Info0804. Cours 6. Optimisation combinatoire : Applications et compléments

Dimension: px
Commencer à balayer dès la page:

Download "Info0804. Cours 6. Optimisation combinatoire : Applications et compléments"

Transcription

1 Recherche Opérationnelle Optimisation combinatoire : Applications et compléments Pierre Delisle Université de Reims Champagne-Ardenne Département de Mathématiques et Informatique 17 février 2014

2 Plan de la séance Différents problèmes d'optimisation académiques et industriels Problèmes de planification de personnel dans les transports Problèmes d'ordonnancement Optimisation et calcul HPC Métaheuristiques parallèles 2

3 Le problème de la planification du personnel dans les systèmes de transport 3

4 2 problèmes d'optimisation Offre de service Opérationnel Courses commerciales connues par les voyageurs 4

5 Problème de Graphicage Définition de l'offre de service Quels sont les points qui seront desservis? Découpage en services voiture Quelles sont les lignes qui seront empruntées par les véhicules? 5

6 Vehicle scheduling problem Différentes formulations Travelling Salesman Problem (TSP) Multiple Travelling Salesman Problem (MTSP) Vehicle Routing Problem (VRP) Capacitated Vehicle Routing Problem (CVRP) Vehicle Routing Problem with Time Windows(VRPTW) Vehicle Routing and Scheduling Problem (VSRP) + contraintes «industrielles» 6

7 Habillage Découpage en services agent De quelle façon assigner les personnels aux véhicules? 7

8 Approche de résolution habituelle Générer et affecter un coût à un ensemble initial (S) d horaires de personnel réalisables Formuler le problème de choisir dans S un sousensemble de coût minimum qui réalise toutes les tâches Couverture d ensemble (Set Covering Problem) ou Partitionnement d ensemble (Set Partitioning Problem) Résolution du SCP/SPP en utilisant un algorithme approprié (Branch and bound basé sur la PL) Utilisation de techniques de génération de colonnes pour déterminer S 8

9 Modélisation du problème d'habillage Modélisation sous forme de problèmes d'optimisation classiques de la recherche opérationnelle Vue concise de la structure sous-jacente des problèmes industriels Utilisation de méthodes d'optimisation existantes Différentes contraintes industrielles peuvent ensuite être ajoutées 3 problèmes Set Covering Problem (SCP) Set Partitioning Problem (SPP) Crew Scheduling Problem (CSP) 9

10 Set Covering Problem Ensemble fini X Ensemble S de sous-ensembles de X Trouver un sous-ensemble de S Qui couvre tous les éléments de X De cardinal minimum Solutions possibles s1, s2, s3, s4, s5 s2, s5, s6 Exemple : Formation d'un comité 10

11 Set Partitioning Problem Ensemble fini X Ensemble S de sous-ensembles de X Trouver un sous-ensemble de S Qui couvre tous les éléments de X De cardinal minimum Chaque élément ne doit être couvert qu'une seule fois Solutions possibles s 2, s 5, s 6 Exemple : Planification d'un mariage! 11

12 Modélisation mathématique du SCP et du SPP Minimiser n cjxj (1) Le coût de l'ensemble des colonnes i = 1,..., m (2) Chaque ligne doit être couverte : - Au moins une fois pour le SCP ( ) - Exactement une fois pour le SPP (=) j = 1,..., n (3) Une colonne peut être sélectionée (1) ou non (0) j= 1 Sous les contraintes n aijxj 1 j= 1 xj (0,1) c1 c2 c3 c4 c Ligne Ligne Ligne Ligne {c1, c3, c4} est une solution réalisable du SCP mais pas du SPP - {c2, c5} est une solution réalisable du SCP et du SPP Exemple 12

13 SCP, SPP et planification de personnel Division des services voiture en morceaux de course Création de services agent couvrant plusieurs morceaux de course Set Covering ou Set Partitioning? Exemple : déplacement haut-le-pied (deadhead) permis ou non 13

14 Le problème de Crew Scheduling N tâches effectuées par k personnels Début et fin d'une journée N-1 Tâches de travail au même dépôt N k 0 i Temps de travail maximum T 2 1 Arc de transition De coût cij S'il est possible pour un personnel de réaliser i puis j Temps Trouver les chemins de personnel N+1 j Personnel N+1 Personnel 2 0 i j N-1 Personnel 3 0 k N N+1 N+1 De coût total minimum De sorte que chaque tâche soit réalisée une seule fois Et que le temps de travail impliqué dans chaque chemin ne dépasse pas le temps de travail T 14

15 Modélisation mathématique du CSP Minimiser cij xij (1) Le coût de l'ensemble des arcs de transition j = 1,..., N (2) Le nombre d'arcs quittant une tâche est égal au nombre d'arcs entrant dans la tâche i = 1,...,N (3) Un arc quitte chaque tâche (4) K arcs originaires de 0 (dépôt) sont utilisés (K tâches sont choisies pour être la première tâche sur un chemin) i, j Sous les contraintes xjk = xij = 1 k xij i j x0 j = K j (Contraintes de limite de temps) (5) xij (0,1) i, j (6) Chaque arc peut être utilisé au maximum une fois (les chemins sont arc disjoints) 15

16 Relaxation lagrangienne pour le CSP Minimiser cij xij + N ui (1 i= 1 i, j xij ) (1) Introduction des multiplicateurs u et relaxation i de l équation 3 (un arc quitte chaque tâche) j Sous les contraintes xjk = k xij j = 1,..., N (2) Il doit y avoir K chemins d arcs disjoints contraints par la limite de temps T (4) La fonction objectif est de minimiser le coût (lagrangien) total de ces K chemins i x0 j = K j (Contraintes de limite de temps) (5) xij (0,1) i, j (6) Difficulté du problème : nécessité d avoir des chemins d arcs disjoints - Solution : relaxer l équation 6 16

17 Relaxation lagrangienne pour le CSP Minimiser N cij xij + ui (1 i= 1 i, j xij ) j Sous les contraintes xjk = k xij j = 1,..., N i Problème relaxé : Trouver les k chemins contraints par la limite de temps, de coût (lagrangien) minimum, parmi N chemins Solution du problème relaxé : Borne inférieure de la solution du CSP original Optimisation de subgradient : Permet de trouver les bons ui x0 j = K j (Contraintes de limite de temps) x 0 j (0,1) j = 1,..., N xij 0 entier i 0, j On permet aux arcs (et donc aux tâches) d apparaître dans plusieurs chemins, sauf ceux qui démarrent au dépôt 17

18 Méthode par séparation et évaluation (Branch and bound) Si la procédure d'optimisation de subgradient trouve une solution réalisable On a trouvé la solution optimale du problème original Sinon i.e. si, dans la meilleure solution, il reste des tâches de degrés entrant/sortant différents de 1 i.e. si certaines tâches sont utilisées plusieurs fois ou pas du tout une procédure de séparation-évaluation est nécessaire pour trouver la solution optimale À partir de la solution associée à la meilleure borne inférieure, interdire successivement les arcs associés à des tâches de degrés entrant/sortant > 1 18

19 Méthode par séparation et évaluation (Branch and bound) 19

20 Problème d'ordonnancement industriel : Production d'aluminium 20

21 Le processus industriel de production d'aluminium 21

22 Le processus de coulée Coulée de l'aluminium sur une machine à couler horizontale 22

23 Considérations du problème Déterminer l ordre de passage de n commandes en considérant plusieurs contraintes technologiques et administratives Date de livraison à respecter pour chaque commande Deux types de réglages: Changement du moule pour des produits de dimension différente Drainage des fours pour des produits d alliage différent Objectifs multiples à minimiser Pertes de temps à la machine à couler Retard total pour l ensemble des commandes Perte de capacité de transport 23

24 Exemple de problème 24

25 Single Machine Scheduling Problem Une machine est toujours disponible durant la période d'ordonnancement La machine traite les jobs un à la fois Le temps de traitement de chaque job sur la machine est connu et ne dépend pas des jobs précédents Le temps de traitement inclut le temps de setup et le temps sur machine 25

26 Objectifs classiques à optimiser 26

27 Implémentation logicielle 27

28 Variantes Plusieurs machines parallèles Atelier sériel (flowshop) 28

29 Variantes Atelier à cheminements multiples (job shop) 29

30 Optimisation et calcul HPC 30

31 Optimisation et calcul HPC Architectures parallèles actuelles Clusters, SMPs, processeurs multi-coeur, GPUs, hybrides Offrent des ressources de calcul imposantes Le problème est de les utiliser efficacement! Stratégies de parallélisation des méthodes arborescentes Maître-esclave, décomposition de domaine Stratégies de parallélisation des métaheuristiques Accélération du processus de recherche de solutions Amélioration de la recherche par la concurrence Problématiques Performance, portabilité et reproductibilité sur une architecture cible Architectures hybrides méthodes hybrides 31

32 Hybridation technologique 32

33 Hybridation technologique 33

34 Métaheuristiques parallèles Conception Implémentation 34

35 Métaheuristiques parallèles Métaheuristiques : stratégies efficaces pouvant demander beaucoup de ressources Temps de calcul Mémoire Les 2 contributions principales du parallélisme aux métaheuristiques : Accélérer le processus de recherche de solutions Améliorer la recherche par des activités concurrentes 35

36 Stratégies de parallélisation des métaheuristiques Processus de recherche simple Parallélisation interne Décomposition de domaine Processus de recherche multiples Processus indépendants Processus coopératifs Approches hybrides 36

37 La coopération entre processus de recherche Résolution d un problème par un groupe d agents coopérant Nouvelle forme d apprentissage Parallélisme naturel 3 questions importantes Quelle information doit être partagée? À quel moment doit-elle être partagée? Entre quels processus doit-elle être partagée? 37

38 Parallélisation des algorithmes génétiques Parallélisation maître-esclave sur une population unique Paralélisation de grain fin sur une population unique Population sur le processeur maître Appel aux esclaves pour appliquer les opérateurs génétiques Répartition des individus sur les processeurs Parallélisation de gros grain sur des population multiples (modèle en îles) Une population par processeur Migration d'individus 38

39 Parallélisation de l OCF Niveau Colonie Interaction (indépendant/coopératif) Échange d information (phéromone/solutions) Coordination et schéma d échange Niveau Fourmi Construction des solutions Gestion de la phéromone Gestion de la liste de candidats Recherche locale 39

40 Études de cas 40

41 Résolution exacte du CSP sur CPU/GPU 41

42 Architecture GPU GPU Architecture massivement parallèle Prix raisonnable CUDA (Compute Unified Device Architecture) Challenges Conception Programmation 42

43 Relaxation lagrangienne pour le CSP Problème relaxé Relaxation lagrangienne pour le CSP - Construction du problème - Définition des arcs fixés - Résolution du problème relaxé - Optimisation de subgradient Branch and Bound Calcul des plus courts chemins contraints bloc i : plus court chemin à partir de i thread : sommet du graphe 43

44 Résultats expérimentaux Code C++ CUDA 4.0 Problèmes tests 50 à 500 tâches OR-Library (benchmarks publics de la communauté scientifique) Nœud de calcul GPU sur Clovis GPU Tesla C2050 Architecture Fermi 448 unités de calcul 44

45 Résultats expérimentaux 180 Temps CPU Temps d'exécution (s) Temps CPU+GPU Nombre de tâches 45

46 Optimisation par Colonie de Fourmis sur CPU/GPU 46

47 Optimisation par Colonie de Fourmis Inspiré des comportements collectifs des insectes sociaux Construction des solutions Règle de transition Informations heuristique Phéromone Mise à jour de la phéromone Intensification Évaporation Initialisation des traces de phéromone Pour un nombre de cycles donné faire Pour chaque fourmi k faire - Positionnement de la fourmi k sur une ville choisie aléatoirement - Construction de la tournée par la règle de transition - Calcul de la longueur de la tournée Mise à jour de la meilleure tournée Mise à jour des traces de phéromone 47

48 Optimisation par Colonie de Fourmis sur GPU 48

49 Résultats expérimentaux 50 41,02 Accélérations ,39 31,68 13,58 5,74 5,35 eil51 8,62 kroa100 16,77 11,9 d198 20,8 19,72 23,14 20,34 14,76 lin318 rat783 fl1577 d2103 Problèmes 49

50 Conclusion et perspectives Calcul HPC potentiel pour méthodes exactes et approchées Intégration aux solutions logicielles commerciales Beaucoup de travail reste à faire, conceptuel et technique GPU performance vs. effort de recherche et développement? Mais, que nous réserve le futur du HPC? 50

51 La semaine prochaine Pas de semaine prochaine, c'est terminé 51

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

Plus en détail

Exemples de problèmes et d applications. INF6953 Exemples de problèmes 1

Exemples de problèmes et d applications. INF6953 Exemples de problèmes 1 Exemples de problèmes et d applications INF6953 Exemples de problèmes Sommaire Quelques domaines d application Quelques problèmes réels Allocation de fréquences dans les réseaux radio-mobiles Affectation

Plus en détail

Deux stratégies parallèles de l'optimisation par colonie de fourmis

Deux stratégies parallèles de l'optimisation par colonie de fourmis 4 th International Conference: Sciences of Electronic, Technologies of Information and Telecommunications March 25-29, 2007 TUNISIA Deux stratégies parallèles de l'optimisation par colonie de fourmis HERNANE

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

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

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

Plus en détail

Problèmes d ordonnancement dans les systèmes de production. Journée Automatique et Optimisation Université de Paris 12 20 Mars 2003

Problèmes d ordonnancement dans les systèmes de production. Journée Automatique et Optimisation Université de Paris 12 20 Mars 2003 Problèmes d ordonnancement dans les systèmes de production Michel Gourgand Université Blaise Pascal Clermont Ferrand LIMOS CNRS UMR 6158 1 Le LIMOS Laboratoire d Informatique, de Modélisation et d Optimisation

Plus en détail

Modélisation multi-agents - Agents réactifs

Modélisation multi-agents - Agents réactifs Modélisation multi-agents - Agents réactifs Syma cursus CSI / SCIA Julien Saunier - julien.saunier@ifsttar.fr Sources www-lih.univlehavre.fr/~olivier/enseignement/masterrecherche/cours/ support/algofourmis.pdf

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

Conception de réseaux de télécommunications : optimisation et expérimentations

Conception de réseaux de télécommunications : optimisation et expérimentations Conception de réseaux de télécommunications : optimisation et expérimentations Jean-François Lalande Directeurs de thèse: Jean-Claude Bermond - Michel Syska Université de Nice-Sophia Antipolis Mascotte,

Plus en détail

Projet de mémoire pour l obtention du titre de Docteur en Systèmes Informatiques et Automatiques de l Ecole Doctorale EDSYS

Projet de mémoire pour l obtention du titre de Docteur en Systèmes Informatiques et Automatiques de l Ecole Doctorale EDSYS Proet de mémoire pour l obtention du titre de Docteur en Systèmes Informatiques et Automatiques de l Ecole Doctorale EDSYS Université Toulouse 3 Paul Sabatier Présenté par : Mohamed Esseghir LALAMI Titre

Plus en détail

CATALOGUE DE FORMATIONS OPTIMISATION DE PERFORMANCE ET ARCHITECTURES PARALLÈLES

CATALOGUE DE FORMATIONS OPTIMISATION DE PERFORMANCE ET ARCHITECTURES PARALLÈLES CATALOGUE DE FORMATIONS OPTIMISATION DE PERFORMANCE ET ARCHITECTURES PARALLÈLES Trois types de formation LES FORMATEURS Les experts techniques AS+ Groupe EOLEN disposent d une réelle expérience pratique

Plus en détail

Segmentation d'images à l'aide d'agents sociaux : applications GPU

Segmentation d'images à l'aide d'agents sociaux : applications GPU Segmentation d'images à l'aide d'agents sociaux : applications GPU Richard MOUSSA Laboratoire Bordelais de Recherche en Informatique (LaBRI) - UMR 5800 Université de Bordeaux - France Laboratoire de recherche

Plus en détail

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

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

Plus en détail

Présentation CaSciModOT Performances et Architectures

Présentation CaSciModOT Performances et Architectures Présentation CaSciModOT Performances et Architectures Code parallèle : Un peu de théorie Architectures variables : C(n,p)? Quel code? Quelle architecture? Structure d un code : partie parallèle / séquentielle

Plus en détail

Système Immunitaire Artificiel Parallèle appliqué aux Flow Shop Hybride (FSH)

Système Immunitaire Artificiel Parallèle appliqué aux Flow Shop Hybride (FSH) République Algérienne Démocratique et Populaire Ministère de l Enseignement Supérieur et de la Recherche Scientifique Université des Sciences et de la Technologie d Oran -Mohamed Boudiaf USTO-MB Faculté

Plus en détail

Contrôle Non Destructif : Implantation d'algorithmes sur GPU et multi-coeurs. Gilles Rougeron CEA/LIST Département Imagerie Simulation et Contrôle

Contrôle Non Destructif : Implantation d'algorithmes sur GPU et multi-coeurs. Gilles Rougeron CEA/LIST Département Imagerie Simulation et Contrôle Contrôle Non Destructif : Implantation d'algorithmes sur GPU et multi-coeurs Gilles Rougeron CEA/LIST Département Imagerie Simulation et Contrôle 1 CEA R & D for Nuclear Energy 5 000 people Nuclear systems

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

Solveurs linéaires sur GPU pour la simulation d'écoulement en milieux poreux

Solveurs linéaires sur GPU pour la simulation d'écoulement en milieux poreux CO 2 maîtrisé Carburants diversifiés Véhicules économes Raffinage propre Réserves prolongées Solveurs linéaires sur GPU pour la simulation d'écoulement en milieux poreux J-M. Gratien,, M. Hacene, T. Guignon

Plus en détail

Atelier Transversal AT11. Activité «Fourmis» Pierre Chauvet. pierre.chauvet@uco.fr

Atelier Transversal AT11. Activité «Fourmis» Pierre Chauvet. pierre.chauvet@uco.fr Atelier Transversal AT11 Activité «Fourmis» Pierre Chauvet pierre.chauvet@uco.fr Ant : un algorithme inspiré de l éthologie L éthologie Etude scientifique des comportements animaux, avec une perspective

Plus en détail

Les colonies de fourmis : apprentissage coopératif pour le problème du voyageur de commerce

Les 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 détail

Initiation au HPC - Généralités

Initiation au HPC - Généralités Initiation au HPC - Généralités Éric Ramat et Julien Dehos Université du Littoral Côte d Opale M2 Informatique 2 septembre 2015 Éric Ramat et Julien Dehos Initiation au HPC - Généralités 1/49 Plan du cours

Plus en détail

Plans Coupants et Branch-and-bound

Plans Coupants et Branch-and-bound Plans Coupants et Branch-and-bound Pierre Bonami Optimisation Combinatoire, Masters II, ID et IF 18 décembre 2012 2 idées algorithmiques On considère un problème en nombres entiers z PLM = min{c T x :

Plus en détail

Optimisation par colonies de fourmis. COSTANZO Andrea LUONG Thé Van MARILL Guillaume

Optimisation par colonies de fourmis. COSTANZO Andrea LUONG Thé Van MARILL Guillaume Optimisation par colonies de fourmis COSTANZO Andrea LUONG Thé Van MARILL Guillaume 19 mai 2006 Table des matières 1 Introduction 4 1.1 Pourquoi les fourmis?.................................. 4 1.2 Relation

Plus en détail

RenPar'14 Hammamet, Tunisie 10-13 avril 2002

RenPar'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 détail

Cours de Master Recherche

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

Plus en détail

Cours des Méthodes de Résolution Exactes Heuristiques et Métaheuristiques

Cours 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 détail

ils entretiennent entre eux des flux, ils partagent des perceptions sur l environnement

ils entretiennent entre eux des flux, ils partagent des perceptions sur l environnement Les modèles de Flux Introduction L analyse systémique fournie une modélisation de l organisation échangeant et transformant des flux Cette modélisation du S.I. reste trop générale Il faut découper l organisation

Plus en détail

Algorithme de recherche locale pour la résolution d un problème réel de tournées d inventaires

Algorithme de recherche locale pour la résolution d un problème réel de tournées d inventaires Algorithme de recherche locale pour la résolution d un problème réel de tournées d inventaires Thierry Benoist Frédéric Gardi Antoine Jeanjean Bouygues e-lab, Paris { tbenoist, fgardi, ajeanjean }@bouygues.com

Plus en détail

Baccalauréat ES Polynésie (spécialité) 10 septembre 2014 Corrigé

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

Plus en détail

M2-OSIL Mémoire Thématique-Présoutenance le 02.12.2009. Ayse Sena Eruguz

M2-OSIL Mémoire Thématique-Présoutenance le 02.12.2009. Ayse Sena Eruguz M2-OSIL Mémoire Thématique-Présoutenance le 02.12.2009 Ayse Sena Eruguz 1 Plan Introduction Présentation de la Problématique Facteurs de Modélisation Modèles de Localisation-Allocation Applications Méthodes

Plus en détail

Francis BISSON (06 794 819) Kenny CÔTÉ (06 836 427) Pierre-Luc ROGER (06 801 883) IFT702 Planification en intelligence artificielle

Francis BISSON (06 794 819) Kenny CÔTÉ (06 836 427) Pierre-Luc ROGER (06 801 883) IFT702 Planification en intelligence artificielle Francis BISSON (06 794 819) Kenny CÔTÉ (06 836 427) Pierre-Luc ROGER (06 801 883) PLANIFICATION DE TÂCHES DANS MS PROJECT IFT702 Planification en intelligence artificielle Présenté à M. Froduald KABANZA

Plus en détail

AVERTISSEMENT. D'autre part, toute contrefaçon, plagiat, reproduction encourt une poursuite pénale. LIENS

AVERTISSEMENT. 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 détail

Pourquoi l apprentissage?

Pourquoi 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 détail

DES FOURMIS POUR LIVRER DU MAZOUT

DES 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 détail

Simulation multi GPU d un logiciel de métagénomique. Dany Tello, Mathieu Almeida

Simulation multi GPU d un logiciel de métagénomique. Dany Tello, Mathieu Almeida Simulation multi GPU d un logiciel de métagénomique appliqué à la flore intestinale humaine Dany Tello, Mathieu Almeida Le microbiote intestinal humain : un organe négligé 100 trillions de micro organismes;

Plus en détail

Lilia Ziane Khodja. Laboratoire d Informatique de Paris 6 (LIP6) Département Calcul Scientifique, équipe PEQUAN. Post-doc à l INRIA Bordeaux Sud-Ouest

Lilia Ziane Khodja. Laboratoire d Informatique de Paris 6 (LIP6) Département Calcul Scientifique, équipe PEQUAN. Post-doc à l INRIA Bordeaux Sud-Ouest Lilia Ziane Khodja Post-doc à l INRIA Bordeaux Sud-Ouest Laboratoire d Informatique de Paris 6 (LIP6) Département Calcul Scientifique, équipe PEQUAN Lilia Ziane Khodja 20 mars 2014 Plan de la présentation

Plus en détail

Big Data et Graphes : Quelques pistes de recherche

Big Data et Graphes : Quelques pistes de recherche Big Data et Graphes : Quelques pistes de recherche Hamamache Kheddouci http://liris.cnrs.fr/hamamache.kheddouci Laboratoire d'informatique en Image et Systèmes d'information LIRIS UMR 5205 CNRS/INSA de

Plus en détail

Rapport 2014 et demande pour 2015. Portage de Méso-NH sur Machines Massivement Parallèles du GENCI Projet 2015 : GENCI GEN1605 & CALMIP-P0121

Rapport 2014 et demande pour 2015. Portage de Méso-NH sur Machines Massivement Parallèles du GENCI Projet 2015 : GENCI GEN1605 & CALMIP-P0121 Rapport 2014 et demande pour 2015 Portage de Méso-NH sur Machines Massivement Parallèles du GENCI Projet 2015 : GENCI GEN1605 & CALMIP-P0121 Rappel sur Méso-NH : Modélisation à moyenne échelle de l atmosphère

Plus en détail

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

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

Plus en détail

CALCULS PARALLÈLES ET APPLICATIONS LA VISION PAR ORDINATEUR AU CEA LIST, QUELS CHOIX ARCHITECTURAUX?

CALCULS PARALLÈLES ET APPLICATIONS LA VISION PAR ORDINATEUR AU CEA LIST, QUELS CHOIX ARCHITECTURAUX? CALCULS PARALLÈLES ET APPLICATIONS LA VISION PAR ORDINATEUR AU CEA LIST, QUELS CHOIX ARCHITECTURAUX? LABORATOIRE DE VISION ET INGÉNIERIE DES CONTENUS (LVIC) Fusion multimedia : extraction multimodale d

Plus en détail

THÈSE. présentée à l Université d Avignon et des Pays de Vaucluse pour obtenir le diplôme de DOCTORAT

THÈSE. présentée à l Université d Avignon et des Pays de Vaucluse pour obtenir le diplôme de DOCTORAT ACADÉMIE D AIX-MARSEILLE UNIVERSITÉ D AVIGNON ET DES PAYS DE VAUCLUSE THÈSE présentée à l Université d Avignon et des Pays de Vaucluse pour obtenir le diplôme de DOCTORAT SPÉCIALITÉ : Informatique École

Plus en détail

Optimisation des performances du programme mpiblast pour la parallélisation sur grille de calcul

Optimisation des performances du programme mpiblast pour la parallélisation sur grille de calcul Optimisation des performances du programme mpiblast pour la parallélisation sur grille de calcul Mohieddine MISSAOUI * Rapport de Recherche LIMOS/RR-06-10 20 novembre 2006 * Contact : missaoui@isima.fr

Plus en détail

Cours de Data Mining PageRank et HITS

Cours de Data Mining PageRank et HITS Cours de Data Mining PageRank et HITS Andreea Dragut Univ. Aix-Marseille, IUT d Aix-en-Provence Andreea Dragut Cours de Data Mining PageRank et HITS 1 / 48 Plan du cours Présentation Andreea Dragut Cours

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

Un modèle réactif pour l optimisation par colonies de fourmis : application à la satisfaction de contraintes

Un modèle réactif pour l optimisation par colonies de fourmis : application à la satisfaction de contraintes Actes JFPC 2009 Un modèle réactif pour l optimisation par colonies de fourmis : application à la satisfaction de contraintes Madjid Khichane 1,2, Patrick Albert 1 et Christine Solnon 2 1 ILOG An IBM Company

Plus en détail

Conception d un Simulateur de Grilles Orienté Gestion d'équilibrage

Conception d un Simulateur de Grilles Orienté Gestion d'équilibrage Conception d un Simulateur de Grilles Orienté Gestion d'équilibrage Fatima Kalfadj 1, Yagoubi Belabbas 2 et Meriem Meddeber 2 1 Université de Mascara, Faculté des Sciences, Département d Informatique,

Plus en détail

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

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

Plus en détail

Runtime. Gestion de la réactivité des communications réseau. François Trahay Runtime, LaBRI sous la direction d'alexandre Denis Université Bordeaux I

Runtime. Gestion de la réactivité des communications réseau. François Trahay Runtime, LaBRI sous la direction d'alexandre Denis Université Bordeaux I Runtime Gestion de la réactivité des communications réseau François Trahay Runtime, LaBRI sous la direction d'alexandre Denis Université Bordeaux I 1 Le calcul hautes performances La tendance actuelle

Plus en détail

A1-1 TP3 Gmsh et partitionnement de maillage

A1-1 TP3 Gmsh et partitionnement de maillage A1-1 TP3 Gmsh et partitionnement de maillage Nicolas Kielbasiewicz 23 septembre 2013 1 Introduction à Gmsh Sous Windows et Mac OS, Gmsh est une application native. Sous Linux, il se lance en ligne de commande,

Plus en détail

Dual decomposition methods and parallel computing

Dual decomposition methods and parallel computing Dual decomposition methods and parallel computing Jonas Koko LIMOS UMR 6158 Université Blaise Pascal - CNRS Dijon 29/06/2015 Jonas Koko (LIMOS) Dual decomposition methods Dijon 29/06/2015 1 / 18 Plan 1

Plus en détail

Baccalauréat ES/L Amérique du Sud 21 novembre 2013

Baccalauréat ES/L Amérique du Sud 21 novembre 2013 Baccalauréat ES/L Amérique du Sud 21 novembre 2013 A. P. M. E. P. EXERCICE 1 Commun à tous les candidats 5 points Une entreprise informatique produit et vend des clés USB. La vente de ces clés est réalisée

Plus en détail

LE PROBLEME DU PLUS COURT CHEMIN

LE 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 détail

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

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

Plus en détail

UNIVERSITÉ DU QUÉBEC À CHICOUTIMI UNIVERSITÉ DU QUÉBEC À MONTRÉAL

UNIVERSITÉ DU QUÉBEC À CHICOUTIMI UNIVERSITÉ DU QUÉBEC À MONTRÉAL UNIVERSITÉ DU QUÉBEC À CHICOUTIMI UNIVERSITÉ DU QUÉBEC À MONTRÉAL MÉTAHEURISTIQUES HYBRIDES POUR LA RÉSOLUTION DU PROBLÈME D'ORDONNANCEMENT DE VOITURES DANS UNE CHAÎNE D'ASSEMBLAGE AUTOMOBILE MÉMOIRE PRÉSENTÉ

Plus en détail

Big Data et Graphes : Quelques pistes de recherche

Big Data et Graphes : Quelques pistes de recherche Big Data et Graphes : Quelques pistes de recherche Hamamache Kheddouci Laboratoire d'informatique en Image et Systèmes d'information LIRIS UMR 5205 CNRS/INSA de Lyon/Université Claude Bernard Lyon 1/Université

Plus en détail

SESSION 2014 MATHÉMATIQUES. Série : SCIENCES ET TECHNOLOGIES DU MANAGEMENT ET DE LA GESTION STMG. DURÉE DE L ÉPREUVE : 3 heures COEFFICIENT : 3

SESSION 2014 MATHÉMATIQUES. Série : SCIENCES ET TECHNOLOGIES DU MANAGEMENT ET DE LA GESTION STMG. DURÉE DE L ÉPREUVE : 3 heures COEFFICIENT : 3 BACCALAURÉAT TECHNOLOGIQUE SESSION 2014 MATHÉMATIQUES Série : SCIENCES ET TECHNOLOGIES DU MANAGEMENT ET DE LA GESTION STMG DURÉE DE L ÉPREUVE : 3 heures COEFFICIENT : 3 Calculatrice autorisée, conformément

Plus en détail

Programmation Par Contraintes

Programmation Par Contraintes Programmation Par Contraintes Cours 2 - Arc-Consistance et autres amusettes David Savourey CNRS, École Polytechnique Séance 2 inspiré des cours de Philippe Baptiste, Ruslan Sadykov et de la thèse d Hadrien

Plus en détail

Laboratoire d Automatique et Productique Université de Batna, Algérie

Laboratoire 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 détail

Retour d expérience, portage de code Promes dans le cadre de l appel à projets CAPS-GENCI

Retour d expérience, portage de code Promes dans le cadre de l appel à projets CAPS-GENCI , portage de code Promes dans le cadre de l appel à projets CAPS-GENCI PROMES (UPR 8521 CNRS) Université de Perpignan France 29 juin 2011 1 Contexte 2 3 4 Sommaire Contexte 1 Contexte 2 3 4 Laboratoire

Plus en détail

Rencontre sur la thématique du Calcul Haute Performance - 13 juin 2012. Better Match, Faster Innovation

Rencontre sur la thématique du Calcul Haute Performance - 13 juin 2012. Better Match, Faster Innovation Better Match, Faster Innovation Rencontre sur la thématique du Calcul Haute Performance - 13 juin 2012 Meeting on the theme of High Performance Computing TABLE DES MATIÈRES Qu est ce qu un imatch? STI

Plus en détail

Délégation GPU des perceptions agents : application aux boids de Reynolds

Délégation GPU des perceptions agents : application aux boids de Reynolds Délégation GPU des perceptions agents : application aux boids de Reynolds JFSMA 2015 LIRMM - Université de Montpellier - CNRS Emmanuel Hermellin, Fabien Michel {hermellin, fmichel}@lirmm.fr Mercredi 1

Plus en détail

Séminaire RGE REIMS 17 février 2011

Séminaire RGE REIMS 17 février 2011 Séminaire RGE REIMS 17 février 2011 ADACSYS Présentation des FPGA Agenda Spécificité et différences par rapport aux autres accélérateurs Nos atouts Applications Approche innovante Document confidentiel

Plus en détail

Quantification d incertitude et Tendances en HPC

Quantification d incertitude et Tendances en HPC Quantification d incertitude et Tendances en HPC Laurence Viry E cole de Physique des Houches 7 Mai 2014 Laurence Viry Tendances en HPC 7 Mai 2014 1 / 47 Contents 1 Mode lisation, simulation et quantification

Plus en détail

ÉCOLE DE TECHNOLOGIE SUPÉRIEURE UNIVERSITÉ DU QUÉBEC MÉMOIRE PRÉSENTÉ À L ÉCOLE DE TECHNOLOGIE SUPÉRIEURE. PAR Richard COLIN MONTRÉAL, LE 30 AOÛT 2011

ÉCOLE DE TECHNOLOGIE SUPÉRIEURE UNIVERSITÉ DU QUÉBEC MÉMOIRE PRÉSENTÉ À L ÉCOLE DE TECHNOLOGIE SUPÉRIEURE. PAR Richard COLIN MONTRÉAL, LE 30 AOÛT 2011 ÉCOLE DE TECHNOLOGIE SUPÉRIEURE UNIVERSITÉ DU QUÉBEC MÉMOIRE PRÉSENTÉ À L ÉCOLE DE TECHNOLOGIE SUPÉRIEURE COMME EXIGENCE PARTIELLE À L OBTENTION DE LA MAÎTRISE EN GENIE DE LA PRODUCTION AUTOMATISÉE M.Ing.

Plus en détail

Etude d un cas industriel : Optimisation de la modélisation de paramètre de production

Etude d un cas industriel : Optimisation de la modélisation de paramètre de production Revue des Sciences et de la Technologie RST- Volume 4 N 1 /janvier 2013 Etude d un cas industriel : Optimisation de la modélisation de paramètre de production A.F. Bernate Lara 1, F. Entzmann 2, F. Yalaoui

Plus en détail

Méthaheuristiques pour l optimisation combinatoire et l affectation sous contraintes

Méthaheuristiques 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 détail

Kick-off ANR Compass

Kick-off ANR Compass Kick-off ANR Compass Contribution MDLS Pierre Kestener CEA-Saclay, DSM, France Maison de la Simulation Meudon, 14 mars 2013 1 / 10 La Maison de la Simulation Laboratoire de recherche pluridisciplinaire

Plus en détail

ISTA H.H www.developpez.c.la Diagramme d activité SOMMAIRE

ISTA H.H www.developpez.c.la Diagramme d activité SOMMAIRE SOMMAIRE I. Définition... 2 II. Intérêts des diagrammes d activité... 5 III. Quand employer le diagramme d activité?... 5 IV. Avantage et Inconvénient... 6 V. Les étapes de constructions... 7 VI. Comment

Plus en détail

Séparation et Evaluation pour le problème d ordonnancement avec blocage.

Séparation 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 détail

L utilisation d un réseau de neurones pour optimiser la gestion d un firewall

L utilisation d un réseau de neurones pour optimiser la gestion d un firewall L utilisation d un réseau de neurones pour optimiser la gestion d un firewall Réza Assadi et Karim Khattar École Polytechnique de Montréal Le 1 mai 2002 Résumé Les réseaux de neurones sont utilisés dans

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

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

Contexte et motivations Les techniques envisagées Evolution des processus Conclusion

Contexte et motivations Les techniques envisagées Evolution des processus Conclusion Vérification de logiciels par analyse statique Contexte et motivations Les techniques envisagées Evolution des processus Conclusion Contexte et motivations Specification Design architecture Revues and

Plus en détail

Les principaux domaines de l informatique

Les principaux domaines de l informatique Les principaux domaines de l informatique... abordés dans le cadre de ce cours: La Programmation Les Systèmes d Exploitation Les Systèmes d Information La Conception d Interfaces Le Calcul Scientifique

Plus en détail

Informatique légale : FPGA vs. GPU

Informatique légale : FPGA vs. GPU Informatique légale : FPGA vs. GPU Sylvain Collange, Yoginder S. Dandass, Marc Daumas et David Defour 03/06/2008 Problématiques Analyse de disque dur Recherche de contenu illégal connu Y compris dans des

Plus en détail

Sujet 3: Modèles de la planification stratègique : Autres applications

Sujet 3: Modèles de la planification stratègique : Autres applications Sujet 3: Modèles de la planification stratègique : Autres applications MSE3312: Planification de production et gestion des opérations Andrew J. Miller Dernière mise à jour: October 11, 2010 Dans ce sujet...

Plus en détail

Plan. 1. La planification d un d 2. Méthodes et techniques de planification 3. Conclusion. D. Leclet - 2006-2007

Plan. 1. La planification d un d 2. Méthodes et techniques de planification 3. Conclusion. D. Leclet - 2006-2007 Plan 1. La planification d un d projet 2. Méthodes et techniques de planification 3. Conclusion 1 1. La planification d un d projet 1.1 Découpage chronologique du projet 1.2 Ordonnancement des tâchest

Plus en détail

Structures de données non linéaires

Structures de données non linéaires Structures de données non linéaires I. Graphes Définition Un graphe (simple) orienté G est un couple (S, A), où : S est un ensemble dont les éléments sont appelés les sommets. A est un ensemble de couples

Plus en détail

Ordonnancement sous contraintes de Qualité de Service dans les Clouds

Ordonnancement sous contraintes de Qualité de Service dans les Clouds Ordonnancement sous contraintes de Qualité de Service dans les Clouds GUÉROUT Tom DA COSTA Georges (SEPIA) MONTEIL Thierry (SARA) 14/9/215 1 Profil Profil Parcours : Laboratoires LAAS et IRIT à Toulouse

Plus en détail

Mercredi 24 Juin 2015

Mercredi 24 Juin 2015 BACCALAURÉAT GÉNÉRAL Session 2015 MATHÉMATIQUES Série ES ENSEIGNEMENT OBLIGATOIRE Durée de l épreuve : 3 heures coefficient : 5 MATHÉMATIQUES Série L ENSEIGNEMENT DE SPÉCIALITÉ Durée de l épreuve : 3 heures

Plus en détail

LES PROBLEMES D'ORDONNANCEMENT

LES PROBLEMES D'ORDONNANCEMENT LES PROBLEMES D'ORDONNANCEMENT GOTHA INTRODUCTION 1. PRESENTATION DES PROBLEMES D'ORDONNANCEMENT 1.1. DEFINITIONS ET TYPOLOGIE 1.2. MODELISATION PAR RESEAUX DE PETRI 1.3. TECHNOLOGIE DE GROUPE ET ORDONNANCEMENT

Plus en détail

DB2 10.5 BLU Acceleration Francis Arnaudiès f.arnaudies@fr.ibm.com

DB2 10.5 BLU Acceleration Francis Arnaudiès f.arnaudies@fr.ibm.com DB2 10.5 BLU Acceleration Francis Arnaudiès f.arnaudies@fr.ibm.com #solconnect13 SOLUTIONS ADAPTEES AUX BESOINS CLIENTS Mobile/Cloud Data Serving and Transaction Processing Mobile Storefront JSON Database

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

présentée pour obtenir le titre de DOCTEUR DE L INSTITUT NATIONAL POLYTECHNIQUE DE TOULOUSE

présentée pour obtenir le titre de DOCTEUR DE L INSTITUT NATIONAL POLYTECHNIQUE DE TOULOUSE N o d ordre : 2534 THÈSE présentée pour obtenir le titre de DOCTEUR DE L INSTITUT NATIONAL POLYTECHNIQUE DE TOULOUSE Par : Charles-Edmond BICHOT École doctorale : Informatique et Télécommunications Spécialité

Plus en détail

Architecture des ordinateurs

Architecture des ordinateurs Décoder la relation entre l architecture et les applications Violaine Louvet, Institut Camille Jordan CNRS & Université Lyon 1 Ecole «Découverte du Calcul» 2013 1 / 61 Simulation numérique... Physique

Plus en détail

Calculs de probabilités

Calculs de probabilités Calculs de probabilités Mathématiques Générales B Université de Genève Sylvain Sardy 13 mars 2008 1. Définitions et notations 1 L origine des probabilités est l analyse de jeux de hasard, tels que pile

Plus en détail

L apprentissage automatique

L apprentissage automatique L apprentissage automatique L apprentissage automatique L'apprentissage automatique fait référence au développement, à l analyse et à l implémentation de méthodes qui permettent à une machine d évoluer

Plus en détail

Contrainte de flot pour RCPSP avec temps de transfert

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

Plus en détail

Sommaire. Introduction. I. Notions de routage a) Technologies actuelles b) Avantages et désavantages

Sommaire. Introduction. I. Notions de routage a) Technologies actuelles b) Avantages et désavantages Sommaire Introduction I. Notions de routage a) Technologies actuelles b) Avantages et désavantages II. Routage et fourmis a) Principe et avantages b) Structure du simulateur III.Implémentation a) Présentation

Plus en détail

Jade. Projet Intelligence Artificielle «Devine à quoi je pense»

Jade. Projet Intelligence Artificielle «Devine à quoi je pense» Jade Projet Intelligence Artificielle «Devine à quoi je pense» Réalisé par Djénéba Djikiné, Alexandre Bernard et Julien Lafont EPSI CSII2-2011 TABLE DES MATIÈRES 1. Analyse du besoin a. Cahier des charges

Plus en détail

Optimisation globale avec application pour les fonctions de hölder

Optimisation globale avec application pour les fonctions de hölder MINISTÈRE DE L ENSEIGNEMENT SUPÉRIEUR ET DE LA RECHERCHE SCIENTIFIQUE UNIVERSITÉ MOULOUD MAMMERI, TIZI-OUZOU FACULTÉ DES SCIENCES DÉPARTEMENT DE MATHÉMATIQUES MÉMOIRE DE MAGISTER SPÉCIALITÉ : MATHÉMATIQUES

Plus en détail

BACCALAUREAT GENERAL MATHÉMATIQUES

BACCALAUREAT GENERAL MATHÉMATIQUES BACCALAUREAT GENERAL FEVRIER 2014 MATHÉMATIQUES SERIE : ES Durée de l épreuve : 3 heures Coefficient : 5 (ES), 4 (L) 7(spe ES) Les calculatrices électroniques de poche sont autorisées, conformement à la

Plus en détail

Stratégie de recherche adaptative en programmation par contrainte

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

Plus en détail

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

Classement 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 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 détail

La programmation à mémoire adaptative ou l évolution des algorithmes évolutifs

La programmation à mémoire adaptative ou l évolution des algorithmes évolutifs La programmation à mémoire adaptative ou l évolution des algorithmes évolutifs Éric D. Taillard 1 Luca M. Gambardella 1 Michel Gendreau 2 Jean-Yves Potvin 2 1 IDSIA, Corso Elvezia 36, CH-6900 Lugano. E-mail

Plus en détail

PLANIFICATION DES LIVRAISON JOINTES DE DIFFERENTS PRODUITS A DIFFERENTS SITES

PLANIFICATION DES LIVRAISON JOINTES DE DIFFERENTS PRODUITS A DIFFERENTS SITES 0ème Conférence Francophone de Modélisation, Optimisation et Simulation- MOSIM 5 au 7 novembre 0 - Nancy France «de l économie linéaire à l économie circulaire» PLANIFICATION DES LIVRAISON JOINTES DE DIFFERENTS

Plus en détail

Statistiques Descriptives à une dimension

Statistiques Descriptives à une dimension I. Introduction et Définitions 1. Introduction La statistique est une science qui a pour objectif de recueillir et de traiter les informations, souvent en très grand nombre. Elle regroupe l ensemble des

Plus en détail

Problème à résoudre. min f(s) s.c. s S

Problème à résoudre. min f(s) s.c. s S Métaheuristiques Le mot métaheuristique est dérivé de la composition de deux mots grecs: - heuristique qui vient du verbe heuriskein (ευρισκειν) et qui signifie trouver - meta qui est un suffixe signifiant

Plus en détail

Ordonnancement sous contraintes de Qualité de Service dans les Clouds

Ordonnancement sous contraintes de Qualité de Service dans les Clouds Ordonnancement sous contraintes de Qualité de Service dans les Clouds GUÉROUT Tom DA COSTA Georges (SEPIA) MONTEIL Thierry (SARA) 05/12/2014 1 Contexte CLOUD COMPUTING Contexte : Environnement de Cloud

Plus en détail