Problème d ordonnancement de véhicules en variables booléennes

Dimension: px
Commencer à balayer dès la page:

Download "Problème d ordonnancement de véhicules en variables booléennes"

Transcription

1 Problème d ordonnancement de véhicules en variables booléennes Freddy Hetman 2 juillet 2013 Faculté des sciences Jean Perrin Freddy Hetman () 2 juillet / 22

2 Sommaire 1 Introduction 2 Le problème d ordonnancement de véhicules 3 Le problème en variables booléennes Les variables Les contraintes 4 Résultats 5 Conclusion Freddy Hetman () 2 juillet / 22

3 Introduction Ordonnancement de véhicules Problème : NP-complet, problème N.1 classique de CSPLib. Ordonnancement de véhicules : produire une séquence de véhicules pour une chaîne de montage automobile soumis à diverses contraintes. Variables booléennes : utilisation des variables soit vraies soit fausses. Freddy Hetman () 2 juillet / 22

4 Le problème d ordonnancement de véhicules Formalisation Définition Soit le quintuplet (V, O, p, q, r) avec : V : Ensemble des voitures à produire. O : Ensemble des options disponibles. p, q : Listes d entier, pour chaque option i, p i /q i représente la fréquence d apparition. r : Matrice de booléen r i,j = 1, représente le fait que l option O j est présente sur le véhicule V i, 0 sinon. Pour produire une permutation de V respectant les contraintes de fréquences. Freddy Hetman () 2 juillet / 22

5 Exemple CSPLib Le problème d ordonnancement de véhicules Freddy Hetman () 2 juillet / 22

6 Solution CSPLib Le problème d ordonnancement de véhicules Classe Options requises Freddy Hetman () 2 juillet / 22

7 Le problème d ordonnancement de véhicules Challenge ROADEF 2005 Problème réel proposé par RENAULT en Optimisation du problème standard. 2 nouvelles contraintes : Atelier peinture. Priorité entre les options. Meilleures approches basées sur la recherche locale Freddy Hetman () 2 juillet / 22

8 Nos variables Le problème en variables booléennes Les variables Définition des voitures i 1..n, j 0..(c 1), X i j = { 1 (Vrai) si X i appartient à la classe j. 0 (Faux) sinon. Exemple X0 1, X 1 1,..., X 5 1 représente la classe du premier véhicule. X0 2, X 1 2,..., X 5 2 représente la classe du second véhicule.... X0 10, X 1 10,..., X 10 5 représente la classe du dernier véhicule. Freddy Hetman () 2 juillet / 22

9 Nos variables Le problème en variables booléennes Les variables Définition des options i 1..n, j 1..o, O j i = 1 (Vrai) si l option O j est installé sur le véhicule X i. 0 (Faux) sinon. Exemple O 1 1, O2 1, O3 1, O4 1, O5 1 représente les options du véhicule X 1. O 1 2, O2 2, O3 2, O4 2, O5 2 représente les options du véhicule X O 1 10, O2 10, O3 10, O4 10, O5 10 représente les options du véhicule X 10. Freddy Hetman () 2 juillet / 22

10 Nos Contraintes Le problème en variables booléennes Les contraintes Définition On représente pour chaque véhicule à la position i, autant de classe : (C1) i 1..n, c 1 l=0 X i l = 1. Exemple X0 1 + X X 5 1 = 1 X0 2 + X X 5 2 = 1... X X X5 10 = 1 Freddy Hetman () 2 juillet / 22

11 Nos Contraintes Le problème en variables booléennes Les contraintes Définition Chaque classe comporte un certain nombre de véhicules : (C2) l 0..c 1, n X i l = k l. k l représente le nombre de véhicule de la classe l, 0 k n. i=1 Exemple X0 1 + X 0 2 X1 1 + X 1 2 X2 1 + X 2 2 X3 1 + X 3 2 X4 1 + X 4 2 X5 1 + X X 10 0 = X 10 1 = X 10 2 = X 10 3 = X 10 4 = X 10 5 = 2 Freddy Hetman () 2 juillet / 22

12 Nos Contraintes Le problème en variables booléennes Les contraintes Définition On a au plus p j véhicules sur un bloc de taille q j pour l option j : (C3) i 1..(n (q j k+q j 1 1)), j 1..o, O j k pj. k=i Exemple O1 1 + O Option 1. O9 1 + O O1 2 + O2 2 + O Option 2. O6 2 + O7 2 + O8 2 2 Freddy Hetman () 2 juillet / 22

13 Nos Contraintes Le problème en variables booléennes Les contraintes Définition Le véhicule i de classe l implique les options correspondantes : Exemple (C4) i 1..n, l 0..c 1, X i l k 1..o Ok i. X0 1 = O1 1 O1 2 O1 3 O1 4 O Premier véhicule. X5 1 = O1 1 O1 2 O1 3 O1 4 O1 5 X0 10 = O10 1 O10 2 O10 3 O10 4 O Dernier véhicule. X5 10 = O10 1 O10 2 O10 3 O10 4 O10 5 Freddy Hetman () 2 juillet / 22

14 Résultats Résultats 3 ensembles instances de CSPLib testés. Solveur SAT : SAT4j. Temps d exécution : 10 minutes, Mémoire disponible : 2 Go. Instances Abscon SAT4j PB Copris 4 72 à (8) 0% 0% 0% faciles (70) 5.71% (59) 68.57% (2152) 60% (5884) difficiles (30) 0% 0% 0% Entre parenthèses figure la somme des temps des problèmes résolus en seconde. Freddy Hetman () 2 juillet / 22

15 Résultats Détail du modèle pseudo booléen Instances SAT4j PB (200, 5, 26) (200, 5, 25) (200, 5, 28) (200, 5, 24) (200, 5, 25) (200, 5, 25) (200, 5, 24) (200, 5, 24) (200, 5, 25) (200, 5, 25) 305 Instance : problème de symétrie? Freddy Hetman () 2 juillet / 22

16 Résultats D autres personnes s intéressent au problème... Modèle de V. Mayer-Eichberger et T. Walsh. Traduction du modèle vers SAT disponible, papier soumis à PoS Pas de possibilité de vérification. Plus : utilisation des mêmes variables pour les contraintes de capacités et de fréquences. Instances SAT4j PB Walsh 4 72 à (8) 0% 33,33% (309) faciles (70) 68.57% (2152) 100% (184) difficiles (30) 0% 40% (2371) Freddy Hetman () 2 juillet / 22

17 Résultats Expérimentation sous Copris Suggestions d améliorations proposées par Naoyuki Tamura (Créateur de Copris). Utilisation de contraintes globales de cardinalités : forcer sur un ensemble de variables, le nombres de valeurs voulues. remplace la contrainte (C2). Instances Copris défaut GCC 4 72 à (8) 0% 0% faciles (70) 60% (5884) 60% (6036) difficiles (30) 0% 0% Freddy Hetman () 2 juillet / 22

18 Résultats Expérimentation sous Copris Contrainte All different, implique des changements de variables (Xj i Pl i ) et contraintes (C1 et C2). Instances Copris défaut All Diff 4 72 à (8) 0% 0% faciles (70) 60% (5884) 0% difficiles (30) 0% 0% Freddy Hetman () 2 juillet / 22

19 Résultats Expérimentation sous Copris Contrainte de somme partielle : introduction d une nouvelle variable S tel que : Sj i = O j Oj i, les contraintes C3 deviennent des différences entre S i j et S i+qj j. Instances Copris défaut Partial Sum 4 72 à (8) 0% 0% faciles (70) 60% (5884) 60% (4002) difficiles (30) 0% 0% Freddy Hetman () 2 juillet / 22

20 Conclusion Conclusion Approche pseudo booléenne efficace mais non robuste. Approche SAT efficace avec un modèle spécifique. Étude de la robustesse sous le format pseudo booléen. Prise en compte des symétries dans le modèle. Autres formes d optimisations (minimisation de trous dans la séquence quand le problème est UNSAT). Freddy Hetman () 2 juillet / 22

21 Conclusion Merci! Freddy Hetman () 2 juillet / 22

22 References Conclusion C. Solnon, V. D. Cung, A. Nguyen and C. Artigues. The car sequencing problem : overview of state-of-the-art methods and industrial case-study of the ROADEF 2005 challenge problem. LIRIS CNRS UMR 5205, D. Parello, W.C. Kabat, and L. Wos. Job-shop scheduling using automated rea- soning : a case study of the car sequencing problem. Journal of Automated Reasoning, 2 : 1 42, I.P. Gent. Two results on car-sequencing problems. Technical report (http ://www.apes.cs.strath.ac.uk/apesreports.html), APES, V. Mayer-Eichberger and T. Walsh SAT Encodings for the Car Sequencing Problem Pragmatics of SAT, Freddy Hetman () 2 juillet / 22

21 mars 2012. Simulations et Méthodes de Monte Carlo. DADI Charles-Abner. Objectifs et intérêt de ce T.E.R. Générer l'aléatoire.

21 mars 2012. Simulations et Méthodes de Monte Carlo. DADI Charles-Abner. Objectifs et intérêt de ce T.E.R. Générer l'aléatoire. de 21 mars 2012 () 21 mars 2012 1 / 6 de 1 2 3 4 5 () 21 mars 2012 2 / 6 1 de 2 3 4 5 () 21 mars 2012 3 / 6 1 2 de 3 4 5 () 21 mars 2012 4 / 6 1 2 de 3 4 de 5 () 21 mars 2012 5 / 6 de 1 2 3 4 5 () 21 mars

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

S²LOW 1.1 API mail sécurisé. Eric Pommateau Sigmalis

S²LOW 1.1 API mail sécurisé. Eric Pommateau Sigmalis S²LOW 1.1 API mail sécurisé Eric Pommateau Sigmalis Table des matières Liste des utilisateurs de la collectivité...3 Nombre de mails sur le système...3 Liste de mails...3 Détail d'un email...4 Objet :

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

2B La résolution de modèles linéaires par Excel 2010

2B La résolution de modèles linéaires par Excel 2010 2B La résolution de modèles linéaires par Excel 2010 Nous reprenons ici, de façon plus détaillée, la section où est indiqué comment utiliser le solveur d'excel 2010 pour résoudre un modèle linéaire (voir

Plus en détail

Capacité d un canal Second Théorème de Shannon. Théorie de l information 1/34

Capacité d un canal Second Théorème de Shannon. Théorie de l information 1/34 Capacité d un canal Second Théorème de Shannon Théorie de l information 1/34 Plan du cours 1. Canaux discrets sans mémoire, exemples ; 2. Capacité ; 3. Canaux symétriques ; 4. Codage de canal ; 5. Second

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

Algorithmique et Programmation, IMA

Algorithmique et Programmation, IMA Algorithmique et Programmation, IMA Cours 2 : C Premier Niveau / Algorithmique Université Lille 1 - Polytech Lille Notations, identificateurs Variables et Types de base Expressions Constantes Instructions

Plus en détail

Curriculum Vitae - Emmanuel Hebrard. Emmanuel Hebrard

Curriculum Vitae - Emmanuel Hebrard. Emmanuel Hebrard Emmanuel Hebrard Adresse 5 Tuckey Street Cork, Ireland emmanuel.hebrard@gmail.com http ://4c.ucc.ie/ ehebrard/home.html Adresse Professionnelle Cork Constraint Computation Centre Cork, Ireland Telephone

Plus en détail

Chapitre 5 : Flot maximal dans un graphe

Chapitre 5 : Flot maximal dans un graphe Graphes et RO TELECOM Nancy A Chapitre 5 : Flot maximal dans un graphe J.-F. Scheid 1 Plan du chapitre I. Définitions 1 Graphe Graphe valué 3 Représentation d un graphe (matrice d incidence, matrice d

Plus en détail

Nouvelles propositions pour la résolution exacte du problème de sac à dos bi-objectif unidimensionnel en variables binaires

Nouvelles propositions pour la résolution exacte du problème de sac à dos bi-objectif unidimensionnel en variables binaires Nouvelles propositions pour la résolution exacte du problème de sac à dos bi-objectif unidimensionnel en variables binaires Julien Jorge, Xavier Gandibleux Laboratoire d Informatique de Nantes Atlantique

Plus en détail

Cours Optimisation Partie Optimisation Combinatoire. Année scolaire 2008-2009. Gérard Verfaillie ONERA/DCSD/CD, Toulouse Gerard.Verfaillie@onera.

Cours Optimisation Partie Optimisation Combinatoire. Année scolaire 2008-2009. Gérard Verfaillie ONERA/DCSD/CD, Toulouse Gerard.Verfaillie@onera. Cours Optimisation Partie Optimisation Combinatoire 3ième année ISAE Année scolaire 2008-2009 Gérard Verfaillie ONERA/DCSD/CD, Toulouse Gerard.Verfaillie@onera.fr Septembre 2008 Résumé Ce document couvre

Plus en détail

La NP-complétude. Johanne Cohen. PRISM/CNRS, Versailles, France.

La NP-complétude. Johanne Cohen. PRISM/CNRS, Versailles, France. La NP-complétude Johanne Cohen PRISM/CNRS, Versailles, France. Références 1. Algorithm Design, Jon Kleinberg, Eva Tardos, Addison-Wesley, 2006. 2. Computers and Intractability : A Guide to the Theory of

Plus en détail

www.localsolver.com 1/18

www.localsolver.com 1/18 www.localsolver.com 1/18 Bouygues Une culture de l innovation 2 43 Le Groupe Bouygues 5 métiers CA : 32,7 Mds Routes (1986) BTP (1952) Immobilier (1956) 96,5 % 100 % 100 % CONSTRUCTION (2006) 30,7 % ÉNERGIE

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

Sujets de stage. Sciences de la Fabrication et Logistique. Génie Industriel. Optimisation. Recherche opérationnelle. Simulation

Sujets de stage. Sciences de la Fabrication et Logistique. Génie Industriel. Optimisation. Recherche opérationnelle. Simulation 2011 2012 Sujets de stage Génie Industriel Optimisation Recherche opérationnelle Simulation Sciences de la Fabrication et Logistique Table des matières Problème de planification de production avec des

Plus en détail

E3A PC 2009 Math A. questions de cours. t C). On véri e que

E3A PC 2009 Math A. questions de cours. t C). On véri e que E3A PC 29 Math A questions de cours. Soit C 2 M 3 (R) Analyse : Si C = S + A, S 2 S 3 (R) et A 2 A 3 (R) alors t C = t S + t A = S A d où S = 2 (C +t C) et A = 2 (C t C). L analyse assure l unicité (sous

Plus en détail

ET 24 : Modèle de comportement d un système Boucles de programmation avec Labview.

ET 24 : Modèle de comportement d un système Boucles de programmation avec Labview. ET 24 : Modèle de comportement d un système Boucles de programmation avec Labview. Sciences et Technologies de l Industrie et du Développement Durable Formation des enseignants parcours : ET24 Modèle de

Plus en détail

IBM ILOG CP Optimizer Artelys Kalis Microsoft Solver Foundation Comet Choco Solver MINION Gecode

IBM ILOG CP Optimizer Artelys Kalis Microsoft Solver Foundation Comet Choco Solver MINION Gecode Lignes directrices Introduction à la Programmation par Contraintes TP 1. Présentation de l OPL Ruslan Sadykov INRIA Bordeaux Sud-Ouest 17 Novembre 2014 1 / 18 2 / 18 Logiciels disponibles pour résoudre

Plus en détail

Projet INF242. Stéphane Devismes & Benjamin Wack. Pour ce projet les étudiants doivent former des groupes de 3 ou 4 étudiants.

Projet INF242. Stéphane Devismes & Benjamin Wack. Pour ce projet les étudiants doivent former des groupes de 3 ou 4 étudiants. Projet INF242 Stéphane Devismes & Benjamin Wak Pour e projet les étudiants doivent former des groupes de 3 ou 4 étudiants. 1 Planning Distribution du projet au premier ours. À la fin de la deuxième semaine

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

Représentation des nombres entiers et réels. en binaire en mémoire

Représentation des nombres entiers et réels. en binaire en mémoire L3 Mag1 Phys. fond., cours C 15-16 Rep. des nbs. en binaire 25-09-05 23 :06 :02 page 1 1 Nombres entiers 1.1 Représentation binaire Représentation des nombres entiers et réels Tout entier positif n peut

Plus en détail

Groupes symétriques et alternés

Groupes symétriques et alternés Groupes symétriques et alternés Table des matières 1 Groupe S n 2 2 Cycles 4 2.1 Dénition.................................. 4 2.2 Décomposition d'une permutation..................... 5 3 Classes de conjugaison

Plus en détail

1/24. I passer d un problème exprimé en français à la réalisation d un. I expressions arithmétiques. I structures de contrôle (tests, boucles)

1/24. I passer d un problème exprimé en français à la réalisation d un. I expressions arithmétiques. I structures de contrôle (tests, boucles) 1/4 Objectif de ce cours /4 Objectifs de ce cours Introduction au langage C - Cours Girardot/Roelens Septembre 013 Du problème au programme I passer d un problème exprimé en français à la réalisation d

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

Comparaison entre approche directe et compilée pour un problème de configuration

Comparaison entre approche directe et compilée pour un problème de configuration Comparaison entre approche directe et compilée pour un problème de configuration Nicolas Morbieu Mémoire de stage de M2R soutenu le 23 juin 2006 Directrice de recherche : Hélène Fargier Recherche effectuée

Plus en détail

Travail d Étude et de Recherche. Aide à l optimisation de rendez-vous de type business speed-dating

Travail d Étude et de Recherche. Aide à l optimisation de rendez-vous de type business speed-dating Travail d Étude et de Recherche Aide à l optimisation de rendez-vous de type business speed-dating Alexandre Medi Andreea Radulescu Johan Voland Université de Nantes 10 mai 2011 1 Remerciements En préambule

Plus en détail

Dans ce chapitre nous allons étudier une méthode pratique d anti-phishing, ce qui consiste à un système de classification automatique.

Dans ce chapitre nous allons étudier une méthode pratique d anti-phishing, ce qui consiste à un système de classification automatique. I INTRODUCTION Les pages de phishing sont l un des problèmes majeurs de sécurité sur internet. La majorité des attaques utilisent des méthodes sophistiquées comme les fausses pages pour tromper les utilisateurs

Plus en détail

Optimisation multi-critère pour l allocation de ressources sur Clouds distribués avec prise en compte de l énergie

Optimisation multi-critère pour l allocation de ressources sur Clouds distribués avec prise en compte de l énergie Optimisation multi-critère pour l allocation de ressources sur Clouds distribués avec prise en compte de l énergie 1 Présenté par: Yacine KESSACI Encadrement : N. MELAB E-G. TALBI 31/05/2011 Plan 2 Motivation

Plus en détail

Ordonnancement robuste et décision dans l'incertain

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

Plus en détail

Reproductibilité des expériences de l article "Analyse et réduction du chemin critique dans l exécution d une application"

Reproductibilité des expériences de l article Analyse et réduction du chemin critique dans l exécution d une application Reproductibilité des expériences de l article "Analyse et réduction du chemin critique dans l exécution d une application" Katarzyna Porada and David Parello and Bernard Goossens Univ. Perpignan Via Domitia,

Plus en détail

Programmation en VBA

Programmation en VBA Programmation en VBA Présentation de Visual Basic Visual Basic : Basic : dérivé du langage Basic (Biginner s All purpose Symbolic Instruction Code) des années 60 Visual : dessin et aperçu de l interface

Plus en détail

Programmation en VBA

Programmation en VBA Programmation en VBA Présentation de Visual Basic Visual Basic : Basic : dérivé du langage Basic (Biginner s All purpose Symbolic Instruction Code) des années 60 Visual : dessin et aperçu de l interface

Plus en détail

UML Diagramme de classes (class diagram) pour le recueil et l analyse des besoins. Emmanuel Pichon 2013 V1.1

UML Diagramme de classes (class diagram) pour le recueil et l analyse des besoins. Emmanuel Pichon 2013 V1.1 UML Diagramme de classes (class diagram) pour le recueil et l analyse des besoins 2013 V1.1 Objectif Diagramme de classes (class diagram) pour le recueil des besoins et l analyse Présenter un ensemble

Plus en détail

Nouvelles propositions pour la résolution exacte du sac à dos multi-objectif unidimensionnel en variables binaires

Nouvelles propositions pour la résolution exacte du sac à dos multi-objectif unidimensionnel en variables binaires Nouvelles propositions pour la résolution exacte du sac à dos multi-objectif unidimensionnel en variables binaires Julien Jorge julien.jorge@univ-nantes.fr Laboratoire d Informatique de Nantes Atlantique,

Plus en détail

Commande robuste et extensions Pierre Apkarian. Travail Sous-Marin 15-16 Janv. 2014

Commande robuste et extensions Pierre Apkarian. Travail Sous-Marin 15-16 Janv. 2014 Commande robuste et extensions Pierre Apkarian Travail Sous-Marin 15-16 Janv. 2014 Sommaire Introduction Techniques fondamentales de commande robuste Extensions Travail Sous-Marin 15-16 Janv. 2014 - -

Plus en détail

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

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

Plus en détail

Cours de Master Recherche

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

Plus en détail

Procédure de création d un cours

Procédure de création d un cours Procédure de création d un cours L objectif de ce document, destiné aux enseignants, est de leur montrer les étapes de création d un cours le plus simplement possible. 1/ Pour pouvoir accéder à la plate

Plus en détail

Gestion réactive des opérations de maintien et d actualisation réglementaire et technologique des systèmes complexes.

Gestion réactive des opérations de maintien et d actualisation réglementaire et technologique des systèmes complexes. Gestion réactive des opérations de maintien et d actualisation réglementaire et technologique des systèmes complexes. LE QUERE Yann, SEVAUX Marc, TRENTESAUX Damien, TAHON Christian Equipe Systèmes de Production

Plus en détail

Stratégie de recherche adaptative en programmation par contrainte

Stratégie de recherche adaptative en programmation par contrainte Université Paul Sabatier École Nationale de l Aviation Civile Master 2 Recherche Informatique et Télécommunication parcours Intelligence Artificielle Simon Marchal Stratégie de recherche adaptative en

Plus en détail

Résolution du RCPSP avec production et consommation de ressources : modèles PLNE basés sur les événements

Résolution du RCPSP avec production et consommation de ressources : modèles PLNE basés sur les événements «Évaluation et optimisation des systèmes innovants de production de biens et de services» Résolution du RCPSP avec production et consommation de ressources : modèles PLNE basés sur les événements Oumar

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

Cours d Algorithmique et de Langage C 2005 - v 3.0

Cours d Algorithmique et de Langage C 2005 - v 3.0 Cours d Algorithmique et de Langage C 2005 - v 3.0 Bob CORDEAU cordeau@onera.fr Mesures Physiques IUT d Orsay 15 mai 2006 Avant-propos Avant-propos Ce cours en libre accès repose sur trois partis pris

Plus en détail

Algorithmique et structures de données I

Algorithmique et structures de données I Algorithmique et structures de données I Riadh Ben Messaoud Université 7 novembre à Carthage Faculté des Sciences Économiques et de Gestion de Nabeul 1ère année Licence Fondamentale IAG 1ère année Licence

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

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

Identifiant permanent de la DEE Définition opérationnelle dans le cadre du SINP pour la thématique occurrence de taxon

Identifiant permanent de la DEE Définition opérationnelle dans le cadre du SINP pour la thématique occurrence de taxon Identifiant permanent de la DEE Définition opérationnelle dans le cadre du SINP pour la thématique occurrence de taxon Julie Chataigner (MNHN/SPN), Laurent Poncet (MNHN/SPN), Marie Elise Lecoq (GBIF France),

Plus en détail

la santé numérique les freins et leurs causes Thierry Zylberberg Executive Vice President, Orange Directeur, Orange Healthcare 9 juin 2015

la santé numérique les freins et leurs causes Thierry Zylberberg Executive Vice President, Orange Directeur, Orange Healthcare 9 juin 2015 la santé numérique les freins et leurs causes Thierry Zylberberg Executive Vice President, Orange Directeur, Orange Healthcare 9 juin 2015 deux univers se rencontrent : le monde médical avec ses défis,

Plus en détail

Une calculatrice qui manipule les régions cubiques

Une calculatrice qui manipule les régions cubiques Une calculatrice qui manipule les régions cubiques Emmanuel Haucourt 1 Introduction Alors qu une calculatrice usuelle effectue des opérations numériques (addition, multiplication, soustraction, division,

Plus en détail

Communications collectives et ordonnancement en régime permanent pour plates-formes hétérogènes

Communications collectives et ordonnancement en régime permanent pour plates-formes hétérogènes Loris MARCHAL Laboratoire de l Informatique du Parallélisme Équipe Graal Communications collectives et ordonnancement en régime permanent pour plates-formes hétérogènes Thèse réalisée sous la direction

Plus en détail

METS. Nouvelle offre de formation 2008-2009 IPLV-UCO ANGERS

METS. Nouvelle offre de formation 2008-2009 IPLV-UCO ANGERS METS Nouvelle offre de formation 2008-2009 IPLV-UCO ANGERS Semestre 1 : Module «Gestion de Projets de traduction» CREDITS : 25 PREREQUIS : le cursus préalable de l étudiant doit comprendre des éléments

Plus en détail

Modèle conceptuel : diagramme entité-association

Modèle conceptuel : diagramme entité-association Modèle conceptuel : diagramme entité-association Raison d'être de ce cours «La conception et l'utilisation de bases de données relationnelles sur micro-ordinateurs n'est pas un domaine réservé aux informaticiens.»

Plus en détail

Un propagateur basé sur les positions pour le problème d Open-Shop.

Un propagateur basé sur les positions pour le problème d Open-Shop. Actes JFPC 2007 Un propagateur basé sur les positions pour le problème d Open-Shop. Jean-Noël Monette Yves Deville Pierre Dupont Département d Ingénierie Informatique Université catholique de Louvain {jmonette,yde,pdupont}@info.ucl.ac.be

Plus en détail

GUIDE D'INSTALLATION. AXIS Camera Station

GUIDE D'INSTALLATION. AXIS Camera Station GUIDE D'INSTALLATION AXIS Camera Station A propos de ce guide Ce guide est destiné aux administrateurs et aux utilisateurs de AXIS Camera Station et est applicable pour la version 4.0 du logiciel et les

Plus en détail

Cours Algorithmique, 2ème partie AS IUT

Cours Algorithmique, 2ème partie AS IUT Cours Algorithmique, 2ème partie AS IUT Cours 2 : Arbres Binaires Anne Vilnat http://www.limsi.fr/individu/anne/coursalgo Plan 1 Représentations arborescentes 2 Définition d un arbre binaire récursive

Plus en détail

Plan. Exemple: Application bancaire. Introduction. OCL Object Constraint Language Le langage de contraintes d'uml

Plan. Exemple: Application bancaire. Introduction. OCL Object Constraint Language Le langage de contraintes d'uml OCL Object Constraint Language Le langage de contraintes d'uml Plan 1. Introduction 2. Les principaux concepts d'ocl Object Constraint Language 1 Object Constraint Language 2 Exemple: une application bancaire

Plus en détail

Chapitre 2. Eléments pour comprendre un énoncé

Chapitre 2. Eléments pour comprendre un énoncé Chapitre 2 Eléments pour comprendre un énoncé Ce chapitre est consacré à la compréhension d un énoncé. Pour démontrer un énoncé donné, il faut se reporter au chapitre suivant. Les tables de vérité données

Plus en détail

CReVote: un système de vote électronique résistant à la coercition basé sur les courbes elliptiques

CReVote: un système de vote électronique résistant à la coercition basé sur les courbes elliptiques CReVote: un système de vote électronique résistant à la coercition basé sur les courbes elliptiques Présenté par: AMBASSA PACÔME LANDRY Membre du laboratoire de Mathématiques Expérimentales (LME) Université

Plus en détail

Introduction à MATLAB R

Introduction à MATLAB R Introduction à MATLAB R Romain Tavenard 10 septembre 2009 MATLAB R est un environnement de calcul numérique propriétaire orienté vers le calcul matriciel. Il se compose d un langage de programmation, d

Plus en détail

1 heure pour réussir son site web

1 heure pour réussir son site web 1 heure pour réussir son site web Eric Emery Natural-net Jeudi 16 octobre 2014 Support de l intervention donnée dans le cadre de la Semaine Digitale de Bordeaux 2014 #SDBX4 Eric Emery Dirigeant de Natural-net

Plus en détail

Théorie de l information : historique

Théorie de l information : historique Théorie de l information : historique Développée dans les années quarante par Claude Shannon. Objectif : maximiser la quantité d information pouvant être transmise par un canal de communication imparfait.

Plus en détail

Baccalauréat ES Polynésie (spécialité) 10 septembre 2014 Corrigé

Baccalauréat ES Polynésie (spécialité) 10 septembre 2014 Corrigé Baccalauréat ES Polynésie (spécialité) 10 septembre 2014 Corrigé A. P. M. E. P. Exercice 1 5 points 1. Réponse d. : 1 e Le coefficient directeur de la tangente est négatif et n est manifestement pas 2e

Plus en détail

ÉdIteur officiel et fournisseur de ServIceS professionnels du LogIcIeL open Source ScILab

ÉdIteur officiel et fournisseur de ServIceS professionnels du LogIcIeL open Source ScILab ÉdIteur officiel et fournisseur de ServIceS professionnels du LogIcIeL open Source ScILab notre compétence d'éditeur à votre service créée en juin 2010, Scilab enterprises propose services et support autour

Plus en détail

Diagrammes de décisions binaires

Diagrammes de décisions binaires Diagrammes de décisions binaires Épreuve pratique d'algorithmique et de programmation Concours commun des écoles normales supérieures Durée de l'épreuve: 3 heures 30 minutes Juillet 2009 ATTENTION! N oubliez

Plus en détail

atelier domotique : objet e

atelier domotique : objet e atelier domotique : objet Objectif : Si un objet est en mouvement (ou si sa température évolue), déclencher des actions (envoi email, sirène, ) Étapes : -Faire connaissance avec le matériel -Imaginer un

Plus en détail

Interface MédiaPrime

Interface MédiaPrime Page 1/5 Interface MédiaPrime Le principe de fonctionnement de l interface avec Médiaprime consiste en la création de fichiers textes, à l extension «.txt», dans un dossier d interfaçage paramétrable,

Plus en détail

Base de données en mémoire

Base de données en mémoire Base de données en mémoire Plan Bases de données relationnelles OnLine Analytical Processing Difficultés de l OLAP Calculs en mémoire Optimisations 1 Base de données relationnelle Introduction Date Exemple

Plus en détail

Plus courts chemins, programmation dynamique

Plus courts chemins, programmation dynamique 1 Plus courts chemins, programmation dynamique 1. Plus courts chemins à partir d un sommet 2. Plus courts chemins entre tous les sommets 3. Semi-anneau 4. Programmation dynamique 5. Applications à la bio-informatique

Plus en détail

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

Architecture des Systèmes d Information Architecture des Systèmes d Information

Architecture des Systèmes d Information Architecture des Systèmes d Information Plan... Tableaux et tris I3 - Algorithmique et programmation 1 Rappels Nicol Delestre 2 Tableaux à n dimensions 3 Initiation aux tris Tableaux - v2.0.1 1 / 27 Tableaux - v2.0.1 2 / 27 Rappels : tableau

Plus en détail

Débuter avec EXPRESS. Alain Plantec. 1 Schema 2

Débuter avec EXPRESS. Alain Plantec. 1 Schema 2 Débuter avec EXPRESS Alain Plantec Table des matières 1 Schema 2 2 Entité 2 2.1 Attributs simples................................................ 2 2.2 Attributs collection...............................................

Plus en détail

Le bruit dans les transmissions

Le bruit dans les transmissions Le bruit dans les transmissions Christophe Chabot Université de Limoges - XLIM - DMI - PI2C INRIA Rocquencourt - Projet CODES Séminaire des doctorants - 07/12/2007 Sommaire 1 Introduction 2 Diérents types

Plus en détail

Calcul matriciel. Définition 1 Une matrice de format (m,n) est un tableau rectangulaire de mn éléments, rangés en m lignes et n colonnes.

Calcul matriciel. Définition 1 Une matrice de format (m,n) est un tableau rectangulaire de mn éléments, rangés en m lignes et n colonnes. 1 Définitions, notations Calcul matriciel Définition 1 Une matrice de format (m,n) est un tableau rectangulaire de mn éléments, rangés en m lignes et n colonnes. On utilise aussi la notation m n pour le

Plus en détail

Intelligence Artificielle et Systèmes Multi-Agents. Badr Benmammar bbm@badr-benmammar.com

Intelligence Artificielle et Systèmes Multi-Agents. Badr Benmammar bbm@badr-benmammar.com Intelligence Artificielle et Systèmes Multi-Agents Badr Benmammar bbm@badr-benmammar.com Plan La première partie : L intelligence artificielle (IA) Définition de l intelligence artificielle (IA) Domaines

Plus en détail

Murat Afsar Université de Technologie de Troyes, France Christian Artigues LAAS-CNRS, Université de Toulouse, France Eric Bourreau LIRMM, Université

Murat Afsar Université de Technologie de Troyes, France Christian Artigues LAAS-CNRS, Université de Toulouse, France Eric Bourreau LIRMM, Université Challenge ROADEF/EURO 2010 http://challenge.roadef.org Placement des arrêts des centrales nucléaires à EDF Murat Afsar Université de Technologie de Troyes, France Christian Artigues LAAS-CNRS, Université

Plus en détail

Mise à jour d'une Base Mailing

Mise à jour d'une Base Mailing Mise à jour d'une Base Mailing Import de Calc vers Base Notion de clé primaire Version 1.00 du 31.03.2006 Réalisé avec : OOo 2.0.1 Plate-forme / Os : Toutes Distribué par le projet fr.openoffice.org Table

Plus en détail

GUIDE DE DÉMARRAGE RAPIDE

GUIDE DE DÉMARRAGE RAPIDE INDUSTRIAL AUTOMATION Interactive Graphical SCADA System INSIGHT AND OVERVIEW GUIDE DE DÉMARRAGE RAPIDE Page 1 de 27 Guide de démarrage rapide pour IGSS FREE50 Introduction Ce guide a pour but de vous

Plus en détail

Etude de modèles de programmation par contraintes pour le problème du voyageur de. avec fenêtres de temps.

Etude de modèles de programmation par contraintes pour le problème du voyageur de. avec fenêtres de temps. Actes JFPC 2015 Etude de modèles de programmation par contraintes pour le problème du voyageur de commerce avec fenêtres de temps Sylvain Ducomman 1 2 Hadrien Cambazard 1 Bernard Penz 1 1 Univ. Grenoble

Plus en détail

Utilisation des réseaux bayésiens et de l approche de Fenton pour l estimation de probabilité d occurrence d événements

Utilisation des réseaux bayésiens et de l approche de Fenton pour l estimation de probabilité d occurrence d événements Utilisation des réseaux bayésiens et de l approche de Fenton pour l estimation de probabilité d occurrence d événements Rapport LAAS-CNRS Numéro N o 13077 Quynh Anh DO HOANG, Jérémie GUIOCHET, Mohamed

Plus en détail

Polynômes à plusieurs variables. Résultant

Polynômes à plusieurs variables. Résultant Polynômes à plusieurs variables. Résultant Christophe Ritzenthaler 1 Relations coefficients-racines. Polynômes symétriques Issu de [MS] et de [Goz]. Soit A un anneau intègre. Définition 1.1. Soit a A \

Plus en détail

Éléments d informatique Cours 3 La programmation structurée en langage C L instruction de contrôle if

Éléments d informatique Cours 3 La programmation structurée en langage C L instruction de contrôle if Éléments d informatique Cours 3 La programmation structurée en langage C L instruction de contrôle if Pierre Boudes 28 septembre 2011 This work is licensed under the Creative Commons Attribution-NonCommercial-ShareAlike

Plus en détail

APPLICATION DE LA GESTION DES FILES D ATTENTE PAR RÈGLES DE PRIORITÉ DANS UN JOB SHOP EN TEMPS RÈEL

APPLICATION DE LA GESTION DES FILES D ATTENTE PAR RÈGLES DE PRIORITÉ DANS UN JOB SHOP EN TEMPS RÈEL APPLICATION DE LA GESTION DES FILES D ATTENTE PAR RÈGLES DE PRIORITÉ DANS UN JOB SHOP EN TEMPS RÈEL N. Keddari (1) - A. Hassam (1) 1 keddarinassima@yahoo.fr 1 a_hassam@mail.univ-tlemcen.dz RESUME L ordonnancement

Plus en détail

LES MASTERS RECHERCHE CIRD

LES MASTERS RECHERCHE CIRD L offre de formation LES MASTERS RECHERCHE CIRD ARTS et METIERS PARISTECH Responsable pédagogique : Patrick MARTIN patrick.martin@ensam.fr 33 ( 0) 387375465 LES MASTERS DE RECHERCHE: contexte 2 Européen

Plus en détail

Ordonnancement. N: nains de jardin. X: peinture extérieure. E: électricité T: toit. M: murs. F: fondations CHAPTER 1

Ordonnancement. N: nains de jardin. X: peinture extérieure. E: électricité T: toit. M: murs. F: fondations CHAPTER 1 CHAPTER 1 Ordonnancement 1.1. Étude de cas Ordonnancement de tâches avec contraintes de précédences 1.1.1. Exemple : construction d'une maison. Exercice. On veut construire une maison, ce qui consiste

Plus en détail

4D Progress. Barres de progression Liste alphabétique des commandes

4D Progress. Barres de progression Liste alphabétique des commandes 4D Progress 4D v13 contient un nouveau composant intégré nommé 4D Progress. Ce composant vous permettra d ouvrir une ou plusieurs barres de progression dans une même fenêtre (à l image de l interface du

Plus en détail

Fouille de données orientée motifs, méthodes et usages.

Fouille de données orientée motifs, méthodes et usages. Fouille de données orientée motifs, méthodes et usages. François RIOULT GREYC - Équipe Données-Documents-Langues CNRS UMR 6072 Université de Caen Basse-Normandie France Résumé La fouille de données orientée

Plus en détail

Introduction au WEB Sémantique Cours 2 : Ontologies

Introduction au WEB Sémantique Cours 2 : Ontologies Cours 2 : Ontologies ESIL Université de la méditerranée Odile.Papini@esil.univmed.fr http://odile.papini.perso.esil.univmed.fr/index.html Plan du cours 1 Introduction 2 3 4 5 Bibliographie I Supports de

Plus en détail

Contributions à l'apprentissage automatique de réseau de contraintes et à la constitution automatique de comportements sensorimoteurs en robotique.

Contributions à l'apprentissage automatique de réseau de contraintes et à la constitution automatique de comportements sensorimoteurs en robotique. Contributions à l'apprentissage automatique de réseau de contraintes et à la constitution automatique de comportements sensorimoteurs en robotique. Mathias PAULIN LIRMM (CNRS, Univ. Montpellier II) 161

Plus en détail

Contrainte de flot pour RCPSP avec temps de transfert

Contrainte de flot pour RCPSP avec temps de transfert Contrainte de flot et x-rcpsc T 1 Contrainte de flot pour RCPSP avec temps de transfert PS temp, s ij Cmax BENOIST Thierry BOUYGUES/e-Lab DIAMANTINI Maurice ENSTA/LMA Contrainte de flot et x-rcpsc T Présentation

Plus en détail

OpenSAT : Une plate-forme SAT Open Source

OpenSAT : Une plate-forme SAT Open Source OpenSAT : Une plate-forme SAT Open Source Gilles Audemard Daniel Le Berre Olivier Roussel CRIL, Université d Artois, Lens France {audemard,leberre,roussel}@cril.univ-artois.fr Résumé Cet article présente

Plus en détail

Initiation à LabView : Les exemples d applications :

Initiation à LabView : Les exemples d applications : Initiation à LabView : Les exemples d applications : c) Type de variables : Créer un programme : Exemple 1 : Calcul de c= 2(a+b)(a-3b) ou a, b et c seront des réels. «Exemple1» nom du programme : «Exemple

Plus en détail

Promouvoir l identité coopérative via la RSE? Quelques premiers résultats sur données européennes et françaises

Promouvoir l identité coopérative via la RSE? Quelques premiers résultats sur données européennes et françaises Promouvoir l identité coopérative via la RSE? Quelques premiers résultats sur données européennes et françaises Nadine Richez-Battesti (Lest et Université de la Méditerranée) nrichezbattesti@wanadoo.fr

Plus en détail

INSTALLATION DBSWin 5.0.1 En réseau

INSTALLATION DBSWin 5.0.1 En réseau INSTALLATION DBSWin 5.0.1 En réseau Important : DBSWin 5.0.1 nécessite un lecteur de DVD et minimum 1 Go de RAM 1) PARTAGE DU DISQUE...page 2 2) OUVERTURE DES PORTS DU PARE-FEU WINDOWS...page 3 3) INSTALLATION

Plus en détail

BD réparties. Bases de Données Réparties. SGBD réparti. Paramètres à considérer

BD réparties. Bases de Données Réparties. SGBD réparti. Paramètres à considérer Bases de Données Réparties Définition Architectures Outils d interface SGBD Réplication SGBD répartis hétérogènes BD réparties Principe : BD locales, accès locaux rapides accès aux autres SGBD du réseau

Plus en détail

Découverte et analyse de dépendances dans des réseaux d entreprise

Découverte et analyse de dépendances dans des réseaux d entreprise Découverte et analyse de dépendances dans des réseaux d entreprise Samer MERHI Sous la direction de: Olivier FESTOR LORIA - Equipe MADYNES - Université Henri Poincaré June 24, 2008 1 / 24 Plan 1 Introduction

Plus en détail

Probabilités conditionnelles

Probabilités conditionnelles Probabilités conditionnelles Exercice Dans une usine, on utilise conjointement deux machines M et M 2 pour fabriquer des pièces cylindriques en série. Pour une période donnée, leurs probabilités de tomber

Plus en détail

Fiche n 2: Morphisme, sous-groupe distingué, quotient

Fiche n 2: Morphisme, sous-groupe distingué, quotient Université Lille 1 Algèbre 2010/11 M51.MIMP Fiche n 2: Morphisme, sous-groupe distingué, quotient Exercice 1 Soient G, G deux groupes et f un homomorphisme de G dans G. Montrer que si A G, alors f( A )

Plus en détail

Ocularis. NOVADIS 14 place Marie Jeanne Bassot 92 300 Levallois Perret Tel : +(33) 1 41 34 03 90 Fax : +(33) 1 41 34 09 91 www.novadis.

Ocularis. NOVADIS 14 place Marie Jeanne Bassot 92 300 Levallois Perret Tel : +(33) 1 41 34 03 90 Fax : +(33) 1 41 34 09 91 www.novadis. Ocularis NOVADIS 14 place Marie Jeanne Bassot 92 300 Levallois Perret Tel : +(33) 1 41 34 03 90 Fax : +(33) 1 41 34 09 91 www.novadis.eu Ocularis La dernière génération de plateforme VMS d OnSSI, Ocularis,

Plus en détail