Approche d'évaluation pour les problèmes d'ordonnancement multicritères : Méthode d'agrégation avec direction de recherche dynamique
|
|
- François-Xavier Duquette
- il y a 8 ans
- Total affichages :
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 Damel.beroune@ensait.fr, Khaled.mesghouni@ec-lille.fr, Besoa.rabenasolo@ensait.fr 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
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 détailUne 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 détailALGORITHME 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 détailOrdonnancement 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 détailHela 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 détailLES 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 détailCours des Méthodes de Résolution Exactes Heuristiques et Métaheuristiques
Université Mohammed V, Faculté des Sciences de Rabat Laboratoire de Recherche Mathématiques, Informatique et Applications Cours des Méthodes de Résolution Exactes Heuristiques et Métaheuristiques MASTER
Plus en détailLaboratoire d Automatique et Productique Université de Batna, Algérie
Anale. Seria Informatică. Vol. IX fasc. 2 Annals. Computer Science Series. 9 th Tome st Fasc. 2 La sélection de paramètres d un système industriel par les colonies de fourmis Ouahab Kadri, L. Hayet Mouss,
Plus en détailPROBLEMES 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 détailA 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 détailÉvaluation d une méthode d ordonnancement multicritère utilisant AHP
Évaluation d une méthode d ordonnancement multicritère utilisant AHP FOUZIA OUNNAR 1, SELMA KHADER 2, YVES DUBROMELLE 1, JEAN-PIERRE PRUNARET 1, PATRICK PUJO 1 1 LSIS UMR CNRS 7296 Aix-Marseille Université
Plus en détailSommaire. 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 détailCouplage efficace entre Optimisation et Simulation stochastique Application à la maintenance optimale d une constellation de satellites
Couplage efficace entre Optimisation et Simulation stochastique Application à la maintenance optimale d une constellation de satellites Benoît Beghin Pierre Baqué André Cabarbaye Centre National d Etudes
Plus en détailAnnexe 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 détailDOCUMENT DE TRAVAIL 1998-021. Centre de recherche sur l aide à l évaluation et à la décision dans les organisations (CRAEDO)
Publié par : Published by : Publicación de la : Édition électronique : Electronic publishing : Edición electrónica : Disponible sur Internet : Available on Internet Disponible por Internet : Faculté des
Plus en détailAlgorithmique quantique : de l exponentiel au polynômial
Algorithmiue uantiue : de l onentiel au polynômial Novembre 008 Résumé L informatiue uantiue, même si elle n en est encore u à ses premiers pas, porte en elle des promesses ui lui ont valu un engouement
Plus en détailFig.1. Structure d un AGQ
Evolution d Automate Cellulaire par Algorithme Génétique Quantique Zakaria Laboudi 1 - Salim Chikhi 2 Equipe SCAL, Laboratoire MISC Université Mentouri de Constantine. E - Mail : 1 laboudizak@yahoo.fr;
Plus en détailOptimisation Combinatoire (Méthodes approchées) II. Recherche Locale simple (Les bases)
Optimisation Combinatoire (Méthodes approchées) II. Recherche Locale simple (Les bases) Heuristique Constructive Itérativement, ajoute de nouvelles composantes à une solution partielle candidate Espace
Plus en détailSystème Immunitaire Artificiel Parallèle appliqué aux Flow Shop Hybride (FSH)
République Algérienne Démocratique et Populaire Ministère de l Enseignement Supérieur et de la Recherche Scientifique Université des Sciences et de la Technologie d Oran -Mohamed Boudiaf USTO-MB Faculté
Plus en détailInfo0804. 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 détailDifférentes opérateurs évolutionnaires de permutation: sélections, croisements et mutations
LABORATOIRE D INFORMATIQUE DE L UNIVERSITE DE FRANCHE-COMTE EA 4269 Différentes opérateurs évolutionnaires de permutation: sélections, croisements et mutations Mais HAJ-RACHID, Christelle BLOCH, Wahiba
Plus en détailOrdonnancement robuste et décision dans l'incertain
Ordonnancement robuste et décision dans l'incertain 4 ème Conférence Annuelle d Ingénierie Système «Efficacité des entreprises et satisfaction des clients» Centre de Congrès Pierre Baudis,TOULOUSE, 2-4
Plus en détailOptimisation et programmation mathématique. Professeur Michel de Mathelin. Cours intégré : 20 h
Télécom Physique Strasbourg Master IRIV Optimisation et programmation mathématique Professeur Michel de Mathelin Cours intégré : 20 h Programme du cours d optimisation Introduction Chapitre I: Rappels
Plus en détailProblèmes d ordonnancement dans les systèmes de production. Journée Automatique et Optimisation Université de Paris 12 20 Mars 2003
Problèmes d ordonnancement dans les systèmes de production Michel Gourgand Université Blaise Pascal Clermont Ferrand LIMOS CNRS UMR 6158 1 Le LIMOS Laboratoire d Informatique, de Modélisation et d Optimisation
Plus en détailOptimisation non linéaire Irène Charon, Olivier Hudry École nationale supérieure des télécommunications
Optimisation non linéaire Irène Charon, Olivier Hudry École nationale supérieure des télécommunications A. Optimisation sans contrainte.... Généralités.... Condition nécessaire et condition suffisante
Plus en détailOrdonnancement temps réel
Ordonnancement temps réel Laurent.Pautet@enst.fr Version 1.5 Problématique de l ordonnancement temps réel En fonctionnement normal, respecter les contraintes temporelles spécifiées par toutes les tâches
Plus en détailOptimisation Combinatoire et Colonies de Fourmis Nicolas Monmarche April 21, 1999 Sommaire Inspiration biologiques Ant Colony Optimization Applications TSP QAP Flow Shop Problemes dynamiques 1 Historique
Plus en détailMéthaheuristiques pour l optimisation combinatoire et l affectation sous contraintes
Méthaheuristiques pour l optimisation combinatoire et l affectation sous contraintes Jin-Kao Hao *, Philippe Galinier **, Michel Habib *** * LERIA, U.F.R. Sciences, Université d Angers, 2 bd Lavoisier,
Plus en détailEtude d un cas industriel : Optimisation de la modélisation de paramètre de production
Revue des Sciences et de la Technologie RST- Volume 4 N 1 /janvier 2013 Etude d un cas industriel : Optimisation de la modélisation de paramètre de production A.F. Bernate Lara 1, F. Entzmann 2, F. Yalaoui
Plus en détailUn couplage métaheuristique / simulation appliqué au problème du job shop avec transport
Un couplage métaheuristique / simulation appliqué au problème du job shop avec transport LAURENT DEROUSSI 1, ICHEL GOURGAND 2 LIOS CNRS UR 6158 1 IUT de ontluçon, Avenue Aristide Briand B.P. 2235, 03101
Plus en détailNouvelles 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 détailExemples 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 détailSouad EL Bernoussi. Groupe d Analyse Numérique et Optimisation Rabat http ://www.fsr.ac.ma/ano/
Recherche opérationnelle Les démonstrations et les exemples seront traités en cours Souad EL Bernoussi Groupe d Analyse Numérique et Optimisation Rabat http ://www.fsr.ac.ma/ano/ Table des matières 1 Programmation
Plus en détailUne approche pour la valorisation des pratiques d intelligence économique dans les supply chains de PME
Une approche pour la valorisation des pratiues d intelligence économiue dans les supply chains de PME PIERRE FENIES 1, NORBERT LEBRUMENT 2 Centre de Recherche Clermontois en Gestion et Management, EA 3848
Plus en détailL ANALYSE EN COMPOSANTES PRINCIPALES (A.C.P.) Pierre-Louis GONZALEZ
L ANALYSE EN COMPOSANTES PRINCIPALES (A.C.P.) Pierre-Louis GONZALEZ INTRODUCTION Données : n individus observés sur p variables quantitatives. L A.C.P. permet d eplorer les liaisons entre variables et
Plus en détailAlgorithmes de recherche
Algorithmes de recherche 1 Résolution de problèmes par recherche On représente un problème par un espace d'états (arbre/graphe). Chaque état est une conguration possible du problème. Résoudre le problème
Plus en détailNouvelles 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 détailMesurer la pauvreté dans un pays en développement
Mesurer la pauvreté dans un pays en développement Nicolas Ponty 1 Décrire la pauvreté dans un pays en développement constitue pour le statisticienéconomiste une tâche de première importance compte tenu
Plus en détailSéparation et Evaluation pour le problème d ordonnancement avec blocage.
Séparation et Evaluation pour le problème d ordonnancement avec blocage. Abdelhakim Ait Zai 1, Abdelkader Bentahar 1, Hamza Bennoui 1, Mourad Boudhar 2 et Yazid Mati 3 1 Faculté d Electronique et d Informatique,
Plus en détailCours 02 : Problème général de la programmation linéaire
Cours 02 : Problème général de la programmation linéaire Cours 02 : Problème général de la Programmation Linéaire. 5 . Introduction Un programme linéaire s'écrit sous la forme suivante. MinZ(ou maxw) =
Plus en détailCeci permettra de modifier la façon dont les cadres supérieurs dirigeront leurs entreprises
Ceci permettra de modifier la façon dont les cadres supérieurs dirigeront leurs entreprises Préparé pour le Bureau des aliments par Jonothan Calof, Université d Ottawa Préface Le présent manuel fait suite
Plus en détailOptimisation multi-critère pour l allocation de ressources sur Clouds distribués avec prise en compte de l énergie
Optimisation multi-critère pour l allocation de ressources sur Clouds distribués avec prise en compte de l énergie 1 Présenté par: Yacine KESSACI Encadrement : N. MELAB E-G. TALBI 31/05/2011 Plan 2 Motivation
Plus en détailMlle Yasmin A. RÍOS SOLÍS
Thèse de DOCTORAT de l UNIVERSITÉ PARIS VI - PIERRE ET MARIE CURIE Spécialité : INFORMATIQUE présentée par : Mlle Yasmin A. RÍOS SOLÍS pour obtenir le grade de DOCTEUR de l UNIVERSITÉ PARIS VI Sujet de
Plus en détailAVERTISSEMENT. D'autre part, toute contrefaçon, plagiat, reproduction encourt une poursuite pénale. LIENS
AVERTISSEMENT Ce document est le fruit d'un long travail approuvé par le jury de soutenance et mis à disposition de l'ensemble de la communauté universitaire élargie. Il est soumis à la propriété intellectuelle
Plus en détailUne méthode de classification supervisée sans paramètre pour l apprentissage sur les grandes bases de données
Une méthode de classification supervisée sans paramètre pour l apprentissage sur les grandes bases de données Marc Boullé Orange Labs 2 avenue Pierre Marzin 22300 Lannion marc.boulle@orange-ftgroup.com,
Plus en détailProgrammation linéaire
1 Programmation linéaire 1. Le problème, un exemple. 2. Le cas b = 0 3. Théorème de dualité 4. L algorithme du simplexe 5. Problèmes équivalents 6. Complexité de l Algorithme 2 Position du problème Soit
Plus en détailUn propagateur basé sur les positions pour le problème d Open-Shop.
Actes JFPC 2007 Un propagateur basé sur les positions pour le problème d Open-Shop. Jean-Noël Monette Yves Deville Pierre Dupont Département d Ingénierie Informatique Université catholique de Louvain {jmonette,yde,pdupont}@info.ucl.ac.be
Plus en détailRésolution du RCPSP avec production et consommation de ressources : modèles PLNE basés sur les événements
«Évaluation et optimisation des systèmes innovants de production de biens et de services» Résolution du RCPSP avec production et consommation de ressources : modèles PLNE basés sur les événements Oumar
Plus en détailLa classification automatique de données quantitatives
La classification automatique de données quantitatives 1 Introduction Parmi les méthodes de statistique exploratoire multidimensionnelle, dont l objectif est d extraire d une masse de données des informations
Plus en détailCHAPITRE 5. Stratégies Mixtes
CHAPITRE 5 Stratégies Mixtes Un des problèmes inhérents au concept d équilibre de Nash en stratégies pures est que pour certains jeux, de tels équilibres n existent pas. P.ex.le jeu de Pierre, Papier,
Plus en détailLa 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 détailJournal officiel de l'union européenne
20.5.2014 L 148/29 RÈGLEMENT DÉLÉGUÉ (UE) N o 528/2014 DE LA COMMISSION du 12 mars 2014 complétant le règlement (UE) n o 575/2013 du Parlement européen et du Conseil en ce qui concerne les normes techniques
Plus en détailPrincipe de symétrisation pour la construction d un test adaptatif
Principe de symétrisation pour la construction d un test adaptatif Cécile Durot 1 & Yves Rozenholc 2 1 UFR SEGMI, Université Paris Ouest Nanterre La Défense, France, cecile.durot@gmail.com 2 Université
Plus en détailDéfinition et diffusion de signatures sémantiques dans les systèmes pair-à-pair
Définition et diffusion de signatures sémantiques dans les systèmes pair-à-pair Raja Chiky, Bruno Defude, Georges Hébrail GET-ENST Paris Laboratoire LTCI - UMR 5141 CNRS Département Informatique et Réseaux
Plus en détailCOMMENT MAITRISER LA GESTION DES APPROVISIONNEMENTS ET DES STOCKS DE MEDICAMENTS
1 sur 9 COMMENT MAITRISER LA GESTION DES APPROVISIONNEMENTS ET DES STOCKS DE MEDICAMENTS (L'article intégral est paru dans Gestions Hospitalières n 357 de juin-juillet 1996) Pour plus d'informations concernant
Plus en détailOPTIMISATION DE LA MAINTENANCE DES EQUIPEMENTS DE MANUTENTION DU TERMINAL A CONTENEURS DE BEJAIA (BMT)
OPTIMISATION DE LA MAINTENANCE DES EQUIPEMENTS DE MANUTENTION DU TERMINAL A CONTENEURS DE BEJAIA (BMT) LAGGOUNE Radouane 1 et HADDAD Cherifa 2 1,2: Dépt. de G. Mécanique, université de Bejaia, Targa-Ouzemour
Plus en détailPREMIER RETOUR D EXPERIENCE SUR LE FLOW-SHOP BIOBJECTIF ET HYBRIDE A DEUX ETAGES AVEC UNE CONTRAINTE DE BLOCAGE PARTICULIERE
6 e Conférence Francophone de MOdélisation et SIMulation - MOSIM 06 - du 3 au 5 avril 2006 - Rabat - Maroc Modélisation, Optimisation et Simulation des Systèmes : Défis et Opportunités PREMIER RETOUR D
Plus en détailRapport d'analyse des besoins
Projet ANR 2011 - BR4CP (Business Recommendation for Configurable products) Rapport d'analyse des besoins Janvier 2013 Rapport IRIT/RR--2013-17 FR Redacteur : 0. Lhomme Introduction...4 La configuration
Plus en détailPrésentation des algorithmes génétiques et de leurs applications en économie
Présentation des algorithmes génétiques et de leurs applications en économie Thomas Vallée et Murat Yıldızoğlu LEN-C3E Université de Nantes, LEA-CIL Chemin de la Censive du Tertre F-44312 NANTES Thomas.Vallee@sc-eco.univ-nantes.fr
Plus en détailAider à la décision. - La matrice d Eisenhower - Le diagramme de Pareto - Les arbres d objectifs - Le diagramme d affinités - La méthode Philips 6.
Guide méthodologique du travail en commun Aider à la décision > Hiérarchiser les priorités > Choisir les bonnes solutions > Hiérarchiser les priorités - La matrice d Eisenhower - Le diagramme de Pareto
Plus en détailRecherche locale pour un problème d optimisation de tournées de véhicules avec gestion des stocks
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» Recherche
Plus en détailETUDES COMPARATIVES DES POLITIQUES DE GESTION DE STOCK LORS DE LA CONCEPTION DES CHAINES LOGISTIQUES
ETUDES COMPARATIVES DES POLITIQUES DE GESTION DE STOCK LORS DE LA CONCEPTION DES CHAINES LOGISTIQUES Fouad Maliki, Zaki Sari To cite this version: Fouad Maliki, Zaki Sari. ETUDES COMPARATIVES DES POLITIQUES
Plus en détailUNE APPROCHE D OPTIMISATION-BASEE SUR LA SIMULATION POUR LA CONCEPTION D UN RESEAU DE DISTRIBUTION STOCHASTIQUE MULTI FOURNISSEURS
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 UNE
Plus en détailArithmétique binaire. Chapitre. 5.1 Notions. 5.1.1 Bit. 5.1.2 Mot
Chapitre 5 Arithmétique binaire L es codes sont manipulés au quotidien sans qu on s en rende compte, et leur compréhension est quasi instinctive. Le seul fait de lire fait appel au codage alphabétique,
Plus en détailSCIT/P 8/99 Rev.1 ANNEXE 5
ANNEXE 5 NORME CONCERNANT LE DÉPÔT, LE TRAITEMENT ET LE STOCKAGE ÉLECTRONIQUES DES DEMANDES INTERNATIONALES EN VERTU DU TRAITÉ DE COOPÉRATION EN MATIÈRE DE BREVETS (PCT) ET LA GESTION DES DOSSIERS ÉLECTRONIQUES
Plus en détailPourquoi l apprentissage?
Pourquoi l apprentissage? Les SE sont basés sur la possibilité d extraire la connaissance d un expert sous forme de règles. Dépend fortement de la capacité à extraire et formaliser ces connaissances. Apprentissage
Plus en détailINF6304 Interfaces Intelligentes
INF6304 Interfaces Intelligentes filtres collaboratifs 1/42 INF6304 Interfaces Intelligentes Systèmes de recommandations, Approches filtres collaboratifs Michel C. Desmarais Génie informatique et génie
Plus en détailProgrammation 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 détailNON-LINEARITE ET RESEAUX NEURONAUX
NON-LINEARITE ET RESEAUX NEURONAUX Vêlayoudom MARIMOUTOU Laboratoire d Analyse et de Recherche Economiques Université de Bordeaux IV Avenue. Leon Duguit, 33608 PESSAC, France tel. 05 56 84 85 77 e-mail
Plus en détailQuantification Scalaire et Prédictive
Quantification Scalaire et Prédictive Marco Cagnazzo Département Traitement du Signal et des Images TELECOM ParisTech 7 Décembre 2012 M. Cagnazzo Quantification Scalaire et Prédictive 1/64 Plan Introduction
Plus en détailClassement multicritère de stratégies d'ordonnancement dans le cadre d'une industrie semi-continue
Classement multicritère de stratégies d'ordonnancement dans le cadre d'une industrie semi-continue O. Roux 1, V. Dhaevers 1, D. Duvivier 1, N. Meskens 1 et A. Artiba 2 1. Facultés Universitaires Catholiques
Plus en détaila) La technique de l analyse discriminante linéaire : une brève présentation. 3 étapes de la méthode doivent être distinguées :
a) La technique de l analyse discriminante linéaire : une brève présentation. Nous nous limiterons ici à l'analyse discriminante linéaire et à deux groupes : - linéaire, la variante utilisée par ALTMAN
Plus en détailThéorèmes de Point Fixe et Applications 1
Théorèmes de Point Fixe et Applications 1 Victor Ginsburgh Université Libre de Bruxelles et CORE, Louvain-la-Neuve Janvier 1999 Published in C. Jessua, C. Labrousse et D. Vitry, eds., Dictionnaire des
Plus en détailLa 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 détailMaster IAD Module PS. Reconnaissance de la parole (suite) Alignement temporel et Programmation dynamique. Gaël RICHARD Février 2008
Master IAD Module PS Reconnaissance de la parole (suite) Alignement temporel et Programmation dynamique Gaël RICHARD Février 2008 1 Reconnaissance de la parole Introduction Approches pour la reconnaissance
Plus en détailPLAN DE COURS. GPA750 Ordonnancement des systèmes de production aéronautique
Département de génie de la production automatisée Programme de baccalauréat Professeur Pontien Mbaraga, Ph.D. Session/année Automne 2004 Groupe(s) 01 PLAN DE COURS GPA750 Ordonnancement des systèmes de
Plus en détailEn vue de l'obtention du. Présentée et soutenue par Abir BEN HMIDA SAKLY Le 12/12/2009
THÈSE En vue de l'obtention du DOCTORAT DE L UNIVERSITÉ DE TOULOUSE Délivré par l'institut National des Sciences Appliquées de Toulouse Discipline ou spécialité : Systèmes Informatiques Présentée et soutenue
Plus en détailStructures algébriques
Structures algébriques 1. Lois de composition s Soit E un ensemble. Une loi de composition interne sur E est une application de E E dans E. Soient E et F deux ensembles. Une loi de composition externe
Plus en détailResolution limit in community detection
Introduction Plan 2006 Introduction Plan Introduction Introduction Plan Introduction Point de départ : un graphe et des sous-graphes. But : quantifier le fait que les sous-graphes choisis sont des modules.
Plus en détailRenPar'14 Hammamet, Tunisie 10-13 avril 2002
PARALLELISATION CO-EVOLUTIVE DE L OPTIMISATION PAR COLONIE DE FOURMIS POUR LA RESOLUTION D UN PROBLEME D ORDONNANCEMENT INDUSTRIEL Pierre Delisle (1), Marc Gravel (1), Caroline Gagné (1), Michaël Krajecki
Plus en détailProposition d un modèle pour Ordonnancement d un Système Automatisé de Production Applications des algorithmes génétiques hybrides
Proposition d un modèle pour Ordonnancement d un Système Automatisé de Production Applications des algorithmes génétiques hybrides Djamila Bouhalouan 1, Nassima Aissani 1, Bouziane Beldjilali 2 1 Département
Plus en détailLE PROBLEME DU PLUS COURT CHEMIN
LE PROBLEME DU PLUS COURT CHEMIN Dans cette leçon nous définissons le modèle de plus court chemin, présentons des exemples d'application et proposons un algorithme de résolution dans le cas où les longueurs
Plus en détailAlgorithmes d'apprentissage
Algorithmes d'apprentissage 1 Agents qui apprennent à partir d'exemples La problématique : prise de décision automatisée à partir d'un ensemble d'exemples Diagnostic médical Réponse à une demande de prêt
Plus en détailApplication 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 détailINSERTION TECHNIQUES FOR JOB SHOP SCHEDULING
INSERTION TECHNIQUES FOR JOB SHOP SCHEDULING ÉCOLE POLYTECHNIQUE FÉDÉRALE DE LAUSANNE POUR L'OBTENTION DU GRADE DE DOCTEUR ES SCIENCES PAR Tamas KIS Informaticien mathématicien diplômé de l'université
Plus en détailCoup de Projecteur sur les Réseaux de Neurones
Coup de Projecteur sur les Réseaux de Neurones Les réseaux de neurones peuvent être utilisés pour des problèmes de prévision ou de classification. La représentation la plus populaire est le réseau multicouche
Plus en détailOrdonnancement. N: nains de jardin. X: peinture extérieure. E: électricité T: toit. M: murs. F: fondations CHAPTER 1
CHAPTER 1 Ordonnancement 1.1. Étude de cas Ordonnancement de tâches avec contraintes de précédences 1.1.1. Exemple : construction d'une maison. Exercice. On veut construire une maison, ce qui consiste
Plus en détailÉquations non linéaires
Équations non linéaires Objectif : trouver les zéros de fonctions (ou systèmes) non linéaires, c-à-d les valeurs α R telles que f(α) = 0. y f(x) α 1 α 2 α 3 x Equations non lineaires p. 1/49 Exemples et
Plus en détailFORMULATION DES BETONS AVEC AJOUT PAR L UTILISATION DES RESEAUX DE NEURONES
IV ème SNMPE, 15, 16 Mai 2012 Université M Hamed Bougara Boumerdès FORMULATION DES BETONS AVEC AJOUT PAR L UTILISATION DES RESEAUX DE NEURONES R. Rebouh 1, B. Boukhatem 2, M. Ghrici 3, S. Kenai 4 1 Laboratoire
Plus en détailLes simulations dans l enseignement des sondages Avec le logiciel GENESIS sous SAS et la bibliothèque Sondages sous R
Les simulations dans l enseignement des sondages Avec le logiciel GENESIS sous SAS et la bibliothèque Sondages sous R Yves Aragon, David Haziza & Anne Ruiz-Gazen GREMAQ, UMR CNRS 5604, Université des Sciences
Plus en détailPrincipes d implémentation des métaheuristiques
Chapitre 2 Principes d implémentation des métaheuristiques Éric D. Taillard 1 2.1 Introduction Les métaheuristiques ont changé radicalement l élaboration d heuristiques : alors que l on commençait par
Plus en détailESSEC. Cours «Management bancaire» Séance 3 Le risque de crédit Le scoring
ESSEC Cours «Management bancaire» Séance 3 Le risque de crédit Le scoring Les méthodes d évaluation du risque de crédit pour les PME et les ménages Caractéristiques Comme les montants des crédits et des
Plus en détailCOMMUNICATEUR BLISS COMMANDE PAR UN SENSEUR DE POSITION DE L'OEIL
COMMUNICATEUR BLISS COMMANDE PAR UN SENSEUR DE POSITION DE L'OEIL J. TICHON(1) (2), J.-M. TOULOTTE(1), G. TREHOU (1), H. DE ROP (2) 1. INTRODUCTION Notre objectif est de réaliser des systèmes de communication
Plus en détailLes colonies de fourmis : apprentissage coopératif pour le problème du voyageur de commerce
: apprentissage coopératif pour le problème du voyageur de commerce Alexandre Bargeton Benjamin Devèze Université Pierre et Marie Curie Présentation du projet ANIMAT 1 Comportements collectifs des insectes
Plus en détailDES FOURMIS POUR LIVRER DU MAZOUT
DES FOURMIS POUR LIVRER DU MAZOUT É. D. Taillard (1), G. Agazzi (2), L.-M. Gambardella (3) Résumé La livraison de certains biens peut engendrer des coûts non négligeables par rapport à la valeur de la
Plus en détailCCP PSI - 2010 Mathématiques 1 : un corrigé
CCP PSI - 00 Mathématiques : un corrigé Première partie. Définition d une structure euclidienne sur R n [X]... B est clairement symétrique et linéaire par rapport à sa seconde variable. De plus B(P, P
Plus en détailProgrammation linéaire et Optimisation. Didier Smets
Programmation linéaire et Optimisation Didier Smets Chapitre 1 Un problème d optimisation linéaire en dimension 2 On considère le cas d un fabricant d automobiles qui propose deux modèles à la vente, des
Plus en détailCurriculum Vitae - Emmanuel Hebrard. Emmanuel Hebrard
Emmanuel Hebrard Adresse 5 Tuckey Street Cork, Ireland emmanuel.hebrard@gmail.com http ://4c.ucc.ie/ ehebrard/home.html Adresse Professionnelle Cork Constraint Computation Centre Cork, Ireland Telephone
Plus en détailTraitement des données avec Microsoft EXCEL 2010
Traitement des données avec Microsoft EXCEL 2010 Vincent Jalby Septembre 2012 1 Saisie des données Les données collectées sont saisies dans une feuille Excel. Chaque ligne correspond à une observation
Plus en détail