Approche d'évaluation pour les problèmes d'ordonnancement multicritères : Méthode d'agrégation avec direction de recherche dynamique

Dimension: px
Commencer à balayer dès la page:

Download "Approche d'évaluation pour les problèmes d'ordonnancement multicritères : Méthode d'agrégation avec direction de recherche dynamique"

Transcription

1 Approche d'évaluation pour les problèmes d'ordonnancement multicritères : Méthode d'agrégation avec direction de recherche dynamiue D. BERKOUNE 2, K. MESGHOUNI, B. RABENASOLO 2 LAGIS UMR CNRS 846, Ecole Centrale de Lille, BP 48, 5965 Villeneuve d Asc Cedex, France 2 GEMTEX EA 246, Ecole Nationale Supérieure des Arts et Industries Textiles 9, rue de l Ermitage, BP 30329, Roubaix Cedex 0, France Résume : Dans ce papier, nous traitons l un des problèmes survenant dans les ateliers de production où on souhaite maximiser la uantité des produits réalisés tout en minimisant au mieux le maespan et les coûts de production, en utilisant les algorithmes génétiues. L'obectif principal est de générer une variété de solutions optimales diversifiées dans l'espace de recherche, et d'aider le décideur uand il ne peut pas donner une préférence particulière de uelues fonctions obectives.. Introduction L optimisation multi-obectif cherche à optimiser plusieurs composantes d un vecteur fonction coût. Contrairement à l optimisation uni-obectif, la solution d un problème multi-obectif (PMO) n est pas une solution uniue, mais un ensemble de solutions, connu comme l ensemble des solutions Pareto optimales (PO). Toute solution de cet ensemble est optimale dans le sens u'aucune amélioration ne peut être faite sur une composante du vecteur sans dégradation d'au moins une autre composante du vecteur (Talbi, 999). Le choix d une solution par rapport à une autre nécessite la connaissance du problème et de nombreux facteurs liés au problème. Ainsi, une solution choisie par le décideur peut ne pas être acceptable pour un autre décideur. Il est donc utile d avoir plusieurs alternatives dans le choix d une solution Pareto optimale (PO). Dans cet article, on s intéresse aux problèmes d ordonnancement dans les ateliers de production ou l obectif principal étant de produire le maximum de produits avec un temps et un coût minimum. On souhaite alors minimiser le maespan et le coût de production en utilisant les algorithmes génétiues, ces dernier ont été efficacement utilisés dans la résolution des problèmes multicritères (Talbi, 999), (Srinivas et al., 995). Pour la minimisation de ces critères il existe plusieurs méthodes de transformation des problèmes multi-obectifs en problèmes uni-obectifs (Collette et al., 2002). Le but principal est de générer une variété de solution Pareto optimales diversifiées dans l'espace de recherche. Ce papier est organisé comme suit : dans la section 2 nous présentons les PMO. Une définition des algorithmes génétiues et leurs opérateurs est présentée dans la section 3. Dans les sections 4 et 5 nous faisons une description du problème d'ordonnancement et de l'approche utilisée pour calculer les bornes inférieures. Notre approche de résolution des PMO est présentée dans la section 6. Dans la section 7, nous montrons l efficacité de l approche utilisée par des exemples. Enfin, dans la conclusion, nous présentons uelues perspectives de recherche dans le domaine. 2. Définition du problème Multicritères Un PMO peut-être définit de la manière suivante : F(x) = (f (x),f 2 (x),,f L (x)) avec x C () Où L 2 est le nombre de fonctions obectifs, x=(x,x 2,,x L ) est le vecteur représentant les variables de décision et F(x) est le vecteur des critères à optimiser, C représente l ensemble des solutions réalisables associé à des contraintes d égalité, d inégalité et des bornes explicites. Dans la résolution de PMO, plusieurs méthodes traditionnelles transforment le PMO en un problème uni-obectif. Parmi ces méthodes on trouve : La méthode d agrégation, la méthode de compromis, et la méthode de programmation par but (Talbi, 999), (Collette et al., 999). Ces approches ont été largement utilisées dans la littérature à l aide de différentes métaheuristiues tel ue : Algorithmes génétiues (Liu et al., 998). Recuit simulé (Serafini, 992). Recherche tabou (Glover et al., 997). Dans notre travail nous utiliserons les algorithmes génétiues pour le problème multi-obectif dont le but de minimiser deux critères ui sont : La durée et le coût de

2 production, pour cela on utilise les méthodes d'agrégation avec recherche dynamiue de direction ui permet d'aider le décideur uand il ne peut pas clairement donner une préférence particulière de uelues fonctions obectifs. 3. Conception des algorithmes génétiues La première description rigoureuse du processus des algorithmes génétiues (AGs) a été donnée par Holland en 960 (Holland, 975). Les AGs sont des algorithmes itératifs de recherche dont le but est d optimiser une fonction prédéfinie appelée le critère ou fonction coût (fitness), ils travaillent en parallèle sur un ensemble de solutions candidates, appelé «population» d individus ou chromosomes. Ces derniers sont constitués d un ensemble d éléments appelés «gènes» ui peuvent prendre plusieurs valeurs appelées «allèles» (Renders, 995). Un chromosome est une représentation ou un codage sous forme de chaîne d une solution du problème donné. Une première population est choisie soit aléatoirement, soit par des heuristiues ou par des méthodes spécifiues au problème, soit encore par mélange de solutions aléatoires et heuristiues, cette population doit être suffisamment diversifiée pour ue l'algorithme ne reste pas bloué dans un optimum local. C'est ce ui se produit lorsue trop d'individus sont semblables. Les AGs génèrent de nouveaux individus de telle sorte u ils soient plus performants ue leurs prédécesseurs. Le processus d amélioration des individus s effectue par utilisation d opérateurs génétiues ui sont : la sélection, le croisement et la mutation (Syswerda, 990, Goldberg, 989). Codage : Un individu (ou chromosome) est représenté par une matrice, chaue ligne représente la gamme de chaue ordre de fabrication. Chaue cellule de cette ligne (représentant une opération) contient deux termes. Le premier indiue le numéro de la machines ui est affectée à l exécution de cette opération, le second représente la date de début d exécution de l opération si son affectation sur cette machine est définitive cette date est calculée en tenant compte des contraintes de ressource et de précédence (Mesghouni, 999). D une façon générale un chromosome se présente comme suit : J : (m,t m ) m est la machine ui est affectée à l exécution de l opération, t m est la date de début d exécution sur la machine m. Opérateurs génétiues : Croisement : Le but du croisement est d'obtenir par mélange de solutions d'autres chromosomes susceptibles d'améliorer les résultats. Dans notre cas il y'a deux opérateurs de croisement (Mesghouni, 999); l'opérateur de croisement ligne manipule les obs et l'opérateur de croisement colonne manipule un ensemble d'opérations. Mutation : Le rôle essentiel de la mutation est d'introduire une certaine diversification dans la population ue l'opérateur de croisement ne peut pas apporter. Sélection : Cet opérateur consiste à choisir les individus à partir desuels on va créer la génération suivante. Dans notre cas on a utilisé le principe de la roulette, ui permet de retenir les individus les plus prometteurs en terme de fonction fitness. 4. Description du problème d'ordonnancement Un ensemble de N obs doit être ordonnancé sur un ensemble de machines M. Chaue ob représente un certain nombre n d'opérations. Chaue opération i du ob notée O i doit être exécutée sur une des machines avec une date de début au plus tôt r i (la date de début au plus tôt du ob est r = r ) et une contrainte de précédence (r i+, r i + p im ) à chaue opération O i est associée un ensemble de durées opératoires sur l'ensemble des machines (p im ; m M). Un ordonnancement consiste alors à attribuer une machine m ui sera affectée à l'exécution de O i (x im =, avec x im le coefficient d'affectation de l'opération O i sur la machine m); et une date de début pour chaue O i. L'obectif est de trouver la date de début d exécution pour chaue opération O i et la machine affectée en respectant toutes les contraintes considérées, ainsi ue d ordonnancer les obs de façon à minimiser les critères considérés. Les obectifs considérés sont : - minimiser le maespan C max : C max = max {C =,..., N} (2) Où C est la date de fin du ob - minimiser le coût de production C : N M N N C = F + Lm + S + P = m= = = Où L m est le coût de lancement de la machine m. o Le coût de fabrication du ob (F ) : F = MP + M n xim m= = CMmp im (3) (4) Où MP est le coût de la matière première du ob et CM m est le coût unitaire sur la machine m o Le des pénalités du ob (P ) : P = Cp T. Avec T = max {0, C -d } (5) Où Cp est le coût de pénalisation du ob.et T est la durée de pénalité. o Le coût de stocage du ob (S ) : S = Cs E ; Avec E = min {0, C -d } (6) Où Cs est le coût de stocage du ob, E est la durée de stocage et d est date de livraison du ob.

3 5. Les bornes inférieures Le problème de ob shop flexible (FJSP) traité est connu en tant u'un des problèmes d'optimisation de type NP difficile. Pour de tels problèmes, les méthodes exactes reuièrent un effort calculatoire ui croît exponentiellement avec la taille des instances du problème. Notre obectif est de proposer une solution assez proche de la solution optimale. Du fait ue nous n'avons pas l'information sur cette solution optimale, nous nous somme orientés vers le calcul des bornes inférieures ui permet de comparer les valeurs réelles obtenues aux bornes inférieures correspondantes afin de mesurer l'efficacité de notre approche. a. Bornes Inférieures du Maespan des obs Les bornes inférieures pour les obs se calculent par la méthode suivante : Proposition. La uantité suivante est une borne inférieure du maespan des obs : n C bi = max n r + γ i (7) i= Preuve. Pour n importe uelle affectation des opérations sur les machines, la durée totale de production (maespan) est la date de fin de toutes les opérations : C max = max {C =,, N}. Or, pour chaue opération, p im γ = min ( p ) par i m M définition, et en supposant u il n y pas d intervalle d attente entre deux opérations successives, nous avons la minoration (7) précédente car : C r n + p i= im im où m est la machine affectée à O i. Remarue. Si le cardinal de l'ensemble de obs N est supérieur au nombre de machine ou dans le cas de relaxation de certaine contraintes (préemption des tâches, contrainte disonctive sur les ressources ), il n y a pas de solution ui atteigne la borne inférieure (7). Dans ce cas la méthode de calcul d une borne inférieure possible est la suivante : Proposition 2. La uantité suivante est une borne inférieure du maespan des obs. C M n n = r m + γ (8) i M m= = i= bi2 ' Preuve. On suppose ue le nombre de obs N est supérieur au nombre de machines M. Chaue machine m a une date de disponibilité au plus tôt notée r m. L idée de base est de répartir uniformément toutes les tâches sur les machines. En utilisant le même raisonnement utilisé dans le calcul classiue des bornes inférieures (Carlier, 987), et en relachant la contrainte de non préemption des tâches, on obtient la minoration suivante : n n r' + r' 2 + r' r' M + γ M C max En conséuence : C max M r' M m= i = i = m n n + γ i = i= Conclusion récapitulative. Les bornes précédentes (7) et (8) nous permettent de prévoir des limites pour les valeurs du maespan. Ces limites sont définies par la relation suivante : C max M n n n = max r' m + γ i, max( r + γ ) (9) i M m= = i= n i= b. Bornes inférieures du coût de production des obs Proposition 3. La uantité suivante est une borne inférieure du coût de production des obs : = N n N M im m m = i = m = m= C ( min( p. CM ) + MP + ω L ) (0) ω m : Coefficient d'utilisation de la machine m, ω m ={0,} ω m L m : de lancement de la machine m; Preuve. On considère ue les obs finissent uste à temps (pas stocs et pas de pénalités). 6. Approche d'évaluation multicritères Nous intéressons à évaluer et à comparer les solutions selon plusieurs critères. D'une manière générale, ces critères présentent des relations non linéaires et complexes entre elles et n'ont pas forcément la même importance du point de vue des décideurs. Ainsi, beaucoup de considérations peuvent être prises pour tenir compte de toutes ces difficultés. L'évaluation proposée consiste à transformer le problème (PMO) en un problème (PMO λ ) ui revient à combiner les différentes fonctions coût f du problème en une seule fonction obectif F. Les solutions Pareto optimales peuvent être obtenues par la résolution du programme mathématiue suivant : F( x) = L = λ f ( x) () Où les poids λ [,0], et L = λ =. Différents poids fournissent différentes solutions. La même solution peutêtre générée en utilisant des poids différents. L ensemble de ces solutions peut être généré par la résolution de (PMO λ ) pour différentes valeurs du vecteur de poids λ. L'évaluation proposée est la suivante : - Pour chaue fonction obectif on calcule ces bornes inférieures, telle ue : f x ( ) f x C (2) Ces bornes sont utiles pour évaluer et uger les solutions obtenues avec précision. - Les valeurs des fonctions obectifs dans la plupart des cas peuvent appartenir à différents intervalles de magnitude variable. Ainsi, pour être efficace, la fonction obectif globale () doit être homogénéisée afin d'éviter m

4 ue les obectifs ne soient dominés les uns par les autres. Pour éviter un tel inconvénient ui peut négliger certaines fonctions obectifs et amplifier les autres, nous pouvons utiliser une application simple de la logiue floue basée sur les étapes suivantes : - Soit f la moyenne des solutions de la ième fonction obectif trouvée avec l'algorithme génétiue à la ième itération : f f ( x) = (3) Cardinal( P ) P : Population des solutions à la iéme itération - Pour chaue vecteur f(x), on appliue une fuzziffication de ces composantes f (x) selon leurs positions dans les intervalles [ f 0, f + ε ] où ε est une petite valeur positive conçue pour éviter un problème de division par zéro (ε = 0.0. f si f 0 = f autrement ε = 0). - Pour aider le décideur uand il ne peut pas clairement donner une préférence particulière de uelues fonctions obectifs, nous proposons de construire un ensemble de solutions Pareto optimales sans accorder aucun privilège à une direction particulière de recherche. Cette approche sera basée sur un algorithme dans leuel les pondérations λ seront calculées en utilisant une règle floue (Kacem, 2003). L'idée est de mesurer la ualité moyenne des solutions selon chaue critère à chaue itération et de calculer les différents poids suivant le degré de cette ualité. Le but est d'étudier les gains et les améliorations possibles des solutions en accordant la priorité à l'optimisation des fonctions obectifs dont la moyennes des valeurs est loin de la valeur optimale (ou de la borne inférieure), cette approche est appelée : Approche agrégative avec direction de recherche dynamiue. A Proche f 0 f + ε Figure. Fonction d'appartenance des différentes valeurs des critères L'évaluation de la ualité des solutions se fait en utilisant les fonctions d'appartenance illustrées dans la figure.. Ainsi on distingue deux sous ensembles de solutions. - sous-ensemble de solutions proches de la borne inférieure; - sous-ensemble de solutions lointaines de la borne inférieure. Loin f Les fonctions d'appartenance sont formulées comme suit (Kacem, 2003) : A f f ( f ) = Si f 0 [ f ] 0, f + ε f f + ε sinon A ( f ) = (4) + Le calcul des différentes pondérations λ est effectué en utilisant la règle floue suivante : + Si ( f est Proche de f ) alors ( λ ) + Si ( f est Loin de f ) alors ( λ ) L'application de cette règle donne la formule suivante : A ( ) + f λ = L, λ = L et L A ( f ) Tr- (5) Où Tr est le nombre total d'itérations. f 2 f 2 Figure 2. Direction de recherche Pour résoudre le problème des valeurs des fonctions obectifs ui peuvent appartenir à différents intervalles de magnitude variable, nous pouvons utiliser une application simple de logiue floue basée sur les étapes suivantes : - A chaue solution réalisable x, nous associons un vecteur f(x) = (f (x),f 2 (x),,f Cr (x)) T H - En particulier, soit H une heuristiue choisie et f la valeur maximale de la solution donnée par l'heuristiue considérée selon la iéme fonction obectif. La fuzzification est appliuée en utilisant la fonction d'appartenance comme la montre la figure suivante : µ f P Tr Bon f P + H f + ε Figure 3. Application floue dans la résolution du problème d'échelle P Mauvais P f f

5 Les valeurs normalisées des fonctions obectifs se calculent par la formule suivante : f ( x) f µ ( f ( x)) = (6) H f f + ε Avec µ (f (x)) est la valeur normalisée de la fonction obectif f (x). La formulation de la fonction d'évaluation globale est la suivante : f ( x) = L λ µ ( f ( x)) (7) = 7. Exemple Quelues exemples ont été examinés pour évaluer la ualité de notre méthode basée sur des données pratiues en changeant aléatoirement le nombre de obs N aussi bien ue le nombre de machines M, et les durées de chaue opération sur l'ensemble de machines (p i ). Figure 6. 6 obs et 6 machines Méthodes d'agrégation avec direction de recherche dynamiue Cette méthode est utilisée généralement uand le décideur ne peut pas donner une préférence particulière de uelues fonctions obectifs. Elle permet de générer des poids différent d'une itération à une autre de manière dynamiue en fonction de la moyenne des solutions selon chaue critère à chaue itération. Résultats. Figure 7. 6 obs et 4 machines Figure 8. 0 obs et 7 machines Figure 4. 8 obs et 5 machines Figure obs et 5 machines Figure 9. 5 obs et 9 machines

6 Figure 0. obs et 9 machines Figure. 4 obs et 7 machines Avec la méthode d'agrégation avec recherche de direction dynamiue on constate ue l'ensemble des solutions se rapproche de la solution optimale (ou du point d'intersection des bornes inférieures des critères considérés), d'une itérations à une autre, cela indiue ue les poids des critères sont calculés dynamiuement selon la distance entre les bornes inférieures et la moyenne des solutions de l'itération précedente. 8. Conclusion Dans cet article, nous avons mis l'accent sur uelues axes de recherche, et ui, a notre avis, possèdent un intérêt primordial dans la résolution de problèmes multicritères. Une approches d'aide à la décision : La recherche d'un ensemble de solutions Pareto optimales n'est u'une première étape pour résoudre un PMO. La deuxième étape consiste à faire un choix final parmi les solutions trouvées. Pour ce faire, nous pensons ue les algorithmes ui ne se basent pas a priori sur des préférences sont généralement plus intéressant, pour les raisons suivantes : - Les décideurs désirent en général plusieurs alternatives et non pas une meilleure solution uniue. - La difficulté de déterminer a priori des préférences sans la connaissance du problème. Les études actuelle se basent sur la reproduction des solutions supportées sans donner des poids particuliers pour les fonctions obectifs (algorithme NSGA (Srinivas et al., 995)) 9. Références J. Carlier, Scheduling obs with release dates and tails on identical machines to minimize Maespan, European Journal of Operational Research, 29 pp , 987 Y. Collette, P. Siary. Optimisation multiobectif. Edition Eyrolles, 2002 I. Kacem. Ordonnancement multicritères des ob shops flexibles : formulation, bornes inférieures et approche évolutionniste coopérative. Thèse université de Lille, 2003 X. Liu, D. Begg, R. J. Fishwic. Genetic approach to optimal topology/controller design of adaptive structures. International Journal for Numerical Methods in Engineering, 4 pp ,998 K. Mesghouni. Application des algorithmes évolutionnistes dans les problèmes d'optimisation en ordonnancement de la production. Thèse université de Lille, 999 P. Serafini. Simulated annealing for multiple obective optimization problems. In 0th Int. Conf. on Multiple Criteria Decision Maing, pp 87-96, 992 N. Srinivas, K. Deb. Multiobective optimisation using non-dominated sorting in genetic algorithms. Evolutionary Computation 2(8) pp , 995 E.G. Talbi. Métaheuristiues pour l'optimisation combinatoire multi-obectif. Tutorial, Journée Evolutionnaires Trimestrielles, Paris, 999 J.H. Holland. Adaptation in natural and artificial system, University of Michigan Press 975 D.E Goldberg. Genetic Algorithms in Search, Optimization and Machine Learning, Addison-Wesley, 989. J.M. Renders. Algorithmes génétiues et réseaux de neurones, Edition Hermès995. G. Syswerda. Schedule Optimization Using Genetic Algorithm, in Handboo of Genetic Algorithm, Van Nostrand Reinhold, New Yor, 990 F. Glover, M. Laguna. Tabu search, Kluwer Academic Publishers, 997

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

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

Chapitre 1. L algorithme génétique

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

Plus en détail

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

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

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

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

Plus en détail

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

Des outils pour l optimisation et la robustesse. Marc Sevaux

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

Plus en détail

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

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

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

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

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

: approche par métaheuristiques

: approche par métaheuristiques Optimisation multi-critère : approche par métaheuristiques Clarisse DHAENENS, El-Ghazali TALBI Equipe OPAC (Optimisation PArallèle Coopérative) Laboratoire d Informatique Fondamentale de Lille Université

Plus en détail

Exercices théoriques

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

Plus en détail

Une application des algorithmes génétiques à l ordonnancement d atelier

Une application des algorithmes génétiques à l ordonnancement d atelier Une application des algorithmes génétiques à l ordonnancement d atelier VACHER Jean-Philippe - GALINHO Thierry - MAMMERI Zoubir Laboratoire d Informatique du Havre Université du Havre 25, Rue Philippe

Plus en détail

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

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

Plus en détail

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

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

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

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

PROBLEMES D'ORDONNANCEMENT AVEC RESSOURCES

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

Plus en détail

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

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

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

METAHEURISTIQUES POUR LA MANIPULATION DE ROUTAGES ALTERNATIFS EN TEMPS REEL DANS UN FMS

METAHEURISTIQUES POUR LA MANIPULATION DE ROUTAGES ALTERNATIFS EN TEMPS REEL DANS UN FMS METAHEURISTIQUES POUR LA MANIPULATION DE ROUTAGES ALTERNATIFS EN TEMPS REEL DANS UN FMS M. Souier, A. Hassam, Z. Sari Laboratoire d automatique de tlemcen Faculté des sciences de l ingénieur, Université

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

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

ORDONNANCEMENT ET RÈGLES DE SÉLECTION DE ROUTAGES ALTERNATIFS EN TEMPS RÉEL D UN JOB SHOP

ORDONNANCEMENT ET RÈGLES DE SÉLECTION DE ROUTAGES ALTERNATIFS EN TEMPS RÉEL D UN JOB SHOP ORDONNANCEMENT ET RÈGLES DE SÉLECTION DE ROUTAGES ALTERNATIFS EN TEMPS RÉEL D UN JOB SHOP A. HASSAM, M. MOSTEFFA, I. MOUSSA, et Z. SARI a_hassam@mail.univ-tlemcen.dz,( hassam.ahmed@yahoo.fr), moussamostefa@yahoo.fr,

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

ALGORITHME GENETIQUE ET MODELE DE SIMULATION POUR L'ORDONNANCEMENT D'UN ATELIER DISCONTINU DE CHIMIE

ALGORITHME GENETIQUE ET MODELE DE SIMULATION POUR L'ORDONNANCEMENT D'UN ATELIER DISCONTINU DE CHIMIE ALGORITHME GENETIQUE ET MODELE DE SIMULATION POUR L'ORDONNANCEMENT D'UN ATELIER DISCONTINU DE CHIMIE P. Baudet, C. Azzaro-Pantel, S. Domenech et L. Pibouleau Laboratoire de Génie Chimique - URA 192 du

Plus en détail

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

Leçon 3. Ordonnancement : planification

Leçon 3. Ordonnancement : planification Leçon 3 Ordonnancement : planification Objectif : A l'issue de la leçon l'étudiant doit être capable : de planifier tout ou partie d'une production à partir d'un dossier de gestion des flux décrivant le

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

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

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

Hela Boukef. To cite this version: HAL Id: tel-00577101 https://tel.archives-ouvertes.fr/tel-00577101 Sur l ordonnancement d ateliers job-shop flexibles et flow-shop en industries pharmaceutiques : optimisation par algorithmes génétiques et essaims particulaires Hela Boukef To cite this version: Hela Boukef.

Plus en détail

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

Le problème des multiplications matricielles enchaînées peut être énoncé comme suit : étant

Le problème des multiplications matricielles enchaînées peut être énoncé comme suit : étant Licence informatique - L Année 0/0 Conception d algorithmes et applications (LI) COURS Résumé. Dans cette cinquième séance, nous continuons l exploration des algorithmes de type Programmation Dynamique.

Plus en détail

Les algorithmes évolutionnistes. INF6953 Les algorithmes évolutionnistes (1) 1

Les algorithmes évolutionnistes. INF6953 Les algorithmes évolutionnistes (1) 1 Les algorithmes évolutionnistes INF6953 Les algorithmes évolutionnistes (1) 1 Métaheuristiques et algorithmes évolutionnistes Les métaheuristiques recherche locale consistent fondamentalement à faire évoluer

Plus en détail

Un Algorithme génétique pour le problème de ramassage et de livraison avec fenêtres de temps à plusieurs véhicules

Un Algorithme génétique pour le problème de ramassage et de livraison avec fenêtres de temps à plusieurs véhicules Un Algorithme génétique pour le problème de ramassage et de livraison avec fenêtres de temps à plusieurs véhicules I. Harbaoui Dridi (1),(2) R. Kammarti (1),(2) P. Borne (1) M. Ksouri (2) imenharbaoui@gmail.com

Plus en détail

Etude de cas. Porter l optimisation au plus haut niveau

Etude de cas. Porter l optimisation au plus haut niveau Etude de cas Porter l optimisation au plus haut niveau Après la mise en oeuvre du Quintiq Company Planner, Vlisco a réduit ses délais de production de 50%. L étape suivante, le déploiement du Scheduler,

Plus en détail

LES SOLUTIONS MES HUMAINES METTENT EN AVANT LES INDIVIDUS

LES SOLUTIONS MES HUMAINES METTENT EN AVANT LES INDIVIDUS LIVRE BLANC LES SOLUTIONS MES HUMAINES METTENT EN AVANT LES INDIVIDUS Une collaboration entre homme et machine LIVRE BLANC LES SOLUTIONS MES HUMAINES METTENT EN AVANT LES INDIVIDUS 2 A PROPOS Les hommes

Plus en détail

Mémoire de Magister. Optimisation Multiobjectif Par Un Nouveau Schéma De Coopération Méta/Exacte

Mémoire de Magister. Optimisation Multiobjectif Par Un Nouveau Schéma De Coopération Méta/Exacte République Algérienne Démocratique et Populaire Ministère de l Enseignement Supérieur et la Recherche Scientifique Université Mentouri de Constantine Faculté d Ingénieur, Département de l Informatique

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

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

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

Plus en détail

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

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

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

METHODES A BASE DE DIVERGENCES POUR LES PROBLEMES D ORDONNANCEMENT FLEXIBLE

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

Plus en détail

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

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

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

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

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

Principes généraux de codage entropique d'une source. Cours : Compression d'images Master II: IASIG Dr. Mvogo Ngono Joseph

Principes généraux de codage entropique d'une source. Cours : Compression d'images Master II: IASIG Dr. Mvogo Ngono Joseph Principes généraux de codage entropique d'une source Cours : Compression d'images Master II: IASIG Dr. Mvogo Ngono Joseph Table des matières Objectifs 5 Introduction 7 I - Entropie d'une source 9 II -

Plus en détail

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

LES MÉTA-HEURISTIQUES : quelques conseils pour en faire bon usage LES MÉTA-HEURISTIQUES : quelques conseils pour en faire bon usage Alain HERTZ Ecole Polytechnique - GERAD Département de mathématiques et de génie industriel CP 679, succ. Centre-ville, Montréal (QC) H3C

Plus en détail

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

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

Plus en détail

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

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

Remerciements. Je tiens à remercier le dieu, le tout puissant de. ma donnée la patience, la santé et le courage pour. finir ce travail.

Remerciements. Je tiens à remercier le dieu, le tout puissant de. ma donnée la patience, la santé et le courage pour. finir ce travail. Remerciements Je tiens à remercier le dieu, le tout puissant de ma donnée la patience, la santé et le courage pour finir ce travail. Je tiens à remercier profondément mon encadreur : Monsieur KALFALI TOUFIK

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

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

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

Plus en détail

INTRODUCTION AUX PROBLEMES COMBINATOIRES "DIFFICILES" : LE PROBLEME DU VOYAGEUR DE COMMERCE ET LE PROBLEME DE COLORATION D'UN GRAPHE

INTRODUCTION AUX PROBLEMES COMBINATOIRES DIFFICILES : LE PROBLEME DU VOYAGEUR DE COMMERCE ET LE PROBLEME DE COLORATION D'UN GRAPHE Leçon 10 INTRODUCTION AUX PROBLEMES COMBINATOIRES "DIFFICILES" : LE PROBLEME DU VOYAGEUR DE COMMERCE ET LE PROBLEME DE COLORATION D'UN GRAPHE Dans cette leçon, nous présentons deux problèmes très célèbres,

Plus en détail

MODELISATION INTEGREE DES ACTIVITES DE MAINTENANCE ET DE PRODUCTION

MODELISATION INTEGREE DES ACTIVITES DE MAINTENANCE ET DE PRODUCTION 3 e Conférence Francophone de MOdélisation et SIMulation Conception, Analyse et Gestion des Systèmes Industriels MOSIM 01 du 25 au 27 avril 2001 - Troyes (France) MODELISATION INTEGREE DES ACTIVITES DE

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

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

Dispatching économique par une méthode artificielle

Dispatching économique par une méthode artificielle 128 Dispatching économique par une méthode artificielle Mimoun YOUNES, Samir HADJRI et Houari SAYAH Résumé : Dans cet article, nous présentons une solution au problème de Dispatching économique (DE) basée

Plus en détail

J adresse toute ma gratitude et reconnaissance à ceux qui ont contribué à la correction, l amélioration ainsi que la relecture de ce manuscrit.

J adresse toute ma gratitude et reconnaissance à ceux qui ont contribué à la correction, l amélioration ainsi que la relecture de ce manuscrit. Remerciements J exprime ma profonde gratitude à mon directeur de thèse Monsieur El Miloud JAARA qui m a accordé une place au sein du laboratoire de recherche en informatique (LARI). Je lui exprime toute

Plus en détail

LA PROGRAMMATION LINEAIRE : UN OUTIL DE MODELISATION

LA PROGRAMMATION LINEAIRE : UN OUTIL DE MODELISATION LA PROGRAMMATION LINEAIRE : UN OUTIL DE MODELISATION Dans les leçons précédentes, nous avons modélisé des problèmes en utilisant des graphes. Nous abordons dans cette leçon un autre type de modélisation.

Plus en détail

APPLICATION DE LA RECHERCHE OPÉRATIONNELLE DANS DES APPLICATIONS OPÉRATIONNELLES FRANCIS SOURD SNCF INNOVATION & RECHERCHE

APPLICATION DE LA RECHERCHE OPÉRATIONNELLE DANS DES APPLICATIONS OPÉRATIONNELLES FRANCIS SOURD SNCF INNOVATION & RECHERCHE APPLICATION DE LA RECHERCHE OPÉRATIONNELLE DANS DES APPLICATIONS OPÉRATIONNELLES FRANCIS SOURD SNCF INNOVATION & RECHERCHE INAUGURATION DE L INSTITUT HENRI FAYOL 17/05/2013 DE L OPTIMISATION MATHEMATIQUE

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

Exploration informée

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

Plus en détail

La gestion des contraintes pour modéliser les stratégies humaines d'ordonnancement et concevoir des interfaces homme-machine ergonomiques

La gestion des contraintes pour modéliser les stratégies humaines d'ordonnancement et concevoir des interfaces homme-machine ergonomiques La gestion des contraintes pour modéliser les stratégies humaines d'ordonnancement et concevoir des interfaces homme-machine ergonomiques Clément Guerin Sous la direction de J.M. Hoc et de N. Mebarki Réunion

Plus en détail

Séance 12: Algorithmes de Support Vector Machines

Séance 12: Algorithmes de Support Vector Machines Séance 12: Algorithmes de Support Vector Machines Laboratoire de Statistique et Probabilités UMR 5583 CNRS-UPS www.lsp.ups-tlse.fr/gadat Douzième partie XII Algorithmes de Support Vector Machines Principe

Plus en détail

Chapitre 4 : Dualité en programmation linéaire

Chapitre 4 : Dualité en programmation linéaire Graphes et RO TELECOM Nancy 2A Chapitre 4 : Dualité en programmation linéaire J.-F. Scheid 1 Plan du chapitre 1 Introduction et définitions 2 Propriétés et Théorèmes de dualité 3 Conditions d optimalité

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

Anne-lise HUYET- Jean-Luc PARIS LIMOS équipe Recherche en Systèmes de Production IFMA Mail: huyet@ifma.fr, paris@ifma.fr

Anne-lise HUYET- Jean-Luc PARIS LIMOS équipe Recherche en Systèmes de Production IFMA Mail: huyet@ifma.fr, paris@ifma.fr Extraction de Connaissances pertinentes sur le comportement des systèmes de production: une approche conjointe par Optimisation Évolutionniste via Simulation et Apprentissage Anne-lise HUYET- Jean-Luc

Plus en détail

DEUXIÈME PARTIE : RÉALISATION DE L ENQUÊTE

DEUXIÈME PARTIE : RÉALISATION DE L ENQUÊTE DEUXIÈME PARTIE : RÉALISATION DE L ENQUÊTE DEUXIÈME PARTIE : RÉALISATION DE L ENQUÊTE La réalisation d une enuête comprend différentes phases faisant intervenir l éuipe responsable de l enuête au niveau

Plus en détail

Optimisation combinatoire Métaheuristiques

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

Plus en détail

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

Cours de spécialité mathématiques en Terminale ES

Cours de spécialité mathématiques en Terminale ES Cours de spécialité mathématiques en Terminale ES O. Lader 2014/2015 Lycée Jean Vilar Spé math terminale ES 2014/2015 1 / 51 Systèmes linéaires Deux exemples de systèmes linéaires à deux équations et deux

Plus en détail

Chapitre 3 : INFERENCE

Chapitre 3 : INFERENCE Chapitre 3 : INFERENCE 3.1 L ÉCHANTILLONNAGE 3.1.1 Introduction 3.1.2 L échantillonnage aléatoire 3.1.3 Estimation ponctuelle 3.1.4 Distributions d échantillonnage 3.1.5 Intervalles de probabilité L échantillonnage

Plus en détail

LA PROGRAMMATION LINEAIRE : ANALYSE DE SENSIBILITE

LA PROGRAMMATION LINEAIRE : ANALYSE DE SENSIBILITE LA PROGRAMMATION LINEAIRE : ANALYSE DE SENSIBILITE Nous abordons dans cette leçon la partie analyse de sensibilité de la résolution d'un problème de programmation linéaire. Il s'agit d'étudier les conséquences

Plus en détail

6.11 Bases de Lanczos bi-orthogonales pour des matrices non symétriques

6.11 Bases de Lanczos bi-orthogonales pour des matrices non symétriques Chapitre 6 Méthodes de Krylov 611 Bases de Lanczos bi-orthogonales pour des matrices non symétriques Dans le cas où la matrice A n est pas symétrique, comment peut-on retrouver une matrice de corrélation

Plus en détail

Chapitre 7 : Programmation dynamique

Chapitre 7 : Programmation dynamique Graphes et RO TELECOM Nancy 2A Chapitre 7 : Programmation dynamique J.-F. Scheid 1 Plan du chapitre I. Introduction et principe d optimalité de Bellman II. Programmation dynamique pour la programmation

Plus en détail

Université Pierre et Marie Curie - Licence Informatique 2014-2015 Cours LI 352 - Industrie Informatique et son Environnement Économique

Université Pierre et Marie Curie - Licence Informatique 2014-2015 Cours LI 352 - Industrie Informatique et son Environnement Économique Université Pierre et Marie Curie - Licence Informatiue 2014-2015 Cours LI 352 - Industrie Informatiue et son Environnement Économiue TD 5 : CORRIGE 1 Offre à court terme (en CPP) 1.1 La condition de maximisation

Plus en détail

Cours et applications

Cours et applications MANAGEMENT SUP Cours et applications 3 e édition Farouk Hémici Mira Bounab Dunod, Paris, 2012 ISBN 978-2-10-058279-2 Table des matières Introduction 1 1 Les techniques de prévision : ajustements linéaires

Plus en détail

Distributions bayésiennes nonparamétriques sur les matrices binaires triangulaires infinies : Applications aux modèles graphiques

Distributions bayésiennes nonparamétriques sur les matrices binaires triangulaires infinies : Applications aux modèles graphiques Distributions bayésiennes nonparamétriques sur les matrices binaires triangulaires infinies : Applications aux modèles graphiques Patrick Dallaire Université Laval Département d informatique et de génie

Plus en détail

Modélisation coalescente pour la détection précoce d un cancer

Modélisation coalescente pour la détection précoce d un cancer Modélisation coalescente pour la détection précoce d un cancer Mathieu Emily 27 Novembre 2007 Bioinformatics Research Center - Université d Aarhus Danemark Mathieu Emily Coalescence et cancer 1 Introduction

Plus en détail

Une approche pour un contrôle non-linéaire temps réel

Une approche pour un contrôle non-linéaire temps réel Une approche pour un contrôle non-linéaire temps réel L. Mathelin 1 L. Pastur 1,2 O. Le Maître 1 1 LIMSI - CNRS Orsay 2 Université Paris-Sud 11 Orsay GdR Contrôle des décollements 25 Nov. 2009 Orléans

Plus en détail

Impact du chevauchement d activités sur la diminution de la durée de projet

Impact du chevauchement d activités sur la diminution de la durée de projet Colloque sur les enjeux et outils modernes de gestion de projet Impact du chevauchement d activités sur la diminution de la durée de projet Francois Berthaut, Ing. Jr., M.Sc.A., École Polytechnique francois.berthaut@polymtl.ca

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

Développement itératif, évolutif et agile

Développement itératif, évolutif et agile Document Développement itératif, évolutif et agile Auteur Nicoleta SERGI Version 1.0 Date de sortie 23/11/2007 1. Processus Unifié Développement itératif, évolutif et agile Contrairement au cycle de vie

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

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

MATRICE DE COMPETENCES POUR L ORDONNANCEMENT DES TÂCHES DE MAINTENANCE

MATRICE DE COMPETENCES POUR L ORDONNANCEMENT DES TÂCHES DE MAINTENANCE 8 e Conférence Internationale de MOdélisation et SIMulation MOSIM 10 10 au 12 mai 2010 Hammamet Tunisie «Évaluation et optimisation des systèmes innovants de production de biens et de services» MATRICE

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