Mlle Yasmin A. RÍOS SOLÍS
|
|
- Ségolène Vincent
- il y a 8 ans
- Total affichages :
Transcription
1 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 la thèse : ORDONNANCEMENT AVANCE-RETARD SUR MACHINES PARALÈLLES soutenue le 30 janvier 2007 devant le jury composé de : M. Jean-Charles BILLAUT Rapporteur Mme. Marie-Claude PORTMANN Rapporteur M. Alain BILLIONNET Examinateur M. Philippe CHRÉTIENNE Directeur de thèse M. Jean-Charles POMEROL Examinateur M. Alain QUILLIOT Examinateur M. Francis SOURD Co-directeur de thèse
2
3 Remerciements Je tiens à remercier en tout premier lieu Francis Sourd qui a dirigé cette thèse dans la continuité de mon stage de D.E.A.. Tout au long de ces trois années, il a su orienter mes recherches aux bons moments en me faisant découvrir l ordonnancement au travers de son regard novateur et critique. Pour sa disponibilité pour des discussions, les relectures, en plus de sa confiance, patience et son amitié, je le remercie vivement. Je remercie également Philippe Chrétienne, Professeur à l Université Paris VI, pour ses encouragements, ses conseils et sa confiance. J adresse tous mes sincères remerciements à Marie-Claude Portmann, Professeur à l École des Mines de Nancy, et à Jean-Charles Billaut, Professeur au Polytech Tours, qui m ont fait l honneur de d accepter d être rapporteurs de ces travaux. Merci également aux autres membres du jury qui ont accepté de juger ce travail : Alain Billionnet Professeur à l École Nationale Supérieure d Informatique pour l Industrie et l Entreprise, Jean-Charles Pomerol, Professeur à l Université Paris VI et Alain Quilliot, Professeur à l Université Blaise Pascal-Clermont-Ferrand. Je remercie infiniment le CONACyT (Conseil Mexicain de Science et Technologie) et le SRE (Ministère Mexicain de Relations Extérieures) pour le financement partiel qu ils m ont offert durant le Master (DEA IRO) et la thèse. L équipe DESIR du Laboratoire d Informatique de Paris VI est un cadre privilégié pour effectuer une thèse. Parmi ceux qui ont contribué à mon travail, je remercie tout spécialement Safia Kedad-Sidhoum et Claire Hanen. Dans ces remerciements je ne peux bien sûr pas oublier les chercheurs et doctorants qui ont fait de mon séjour au LIP6, une période très agréable et enrichissante : Patrice, Christophe, Jean-Yves, Olivier, Pierre, Emmanuel, Pierre-Henri, Yann, Nina, Nathalie, Anna, Nabil, Lucie, Nicolas, Paul, Louis-Xavier, Sergio et Antoine. Merci pour tous les rires, les groupes de travail, les mots croisés, les cafés... J ai eu l énorme chance d avoir l amitié et le support de mes copains du DEA et mes copains mexicains tout le long de la thèse. Je pense tout spécialement à Marie-Christine avec laquelle j ai eu, en plus, le plaisir de collaborer scientifiquement. Un particulier remerciement pour ma famille adorée à laquelle je dédie cette thèse : Leonardo, Agueda, Leo et Lucero. Enfin, une tendre pensée pour Gabriel qui m a accompagné et supporté avec beaucoup de patience et surtout d amour. 3
4
5 Table des matières 1 Introduction 7 2 État de l art Notions et notations Complexité des problèmes d ordonnancement Production juste-à-temps Problèmes d ordonnancement d avance-retard Modèle avec variables indexées sur le temps Modèle avec variables d affectation Optimisation des coûts d affectation Problèmes avec une date d échéance commune restrictive Ordonnancements dominants de 1 d i = d r i α ie i + β i T i Ordonnancements dominants de R d i = d r i α ie i + β i T i Complexité des problèmes avec une date d échéance commune État de l art pour les problèmes à date d échéance commune Minimisation de la somme pondérée des dates de fin Modèle quadratique du problème R i w ic i Ordonnancement avec des coûts de position sur les tâches Voisinage exponentiel : cas à une seule machine Introduction Définition et exploration du voisinage exponentiel Complexité du problème de recherche dans le voisinage Conclusions Voisinage exponentiel : cas à machines parallèles Introduction Définition et exploration du voisinage exponentiel Voisinage V jj T (S) Voisinage V jj E (S) Voisinage V jj ET (S)
6 6 TABLE DES MATIÈRES Le voisinage exponentiel pour le cas à machines parallèles Résultats expérimentaux Instances Algorithmes EXPN, HEUR et LAGRES Comparaison des instances à machines parallèles Comparaison des instances avec une seule machine Algorithme hybride HEUEXPN Conclusions Reformulations quadratiques convexes Introduction Le problème R i w ic i Reformulation convexe (QCR) Convexification par perturbation de la diagonale (PDIA) Résultats expérimentaux pour R i w ic i et P i w ic i Le problème R d i = d r i α ie i + β i T i Conclusions Ordonnancement avec coûts de position Introduction Modélisation du problème P pmtn i fi Solution pour P pmtn i fi Approche par relaxation Lagrangienne Résultats expérimentaux Algorithmes Instances Résultats Conclusions Conclusions et perspectives 115 A Étude préliminaire sur un paysage d espace des solutions 119 A.1 Introduction A.2 Quelques résultats expérimentaux Bibliographie 123 Yasmin A. Ríos Solís
7 Chapitre 1 Introduction L intérêt pour la théorie de l ordonnancement a surgi dans les années 1950 et n a pas cessé d augmenter ces dernières années, peut-être du fait de son applicabilité à une multitude croissante de problèmes et de sa difficulté qui intéresse les chercheurs. Parmi les problèmes d optimisation combinatoire, les problèmes d ordonnancement sont probablement les plus liés au monde industriel puisqu il s agit de concilier, de façon optimale, des ressources limitées avec des activités dans le temps. Ainsi, des domaines comme l éducation, l agriculture, le transport ou la santé ont bénéficié des recherches issues de l ordonnancement. La théorie de l ordonnancement étudie des problèmes qui ont souvent la caractéristique d avoir un nombre fini de solutions réalisables. En principe, les solutions optimales d un tel problème pourraient être déterminées par une simple énumération. Toutefois, en pratique, c est souvent impossible, spécialement pour les problèmes qui modélisent des situations réelles, car le nombre de solutions à énumérer est trop grand. Un des objectifs de la théorie de l ordonnancement est de déterminer une solution optimale ou une bonne solution en un temps raisonnable. L immense impact de la théorie de la complexité est basé sur l hypothèse, largement convenue, que définir l appartenance d un problème à la classe des problèmes qui se résolvent en temps polynomial, la classe P, est une manière mathématique appropriée de formaliser le concept empirique des problèmes qui se résolvent bien en pratique. En conséquence, la question est comment aborder les problèmes NP-difficiles d optimisation qui ne peuvent pas efficacement être résolus à l optimalité, à moins que P=NP. Les réponses possibles à cette question sont : les algorithmes de liste qui construisent de façon itérative une solution, les procédures par séparation et évaluation (branch&bound en anglais) qui ont une complexité au pire cas exponentielle, les méthodes heuristiques qui fournissent des bonnes solutions mais qui ne fournissent pas de garantie de performance, les méthodes par relaxation de contraintes, etc. 7
8 8 Chapitre 1. Introduction Bien que l intérêt pour les problèmes d ordonnancement à une seule machine soit encore très important, les problèmes à machines parallèles sont de plus en plus étudiés dans la littérature. En effet, ils reflètent des environnements de production où, pour des raisons de rapidité, plusieurs ressources sont disponibles pour effectuer les tâches. La généralisation de méthodes pour les problèmes à une seule machine n est pas toujours triviale. En effet, même la complexité du problème peut varier entre le cas à une seule machine et le cas à machines parallèles. Ce travail de thèse vise à étudier des problèmes d ordonnancement sur machines parallèles avec un critère d optimisation juste-à-temps. Il s agit de problèmes souvent NP-difficiles où les tâches sont pénalisées si elles se finissent en avance ou en retard par rapport à une date d échéance fixée. Ce critère d optimisation a comme objectif d éviter toute production anticipée de produits intermédiaires ou finaux et donc de produire la quantité strictement nécessaire, au moment voulu, pour satisfaire la demande de chaque client. Alors que la plupart des critères visent à ordonnancer les tâches au plus tôt, ce type de critères est parfois bénéficié par des temps d inactivité entre l exécution d une paire de tâches. Nous présentons ci-dessous, plus spécifiquement, les problèmes d ordonnancement d avance-retard auxquels nous nous sommes intéressés dans ce travail, ainsi que les différentes méthodes que nous avons utilisées pour les résoudre. Le chapitre 2 constitue une brève présentation des problèmes d ordonnancement auxquels nous nous intéressons dans ce travail. Nous décrivons ces problèmes ainsi que les notations utilisées. Nous donnons également un état de l art et quelques résultats de la littérature qui seront utiles pour la suite de cette thèse. Dans le chapitre 3, nous définissons un nouveau voisinage pour le problème d avance-retard à une seule machine avec une date d échéance commune restrictive (ce problème est conjecturé NP-difficile au sens fort). Ce voisinage a la particularité d être composé d ordonnancements obtenus par l application d un ensemble de mouvements indépendants de tâches à partir d une solution initiale réalisable. Il a la caractéristique d être de taille exponentielle et de n être composé que d ordonnancements dominants. L algorithme pseudo-polynomial de programmation dynamique que nous proposons pour obtenir la meilleure solution de ce voisinage permet, à l aide d un algorithme de recherche locale, d obtenir des minimums locaux de bonne qualité. De plus, nous démontrons que trouver la solution à coût minimum dans le voisinage d un ordonnancement donné, est un problème NP-difficile. Les résultats de ce chapitre nous ont conduit à nous intéresser, dans le chapitre 4, au cas d ordonnancement à machines parallèles. Nous étudions dans le chapitre 4, le problème d ordonnancement d avance-retard à machines parallèles avec une date d échéance commune restrictive qui est NP-difficile au sens fort. Nous utilisons pour son étude la même optique que dans le chapitre 3 : un voisinage exponentiel. Bien qu on se base sur la définition du voisinage dédié à une seule Yasmin A. Ríos Solís
9 9 machine, la généralisation du voisinage exponentiel pour le cas à machines parallèles n est pas triviale. Un algorithme pseudo-polynomial de programmation dynamique est proposé pour retrouver le meilleur ordonnancement dans le voisinage exponentiel que nous définissons. Des résultats expérimentaux permettent de vérifier la qualité des solutions de cette méthode ainsi que ses limites en temps de calcul. Des comparaisons entre des bornes inférieures et supérieures sont réalisées pour le cas avec 1, 4 et 8 machines. Nous proposons aussi un algorithme hybride qui commence par déterminer une première solution avec un algorithme de recherche locale, simple mais très efficace, et se poursuit par la méthode basée sur les voisinages exponentiels. Nous avons constaté, qu avec cette procédure, nous pouvons échapper à des minima locaux. L article [87], réalisé avec F. Sourd et contenant les résultats obtenus dans les chapitres 3 et 4, sera publié dans le journal Computers & Operations Research (C&OR). Le chapitre 5 propose une méthode exacte qui, à notre connaissance, n a jamais été utilisée pour les problèmes d ordonnancement. Il s agit, premièrement, de modéliser le problème d ordonnancement avec un programme quadratique en 0-1 sous contraintes linéaires. Ensuite, le reformuler de façon convexe tel que l espace des solutions admissibles reste le même que celui du problème initial. Finalement, à l aide d un outil commercial résolvant des programmes en 0-1 quadratiques convexes, trouver la solution optimale. Différentes méthodes de reformulation convexe sont présentées et appliquées aux problèmes d ordonnancement à machines parallèles d avance-retard ainsi qu à des problèmes avec critères d optimisation dits réguliers. Des résultats expérimentaux montrent que cette méthode exacte, basée sur une reformulation convexe, est intéressante et même très efficace en donnant les meilleurs résultats expérimentaux de la littérature pour certains problèmes d ordonnancement. L apport principal de ce chapitre est d avoir lié la théorie de la programmation quadratique en 0-1 avec la théorie de l ordonnancement pour obtenir des solutions exactes. Finalement, le chapitre 6 correspond à l étude d un problème d ordonnancement préemptif sur machines parallèles identiques qui a la particularité de ne pas avoir des fonctions de coût dépendantes des dates de fin des tâches. De plus, les tâches peuvent commencer et être interrompues à n importe quel instant du temps et pas seulement aux instants entiers. En relâchant des contraintes, nous proposons un algorithme polynomial basé sur la décomposition en sous-problèmes indépendants du programme dual. Grâce à un algorithme de sous-gradient ou d ellipsoïde, la solution optimale peut ensuite être obtenue. La résolution de ce type de problème est pour nous très intéressante puisqu elle permet d obtenir des bornes inférieures pour le problème d ordonnancement d avance-retard sans préemption. Nous nous comparons expérimentalement avec quatre autres bornes inférieures et supérieures pour ce type de problèmes à machines parallèles. L article [57], réalisé avec F. Sourd et S. Kedad-Sidhoum, présentant la borne que nous proposons dans ce chapitre ainsi les autres bornes auxquelles nous
10 10 Chapitre 1. Introduction nous comparons expérimentalement, sera publié dans le journal European Journal of Operational Research (EJOR). Nous présentons à la fin, une conclusion de notre travail ainsi que les directions de recherches futures qui concernent soit des extensions naturelles des problèmes que nous avons étudiés, soit des méthodes différentes à développer et à appliquer. En plus des articles que nous avons cité précédemment, des sections de cette thèse, ont été ou seront publiés dans [58], [89], [88] et [90]. Yasmin A. Ríos Solís
11 Chapitre 2 État de l art Ce chapitre est dédié à la présentation des problèmes d ordonnancement sur machines parallèles qui seront traités dans cette thèse : les problèmes d avanceretard, les problèmes où l on cherche à minimiser la somme pondérée des retards et les problèmes où les fonctions de coût des tâches ne dépendent pas de leur date de fin. L objectif est d introduire les notions, les notations et l état de l art de ces problèmes, ainsi que de présenter des résultats de la littérature qui seront utiles pour les chapitres suivants. Le but de ce chapitre n est pas d effectuer une présentation exhaustive des problèmes d ordonnancement, mais plutôt d introduire de manière succincte les problèmes, critères et propriétés qui nous intéressent dans les chapitres suivants. Nous commençons par présenter, dans la section 2.1, la théorie de l ordonnancement ainsi que les notions et notations qui seront utilisées dans cette thèse. Ensuite, les problèmes d ordonnancement étudiés dans ce travail sont plus particulièrement décrits dans les sections Pour plus de détails sur la théorie d ordonnancement nous pouvons citer les livres de Carlier et Chrétienne [20], de Leung [26], de Pinedo [82], de Brucker [14], de T Kindt et Billaut [106] et le livre d exercices du groupe de travail GOThA [38]. 2.1 Notions et notations La théorie de l ordonnancement est une branche de la recherche opérationnelle qui s intéresse au calcul de dates d exécution optimales de tâches. De façon plus précise, un problème d ordonnancement consiste à organiser dans le temps la réalisation de tâches, compte tenu de contraintes temporelles (délais, contraintes d enchaînement, etc.) et de contraintes portant sur la disponibilité des ressources requises. Un ordonnancement 11
12 12 Chapitre 2. État de l art est défini par le planning d exécution des tâches et d allocation des ressources et vise à satisfaire un ou plusieurs objectifs [114]. Plus précisément, Carlier et Chrétienne [20] proposent la définition suivante : Définition 2.1 Ordonnancer c est programmer l exécution d une réalisation en attribuant des ressources aux tâches et en fixant leur date d exécution. La réalisation peut être, par exemple, un programme informatique ou le carnet de commandes d un atelier. Alors les tâches sont des processus informatiques ou des traitements à appliquer à certaines pièces par des machines. Les ressources sont alors des processus et de la mémoire ou des machines et du personnel. Établir un ordonnancement revient à coordonner l exécution de toutes les tâches, en utilisant au mieux les ressources disponibles. Plusieurs problèmes de productivité sont liés à des problèmes d ordonnancement : avoir les produits corrects quand ils sont nécessaires, avoir les machines disponibles quand on en a besoin, utiliser excessivement l inventaire pour palier à des problèmes, inflexibilité, etc. La résolution de ces difficultés peut signifier des bénéfices directs et indirects. Par exemple, l introduction des diagrammes de Gantt pendant la première guerre mondiale a réduit le temps de chargement d un bateau d environ la moitié [81]. Bien que ça soit un moyen efficace de représentation, un diagramme de Gantt (figure 2.1) n est pas une méthode d ordonnancement. Trouver des méthodes qui génèrent des bons ordonnancements est un des objectifs de cette thèse. La difficulté est que les problèmes d ordonnancement auxquels on s intéresse sont NP-difficiles. D un point de vue mathématique, un problème d ordonnancement est un problème d optimisation sous contraintes. En effet, il faut déterminer à l intérieur de l ensemble de solutions, qui vérifient les contraintes du problème, un ordonnancement qui minimise une fonction objectif. Les problèmes d ordonnancement mettent en relation des tâches à exécuter, des machines pour les exécuter et le temps. Une tâche (job en anglais) est une entité élémentaire localisée dans le temps par une date de début et/ou de fin, dont la réalisation nécessite une durée, et qui consomme un moyen selon une certaine intensité. Dans cette thèse, l ensemble des tâches est noté J = {1, 2,..., n} où n = J est le nombre de tâches du problème. Les machines sont des moyens techniques ou humains destinés à être utilisés pour la réalisation des tâches et disponibles en quantité limitée. Les machines sont notées M 1,..., M m où m est le nombre de machines disponibles. La dimension temporelle des problèmes d ordonnancement est modélisée par l intervalle [0, ). Nous considérons que les tâches sont disponibles, pour être ordonnancées, à partir de l instant 0 ou à partir de leur date de disponibilité (qui est positive). Yasmin A. Ríos Solís
13 2.1. Notions et notations 13 Les contraintes des problèmes d ordonnancement expriment des restrictions sur les valeurs que peuvent prendre simultanément les variables de décision. On distingue les contraintes temporelles et les contraintes des ressources. Contraintes temporelles : elles sont relatives aux dates limites des tâches (délais de livraisons, disponibilité des approvisionnements) ou à la durée totale d un projet. Contraintes de ressources : elles expriment la nature et la quantité des moyens utilisés par les tâches, les caractéristiques d utilisation de ces moyens, la disponibilité des ressources et la quantité des moyens disponibles au cours du temps. Il est important de mentionner deux hypothèses, ou deux contraintes sur les solutions, sous lesquelles se fera toute cette étude. La première consiste à dire qu une machine ne peut exécuter qu une seule tâche à la fois. La seconde dit qu une tâche ne peut être exécutée que par une seule machine à la fois. Maintenant, nous présentons les propriétés individuelles des tâches qui déterminent, de façon significative, la nature du problème d ordonnancement. Temps d exécution : si la tâche i est exécutée totalement sur la machine M j alors son temps d exécution est noté p ij. Dans le cas où les machines sont identiques nous notons le temps d exécution de la tâche i comme p i. Date d échéance : la date à laquelle la tâche i doit être idéalement terminée est d i. Date de disponibilité (ou date de début au plus tôt) : une tâche i ne peut être ordonnancée sur la machine M j qu à partir de l instant r ij. Si les dates de disponibilité des tâches sont égales pour toutes les machines, alors nous notons r i la date de disponibilité de i. Si ces dates sont égales à 0, alors les tâches sont toujours disponibles. Pour la résolution d un problème d ordonnancement, on cherche à déterminer la date de fin C i (ou la date de début S i ) de chaque tâche i et la machine sur laquelle elle sera exécutée, de manière à minimiser un critère d optimisation. Les critères que nous considérons dans ce travail, sont basés sur les indicateurs suivants définis individuellement pour chaque tâche : l avance (earliness en anglais) de la tâche i : E i = max(0, d i C i ), et le retard (tardiness en anglais) de la tâche i : T i = max(0, C i d i ). Il faut préciser que d autres indicateurs peuvent être définis, comme le retard algébrique (L i = C i d i ) ou l indicateur de retard (U i = 1 si C i > d i et U i = 0 sinon). La figure 2.1 représente, à l aide d un diagramme de Gantt, un ordonnancement à 2 machines et 5 tâches. Nous pouvons observer que la tâche 1 est exécutée dès qu elle est disponible, la tâche 2 se trouve en avance puisque sa date de fin est inférieure à sa date d échéance, la tâche 5 est exécutée juste-à-temps car sa date de fin coïncide avec sa date d échéance, et que
14 14 Chapitre 2. État de l art p 31 M p 12 M r 1 r 2 d 2 d 4 d 5 Fig. 2.1 Diagramme de Gantt d un ordonnancement. la tâche 4 est en retard puisque sa date d échéance est inférieure à sa date de fin. On s intéresse aux fonctions suivantes qui nous permettent d obtenir un critère qui estime, de manière globale, la qualité d un ordonnancement. min i α ie i + β i T i : la combinaison linéaire des coûts d avance et de retard (α i correspond à la pénalité d avance de la tâche i et β i à sa pénalité de retard). Ce critère est dit irrégulier car il n est pas monotone croissant comme la plupart des critères en ordonnancement. min i w ic i : la somme pondérée des dates de fin (critère régulier). D autres fonctions objectif existent et sont usuellement utilisées dans la littérature. Par exemple, la minimisation de la date de fin de la dernière tâche, C max = max i C i (makespan en anglais) ou la somme pondérée des retards min i β it i. Pour décrire de façon synthétique les problèmes d ordonnancement, dans cette thèse nous utilisons la notation à trois champs (α β γ), introduite par Graham et al. [39]. L environnement des machines correspond au champ α, les contraintes liées à l exécution des tâches au champ β, ainsi que le critère d optimisation au champ γ. Le champ de l environnement des machines peut prendre les valeurs suivantes. 1 : une seule machine. P : machines parallèles identiques. La durée de la tâche i est alors de p i quelle que soit la machine qui exécute i. Q : machines parallèles à vitesses différentes et dépendantes (uniform parallel machines en anglais). Lorsque la tâche i est exécutée par la machine M j sa durée est p i /s j où s j est une constante qui dépend de M j appelée vitesse de M j. Par exemple, nous pourrons dire qu une machine va deux fois plus vite qu une autre. Yasmin A. Ríos Solís
15 2.1. Notions et notations 15 R : machines parallèles à vitesses différentes et indépendantes (unrelated parallel machines en anglais). Dans ce cas, la durée de la tâche i, lorsqu elle est exécutée par la machine M j, est p ij Complexité des problèmes d ordonnancement Dans cette thèse, nous considérons principalement les deux classes de problèmes suivants. La classe P est composée de problèmes pouvant être résolus en un temps polynomial, c est-à-dire, le temps d exécution est borné par une fonction polynomiale de la taille de l entrée du problème. La classe NP-difficile (NP signifie Non-déterministe Polynomial ) est composée des problèmes d optimisation tels que pour leur problème de décision associé, la réponse oui peut être décidée par un algorithme non-déterministe en un temps polynomial par rapport à la taille de l instance. De nos jours, il n existe aucune preuve qui démontre que ces deux classes soient distinctes ni qu elles soient identiques, mais aucun algorithme polynomial n a pu être trouvé pour résoudre un seul des innombrables problèmes NP-complets étudiés jusqu à ce jour. Ainsi, la conjecture P NP est aujourd hui largement acceptée. Dans la théorie de l ordonnancement, la plupart des problèmes appartiennent à la classe NP-difficiles. Néanmoins, des problèmes de base peuvent être résolus par des algorithmes polynomiaux et très souvent, ces algorithmes interviennent, par exemple, dans le calcul de bornes inférieures, d heuristiques ou bien des règles de dominance de problèmes NP-difficiles. La classification des problèmes d ordonnancement est encore un champ de recherche actif et passionnant. Pour plus de détail sur la théorie de la complexité on peut citer les livres de Garey et Johnson [32] ou de Papadimitriou [79]. La site Web de Brucker et Knust [15] compile la classification des problèmes d ordonnancement par rapport à différentes classes de complexité et exhibe les problèmes qui ne sont pas encore classifiés Production juste-à-temps Le critère lié à la minimisation simultanée des coûts d avance et de retard est particulièrement étudié dans cette thèse. Ce critère est issu de la production juste-àtemps que nous présentons ci-dessous. La philosophie de la production juste-à-temps (JAT) (just-in-time en anglais) s est développée depuis une soixantaine d années comme une politique de production qui permet de limiter les stocks et de fabriquer des produits qui correspondent exactement à la demande [17]. Sourd [99] indique que l idée de base est d éviter toute production anticipée de produits intermédiaires ou finaux, ce qui signifie que le producteur se
16 16 Chapitre 2. État de l art contente de produire la quantité strictement nécessaire, au moment voulu, pour satisfaire la demande de chaque client. Ainsi, c est la date à laquelle le client demande à être livré qui fixe la date de livraison du produit mais, le JAT va même plus loin : toutes les dates de toutes les opérations de la fabrication du produit livré sont également fixées de manière à ce qu il n y ait pas de temps mort dans la chaîne de fabrication. De cette manière, le produit est emballé juste-à-temps pour être livré, il est assemblé juste-àtemps pour être emballé et, ainsi de suite jusqu à déterminer la date de production des matières premières. Ainsi, en reprenant l expression de Casanova [17], le JAT consiste, en quelque sorte, à ne pas tuer l ours avant d en avoir vendu la peau : la peau d un ours tué doit en effet être stockée, ce qui nécessite la présence d un gardien, elle risque de se dégrader et, de plus, elle risque de ne pas convenir exactement au client finalement trouvé qui pourrait préférer une peau d une autre dimension ou d une autre couleur. Le concept du juste-à-temps a été développé au Japon au sein de l usine Toyota par le célèbre Taiichi Ohno et avait comme motivation principale l élimination des gaspillages à tous les niveaux [76, 17]. L introduction du système du Kanban a permis, au moyen d étiquettes (Kanban signifie étiquette en japonais) signalant les demandes de chaque poste de la chaîne de production, de mettre en œuvre simplement une politique de production JAT : limitation de la production du poste amont aux besoins exacts du poste aval. Les articles de Huang et Kusiak [53] et Akturk et Erhun [3] offrent une synthèse sur la recherche récente dans ce domaine. Il n est pas étonnant de constater que l ordonnancement JAT soit intimement lié à l ordonnancement multicritère [106, 50]. Il s agit, en effet, de trouver un compromis entre éviter d une part les retards et d autre part le stockage trop important. Ainsi, aux critères traditionnels de l ordonnancement qui visent tous à ordonnancer au plus tôt (critères dits réguliers), l étude de modèles basés sur le JAT a conduit à introduire un critère d avance qui pénalise une tâche exécutée trop tôt. Cette introduction de pénalités d avance peut être vue comme un moyen de simplifier les modèles de l ordonnancement en évitant d introduire explicitement des contraintes de stockage. Les modèles traditionnels de l ordonnancement théorique se sont enrichis de concepts venus du JAT. Ces problèmes offrent des challenges intéressants en raison de leur complexité. Par exemple, il n existe pas d algorithmes d approximation pour le problème à une machine (avec dates d échéance distinctes). D un point de vue pratique, les problèmes issus du JAT sont souvent difficiles. Pour trouver de bons algorithmes et de bonnes bornes, il est en effet nécessaire d appliquer à la fois des raisonnements purement combinatoires et des approches basées sur la programmation mathématique pour manipuler des combinaisons linéaires de critères souvent contradictoires [99]. Yasmin A. Ríos Solís
17 2.2. Problèmes d ordonnancement d avance-retard Problèmes d ordonnancement d avance-retard La politique du JAT, menée de plus en plus dans les industries, a motivé l étude de problèmes d ordonnancement qui capturent les caractéristiques de cette philosophie. Parmi ces modèles se trouve le problème d ordonnancement où l avance de la fabrication d une tâche ainsi que le retard sont pénalisés. Comme remarqué par Hoogeveen et van de Velde [52], dans un article présentant un des premiers algorithmes exacts pour le problème d ordonnancement d avance-retard pour une seule machine, la résolution exacte se heurte à la difficulté de trouver une bonne borne inférieure d une part et de bonnes règles de dominance d autre part. En effet, en raison des coûts d avance, la plupart des raisonnements classiques ne sont plus applicables, à moins de découpler la minimisation des coûts d avance d une part et celle des coûts de retard d autre part [71]. Dans le chapitre 6 de cette thèse nous développons une borne inférieure pour le problème d avance-retard à machines parallèles P i αe i + β i T i. L objectif maintenant, est de présenter quelques résultats de la littérature sur ce problème ainsi que différentes bornes inférieures qui ont motivé l approche que nous utiliserons dans ce chapitre. Le problème 1 i w it i est NP-difficile [25] et par conséquent, les problèmes 1 i αe i + β i T i et P i αe i + β i T i le sont aussi. Comme observé dans plusieurs états de l art [50, 65, 37, 6], les cas polynomiaux sont rares. Pour le problème à une seule machine, on peut citer Hoogeveen et van de Velde [52] pour le cas où α i = α et β i = β, Kim et Yano [59] et Fry et al. [31] pour le cas où α i = β i = 1. Ils présentent des bornes inférieures et des méthodes de branch&bound. Pour le cas général, en introduisant une relaxation préemptive du problème qui devient alors un problème de transport, Sourd et Kedad-Sidhoum [103] ont pu résoudre des instances jusqu à 30 tâches. Alors que la résolution exacte est difficile et que les algorithmes heuristiques constructifs ont des performances modestes [115], il est à noter que les méthodes par voisinage donnent des bons résultats (voir l algorithme HEUR et la recherche dans des voisinages exponentiels, chapitre 4). Pour le cas à machines parallèles, la plupart des recherches ont été effectuées dans le cas d une date d échéance commune (voir la section 2.3). L article [57] a été le résultat d une collaboration avec Kedad-Sidhoum et Sourd. Cet article propose différentes bornes inférieures pour le problème P i αe i + β i T i et un des objectifs est de les comparer expérimentalement. Les résultats auxquels j ai contribué à cet article sont présentés dans le chapitre 6. Néanmoins, dans les deux sections suivantes nous présentons les contributions de Kedad-Sidhoum et Sourd. Les raisons de présenter dans ce manuscrit les bornes qu ils ont proposées et développées sont les suivantes :
18 18 Chapitre 2. État de l art elles justifient la motivation de l approche de la borne inférieure que nous présentons dans le chapitre 6, nous nous comparons expérimentalement à elles dans ce même chapitre, de plus, dans les résultats expérimentaux du chapitre 4 nous nous comparons aussi à quelques unes d elles Modèle avec variables indexées sur le temps Nous présentons un programme linéaire en nombres entiers pour le problème P r i i α ie i + β i T i présenté dans l article [57]. Nous rappelons que comme les dates d échéance, les temps d exécution et les dates de disponibilité sont toutes entières alors il existe une solution optimale avec dates de début des tâches entières. Le programme en nombres entiers est basé sur la discrétisation du temps : la période t commence à l instant t et finit à l instant t + 1. Nous pouvons démontrer par arguments d échanges, qu il existe un ordonnancement optimal qui se termine avant le temps horizon T = max i d i + max p i + i i J p i m Donc, nous considérons les périodes de temps 0, 1, 2,..., T 1. Soit x it la variable binaire telle que x it = {. 1 si la tâche i commence à l instant t, 0 sinon, et soit est i (t) = max(r i, t p i +1) la valeur de la date de début au plus tôt de la tâche i telle qu elle est exécutée dans l intervalle t. Nous définissons aussi le coût de début c it = max (α i (d i t), β i(t d i )) où d i = d i p i est la date de début cible de la tâche i. Le modèle avec variables indexées sur le temps est le suivant : min i J s.c. T p i T p i t=r i c it x it (2.1) x it = 1 i J (2.2) t=r i t x is m t [0, T 1] (2.3) i J s=est i (t) x it {0, 1} i J, t [r i, T p i ] Les équations (2.2) assurent que les tâches soient réalisées une seule fois. Les inégalités (2.3) correspondent aux contraintes de ressources qui indiquent qu au plus m tâches peuvent être exécutées en même temps. Yasmin A. Ríos Solís
19 2.2. Problèmes d ordonnancement d avance-retard 19 Un des avantages de cette formulation est que la relaxation continue donne une borne inférieure qui est meilleure que les bornes obtenues par des programme entiersmixtes [109], mais son désavantage est sa taille. Dans l article [57], Kedad-Sidhoum et Sourd ont testé et comparé trois bornes qui essayent de remédier ce problème. Une des bornes, appelée LINCG, est basée sur la génération de colonnes. En effet, à partir d un ordonnancement réalisable donné par l heuristique HEUR (décrite en détail dans la section du chapitre 4), le programme linéaire (2.1) est restreint aux n variables considérées initialement et résolu pour obtenir des coûts réduits des autres variables. Ainsi, les variables à coût réduits non-négatifs sont ajoutées au programme et la procédure est réitérée jusqu à ce qu il ne reste plus de variables à coût réduit négatif. Ils montrent expérimentalement qu en ajoutant les variables aux coûts réduits bornés, le temps de calcul est diminué ainsi que le nombre d itérations. Les deux autres bornes développées par Kedad-Sidhoum et Sourd dans l article [57] sont basées sur la relaxation Lagrangienne. La première, appelée LAGOCC, est obtenue en relâchant les contraintes (2.2), si bien qu une tâche peut être exécutée plusieurs fois. Cette approche est similaire à celle proposée par Péridy et al. [85] pour le cas à une seule machine où l objectif est de minimiser la somme pondérée des tâches en retard. Kedad-Sidhoum et Sourd montrent que le programme dual du problème Lagrangien peut être résolu par un problème de flots. L optimisation de la fonction Lagrangienne pour obtenir la borne inférieure est faite avec une méthode de sous-gradient. La dernière borne est obtenue en relâchant les contraintes de ressources (2.3). Cette relaxation a été présentée par Luh et al. [73] pour le cas de la minimisation de la somme pondérée des retards. Le programme Lagrangien obtenu peut être décomposé en n problèmes indépendants. Ensuite, la borne inférieure est obtenue, elle aussi, à l aide d un sousgradient. Cette borne inférieure est nommée LAGRES. Récemment, Sourd [102] présente un renforcement de la relaxation Lagrangienne des contraintes (2.2). En effet, des ordonnancements dominés sont exclus en ajoutant des contraintes redondantes. Il teste cette approche sur le problème d ordonnancement d avance-retard sur une seule machine avec une date d échéance commune et il résout de façon optimale des instances jusqu à 1000 tâches en 1000 secondes Modèle avec variables d affectation Nous considérons maintenant, une formulation avec variables d affectation (assignment-based formulation en anglais) qui est basée sur la même discrétisation du temps que pour le modèle avec variables indexées sur le temps de la section Soit y it la variable binaire telle que { 1 si la tâche i est exécutée pendant la période t, y it = 0 sinon.
20 20 Chapitre 2. État de l art L idée de cette formulation est de voir le problème d ordonnancement comme un problème d affectation d opérations unitaires à des périodes de temps qui sont aussi unitaires. Les premiers à utiliser cette formulation ont été Gelders et Kleindorfer [34] pour le problème à une seule machine pour minimiser la somme pondérée des retards. Plus tard, Sourd et Kedad-Sidhoum [103] et Bülbül et al. [10] ont indépendamment généralisé cette approche pour le problème d avance-retard avec une seule machine. Nous présentons maintenant leur généralisation pour le problème à machines parallèles P r i i α ie i + β i T i. En introduisant les variables z ij, qui indiquent qu un nouveau bloc de la tâche i commence au temps t, c est-à-dire, z it = { 1 si y it = 1 et y it 1 = 0, 0 sinon, nous pouvons formuler le modèle avec variables d affectation : min i J s.c. T p i T p i t=r i c ity it (2.4) y it = p i i J (2.5) t=r i y it m t = 0,..., T 1 (2.6) i J z iri y iri i J (2.7) z it y it y it 1 i J, t {r i + 1,..., T p i } (2.8) T p i t=r i z it = 1 i J (2.9) y it, z it {0, 1} i J, t {r i,..., T p i } (2.10) Nous remarquons que la fonction objectif est reformulée. Le coût d une tâche ne dépend plus de sa date de fin mais il est réparti dans chaque intervalle de temps où elle est réalisée. Alors, le coût d affectation c it pour ordonnancer une partie de la tâche i dans la période t doit satisfaire t 1 s=t p i c is = max (α i (d i t), β i (t d i )) t i J. Une solution proposée par Sourd et Kedad-Sidhoum [103] est : c it = α di t 1 i p i β i t+1 di p i si t < d i, si t d i. (2.11) Yasmin A. Ríos Solís
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 détailObjectifs du cours d aujourd hui. Informatique II : Cours d introduction à l informatique et à la programmation objet. Complexité d un problème (2)
Objectifs du cours d aujourd hui Informatique II : Cours d introduction à l informatique et à la programmation objet Complexité des problèmes Introduire la notion de complexité d un problème Présenter
Plus en 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 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 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 détailExercices Alternatifs. Quelqu un aurait-il vu passer un polynôme?
Exercices Alternatifs Quelqu un aurait-il vu passer un polynôme? c 2004 Frédéric Le Roux, François Béguin (copyleft LDL : Licence pour Documents Libres). Sources et figures: polynome-lagrange/. Version
Plus en détailExercices Alternatifs. Quelqu un aurait-il vu passer un polynôme?
Exercices Alternatifs Quelqu un aurait-il vu passer un polynôme? c 2004 Frédéric Le Roux, François Béguin (copyleft LDL : Licence pour Documents Libres). Sources et figures: polynome-lagrange/. Version
Plus en détailINFO-F-425 Modèles mathématiques et algorithmes pour l ordonnancement. Bernard Fortz
INFO-F-425 Modèles mathématiques et algorithmes pour l ordonnancement Bernard Fortz 2008-2009 Table des matières 1 Définition et classification des problèmes d ordonnancement 2 1.1 Introduction....................................
Plus en détailCommunications 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 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 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 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 détailLe modèle de Black et Scholes
Le modèle de Black et Scholes Alexandre Popier février 21 1 Introduction : exemple très simple de modèle financier On considère un marché avec une seule action cotée, sur une période donnée T. Dans un
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 détailRappels sur les suites - Algorithme
DERNIÈRE IMPRESSION LE 14 septembre 2015 à 12:36 Rappels sur les suites - Algorithme Table des matières 1 Suite : généralités 2 1.1 Déition................................. 2 1.2 Exemples de suites............................
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 détailLa demande Du consommateur. Contrainte budgétaire Préférences Choix optimal
La demande Du consommateur Contrainte budgétaire Préférences Choix optimal Plan du cours Préambule : Rationalité du consommateur I II III IV V La contrainte budgétaire Les préférences Le choix optimal
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 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 détailCalculer avec Sage. Revision : 417 du 1 er juillet 2010
Calculer avec Sage Alexandre Casamayou Guillaume Connan Thierry Dumont Laurent Fousse François Maltey Matthias Meulien Marc Mezzarobba Clément Pernet Nicolas Thiéry Paul Zimmermann Revision : 417 du 1
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 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 détailRésolution de systèmes linéaires par des méthodes directes
Résolution de systèmes linéaires par des méthodes directes J. Erhel Janvier 2014 1 Inverse d une matrice carrée et systèmes linéaires Ce paragraphe a pour objet les matrices carrées et les systèmes linéaires.
Plus en détail3 Approximation de solutions d équations
3 Approximation de solutions d équations Une équation scalaire a la forme générale f(x) =0où f est une fonction de IR dans IR. Un système de n équations à n inconnues peut aussi se mettre sous une telle
Plus en détailLES MÉTHODES DE POINT INTÉRIEUR 1
Chapitre XIII LES MÉTHODES DE POINT INTÉRIEUR 1 XIII.1 Introduction Nous débutons par un rappel de la formulation standard d un problème d optimisation 2 linéaire et donnons un bref aperçu des différences
Plus en détailCours 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 détailEteindre. les. lumières MATH EN JEAN 2013-2014. Mme BACHOC. Elèves de seconde, première et terminale scientifiques :
MTH EN JEN 2013-2014 Elèves de seconde, première et terminale scientifiques : Lycée Michel Montaigne : HERITEL ôme T S POLLOZE Hélène 1 S SOK Sophie 1 S Eteindre Lycée Sud Médoc : ROSIO Gauthier 2 nd PELGE
Plus en détailImage d un intervalle par une fonction continue
DOCUMENT 27 Image d un intervalle par une fonction continue La continuité d une fonction en un point est une propriété locale : une fonction est continue en un point x 0 si et seulement si sa restriction
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 détailChp. 4. Minimisation d une fonction d une variable
Chp. 4. Minimisation d une fonction d une variable Avertissement! Dans tout ce chapître, I désigne un intervalle de IR. 4.1 Fonctions convexes d une variable Définition 9 Une fonction ϕ, partout définie
Plus en détailSuites numériques 3. 1 Convergence et limite d une suite
Suites numériques 3 1 Convergence et limite d une suite Nous savons que les termes de certaines suites s approchent de plus en plus d une certaine valeur quand n augmente : par exemple, les nombres u n
Plus en détailContexte. Pour cela, elles doivent être très compliquées, c est-à-dire elles doivent être très différentes des fonctions simples,
Non-linéarité Contexte Pour permettre aux algorithmes de cryptographie d être sûrs, les fonctions booléennes qu ils utilisent ne doivent pas être inversées facilement. Pour cela, elles doivent être très
Plus en détailChapitre 2 Le problème de l unicité des solutions
Université Joseph Fourier UE MAT 127 Mathématiques année 2011-2012 Chapitre 2 Le problème de l unicité des solutions Ce que nous verrons dans ce chapitre : un exemple d équation différentielle y = f(y)
Plus en détailLes indices à surplus constant
Les indices à surplus constant Une tentative de généralisation des indices à utilité constante On cherche ici en s inspirant des indices à utilité constante à définir un indice de prix de référence adapté
Plus en détailPRIME D UNE OPTION D ACHAT OU DE VENTE
Université Paris VII - Agrégation de Mathématiques François Delarue) PRIME D UNE OPTION D ACHAT OU DE VENTE Ce texte vise à modéliser de façon simple l évolution d un actif financier à risque, et à introduire,
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 détailFonctions de plusieurs variables
Module : Analyse 03 Chapitre 00 : Fonctions de plusieurs variables Généralités et Rappels des notions topologiques dans : Qu est- ce que?: Mathématiquement, n étant un entier non nul, on définit comme
Plus en détailAnalyse stochastique de la CRM à ordre partiel dans le cadre des essais cliniques de phase I
Analyse stochastique de la CRM à ordre partiel dans le cadre des essais cliniques de phase I Roxane Duroux 1 Cadre de l étude Cette étude s inscrit dans le cadre de recherche de doses pour des essais cliniques
Plus en détailCours de Recherche Opérationnelle IUT d Orsay. Nicolas M. THIÉRY. E-mail address: Nicolas.Thiery@u-psud.fr URL: http://nicolas.thiery.
Cours de Recherche Opérationnelle IUT d Orsay Nicolas M. THIÉRY E-mail address: Nicolas.Thiery@u-psud.fr URL: http://nicolas.thiery.name/ CHAPTER 1 Introduction à l optimisation 1.1. TD: Ordonnancement
Plus en détailReprésentation des Nombres
Chapitre 5 Représentation des Nombres 5. Representation des entiers 5.. Principe des représentations en base b Base L entier écrit 344 correspond a 3 mille + 4 cent + dix + 4. Plus généralement a n a n...
Plus en détailGrandes lignes ASTRÉE. Logiciels critiques. Outils de certification classiques. Inspection manuelle. Definition. Test
Grandes lignes Analyseur Statique de logiciels Temps RÉel Embarqués École Polytechnique École Normale Supérieure Mercredi 18 juillet 2005 1 Présentation d 2 Cadre théorique de l interprétation abstraite
Plus en détailI Stabilité, Commandabilité et Observabilité 11. 1 Introduction 13 1.1 Un exemple emprunté à la robotique... 13 1.2 Le plan... 18 1.3 Problème...
TABLE DES MATIÈRES 5 Table des matières I Stabilité, Commandabilité et Observabilité 11 1 Introduction 13 1.1 Un exemple emprunté à la robotique................... 13 1.2 Le plan...................................
Plus en détailDéfinitions. Numéro à préciser. (Durée : )
Numéro à préciser (Durée : ) On étudie dans ce problème l ordre lexicographique pour les mots sur un alphabet fini et plusieurs constructions des cycles de De Bruijn. Les trois parties sont largement indépendantes.
Plus en détailChapitre 3. Quelques fonctions usuelles. 1 Fonctions logarithme et exponentielle. 1.1 La fonction logarithme
Chapitre 3 Quelques fonctions usuelles 1 Fonctions logarithme et eponentielle 1.1 La fonction logarithme Définition 1.1 La fonction 7! 1/ est continue sur ]0, +1[. Elle admet donc des primitives sur cet
Plus en détailExercices - Polynômes : corrigé. Opérations sur les polynômes
Opérations sur les polynômes Exercice 1 - Carré - L1/Math Sup - Si P = Q est le carré d un polynôme, alors Q est nécessairement de degré, et son coefficient dominant est égal à 1. On peut donc écrire Q(X)
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 détailApproximations variationelles des EDP Notes du Cours de M2
Approximations variationelles des EDP Notes du Cours de M2 Albert Cohen Dans ce cours, on s intéresse à l approximation numérique d équations aux dérivées partielles linéaires qui admettent une formulation
Plus en détailLimites finies en un point
8 Limites finies en un point Pour ce chapitre, sauf précision contraire, I désigne une partie non vide de R et f une fonction définie sur I et à valeurs réelles ou complees. Là encore, les fonctions usuelles,
Plus en détailFiltrage stochastique non linéaire par la théorie de représentation des martingales
Filtrage stochastique non linéaire par la théorie de représentation des martingales Adriana Climescu-Haulica Laboratoire de Modélisation et Calcul Institut d Informatique et Mathématiques Appliquées de
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 détailANNUITES. Les annuités définissent une suite de versements identiques ou non effectués à intervalles de temps égaux. -annuités non constantes
ANNUITES I Notions d annuités a.définition Les annuités définissent une suite de versements identiques ou non effectués à intervalles de temps égaux. Le processus de versements dépend du montant de l annuité,
Plus en détailModélisation et Simulation
Cours de modélisation et simulation p. 1/64 Modélisation et Simulation G. Bontempi Département d Informatique Boulevard de Triomphe - CP 212 http://www.ulb.ac.be/di Cours de modélisation et simulation
Plus en détailMinimisation 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 détailThéorie de la mesure. S. Nicolay
Théorie de la mesure S. Nicolay Année académique 2011 2012 ii Table des matières Introduction v 1 Mesures 1 1.1 Sigma-algèbres................................. 1 1.2 Mesures.....................................
Plus en détailLe théorème de Perron-Frobenius, les chaines de Markov et un célèbre moteur de recherche
Le théorème de Perron-Frobenius, les chaines de Markov et un célèbre moteur de recherche Bachir Bekka Février 2007 Le théorème de Perron-Frobenius a d importantes applications en probabilités (chaines
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 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 détailSujet proposé par Yves M. LEROY. Cet examen se compose d un exercice et de deux problèmes. Ces trois parties sont indépendantes.
Promotion X 004 COURS D ANALYSE DES STRUCTURES MÉCANIQUES PAR LA MÉTHODE DES ELEMENTS FINIS (MEC 568) contrôle non classant (7 mars 007, heures) Documents autorisés : polycopié ; documents et notes de
Plus en détailLE DIPLOME DE MAGISTER
Département d Informatique MEMOIRE Présenté par DEDDOUCHE Yamina Pour obtenir LE DIPLOME DE MAGISTER Spécialité : Informatique Option : Informatique et Automatique Intitulé : Contribution à l Ordonnancement
Plus en détailTexte Agrégation limitée par diffusion interne
Page n 1. Texte Agrégation limitée par diffusion interne 1 Le phénomène observé Un fût de déchets radioactifs est enterré secrètement dans le Cantal. Au bout de quelques années, il devient poreux et laisse
Plus en détailApprentissage par renforcement (1a/3)
Apprentissage par renforcement (1a/3) Bruno Bouzy 23 septembre 2014 Ce document est le chapitre «Apprentissage par renforcement» du cours d apprentissage automatique donné aux étudiants de Master MI, parcours
Plus en détailI. Polynômes de Tchebychev
Première épreuve CCP filière MP I. Polynômes de Tchebychev ( ) 1.a) Tout réel θ vérifie cos(nθ) = Re ((cos θ + i sin θ) n ) = Re Cn k (cos θ) n k i k (sin θ) k Or i k est réel quand k est pair et imaginaire
Plus en détailLe produit semi-direct
Le produit semi-direct Préparation à l agrégation de mathématiques Université de Nice - Sophia Antipolis Antoine Ducros Octobre 2007 Ce texte est consacré, comme son titre l indique, au produit semi-direct.
Plus en détailLa Licence Mathématiques et Economie-MASS Université de Sciences Sociales de Toulouse 1
La Licence Mathématiques et Economie-MASS Université de Sciences Sociales de Toulouse 1 La licence Mathématiques et Economie-MASS de l Université des Sciences Sociales de Toulouse propose sur les trois
Plus en détailJean-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 détailM2 IAD UE MODE Notes de cours (3)
M2 IAD UE MODE Notes de cours (3) Jean-Yves Jaffray Patrice Perny 16 mars 2006 ATTITUDE PAR RAPPORT AU RISQUE 1 Attitude par rapport au risque Nousn avons pas encore fait d hypothèse sur la structure de
Plus en détailHigh Performance by Exploiting Information Locality through Reverse Computing. Mouad Bahi
Thèse High Performance by Exploiting Information Locality through Reverse Computing Présentée et soutenue publiquement le 21 décembre 2011 par Mouad Bahi pour l obtention du Doctorat de l université Paris-Sud
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 détailLa fonction exponentielle
DERNIÈRE IMPRESSION LE 2 novembre 204 à :07 La fonction exponentielle Table des matières La fonction exponentielle 2. Définition et théorèmes.......................... 2.2 Approche graphique de la fonction
Plus en détailFibonacci et les paquerettes
Fibonacci et les paquerettes JOLY Romain & RIVOAL Tanguy Introduction Quand on entend dire que l on peut trouver le nombre d or et la suite de Fibonacci dans les fleurs et les pommes de pin, on est au
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 persistance des nombres
regards logique & calcul La persistance des nombres Quand on multiplie les chiffres d un nombre entier, on trouve un autre nombre entier, et l on peut recommencer. Combien de fois? Onze fois au plus...
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 détailCours Optimisation Partie Optimisation Combinatoire. Année scolaire 2008-2009. Gérard Verfaillie ONERA/DCSD/CD, Toulouse Gerard.Verfaillie@onera.
Cours Optimisation Partie Optimisation Combinatoire 3ième année ISAE Année scolaire 2008-2009 Gérard Verfaillie ONERA/DCSD/CD, Toulouse Gerard.Verfaillie@onera.fr Septembre 2008 Résumé Ce document couvre
Plus en 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 détailDualité dans les espaces de Lebesgue et mesures de Radon finies
Chapitre 6 Dualité dans les espaces de Lebesgue et mesures de Radon finies Nous allons maintenant revenir sur les espaces L p du Chapitre 4, à la lumière de certains résultats du Chapitre 5. Sauf mention
Plus en détailLES 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 détailOptimisation Discrète
Prof F Eisenbrand EPFL - DISOPT Optimisation Discrète Adrian Bock Semestre de printemps 2011 Série 7 7 avril 2011 Exercice 1 i Considérer le programme linéaire max{c T x : Ax b} avec c R n, A R m n et
Plus en détailProgrammes des classes préparatoires aux Grandes Ecoles
Programmes des classes préparatoires aux Grandes Ecoles Filière : scientifique Voies : Mathématiques, physique et sciences de l'ingénieur (MPSI) Physique, chimie et sciences de l ingénieur (PCSI) Physique,
Plus en détailRésolution d équations non linéaires
Analyse Numérique Résolution d équations non linéaires Said EL HAJJI et Touria GHEMIRES Université Mohammed V - Agdal. Faculté des Sciences Département de Mathématiques. Laboratoire de Mathématiques, Informatique
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 détailAnalyse fonctionnelle Théorie des représentations du groupe quantique compact libre O(n) Teodor Banica Résumé - On trouve, pour chaque n 2, la classe
Analyse fonctionnelle Théorie des représentations du groupe quantique compact libre O(n) Teodor Banica Résumé - On trouve, pour chaque n 2, la classe des n n groupes quantiques compacts qui ont la théorie
Plus en détailLa nouvelle planification de l échantillonnage
La nouvelle planification de l échantillonnage Pierre-Arnaud Pendoli Division Sondages Plan de la présentation Rappel sur le Recensement de la population (RP) en continu Description de la base de sondage
Plus en détailProbabilités sur un univers fini
[http://mp.cpgedupuydelome.fr] édité le 7 août 204 Enoncés Probabilités sur un univers fini Evènements et langage ensembliste A quelle condition sur (a, b, c, d) ]0, [ 4 existe-t-il une probabilité P sur
Plus en détailNOTE SUR LA MODELISATION DU RISQUE D INFLATION
NOTE SUR LA MODELISATION DU RISQUE D INFLATION 1/ RESUME DE L ANALYSE Cette étude a pour objectif de modéliser l écart entre deux indices d inflation afin d appréhender le risque à très long terme qui
Plus en détailCONCOURS D ENTREE A L ECOLE DE 2007 CONCOURS EXTERNE. Cinquième épreuve d admissibilité STATISTIQUE. (durée : cinq heures)
CONCOURS D ENTREE A L ECOLE DE 2007 CONCOURS EXTERNE Cinquième épreuve d admissibilité STATISTIQUE (durée : cinq heures) Une composition portant sur la statistique. SUJET Cette épreuve est composée d un
Plus en détailComplexité. Licence Informatique - Semestre 2 - Algorithmique et Programmation
Complexité Objectifs des calculs de complexité : - pouvoir prévoir le temps d'exécution d'un algorithme - pouvoir comparer deux algorithmes réalisant le même traitement Exemples : - si on lance le calcul
Plus en détailNom de l application
Ministère de l Enseignement Supérieur et de la Recherche Scientifique Direction Générale des Etudes Technologiques Institut Supérieur des Etudes Technologiques de Gafsa Département Technologies de l Informatique
Plus en détailIntroduction à l étude des Corps Finis
Introduction à l étude des Corps Finis Robert Rolland (Résumé) 1 Introduction La structure de corps fini intervient dans divers domaines des mathématiques, en particulier dans la théorie de Galois sur
Plus en détailExercices - Fonctions de plusieurs variables : corrigé. Pour commencer
Pour commencer Exercice 1 - Ensembles de définition - Première année - 1. Le logarithme est défini si x + y > 0. On trouve donc le demi-plan supérieur délimité par la droite d équation x + y = 0.. 1 xy
Plus en détailProgrammation Linéaire - Cours 1
Programmation Linéaire - Cours 1 P. Pesneau pierre.pesneau@math.u-bordeaux1.fr Université Bordeaux 1 Bât A33 - Bur 265 Ouvrages de référence V. Chvátal - Linear Programming, W.H.Freeman, New York, 1983.
Plus en détailCouplage Planification et Ordonnancement : Approche hiérarchique et décomposition
Université d Angers Année 2010, N ordre 1037 Couplage Planification et Ordonnancement : Approche hiérarchique et décomposition Thèse de doctorat Spécialité Informatique École doctorale Sciences et Technologies
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 détailINTRODUCTION A L ELECTRONIQUE NUMERIQUE ECHANTILLONNAGE ET QUANTIFICATION I. ARCHITECTURE DE L ELECRONIQUE NUMERIQUE
INTRODUCTION A L ELECTRONIQUE NUMERIQUE ECHANTILLONNAGE ET QUANTIFICATION I. ARCHITECTURE DE L ELECRONIQUE NUMERIQUE Le schéma synoptique ci-dessous décrit les différentes étapes du traitement numérique
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 détailMathématique et Automatique : de la boucle ouverte à la boucle fermée. Maïtine bergounioux Laboratoire MAPMO - UMR 6628 Université d'orléans
Mathématique et Automatique : de la boucle ouverte à la boucle fermée Maïtine bergounioux Laboratoire MAPMO - UMR 6628 Université d'orléans Maitine.Bergounioux@labomath.univ-orleans.fr Plan 1. Un peu de
Plus en détailCOURS EULER: PROGRAMME DE LA PREMIÈRE ANNÉE
COURS EULER: PROGRAMME DE LA PREMIÈRE ANNÉE Le cours de la première année concerne les sujets de 9ème et 10ème années scolaires. Il y a bien sûr des différences puisque nous commençons par exemple par
Plus en détailGestion de production
Maurice Pillet Chantal Martin-Bonnefous Pascal Bonnefous Alain Courtois Les fondamentaux et les bonnes pratiques Cinquième édition, 1989, 1994, 1995, 2003, 2011 ISBN : 978-2-212-54977-5 Sommaire Remerciements...
Plus en détailContrainte 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 détailChapitre 5 : Flot maximal dans un graphe
Graphes et RO TELECOM Nancy A Chapitre 5 : Flot maximal dans un graphe J.-F. Scheid 1 Plan du chapitre I. Définitions 1 Graphe Graphe valué 3 Représentation d un graphe (matrice d incidence, matrice d
Plus en détail