouzy bruno.bouzy@parisdescartes.fr Licence 3 Informatique UFR Mathématiques et Informatique Université Paris Descartes

Plus en détail

Cours Systèmes d exploitation 1

Cours Systèmes d exploitation 1 Cours Systèmes d exploitation 1 Achraf Othman Support du cours : www.achrafothman.net 1 Plan du cours Chapitre 1 : Gestion des processus Chapitre 2 : Ordonnancement des processus Chapitre 3 : La communication

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

Progrès récents en confection de tournées de véhicules et problèmes connexes

Progrès récents en confection de tournées de véhicules et problèmes connexes Progrès récents en confection de tournées de véhicules et problèmes connexes Michel Gendreau CIRRELT et MAGI, École Polytechnique de Montréal Journée de la recherche École Polytechnique, 30 mai 2013 Plan

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

Module Mixmod pour OpenTURNS

Module Mixmod pour OpenTURNS Module Mixmod pour OpenTURNS Régis LEBRUN EADS Innovation Works 23 septembre 2013 EADS IW 2013 (EADS Innovation Work) 23 septembre 2013 1 / 21 Outline Plan 1 OpenTURNS et propagation d incertitudes 2 Mixmod

Plus en détail

Méthodes de la Recherche Opérationnelle pour l analyse de données

Méthodes de la Recherche Opérationnelle pour l analyse de données Méthodes de la Recherche Opérationnelle pour l analyse de données Julien Darlay G-SCOP 27 janvier 2011 Julien Darlay (G-SCOP) Méthodes de RO pour l analyse de données 27 janvier 2011 1 / 20 Plan Analyse

Plus en détail

IFT3913 Qualité du logiciel et métriques. Chapitre 5 Mesure de la qualité du logiciel

IFT3913 Qualité du logiciel et métriques. Chapitre 5 Mesure de la qualité du logiciel IFT3913 Qualité du logiciel et métriques Chapitre 5 Mesure de la qualité du logiciel Plan du cours Introduction Théorie de la mesure Qualité du logiciel Mesure du produit logiciel Mesure de la qualité

Plus en détail

Système. Introduction aux systèmes informatiques

Système. Introduction aux systèmes informatiques Introduction aux systèmes informatiques Système Un système est une collection organisée d'objets qui interagissent pour former un tout Objets = composants du système Des interconnexions (liens) entre les

Plus en détail

Optimisation for Cloud Computing and Big Data

Optimisation for Cloud Computing and Big Data 1 / 23 Optimisation for Cloud Computing and Big Data Olivier Beaumont, Lionel Eyraud-Dubois 2 / 23 Aujourd hui Problèmes de fiabilité on va oublier la dynamicité Placement de VMs en programmation par contraintes

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

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

Vidéosurveillance sur IP

Vidéosurveillance sur IP Vidéosurveillance sur IP Solutions de sécurité basées sur le protocole TCP/IP Pour des applications domestiques, Small Office, Professionnelles et à grande échelle. 1/12 Concept Les solutions de sécurité

Plus en détail

Intelligence Artificielle. Dorra BEN AYED

Intelligence Artificielle. Dorra BEN AYED Intelligence Artificielle Dorra BEN AYED Chapitre 1 Introduction et Présentation Générale Sommaire Introduction Historique Définitions de l IAl Domaines d applicationd Les approches de l IA cognitive,

Plus en détail

12/11/2015. Chapitre 4: Introduction à l ordonnancement. IV.1. Notions d ordonnancement (1) IV.1. Notions d ordonnancement (2)

12/11/2015. Chapitre 4: Introduction à l ordonnancement. IV.1. Notions d ordonnancement (1) IV.1. Notions d ordonnancement (2) Chapitre 4: Introduction à l ordonnancement 4.1. Notions d ordonnancement 4.2. Définitions 4.3. Modélisation 4.4. Méthodes de résolution 4.5. Problèmes types IV.1. Notions d ordonnancement (1) Ordonnancer

Plus en détail

Métrologie réseaux GABI LYDIA GORGO GAEL

Métrologie réseaux GABI LYDIA GORGO GAEL Métrologie réseaux GABI LYDIA GORGO GAEL Métrologie Définition : La métrologie est la science de la mesure au sens le plus large. La mesure est l'opération qui consiste à donner une valeur à une observation.

Plus en détail

DATA MINING 2 Réseaux de Neurones, Mélanges de classifieurs, SVM avancé

DATA MINING 2 Réseaux de Neurones, Mélanges de classifieurs, SVM avancé I. Réseau Artificiel de Neurones 1. Neurone 2. Type de réseaux Feedforward Couches successives Récurrents Boucles de rétroaction Exemples de choix pour la fonction : suivant une loi de probabilité Carte

Plus en détail

Encadré par : Mr Philippe Janssen

Encadré par : Mr Philippe Janssen ABADIE Martin BENMOUFFOK Yasmine HEIDMANN Paul UTZEL Sylvain Encadré par : Mr Philippe Janssen 2014-2015

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

Méthodes d optimisation pour un problème de co-voiturage couplé aux transports en commun

Méthodes d optimisation pour un problème de co-voiturage couplé aux transports en commun Méthodes d optimisation pour un problème de co-voiturage couplé aux transports en commun Aziz Amnay Encadrant : Nadia Brauner Responsable Ensimag : Florence MARANINCHI Grenoble, le 16 mai 2012 Table des

Plus en détail

Applications des métaheuristiques #1 Coloration de graphes

Applications des métaheuristiques #1 Coloration de graphes Applications des métaheuristiques #1 Coloration de graphes MTH6311 S. Le Digabel, École Polytechnique de Montréal H2014 (v2) MTH6311: Applications des métaheuristiques #1 Coloration de graphes 1/29 Plan

Plus en détail

retrofit Une deuxième jeunesse pour vos machines grâce aux solutions poussées en matière de système, compétences et gestion de projet

retrofit Une deuxième jeunesse pour vos machines grâce aux solutions poussées en matière de système, compétences et gestion de projet Une deuxième jeunesse pour vos machines grâce aux solutions poussées en matière de système, compétences et gestion de projet retrofit www.siemens.be/retrofit Avant la modernisation Après la modernisation

Plus en détail

Analyse d images, vision par ordinateur. Partie 6: Segmentation d images. Segmentation? Segmentation?

Analyse d images, vision par ordinateur. Partie 6: Segmentation d images. Segmentation? Segmentation? Analyse d images, vision par ordinateur Traitement d images Segmentation : partitionner l image en ses différentes parties. Reconnaissance : étiqueter les différentes parties Partie 6: Segmentation d images

Plus en détail

Résolution d un problème de Job-Shop intégrant des contraintes de Ressources Humaines

Résolution d un problème de Job-Shop intégrant des contraintes de Ressources Humaines Résolution d un problème de Job-Shop intégrant des contraintes de Ressources Humaines ROADEF 09, 10-12 février 2009, Nancy (France) O. Guyon 1.2, P. Lemaire 2, É. Pinson 1 et D. Rivreau 1 1 LISA - Institut

Plus en détail

PROJET DE FIN D ÉTUDES Asservissement visuel d un robot parallèle à câbles pour la réalisation d une fresque verticale de grande taille

PROJET DE FIN D ÉTUDES Asservissement visuel d un robot parallèle à câbles pour la réalisation d une fresque verticale de grande taille Résumé de PFE PROJET DE FIN D ÉTUDES Asservissement visuel d un robot parallèle à câbles pour la réalisation d une fresque verticale de grande taille Introduction Dans le domaine de la robotique, la robotique

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

Recherche Opérationnelle

Recherche Opérationnelle Chapitre 2 : Programmation linéaire (Introduction) Vendredi 06 Novembre 2015 Sommaire 1 Historique 2 3 4 5 Plan 1 Historique 2 3 4 5 La programmation linéaire est un cadre mathématique général permettant

Plus en détail

Le problème du flot maximal avec contraintes sur le nombre de chemins

Le problème du flot maximal avec contraintes sur le nombre de chemins Le problème du flot maximal avec contraintes sur le nombre de chemins Jérôme Truffot, Christophe Duhamel, Philippe Mahey jerome.truffot@isima.fr, christophe.duhamel@isima.fr, philippe.mahey@isima.fr LIMOS,

Plus en détail

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

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

Plus en détail

Simulation avancée du procédé d injection

Simulation avancée du procédé d injection Simulation avancée du procédé d injection JT «Conception et optimisation numérique en plasturgie» Jeudi 30 juin Ronan Le Goff Sommaire Introduction Modèle numérique Cas d étude Paramètres rhéo Stratégies

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

Programmation linéaire

Programmation linéaire Programmation linéaire DIDIER MAQUIN Ecole Nationale Supérieure d Electricité et de Mécanique Institut National Polytechnique de Lorraine Mathématiques discrètes cours de 2ème année Programmation linéaire

Plus en détail

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

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

Plus en détail

Brevet fédéral en informatique

Brevet fédéral en informatique Brevet fédéral en informatique Module 167 Evaluer des outils informatiques Copyright 2008-2013. Reproduction interdite. www.idec.ch Rue de la 2 021 634 38 55 1020 Renens Brevet fédéral en informatique

Plus en détail

La Recherche Tabou. Par Joseph Ayas Marc André Viau. 16 novembre, 2004 Recherche Tabou J. Ayas & M.A. Viau

La Recherche Tabou. Par Joseph Ayas Marc André Viau. 16 novembre, 2004 Recherche Tabou J. Ayas & M.A. Viau La Recherche Tabou Par Joseph Ayas Marc André Viau 1 Plan de la présentation Introduction Explication détaillée de la Recherche Tabou (RT) Exemples Domaines d application Ressources disponibles Conclusion

Plus en détail

Génération d une visualisation personnalisée

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

Plus en détail

Document de travail issu de la commission CTI-SMF-SMAI

Document de travail issu de la commission CTI-SMF-SMAI Document de travail issu de la commission CTI-SMF-SMAI 1) Place des mathématiques actuellement dans le document de référence de la CTI Le document CTI - Références et Orientations n évoque pas explicitement

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

Application de K-means à la définition du nombre de VM optimal dans un cloud

Application de K-means à la définition du nombre de VM optimal dans un cloud Application de K-means à la définition du nombre de VM optimal dans un cloud EGC 2012 : Atelier Fouille de données complexes : complexité liée aux données multiples et massives (31 janvier - 3 février

Plus en détail

Un exemple d application en robotique de précision Soudage laser de lunettes

Un exemple d application en robotique de précision Soudage laser de lunettes Un exemple d application en robotique de précision Objectifs Souder toutes lunettes cerclées titane complètes 7 composants Cordons sur des surfaces complexes en face avant et arrière 50 lunettes/heure

Plus en détail

Projet de génie logiciel : Gestion d'un Restaurant ( Le but de ce projet est de réaliser un prototype de gestion d'un restaurant )

Projet de génie logiciel : Gestion d'un Restaurant ( Le but de ce projet est de réaliser un prototype de gestion d'un restaurant ) Université de Cergy Pontoise Licence Département des Sciences Informatiques 2004 2005 Projet de génie logiciel : Gestion d'un Restaurant ( Le but de ce projet est de réaliser un prototype de gestion d'un

Plus en détail

Visibilité polygone à polygone :

Visibilité polygone à polygone : Introduction Visibilité polygone à polygone : calcul, représentation, applications Frédéric Mora Université de Poitiers - Laboratoire SIC 10 juillet 2006 1 La visibilité Introduction Contexte L espace

Plus en détail

Magisoft CRM. L intelligence Software. Progiciels de gestion pour l industrie

Magisoft CRM. L intelligence Software. Progiciels de gestion pour l industrie CRM ZA LA LAYE 12 Rue de Truchebenate 01100 ARBENT Tél : +33 (0)4.74.81.22.20 Fax : +33 (0)4.74.73.08.99 contact@cerai.fr Www.cerai.fr Magisoft L intelligence Software Progiciels de gestion pour l industrie

Plus en détail

Modélisation et optimisation combinatoire de la

Modélisation et optimisation combinatoire de la Modélisation et optimisation combinatoire de la gestion d énergie pour un système multi-sources Yacine Gaoua (1)(2)(3) 1.Institut National Polytechnique de Toulou, INPT 2.Laboratoire PLAsma et Conversion

Plus en détail