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

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

Lignes directrices. Introduction à la Programmation par Contraintes. Lignes directrices. Affectation des fréquences : énoncé

Lignes directrices. Introduction à la Programmation par Contraintes. Lignes directrices. Affectation des fréquences : énoncé Introduction à la Programmation par Contraintes Cours 5. Modélisation des problèmes réels (ou proches de la réalité). Ruslan Sadykov INRIA Bordeaux Sud-Ouest 10 Novembre 2014 1 / 35 2 / 35 : énoncé Il

Plus en détail

Sortie : OUI si n est premier, NON sinon. On peut voir Premier aussi comme une fonction, en remplaçant OUI par 1 et NON par 0.

Sortie : OUI si n est premier, NON sinon. On peut voir Premier aussi comme une fonction, en remplaçant OUI par 1 et NON par 0. Université Bordeaux 1. Master Sciences & Technologies, Informatique. Examen UE IN7W11, Modèles de calcul. Responsable A. Muscholl Session 1, 2011 2012. 12 décembre 2011, 14h-17h. Documents autorisés :

Plus en détail

Chapitre 6. Modélisation en P.L.I. 6.1 Lien entre PL et PLI. 6.1.1 Approximation de la PLI

Chapitre 6. Modélisation en P.L.I. 6.1 Lien entre PL et PLI. 6.1.1 Approximation de la PLI Chapitre 6 Modélisation en P.L.I. 6.1 Lien entre PL et PLI (P) problème de PL. On restreint les variables à être entières : on a un problème de PLI (ILP en anglais). On restreint certaines variables à

Plus en détail

Introduction au Logiciel GAMS (General Algebraic Modeling System)

Introduction au Logiciel GAMS (General Algebraic Modeling System) Introduction au Logiciel GAMS (General Algebraic Modeling System) J.-M. Reneaume SOMMAIRE A. INTRODUCTION... 1 B. DESCRIPTION DU MODELE... 3 1. Structure générale du modèle... 3 a) Structure du fichier

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

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

Les tableaux. Algorithmique et Programmation en C. Chapitre 5 Karim Bouzoubaa

Les tableaux. Algorithmique et Programmation en C. Chapitre 5 Karim Bouzoubaa Les tableaux Algorithmique et Programmation en C Chapitre 5 Karim Bouzoubaa 1 Chapitre 5 : Les tableaux Objectifs Comprendre la notion de tableaux et la situer par rapport aux autres types de données Être

Plus en détail

Utilisation de la grille CONFIIT pour la résolution du problème de car-sequencing

Utilisation de la grille CONFIIT pour la résolution du problème de car-sequencing Utilisation de la grille CONFIIT pour la résolution du problème de car-sequencing Pierre-Paul Mérel, Michaël Krajecki, Olivier Flauzac, Simon Boivin. NP-Par'05 05/04/05 Plan de l'exposé Problème de car-sequencing.

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

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

Exploration des capacités des CSP pour la localisation d erreurs à partir de. contre-exemples

Exploration des capacités des CSP pour la localisation d erreurs à partir de. contre-exemples École Doctorale STIC de l Université de Nice Sophia-Antipolis capacités des CSP pour la localisation d erreurs Domaine: Mathématique-informatique Filière: Informatique Juin 2012 Présenté par : BEKKOUCHE

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

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

Projet ROSCOV Robuste Ordonnancement de Systèmes de Contrôle de Vol

Projet ROSCOV Robuste Ordonnancement de Systèmes de Contrôle de Vol Journée de l Institut Farman ENS Cachan 26 novembre 2013 Projet ROSCOV Robuste Ordonnancement de Systèmes de Contrôle de Vol L. Fribourg, D. Lesens, P. Moro, R. Soulat L. Fribourg, D. Lesens, R. Soulat

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

3 Instructions (suite)

3 Instructions (suite) Initiation à la programmation et cours 2 1 3 Instructions (suite) Introduction En comme en programmation : l'ordre des instructions est primordial Le processeur exécute les instructions dans l'ordre dans

Plus en détail

Table des matières. Coopération homme-machine pour l ordonnancement sous incertitudes. L atelier de production. Introduction.

Table des matières. Coopération homme-machine pour l ordonnancement sous incertitudes. L atelier de production. Introduction. Coopération homme-machine pour l ordonnancement sous incertitudes Guillaume Pinot IRCCyN, équipes ACSED et PsyCoTec Christian Artigues CR, CNRS, Toulouse Rapporteur Jacques Carlier Pr., UTC, Compiègne

Plus en détail

Code MARTHE : Performances des solveurs pour les calculs hydrodynamiques

Code MARTHE : Performances des solveurs pour les calculs hydrodynamiques Code MARTHE : Performances des solveurs pour les calculs hydrodynamiques Note technique NT EAU 2004/18 juin 2004 Dominique THIÉRY Synthèse Dans le code de calcul MARTHE il est possible de choisir parmi

Plus en détail

Chargement de processus Allocation contigüe Allocation fragmentée Gestion de pages. Gestion mémoire. Julien Forget

Chargement de processus Allocation contigüe Allocation fragmentée Gestion de pages. Gestion mémoire. Julien Forget Julien Forget Université Lille 1 École Polytechnique Universitaire de Lille Cité Scientifique 59655 Villeneuve d Ascq GIS 3 2011-2012 1 / 46 Rôle du gestionnaire de mémoire Le gestionnaire de mémoire a

Plus en détail

LIF1 : ALGORITHMIQUE ET PROGRAMMATION IMPÉRATIVE, INITIATION

LIF1 : ALGORITHMIQUE ET PROGRAMMATION IMPÉRATIVE, INITIATION Licence STS Université Claude Bernard Lyon I LIF1 : ALGORITHMIQUE ET PROGRAMMATION IMPÉRATIVE, INITIATION 1 COURS 5 : Les Tableaux PLAN DE LA SÉANCE Comprendre l utilité des tableaux Apprendre à manipuler

Plus en détail

Programmation Linéaire Cours 1 : programmes linéaires, modélisation et résolution graphique

Programmation Linéaire Cours 1 : programmes linéaires, modélisation et résolution graphique Programmation Linéaire Cours 1 : programmes linéaires, modélisation et résolution graphique F. Clautiaux francois.clautiaux@math.u-bordeaux1.fr Université Bordeaux 1 Bât A33 Motivation et objectif du cours

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

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

ATELIER ALGORITHME PREMIERS PAS Journée d information sur les nouveaux programmes de Première S-ES 2010-2011

ATELIER ALGORITHME PREMIERS PAS Journée d information sur les nouveaux programmes de Première S-ES 2010-2011 Pour me contacter : irene.rougier@ac-clermont.fr 1. Introduction ATELIER ALGORITHME PREMIERS PAS Journée d information sur les nouveaux programmes de Première S-ES 2010-2011 De nombreux documents et informations

Plus en détail

Feuille 1 : Autour du problème SAT

Feuille 1 : Autour du problème SAT Master-2 d Informatique 2014 2015 Complexit Algorithmique Applique. Feuille 1 : Autour du problème SAT 1 Rappels sur SAT Énoncé du problème. Le problème SAT (ou le problème de Satisfaisabilité) est le

Plus en détail

ROADEF/EURO challenge 2010

ROADEF/EURO challenge 2010 ROADEF/EURO challenge 2010 Placement des arrêts des centrales nucléaires à EDF 25 février 2010 ROADEF 2010 Toulouse Guillaume Dereu guillaume.dereu@edf.fr EDF R&D, équipes optimisation et gestion de la

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

Systèmes d Exploitation Chapitre 6 Sémaphores

Systèmes d Exploitation Chapitre 6 Sémaphores Systèmes d Exploitation Chapitre 6 Sémaphores F. Moal 2012/2013 Par DIJKSTRA 1971 Idée : encapsuler les solutions diverses au pb de la section critique pour fournir une interface unique et assurer la portabilité.

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

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

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

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

Modèle probabiliste: Algorithmes et Complexité

Modèle probabiliste: Algorithmes et Complexité Modèles de calcul, Complexité, Approximation et Heuristiques Modèle probabiliste: Algorithmes et Complexité Jean-Louis Roch Master-2 Mathématique Informatique Grenoble-INP UJF Grenoble University, France

Plus en détail

Optimisation de plans de financement immobiliers

Optimisation de plans de financement immobiliers Optimisation de plans de financement immobiliers ~ Frédéric GARDI 03/07/2007 Présentation du problème Plan/solution de financement : assemblage/mix de produits Pour chaque prêt du plan : son montant, sa

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

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

Guide de démarrage rapide de WinReporter

Guide de démarrage rapide de WinReporter Guide de démarrage rapide de WinReporter Pour plus d information à propos de WinReporter, vous pouvez contacter IS Decisions à : Tél : +33 (0)5.59.41.42.20 (Heure française : GMT +1) Fax : +33 (0)5.59.41.42.21

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

Résolution générique à la volée de systèmes d équations booléennes et applications

Résolution générique à la volée de systèmes d équations booléennes et applications Résolution générique à la volée de systèmes d équations booléennes et applications Radu Mateescu INRIA Rhône-Alpes / VASY Plan Introduction Systèmes d équations booléennes d alternance 1 Algorithmes de

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

Supply chain planning and optimization

Supply chain planning and optimization Supply chain planning and optimization «Les bonnes pratiques de la planification industrielle» Webinaire 21 Mai 2013. All rights reserved. Quintiq is a registered mark of Quintiq Holding B.V. Contributeurs

Plus en détail

travail d étude et de recherche

travail d étude et de recherche WERNER Nicolas M1 IFA travail d étude et de recherche Encadré par Simon E. B. Thierry Table des matières 1 Introduction 3 2 Principe du jeu 4 2.1 Règles du jeu........................... 4 2.2 Tactiques

Plus en détail

Problèmes de transport et transbordement

Problèmes de transport et transbordement Problèmes de transport et transbordement Résolution Hugues Talbot Laboratoire A2SI 9 avril 2009 Plan Introduction Introduction Solution des problèmes de transport Solution de base initiale Le simplexe

Plus en détail

Filtres dans Alert. Micromedia International Document technique. Auteur: Pierre Chevrier. Pages : 12. Société : Micromedia International

Filtres dans Alert. Micromedia International Document technique. Auteur: Pierre Chevrier. Pages : 12. Société : Micromedia International Micromedia International Document technique Auteur: Pierre Chevrier Pages : 12 Société : Micromedia International Date : 06/10/20144 Réf. : ETT_20141006_000001_fr.docx Filtres dans Alert Ce document décrit

Plus en détail

Résumé du chapitre 8 Ressources et interblocage

Résumé du chapitre 8 Ressources et interblocage Résumé du chapitre 8 Ressources et interblocage Jacques Mossière 12 août 2004 1 Introduction Ce chapitre est consacré à l étude d un problème classique dans les systèmes, l interblocage, c est à dire l

Plus en détail

Modbus 06/05/2013. Version 1.3

Modbus 06/05/2013. Version 1.3 06/05/2013 Version 1.3 Le protocole Modbus TCP, mode «Maître» Table des matières 1 Pré-requis... 3 2 Connecteur Modbus... 3 2.1 Ajout d un connecteur Modbus TCP... 3 2.2 Configuration d un connecteur Modbus

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

Supply Chain Planning & Optimization. Les bonnes pratiques de la planification industrielle

Supply Chain Planning & Optimization. Les bonnes pratiques de la planification industrielle 1 Supply Chain Planning & Optimization Les bonnes pratiques de la planification industrielle Contributeurs Cathy Polge Rémi Lequette Co-fondatrice et Rédactrice en chef - Supply Chain Magazine Chargée

Plus en détail

Routage, Allocations de Ressources et Équilibres.

Routage, Allocations de Ressources et Équilibres. Routage, Allocations de Ressources et Équilibres. Johanne Cohen Johanne.Cohen@loria.fr CNRS, Laboratoire LORIA, Nancy. Routage, Allocations de Ressources et Équilibres. p.1/23 Jeu Ciseaux/Papier/Caillou.

Plus en détail

L apport de l analyse textuelle à la statistique d entreprise :

L apport de l analyse textuelle à la statistique d entreprise : L apport de l analyse textuelle à la statistique d entreprise : L exploitation de 10 ans de visites d entreprises par les DIRECCTE Nicolas CAVALLO JMS 2015 SESSION 3 : ANALYSE DES DONNÉES 1 er avril 2015

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

Cours IFT6266, Apprentissage Non-Supervisé de Variétés

Cours IFT6266, Apprentissage Non-Supervisé de Variétés Cours IFT6266, Apprentissage Non-Supervisé de Variétés L Apprentissage Non-Supervisé L apprentissage non-supervisé vise à caractériser la distribution des données, et les relations entre les variables,

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

Optimisation en nombres entiers

Optimisation en nombres entiers Optimisation en nombres entiers p. 1/83 Optimisation en nombres entiers Michel Bierlaire michel.bierlaire@epfl.ch EPFL - Laboratoire Transport et Mobilité - ENAC Optimisation en nombres entiers p. 2/83

Plus en détail

Rapport du projet C#

Rapport du projet C# Rapport du projet C# Le Snake VINCENT Benjamin WISSON Thomas GMM2 Année universitaire 2011-2012 Encadré par M De Vaulx Page 2 Introduction Dans le cadre de notre deuxième année en école d ingénieurs à

Plus en détail

Analyse de données pour l aide à la décision interactive en optimisation ROADEF de 2010 tournées1 de / 23 véhi

Analyse de données pour l aide à la décision interactive en optimisation ROADEF de 2010 tournées1 de / 23 véhi Analyse de données pour l aide à la décision interactive en optimisation de tournées de véhicules B. GACIAS 1, P. LOPEZ 1, J. CEGARRA 2 1 LAAS-CNRS; Université de Toulouse, France 2 CLLE; Université de

Plus en détail

Quelques perspectives pour la programmation mathématique en commande robuste

Quelques perspectives pour la programmation mathématique en commande robuste Quelques perspectives pour la programmation mathématique en commande robuste P. Apkarian, D. Arzelier, D. Henrion, D. Peaucelle UPS - CERT - LAAS-CNRS Contexte de la commande robuste 2 Théorie de la complexité

Plus en détail

Outlook avancé pour la gestion de projet

Outlook avancé pour la gestion de projet Pour simplifier la gestion et l exécution de multiples projets Introduction De plus en plus de gens ont à gérer des projets dans l exercice normal de leurs fonctions. Pour tenir compte de cette nouvelle

Plus en détail

Regroupement (clustering) Bruno Pinaud (basé sur le support de Sofian Maabout)

Regroupement (clustering) Bruno Pinaud (basé sur le support de Sofian Maabout) 1 Regroupement (clustering) Bruno Pinaud (basé sur le support de Sofian Maabout) C est quoi? Regroupement (Clustering): construire une collection d objets Similaires au sein d un même groupe Dissimilaires

Plus en détail

ÉTUDE DE LA VOITURE ÉLECTRIQUE SANS PERMIS. ARNOULT Simon GOUNOT Maxence LOPEZ Vincent RIBEYROL Simon

ÉTUDE DE LA VOITURE ÉLECTRIQUE SANS PERMIS. ARNOULT Simon GOUNOT Maxence LOPEZ Vincent RIBEYROL Simon ÉTUDE DE LA VOITURE ÉLECTRIQUE SANS PERMIS ARNOULT Simon GOUNOT Maxence LOPEZ Vincent RIBEYROL Simon Analyse fonctionnelle de la voiture électrique sans permis I-] Les différents types de tractions et

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

Recherche opérationnelle. Programmation linéaire et recherche opérationnelle. Programmation linéaire. Des problèmes de RO que vous savez résoudre

Recherche opérationnelle. Programmation linéaire et recherche opérationnelle. Programmation linéaire. Des problèmes de RO que vous savez résoudre Recherche opérationnelle Programmation linéaire et recherche opérationnelle Ioan Todinca Ioan.Todinca@univ-orleans.fr tél. 0 38 41 7 93 bureau : en bas à gauche Tentative de définition Ensemble de méthodes

Plus en détail

Reconnaissance Mutuelle retour d expériences et évolutions

Reconnaissance Mutuelle retour d expériences et évolutions Reconnaissance Mutuelle retour d expériences et évolutions Thierry Mercier, directeur adjoint Direction du végétal et de l environnement Colloque Bilan de la DiVE du 3 juillet 2008 Contexte réglementaire

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

Les modèles technologiques de la localisation

Les modèles technologiques de la localisation Les modèles technologiques de la localisation Les modèles technologiques de la localisation Cécile Martin Université Rennes 2 Avant d entrer en détails dans les modèles technologiques de la localisation,

Plus en détail

Co Design Mécanique/ Contrôle d Attitude d un Satellite Flexible avec Commande Robuste Structurée

Co Design Mécanique/ Contrôle d Attitude d un Satellite Flexible avec Commande Robuste Structurée Co Design Mécanique/ Contrôle d Attitude d un Satellite Flexible avec Commande Robuste Structurée Etude supervisé par: Jose Alvaro PEREZ GONZALEZ Doctorant à ONERA DCSD Christelle PITTET Thomas LOQUEN

Plus en détail

La logique et les tests

La logique et les tests UEF 1 : Informatique & Programmation Faculté des Sciences de Nice DEUG 2000-2001 La logique et les tests Jérôme DURAND-LOSE Sandrine JULIA Jean-Paul ROY COURS 5 2 Les valeurs booléennes et Ne pas confondre

Plus en détail

Concours 2015 Épreuve d Informatique Filière : MP Durée de l épreuve : 3 heures. L utilisation d une calculatrice est autorisée.

Concours 2015 Épreuve d Informatique Filière : MP Durée de l épreuve : 3 heures. L utilisation d une calculatrice est autorisée. A 2015 INFO. MP École des Ponts ParisTech, SUPAERO (ISAE), ENSTA ParisTech, Télécom ParisTech, Mines ParisTech, Mines de Saint-étienne, Mines Nancy, Télécom Bretagne, ENSAE ParisTech (filière MP), École

Plus en détail

Informatique pour scientifiques hiver 2003-2004. Plan général Systèmes d exploitation

Informatique pour scientifiques hiver 2003-2004. Plan général Systèmes d exploitation Informatique pour scientifiques hiver 2003-2004 20 Janvier 20004 Systèmes d exploitation - partie 2 (=OS= Operating Systems) Dr. Dijana Petrovska-Delacrétaz DIVA group, DIUF 1 Plan général Systèmes d exploitation

Plus en détail

Préparation à l agrégation 2012/2013. Mots clés : Graphes. Vecteur propre ; matrices stochastiques ; matrices à coefficients positifs.

Préparation à l agrégation 2012/2013. Mots clés : Graphes. Vecteur propre ; matrices stochastiques ; matrices à coefficients positifs. Mots clés : Graphes. Vecteur propre ; matrices stochastiques ; matrices à coefficients positifs. Le jury n exige pas une compréhension exhaustive du texte. Vous êtes laissé(e) libre d organiser votre discussion

Plus en détail

Bases de données documentaires et distribuées Cours NFE04

Bases de données documentaires et distribuées Cours NFE04 Bases de données documentaires et distribuées Cours NFE04 Introduction a la recherche d information Auteurs : Raphaël Fournier-S niehotta, Philippe Rigaux, Nicolas Travers prénom.nom@cnam.fr Département

Plus en détail

Algorithmique et Structures de Données

Algorithmique et Structures de Données 1.1 Algorithmique et Structures de Données Jean-Charles Régin Licence Informatique 2ème année 1.2 Itérations Jean-Charles Régin Licence Informatique 2ème année Itération : définition 3 En informatique,

Plus en détail

Introduction à l algorithmique et à la programmation 2013-2014. Cyril Nicaud Cyril.Nicaud@univ-mlv.fr. Cours 1 / 5

Introduction à l algorithmique et à la programmation 2013-2014. Cyril Nicaud Cyril.Nicaud@univ-mlv.fr. Cours 1 / 5 Introduction à l algorithmique et à la programmation IUT 1ère année 2013-2014 Cyril Nicaud Cyril.Nicaud@univ-mlv.fr Cours 1 / 5 Déroulement du cours Organisation : 5 séances de 2h de cours 10 séances de

Plus en détail

CHAPITRE 6. Capteurs intelligents

CHAPITRE 6. Capteurs intelligents CHAPITRE 6 Capteurs intelligents Gwenaëlle TOULMINET asi 2002-2003 1 Introduction Développement industriel nécessite une instrumentation coûteuse Maîtrise des procédés de fabrication. Maîtrise de la qualité

Plus en détail

Qualité logicielle, tests, débogage

Qualité logicielle, tests, débogage Qualité logicielle, tests, débogage A. Accro aux tests? Une introduction au test logiciel................ 4 Pourquoi le test logiciel? Des tests, pour gagner du temps! Pour aller plus loin Les objectifs

Plus en détail

M2 MPRO. Optimisation dans les Graphes 2014-2015

M2 MPRO. Optimisation dans les Graphes 2014-2015 M2 MPRO Optimisation dans les Graphes 2014-2015 Programmation linéaire et problèmes d'optimisation dans les graphes 1 Problèmes d'optimisation dans les graphes : quelles méthodes pour les résoudre? Théorie

Plus en détail

Solveur linéaire sur GPU

Solveur linéaire sur GPU Thomas JOST 1 Sylvain CONTASSOT-VIVIER 1,2 Stéphane VIALLE 1,3 1 Équipe AlGorille, LORIA 2 Université Henri Poincaré Nancy 1 3 Équipe IMS Supélec (Metz) 1 Introduction 2 Contraintes et algorithmes Structure

Plus en détail

Problèmes de transport

Problèmes de transport Problèmes de transport formulation des problèmes d affectation Hugues Talbot Laboratoire A2SI 31 mars 2009 Problèmes de Transport Introduction Distribution Théorie Équilibrage Modélisation Plan Solution

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

Rédiger un rapport technique

Rédiger un rapport technique Rédiger un rapport technique Prof. N. Fatemi Plan Introduction Présentation écrite Programmation du travail Rédaction Conseils génériques Références 2 Introduction Objectifs du cours Savoir étudier un

Plus en détail

Agrégation de liens xdsl sur un réseau radio

Agrégation de liens xdsl sur un réseau radio Agrégation de liens xdsl sur un réseau radio Soutenance TX Suiveur: Stéphane Crozat Commanditaire: tetaneutral.net/laurent Guerby 1 02/02/212 Introduction 2 Introduction: schéma 3 Définition d un tunnel

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

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

BTS INFORMATIQUE DE GESTION ISE4D SESSION 2010 E4R : ÉTUDE DE CAS. Durée : 5 heures Coefficient : 5 CAS NOIXCOOP ÉLÉMENTS DE CORRECTION

BTS INFORMATIQUE DE GESTION ISE4D SESSION 2010 E4R : ÉTUDE DE CAS. Durée : 5 heures Coefficient : 5 CAS NOIXCOOP ÉLÉMENTS DE CORRECTION E4R : ÉTUDE DE CAS Durée : 5 heures Coefficient : 5 CAS NOIXCOOP ÉLÉMENTS DE CORRECTION Barème Dossier 1 : Distribution de noix 32 points Dossier 2 : Commercialisation de plants de noyers 16 points Dossier

Plus en détail

Architecture de sauvegarde, le retour

Architecture de sauvegarde, le retour Architecture de sauvegarde, le retour 1 Architecture de sauvegarde, le retour Ludovic Courtès LAAS-CNRS Architecture de sauvegarde, le retour 2 Découpage et sauvegarde d un fichier - Introduction - Découper

Plus en détail

Génération de nombres pseudo-aléatoires basée sur des fonctions chaotiques

Génération de nombres pseudo-aléatoires basée sur des fonctions chaotiques 1/28 EJCIM, Perpignan 8-12 Avril 2013 Génération de nombres pseudo-aléatoires basée sur des fonctions chaotiques Vendredi 12 Avril 2013 Michael FRANÇOIS École Jeunes Chercheurs en Informatique-Mathématiques

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

Exploitation du potentiel de l'audit interne

Exploitation du potentiel de l'audit interne Exploitation du potentiel de l'audit interne 18 novembre 2014 Grant Thornton LLP. A Canadian Member of Grant Thornton International Ltd Introduction de Andy Poprawa, Président et chef de la direction,

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

Gestion de tampon en ligne

Gestion de tampon en ligne Gestion de tampon en ligne pour illustrer des techniques centrales en algorithmique en ligne C. Dürr CNRS, LIP6 roadef 2014 La scène devant le frigo jeter les aliments périmés découvrir ce que son compagnon

Plus en détail

Exemples de problèmes N P-complets

Exemples de problèmes N P-complets Exemples de problèmes N P-complets MTH6311 S. Le Digabel, École Polytechnique de Montréal H2014 (v2) MTH6311: Exemples de problèmes NP-complets 1/22 Plan 1. Rappels essentiels 2. Problème SAT 3. Autres

Plus en détail

Structurer ses données : les tableaux. Introduction à la programmation

Structurer ses données : les tableaux. Introduction à la programmation Structurer ses données : les tableaux Introduction à la programmation Plan du document Introduction Introduire la notion de type Types primitifs Types composés Tableaux de type primitif Page 2 Notion de

Plus en détail

Les cours du primaire disponibles gratuitement sur le site www.academie-en-ligne.fr

Les cours du primaire disponibles gratuitement sur le site www.academie-en-ligne.fr Poitiers, le mercredi 23 septembre 2009 Les cours du primaire disponibles gratuitement sur le site www.academie-en-ligne.fr Lancée le 19 juin dernier par le ministre de l Éducation nationale, l Académie

Plus en détail

Analyse de la complexité algorithmique (1)

Analyse de la complexité algorithmique (1) Analyse de la complexité algorithmique (1) L analyse de la complexité telle que nous l avons vue jusqu à présent nous a essentiellement servi à déterminer si un problème est ou non facile (i.e. soluble

Plus en détail

MODELE D AVIS D APPEL PUBLIC A LA CONCURRENCE

MODELE D AVIS D APPEL PUBLIC A LA CONCURRENCE Page 1 MODELE D AVIS D APPEL PUBLIC A LA CONCURRENCE pris en application de l article 2 du décret n 2004-16 du 7 janvier 2004 modifié concernant certains marchés publics passés pour les besoins de la défense

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

I L AS «Compilation pour les systèmes embarqués» II Méthodes d analyse et d optimisation de programmes

I L AS «Compilation pour les systèmes embarqués» II Méthodes d analyse et d optimisation de programmes I L AS «Compilation pour les systèmes embarqués»...situation et problématique II Méthodes d analyse et d optimisation de programmes...approche collaborative et exemples de techniques Philippe Clauss ICPS-LSIIT,

Plus en détail

QMS-QUA-03 Mesures correctives et préventives

QMS-QUA-03 Mesures correctives et préventives 1 Domaine et application 1.1 Objectif QMS-QUA-03 Mesures correctives et préventives Fournir une méthode efficace et uniforme d aborder les problèmes, les plaintes, les suggestions et les anomalies concernant

Plus en détail

PC1 :192.168.1.87 PC2 :192.168.1.180

PC1 :192.168.1.87 PC2 :192.168.1.180 Utilisation du serveur WEB avec le logiciel AUTOMGEN 1 Introduction Le serveur WEB d AUTOMGEN permet de réaliser des applications de supervision accessibles à partir d un navigateur Internet PC1 :192.168.1.87

Plus en détail