Dispatching économique par une méthode artificielle
|
|
- Marie-Paule Favreau
- il y a 8 ans
- Total affichages :
Transcription
1 128 Dispatching économique par une méthode artificielle Mimoun YOUNES, Samir HADJRI et Houari SAYAH Résumé : Dans cet article, nous présentons une solution au problème de Dispatching économique (DE) basée sur un algorithme génétique. Notre objectif est de imiser Le coût du combustible nécessaire pour la production de l énergie électrique qui se présente sous forme d une fonction non linéaire, en tenant compte de certaines contraintes de type égalité et inégalité. Le choix d un codage approprié est un élément critique dont dépend grandement l efficacité d un algorithme génétique. Pour cela nous présentons une étude comparative entre deux types de codage: le codage binaire classique et le codage réel. Une application a été faite sur un réseau standard 118 nœuds. Mots-clés: Dispatching économique, optimisation, algorithmes génétiques (AG). 1. INTRODUCTION Pour résoudre le problème de l acheement de la puissance disponible sur les lieux de consommation, il est nécessaire de déterer le niveau de production de chaque groupe et les transits de puissance dans le réseau. Il faut faire face à la demande, en respectant les contraintes technicoéconomiques d exploitation afin de imiser les coûts de production. Etant donné un ensemble de centrales électriques alimentant un ensemble de consommateurs par l intermédiaire d un réseau de transport, il s agit de déterer la répartition des puissances actives fourni par ces centrales à un instant donné, de telle sorte que le coût de production de cette énergie soit imal. Le problème général de la production et de la répartition optimale de la puissance dans un système production transport - consommation est donc fort complexe. D après la synthèse bibliographique, nous avons constaté que différentes approches ont été élaborées pour résoudre ce type de problème. Beaucoup de ces approches sont basées sur des méthodes de programmation linéaire. D autres recherches ont utilisé des méthodes de programmation non linéaire. Il y a aussi ceux qui ont utilisé des méthodes de décomposition. Ces méthodes conventionnelles sont basées généralement sur des linéarisations successives et utilisent la première et la deuxième dérivée de la fonction objective et de ses contraintes comme direction de recherche. Ces méthodes conventionnelles sont bonnes pour les fonctions objectives quadratiques (déteristes) ayant un seul imum. Cependant pour notre cas, les fonctions objectives sont hyper quadratiques et ont ainsi plusieurs imums locaux. Les méthodes conventionnelles peuvent converger seulement vers ces imums locaux et peuvent parfois diverger. Récemment, et pour surmonter ce problème, quelques méthodes se basant sur l intelligence artificielle ont été appliquées. Ces méthodes en général n exigent pas la convexité de la fonction objective et ont une grande probabilité pour converger vers le imum global. Dans cet article, l approche proposée emploie un algorithme génétique en code binaire et un algorithme génétique en code réel, avec la taille de la population variable Mediamira Science Publisher. All rights reserved.
2 Volume 50, Number 2, Les résultats de ces nouvelles techniques seront comparés. 2. FORMULATION DU PROBLEME La fonction se présente le plus souvent sous la forme d un polynôme du deuxième degré : C P = a + bp + cp (1) ( ) 2 Gi Gi Gi Les coefficients a, b et c sont propres à chaque unité de production, on les détere à l aide des méthodes d'interpolation comme par exemple celles de Lagrange, de Newton ou des Moindres Carrés. Afin de imiser le coût de production total d un réseau interconnecté, on doit imiser la somme des fonctions de coût des unités de production et posé la formule globale sous la forme suivante : NG i( Gi) Minimiser F= C P (2) i= 1 En prenant en considération les contraintes suivantes: 2.1. Contraintes d égalité ( ) NG ND = i= 1 j= 1 h P PGi P P G 2.2. Contraintes d inégalité P P P Gi Gi Gi Dj L (3) (4) F: Fonction du coût total. NG: Nombre total de nœud producteur. ND: Nombre total de nœud consommateur. P Gi : Puissance active produite par le i eme générateur. P Dj : Puissance active consommée par la j eme charge. P L : Pertes totales dans le réseau. P Gi : Puissance active imale du i ème générateur P Gi : Puissance active imale du i ème générateur. Nous allons utiliser la méthode de pénalité, pour transformer le problème original contraint en un problème auxiliaire non contraint où le imum est le même dans les deux cas [5]. Le principe de base consiste à modifier le critère en lui ajoutant une fonction de pénalisation p. La nouvelle tache consiste à imiser la fonction sans contraintes suivante : NG 1 2 Fm ( PGi, rk ) = Ci ( PGi) + B h ( PGi) (5) i= 1 rk Avec r k :coefficient de pénalité; B: une constante, définie comme suite: B > 0 h( PGi ) 0 et si B = 0 h( P ) = 0 Gi 3. APPLICATIONS DES ALGORITHMES GENETIQUES 3.1. Idées de base Les algorithmes génétiques (AG) ont été initialement développés par John Holland [2]. En 1989, Goldberg a publié un livre de référence pour les algorithmes génétiques "Genetic algorithms in search, optimization and machine learning"[1]. C est à ce livre que nous devons la popularisation des AG. A chaque génération (itération), un nouvel ensemble de chaînes de caractères (population) est créé en utilisant des parties des meilleurs éléments de la génération précédente; ainsi que des parties innovatrices, à l'occasion. Bien qu'utilisant le hasard, les algorithmes génétiques ne sont pas purement aléatoires. Ils exploitent efficacement l'information obtenue précédemment pour spéculer sur la position de nouveaux points à explorer, avec l'espoir d'améliorer la performance. La fonction dont on recherche l'optimum est dite fonction objective. On peut remarquer dés à présent que l'on ne fait aucune hypothèse sur cette fonction, en particulier elle n'a pas à être dérivable, ce qui représente un avantage sur certaines méthodes de recherche d extremum.
3 Application de l AG à la répartition économique des puissances (REP) Nous appliquons ici l algorithme génétique de base étape par étape à la répartition économique des puissances sur un simple réseau test constitué de 9 jeux de barres, 6 lignes électriques, 3 générateurs, 3 transformateurs et 3 charges. Le tableau 1 montre les données techniques et économiques des trois générateurs interconnectés. La puissance de base utilisée est de 100 MVA. Tableau 1. Ensemble des paramètres des puissances actives générées P Gi. N P P A B C (p.u) (p.u) ($/h) ($/MWhr) ($/MW 2 hr) Le problème de la REP consiste à trouver le imum de la fonction objective (1). Chaque puissance active générée P Gi est limitée par une limite inférieure P Gi et une limite supérieure P Gi Equation (4). Puisque la fonction objective est bornée supérieurement, on va choisir une fonction sélective à imiser de la forme suivante : fitness ( ) ( ) < = F F x si F x F 0 si non Il y a de nombreuses façons de choisir le coefficient F. Ce facteur peut être pris comme coefficient d entrée, ou bien on peut lui affecter la plus grande valeur de F observée, ou la plus grande valeur de F dans la population actuelle. Nous envisagerons cette dernière possibilité dans cet exemple Codage des chromosomes et le décodage La première étape consiste à coder les variables P Gi sous forme de chromosome. Pour sa simplicité et sa commodité, le codage binaire est utilisé dans cet exemple. Avec le codage binaire, les puissances actives générées du réseau test 9 jeux de barres (P G1, P G2 et P G3 ) vont être codées comme une chaîne de 0 et 1 avec, respectivement, des longueurs L1, L2, et L3 (peuvent être différentes). Chaque paramètre P Gi a une limite supérieure Bi = PGi et une limite inférieure Ai = PGi. Le choix de L1, L2, et L3 pour les paramètres est sujet de la résolution spécifiée par l utilisateur dans l espace de la recherche. Avec le codage binaire, la relation entre la longueur de bit L i et la résolution correspondante Ri est donnée par: Bi A Ri = i (6) Li Donc, l ensemble P Gi peut être transformé en une chaîne binaire (chromosome) avec une longueur Li et puis l espace de recherche est exploré. Il est à noter que chaque chromosome présente une solution possible du problème. Par exemple, supposer le domaine des paramètres de (P G1, P G2 et P G3 ) qui est présenté dans le Tableau 1. Si la résolution (R1, R2, R3) est spécifiée comme (0.1, 0.05, 0.1), d après l équation (6) on aura (L1, L2, et L3)= (4, 4, 4). Alors l ensemble de paramètres (P G1, P G2 et P G3 ) peut être codé selon le Tableau 2. Tableau 2. Codage de l ensemble des paramètres de P Gi. N P 1 Code P 2 Code P 3 Code (p.u) (p.u) (p.u) Pour construire un codage multiparamétrié, on peut tout simplement concaténer autant de codage d un seul paramètre qu il est nécessaire. Le
4 Volume 50, Number 2, chromosome correspond à l ensemble de paramètres (1.7, 0.30, 1.1) est alors la chaîne de caractères binaire suivante Le décodage est la procédure inverse Tirage et évaluation de la population initiale La première étape de tout algorithme génétique est de produire la population initiale. Une chaîne de caractères binaire de longueur l est associée à chaque membre (individu) de la population. D'habitude, la chaîne de caractères est connue comme un chromosome et représente une solution du problème. Un échantillonnage de cette population initiale crée une population intermédiaire. Nous fixons la taille de la population à N = 4. Nous tirons donc de façon aléatoire 4 chromosomes sachant qu un chromosome est composé de 12 bits, et chaque bit dispose d une probabilité ½ d avoir une valeur 0 ou 1. Le imum, ($/hr), est atteint par la deuxième séquence et le imum, ($/hr), est atteint par la troisième séquence (Tableau 3). Voyons comment l algorithme va tenter d améliorer ce résultat. Tableau 3. Processus de la première génération de l AG pour le réseau 9 nœuds. N Population P 1 P 2 P 3 F(x) F - initial (p.u) (p.u) (p.u) ($/h) F(x) Donc quelques opérateurs (reproduction, croisement et mutation) sont appliqués à cette population pour obtenir une nouvelle population. Le processus qui commence de l'actuelle population et aboutit à la nouvelle population, est nommé une generation Sélection Une nouvelle population va être créée à partir de l ancienne par le processus de sélection de la roue de loterie biaisée. Nous tournons cette roue 4 fois et nous obtenons à la fin la nouvelle population décrite dans le tableau 4. Fig. 1. Diagramme de la REP par l AG. Tableau 4. Nouvelle Population. N Les séquences de la population initiale Les séquences de la Nouvelle population Croisement Les parents sont sélectionnés au hasard. Nous tirons aléatoirement un lieu de croisement (Cross site ou locus) dans la séquence. Le croisement s opère alors à ce lieu avec une probabilité Pc. Le tableau5 donne les conséquences de cet opérateur en supposant que les chromosomes 1 et 3, puis 2 et 4 sont appariés et qu à chaque fois le croisement s opère (par exemple avec Pc = 1). Tableau 5. Résultats de croisement pour deux locus différents. Locus l=3 Locus Locus l=7 Parent Parent Parent Parent Parent Parent Parent Parent
5 132 Ancien Chromosome Tableau 6. Mutation avec simple tirage aléatoire pour chaque bit entre 0 et Nouveau Chromosome Mutation Dans cet exemple à codage binaire, la mutation est la modification aléatoire occasionnelle (de faible probabilité) de la valeur d un bit (inversion d un bit). Nous tirons ainsi pour chaque bit un chiffre aléatoire entre 0 et 1 et si ce chiffre est inférieur à Pm alors la mutation s opère. Le tableau 6, avec Pm = 0.05, met en évidence ce processus. Maintenant que la nouvelle population est entièrement créée, nous pouvons de nouveau l évaluer Retour à la phase d évaluation Le imum est maintenant de $/h (séquence 1). Nous sommes donc passé de $/h à $/h après une seule génération (tableau 7). Bien sûr, nous devons recommencer la procédure à partir de l étape de sélection jusqu à ce que le imum global soit obtenu, ou bien qu un critère d arrêt ait été satisfait. Il faut remarquer qu on n a pas pris en considération toutes les contraintes possibles. Finalement, il faut remarquer que si les AG convergent vers une solution optimale rien ne permet de dire, quand cette solution est inconnue, que le résultat soit la solution optimale[3]. En outre, les AG peuvent rester longtemps proches de la solution optimale sans l atteindre. C est la raison pour laquelle de nombreuses méthodes dites hybrides, combinant les AG et les méthodes traditionnelles de gradient, sont de plus en plus utilisées. Enfin, la durée de calcul (temps CPU) peut être longue. Tableau 7. Nouvelle evaluation. N Les P G1 P G2 P G3 F(x) F -F(x) chromosomes (p.u) (p.u) (p.u) ($/h) Autres paramètres Les opérateurs de l algorithme génétique sont guidés par un certain nombre de paramètres fixés à l avance, dont leurs valeurs influencent la réussite ou non d un algorithme génétique. Ces paramètres sont: La taille de la population, N, et la longueur du codage de chaque individu, L, (dans le cas du codage binaire): Si N est trop grand le temps de calcul de l algorithme peut s avérer très important, et si N est trop petit, il peut converger trop rapidement vers un mauvais chromosome. Cette importance de la taille est essentiellement due à la notion de parallélisme implicite qui implique que le nombre d individus traité par l algorithme est au moins proportionnel au cube du nombre d individus. En général, la valeur de la taille de la population est comprise entre 30 et 50 individus La probabilité de croisement Pc: Elle dépend de la forme de la fonction sélective. Son choix est en général heuristique (tout comme pour P m ). Plus elle est élevée, plus la population subit de
6 Volume 50, Number 2, changements importants. Le taux habituel est choisi entre 60% et 100%. La probabilité de mutation P m : Ce taux est généralement faible (entre 0.1% et 5%), puisqu un taux élevé risque de conduire à une recherche trop aléatoire. Plutôt que de réduire P m, une autre façon d éviter que les meilleurs individus soient altérés est d utiliser la reconduite explicite de l élite dans une certaine proportion. Ainsi, bien souvent, les meilleurs 5%, par exemple, de la population sont directement reproduits à l identique, l opérateur de reproduction ne jouant alors que sur les 95% restants. Cela est appelé une stratégie élitiste Codage binaire Dans cet article nous avons utilisé deux types de codage: binaire et réel. Nous pouvons facilement passer d un codage à un autre [4]. Nous avons procédé à la transformation d une chaîne binaire ( chaine 2 ) en un nombre réel P Gi par la règle suivante: p pi pgi = p + decimal ( chaine2 ) (7) Li par exemple : p G 1 = ( ) = avec L=14 et un précision de 0.01, car : 2 13 < < = ( ) = 31,27 p G avec L=15 et une précision de 0.01, puisque 2 14 < < p G 111 = ( ) = 92,81 14 avec L=20 avec une précision de , car : 2 13 < <2 14. Algorithme Etape 1 Créer une population initiale. Etape 2 Evaluer l adaptation de chaque individu. Etape 3 Y a t il convergence? Si oui afficher les résultats Si non aller à l étape 4. Etape 4 Sélectionner les individus Etape 5 Coder les individus (décimale binaire) Etape 6 Faire subir à la population des croisements et des mutations aléatoires. Etape 7 Décoder les individus (binaire décimale) Etape 8 Evaluer l adaptation des nouveaux individus et aller à l étape Codage réel A l aide du codage binaire, toutes les opérations sont assez simples à mettre en place. Malgré tout, quelques inconvénients existent: Il peut être difficile d adapter ce codage à certains problèmes: La représentation binaire traditionnelle utilisée pour les algorithmes génétiques crée des difficultés pour les problèmes d optimisation de grandes dimensions à haute précision numérique [6]. Par exemple, avec 100 variables appartenant au domaine [-500; 500] et dont une précision de 6 chiffres après la virgule est nécessaires, la taille du chromosome est Cela, en retour, génère un espace de recherche d environ Pour de tels problèmes, les algorithmes génétiques basés sur des représentations binaires ont de faibles performances. La distance de Hamg entre deux nombres réels proches qui est le nombre de bits qui diffèrent de l un à l autre peut être grande (exemple: 0111 qui vaut 7 et 1000 qui vaut 8, la distance est de 4)[7]. Ce qui crée bien souvent une convergence vers une valeur non optimale. Suivant le problème, la résolution de l algorithme peut être coûteuse en temps. Le croisement et la mutation peuvent être inadaptés (création d individus n appartenant pas à l espace de recherche).
7 134 Une des améliorations majeures consiste alors à se servir de nombres réels directement. Algorithme Etape 1 Créer une population initiale. Etape 2 Evaluer l adaptation de chaque individu. Etape 3 Y a t il convergence? Si oui afficher les résultats Si non aller à l étape 4. Etape 4 Sélectionner les individus Etape 5 Faire subir à la population des croisements et des mutations aléatoires. Etape 6 Evaluer l adaptation des nouveaux individus et aller à l étape3. 4. APPLICATIONS ET RESULTATS DE SIMULATION Les AG ont été programmés en matlab 5.3. et exécutés sur un PC 1500 MHz avec un Pentium 4 et une rame 128 MB. La méthode proposée a été appliquée sur un réseau standard à 118 nœuds (54-generateurs, 179- lignes et 91-charges). La charge de système est 4242 MW et la puissance de base est 100MVA. Le tableau 1 montre ses caractéristiques selon leurs types, les limitations des puissances actives des générateurs et les coefficients de chaque groupe. Le tableau 1 montre les paramètres de l AG utilisés pour cette simulation. On a représenté 54 sorties de générateurs, le code représenté par le format binaire est d une longueur 432 bits (sorties de générateurs 8 bits*54). Concernant le codage réel, l individu est représenté par un chiffre à valeur réelle. Les probabilités de croisement et mutation sont respectivement 0.85 et nous avons traité le problème avec deux cas : Les résultats de calcul des puissances actives, du coût imal du combustible et du temps de calcul sont donnés par les tableaux 3 et 4. Nous interprétons la comparaison entre l application de l algorithme génétique en code binaire (AG-Binaire), l algorithme génétique en code binaire avec une taille de population imale (AG-BPM) et l algorithme génétique en code réel (AG- Rréel), Nous remarquons que les résultats obtenus par l application de la méthode de type l AG-BPM sont nettement meilleurs par rapport à ceux trouvés par, par exemple sur le plan de la fonction coût, l AG-Rréel nous donne un gain de $/h par rapport à l AG-BPM, c.à.d un gain de 6.75 % et un gain de $/h par rapport à l AG-Binaire, c.à.d un gain de 6.75 %. Concernant le temps, on remarque que le temps est aussi meilleur par rapport à l AG-BPM, nous permettant de gagner un temps de 21,88 s et par rapport à l AG-Binaire, nous permettant de gagner un temps de 21,88 s. Tableau 8. Les opérateurs de l AG-Binaire. Taille de la population La mutation 0.05 Le croisement 0.85 Type de croisement arithmétique Type de sélection proportionnelle Nombre de générations 1000 Tableau 9. Caractéristiques des 54 générateurs du réseau 118 nœuds. N P(MW) P(MW) a($/h) b($/mwhr) c($/mw 2 hr) *
8 Volume 50, Number 2, * les générateurs : 1, 4, 6, 8, 15, 18, 19, 24, 27, 32, 34, 36, 40, 42, 55, 56, 62, 70, 72, 73, 74, 76, 77, 85, 90, 91, 92, 99, 104, 105, 107, 110, 112, 113, 116 ont les mêmes caractéristiques. La figure 2 montre les meilleures valeurs sélectives pour chaque génération pour les trois types de méthode (AG-Binaire, AG-BPM et AG-Réel). On remarque une amélioration rapide de la meilleure valeur sélective pour chaque génération pour l AG-BPM. L optimum a été obtenu après 8 secondes pour les 1000 générations. Cependant l amélioration a été rapide et plus efficace concernant l AG-Réel, où l optimum a été obtenu après seulement 5 secondes pour les 1000 générations. La comparaison suivant l influence de la taille de la population 30 et 50 (AG-Binaire et AG-BPM), nous montre une grande amélioration de la fonction coût avec l augmentation de la taille de la population, malheureusement avec une augmentation du temps d exécution (92.29 s). Par contre l application de l AG-Rréel améliore les deux en même temps la fonction coût et le temps d exécution ( $/h, 11.36). Tableau 10. Comparaison des résultats obtenus des deux types de codage et la taille de la population. AG-Binaire AG-BPMax AG-Réel P G P G P G P G P G P G P G P G P G P G P G P G P G P G P G P G P G P G P G P G P G P G P G P G P G P G P G P G P G AG-Binaire AG-BPMax AG-Réel P G P G P G P G P G P G P G P G P G P G P G P G P G P G P G P G P G P G P G P G P G P G P G P G P G Coût($/h) Temps(s) La figure 3 montre l influence de l AG- Réel et la taille de la population sur les performances de l algorithme génétique, car on remarque clairement que le choix du code et de la taille de la population agie beaucoup sur le temps de convergence que sur la fonction coût. Cette constatation a été faite suivant la comparaison suivante : Si on compare le rapport de la fonction Coût ( AG Binaire) coût = 1.04 par rapport Coût ( AG BPM ) à celui du temps de convergence de l AG- Binaire et l AGt ( AG BPM ) BPM = 1.78, et de même t ( AG Binaire) pour les deux types de codage l AG-Binaire et Coût ( AG Binaire) l AG-Réel, = 1.09 et Coût AG Réel ( )
9 136 ( Binaire) t( AG Réel) t AG = 4.89 on remarque bien que le rapport du temps de convergence est plus important par rapport à celui de la fonction coût. D autre part on peut dire que l application de l AG-Réel améliore mieux les performances de l AG que l AG-BPM, puisqu il nous donne une différence de gain du rapport de 0.05 pour la fonction coût et 3.11 pour le temps de convergence. 5. CONCLUSION Les algorithmes génétiques (AG) présentent un fort potentiel d application pratique. Le choix du type de codage des individus reste l un des problèmes des algorithmes génétiques, c est très difficile de trouver un bon codage adapté à la structure du problème. Les résultats trouvés par un codage binaire sont acceptables mais le temps de calcul est assez important, par contre le codage réel a donné des résultats satisfaisants avec un temps de calcul raisonnable, pour cette raison on a intérêt à utiliser la représentation réelle de l individu lorsque les paramètres du problème à résoudre ont de grandes valeurs et nécessitent une grande précision. L utilisation des AG-Réel dans le domaine de la répartition des puissances peut constituer une alternative intéressante lorsque les méthodes d optimisation traditionnelle ne parviennent pas à fournir efficacement les résultats fiables. REFERENCES 1. Goldberg D.E. Genetic algorithms in search, Optimisation and machine learning. Reading, M.A. Addison Wesley, Holland, J.H. (1975). Adaptation in Natural and Artificial Systems. University of Michigan Press. 3. Kermanshahi B. and Aizawa Y. Genetic Algorithm For Coordination of Environmental and Economy Objectives in ELD Problem. Journal of Electrical Science and Technology, No. 26, pp , (Jun1999). 4. Lai L.I., Ma J.T. and Wong K.P. Evolutionary Programg for Economic Dispatch of units with non-smooth input output characteristic functions. Proceedings of the 12th Power System Computation Conference, PSCC, August 1996: Minoux M. Programmation Mathématique théorie et Algorithmes. Tome I. Dunod, Michalewitcz. Z. Genetic Algorithms+Data Structures = Evolution Programs, Springer Verlag Walters D.C. and Sheble G.B. Genetic algorithm solution of economic dispatch with valve point loading. IEEE Transactions on Power Systems 1993;8(3): Mimoun YOUNES Samir HADJRI Houari SAYAH Laboratoire ICEPS Faculté des Sciences de l'ingénieur Université de Sidi-Bel-Abbès Algérie mnyounes2000@yahoo.fr
Une application des algorithmes génétiques à l ordonnancement d atelier
Une application des algorithmes génétiques à l ordonnancement d atelier VACHER Jean-Philippe - GALINHO Thierry - MAMMERI Zoubir Laboratoire d Informatique du Havre Université du Havre 25, Rue Philippe
Plus en 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 détailALGORITHME GENETIQUE ET MODELE DE SIMULATION POUR L'ORDONNANCEMENT D'UN ATELIER DISCONTINU DE CHIMIE
ALGORITHME GENETIQUE ET MODELE DE SIMULATION POUR L'ORDONNANCEMENT D'UN ATELIER DISCONTINU DE CHIMIE P. Baudet, C. Azzaro-Pantel, S. Domenech et L. Pibouleau Laboratoire de Génie Chimique - URA 192 du
Plus en détailPrésentation des algorithmes génétiques et de leurs applications en économie
Présentation des algorithmes génétiques et de leurs applications en économie Thomas Vallée et Murat Yıldızoğlu LEN-C3E Université de Nantes, LEA-CIL Chemin de la Censive du Tertre F-44312 NANTES Thomas.Vallee@sc-eco.univ-nantes.fr
Plus en détailOrdonnancement en temps réel d un jobshop par métaheuristique hybride : étude comparative
Ordonnancement en temps réel d un jobshop par métaheuristique hybride : étude comparative Y. Houbad, M. Souier, A. Hassam, Z.Sari Laboratoire d automatique Tlemcen Faculté de technologie, Université Abou
Plus en détailLaboratoire d Automatique et Productique Université de Batna, Algérie
Anale. Seria Informatică. Vol. IX fasc. 2 Annals. Computer Science Series. 9 th Tome st Fasc. 2 La sélection de paramètres d un système industriel par les colonies de fourmis Ouahab Kadri, L. Hayet Mouss,
Plus en détailUEO11 COURS/TD 1. nombres entiers et réels codés en mémoire centrale. Caractères alphabétiques et caractères spéciaux.
UEO11 COURS/TD 1 Contenu du semestre Cours et TDs sont intégrés L objectif de ce cours équivalent a 6h de cours, 10h de TD et 8h de TP est le suivant : - initiation à l algorithmique - notions de bases
Plus en détailEtude d un cas industriel : Optimisation de la modélisation de paramètre de production
Revue des Sciences et de la Technologie RST- Volume 4 N 1 /janvier 2013 Etude d un cas industriel : Optimisation de la modélisation de paramètre de production A.F. Bernate Lara 1, F. Entzmann 2, F. Yalaoui
Plus en détailApproche d'évaluation pour les problèmes d'ordonnancement multicritères : Méthode d'agrégation avec direction de recherche dynamique
Approche d'évaluation pour les problèmes d'ordonnancement multicritères : Méthode d'agrégation avec direction de recherche dynamiue D. BERKOUNE 2, K. MESGHOUNI, B. RABENASOLO 2 LAGIS UMR CNRS 846, Ecole
Plus en détailChapitre 10 Arithmétique réelle
Chapitre 10 Arithmétique réelle Jean Privat Université du Québec à Montréal INF2170 Organisation des ordinateurs et assembleur Automne 2013 Jean Privat (UQAM) 10 Arithmétique réelle INF2170 Automne 2013
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 détailCOORDINATION NON COOPÉRATIVE: MÉTHODES D ENCHÈRES
COORDINATION NON COOPÉRATIVE: MÉTHODES D ENCHÈRES Cours 6c Principe Protocole centralisé, un commissaire-priseur/vendeur (auctioneer) et plusieurs enchérisseurs/acheteurs (bidders) Le commissaire-priseur
Plus en détailModèles et simulations informatiques des problèmes de coopération entre agents
Modèles et simulations informatiques des problèmes de coopération entre agents Bruno Beaufils LIFL Axe CIM Équipe SMAC Laboratoire d'informatique Plan 1. Motivations 2. Dilemme itéré du prisonnier 3. Simulations
Plus en détailFig.1. Structure d un AGQ
Evolution d Automate Cellulaire par Algorithme Génétique Quantique Zakaria Laboudi 1 - Salim Chikhi 2 Equipe SCAL, Laboratoire MISC Université Mentouri de Constantine. E - Mail : 1 laboudizak@yahoo.fr;
Plus en 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 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 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 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 détailGestion optimale des unités de production dans un réseau compte tenu de la dynamique de la température des lignes
Gestion optimale des unités de production dans un réseau compte tenu de la dynamique de la température des lignes M. Nick, R. Cherkaoui, M. Paolone «Le réseau électrique de demain» - EPFL, 21.05.2015 Table
Plus en détailÉquations non linéaires
Équations non linéaires Objectif : trouver les zéros de fonctions (ou systèmes) non linéaires, c-à-d les valeurs α R telles que f(α) = 0. y f(x) α 1 α 2 α 3 x Equations non lineaires p. 1/49 Exemples et
Plus en détailOptimisation et programmation mathématique. Professeur Michel de Mathelin. Cours intégré : 20 h
Télécom Physique Strasbourg Master IRIV Optimisation et programmation mathématique Professeur Michel de Mathelin Cours intégré : 20 h Programme du cours d optimisation Introduction Chapitre I: Rappels
Plus en détailLicence Sciences et Technologies Examen janvier 2010
Université de Provence Introduction à l Informatique Licence Sciences et Technologies Examen janvier 2010 Année 2009-10 Aucun document n est autorisé Les exercices peuvent être traités dans le désordre.
Plus en détailGènes Diffusion - EPIC 2010
Gènes Diffusion - EPIC 2010 1. Contexte. 2. Notion de génétique animale. 3. Profil de l équipe plateforme. 4. Type et gestion des données biologiques. 5. Environnement Matériel et Logiciel. 6. Analyses
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 détailOptimisation des canalisations électriques et des armoires de distribution
Supporté par: Optimisation des canalisations électriques et des armoires de distribution Vincent Mazauric Jean-Paul Gonnet Direction Scientifique et Technique Introduction? Objectifs:? Améliorer l'efficacité
Plus en détailSystèmes de transmission
Systèmes de transmission Conception d une transmission série FABRE Maxime 2012 Introduction La transmission de données désigne le transport de quelque sorte d'information que ce soit, d'un endroit à un
Plus en détailNOTIONS DE PROBABILITÉS
NOTIONS DE PROBABILITÉS Sommaire 1. Expérience aléatoire... 1 2. Espace échantillonnal... 2 3. Événement... 2 4. Calcul des probabilités... 3 4.1. Ensemble fondamental... 3 4.2. Calcul de la probabilité...
Plus en détailCours des Méthodes de Résolution Exactes Heuristiques et Métaheuristiques
Université Mohammed V, Faculté des Sciences de Rabat Laboratoire de Recherche Mathématiques, Informatique et Applications Cours des Méthodes de Résolution Exactes Heuristiques et Métaheuristiques MASTER
Plus en détailStructure et fonctionnement d'un ordinateur : hardware
Structure et fonctionnement d'un ordinateur : hardware Introduction : De nos jours, l'ordinateur est considéré comme un outil indispensable à la profession de BDA, aussi bien dans les domaines de la recherche
Plus en détailLA NOTATION STATISTIQUE DES EMPRUNTEURS OU «SCORING»
LA NOTATION STATISTIQUE DES EMPRUNTEURS OU «SCORING» Gilbert Saporta Professeur de Statistique Appliquée Conservatoire National des Arts et Métiers Dans leur quasi totalité, les banques et organismes financiers
Plus en détailLes clusters Linux. 4 août 2004 Benoît des Ligneris, Ph. D. benoit.des.ligneris@revolutionlinux.com. white-paper-cluster_fr.sxw, Version 74 Page 1
Les clusters Linux 4 août 2004 Benoît des Ligneris, Ph. D. benoit.des.ligneris@revolutionlinux.com white-paper-cluster_fr.sxw, Version 74 Page 1 Table des matières Introduction....2 Haute performance (High
Plus en détailTout ce que vous avez toujours voulu savoir sur SAP HANA. Sans avoir jamais osé le demander
Tout ce que vous avez toujours voulu savoir sur SAP HANA Sans avoir jamais osé le demander Agenda Pourquoi SAP HANA? Qu est-ce que SAP HANA? SAP HANA pour l intelligence d affaires SAP HANA pour l analyse
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 détailÉconomie d énergie dans les centrales frigorifiques : La haute pression flottante
Économie d énergie dans les centrales frigorifiques : La haute pression flottante Juillet 2011/White paper par Christophe Borlein membre de l AFF et de l IIF-IIR Make the most of your energy Sommaire Avant-propos
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 détailOPTIMISATION DE LA MAINTENANCE DES EQUIPEMENTS DE MANUTENTION DU TERMINAL A CONTENEURS DE BEJAIA (BMT)
OPTIMISATION DE LA MAINTENANCE DES EQUIPEMENTS DE MANUTENTION DU TERMINAL A CONTENEURS DE BEJAIA (BMT) LAGGOUNE Radouane 1 et HADDAD Cherifa 2 1,2: Dépt. de G. Mécanique, université de Bejaia, Targa-Ouzemour
Plus en détailQuantification Scalaire et Prédictive
Quantification Scalaire et Prédictive Marco Cagnazzo Département Traitement du Signal et des Images TELECOM ParisTech 7 Décembre 2012 M. Cagnazzo Quantification Scalaire et Prédictive 1/64 Plan Introduction
Plus en détailSystème Immunitaire Artificiel Parallèle appliqué aux Flow Shop Hybride (FSH)
République Algérienne Démocratique et Populaire Ministère de l Enseignement Supérieur et de la Recherche Scientifique Université des Sciences et de la Technologie d Oran -Mohamed Boudiaf USTO-MB Faculté
Plus en détailAspects théoriques et algorithmiques du calcul réparti L agglomération
Aspects théoriques et algorithmiques du calcul réparti L agglomération Patrick CIARLET Enseignant-Chercheur UMA patrick.ciarlet@ensta-paristech.fr Françoise LAMOUR franc.lamour@gmail.com Aspects théoriques
Plus en détailContents. 1 Introduction Objectifs des systèmes bonus-malus Système bonus-malus à classes Système bonus-malus : Principes
Université Claude Bernard Lyon 1 Institut de Science Financière et d Assurances Système Bonus-Malus Introduction & Applications SCILAB Julien Tomas Institut de Science Financière et d Assurances Laboratoire
Plus en détailSolution A La Gestion Des Objets Java Pour Des Systèmes Embarqués
International Journal of Engineering Research and Development e-issn: 2278-067X, p-issn: 2278-800X, www.ijerd.com Volume 7, Issue 5 (June 2013), PP.99-103 Solution A La Gestion Des Objets Java Pour Des
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 détailINF6304 Interfaces Intelligentes
INF6304 Interfaces Intelligentes filtres collaboratifs 1/42 INF6304 Interfaces Intelligentes Systèmes de recommandations, Approches filtres collaboratifs Michel C. Desmarais Génie informatique et génie
Plus en détailLe Data Mining au service du Scoring ou notation statistique des emprunteurs!
France Le Data Mining au service du Scoring ou notation statistique des emprunteurs! Comme le rappelle la CNIL dans sa délibération n 88-083 du 5 Juillet 1988 portant adoption d une recommandation relative
Plus en détailGPA770 Microélectronique appliquée Exercices série A
GPA770 Microélectronique appliquée Exercices série A 1. Effectuez les calculs suivants sur des nombres binaires en complément à avec une représentation de 8 bits. Est-ce qu il y a débordement en complément
Plus en détailCODAGE DES SMS. 2 Commandes «AT» 25 3 Matériels utilisés 55 4 Interfacer un téléphone GSM 73 5 Réalisations électroniques 101
1 CODAGE DES SMS PAGE 1.1 Introduction 6 1.2 Généralités 6 1.3 Mode PDU 6 1.4 Codage/décodage par logiciel 21 2 Commandes «AT» 25 3 Matériels utilisés 55 4 Interfacer un téléphone GSM 73 5 Réalisations
Plus en détailDifférentes opérateurs évolutionnaires de permutation: sélections, croisements et mutations
LABORATOIRE D INFORMATIQUE DE L UNIVERSITE DE FRANCHE-COMTE EA 4269 Différentes opérateurs évolutionnaires de permutation: sélections, croisements et mutations Mais HAJ-RACHID, Christelle BLOCH, Wahiba
Plus en détailFactorisation d entiers (première partie)
Factorisation d entiers ÉCOLE DE THEORIE DES NOMBRES 0 Factorisation d entiers (première partie) Francesco Pappalardi Théorie des nombres et algorithmique 22 novembre, Bamako (Mali) Factorisation d entiers
Plus en détailLaboratoire 4 Développement d un système intelligent
DÉPARTEMENT DE GÉNIE LOGICIEL ET DES TI LOG770 - SYSTÈMES INTELLIGENTS ÉTÉ 2012 Laboratoire 4 Développement d un système intelligent 1 Introduction Ce quatrième et dernier laboratoire porte sur le développement
Plus en détailVers une approche Adaptative pour la Découverte et la Composition Dynamique des Services
69 Vers une approche Adaptative pour la Découverte et la Composition Dynamique des Services M. Bakhouya, J. Gaber et A. Koukam Laboratoire Systèmes et Transports SeT Université de Technologie de Belfort-Montbéliard
Plus en détailMODÉLISATION DU FONCTIONNEMENT EN PARALLELE À DEUX OU PLUSIEURS POMPES CENTRIFUGES IDENTIQUES OU DIFFERENTES
Annals of the University of Craiova, Electrical Engineering series, No. 30, 006 MODÉLISATION DU FONCTIONNEMENT EN PARALLELE À DEUX OU PLUSIEURS POMPES CENTRIFUGES IDENTIQUES OU DIFFERENTES Daniela POPESCU,
Plus en détailChaînes de Markov au lycée
Journées APMEP Metz Atelier P1-32 du dimanche 28 octobre 2012 Louis-Marie BONNEVAL Chaînes de Markov au lycée Andreï Markov (1856-1922) , série S Problème 1 Bonus et malus en assurance automobile Un contrat
Plus en détailCHAPITRE VIII : Les circuits avec résistances ohmiques
CHAPITRE VIII : Les circuits avec résistances ohmiques VIII. 1 Ce chapitre porte sur les courants et les différences de potentiel dans les circuits. VIII.1 : Les résistances en série et en parallèle On
Plus en détailChapitre 1 I:\ Soyez courageux!
Chapitre 1 I:\ Soyez courageux! Pour ne rien vous cacher, le langage d'assembleur (souvent désigné sous le terme "Assembleur", bien que ce soit un abus de langage, puisque "Assembleur" désigne le logiciel
Plus en détailCours d électricité. Circuits électriques en courant constant. Mathieu Bardoux. 1 re année
Cours d électricité Circuits électriques en courant constant Mathieu Bardoux mathieu.bardoux@univ-littoral.fr IUT Saint-Omer / Dunkerque Département Génie Thermique et Énergie 1 re année Objectifs du chapitre
Plus en détailIntroduction. I Étude rapide du réseau - Apprentissage. II Application à la reconnaissance des notes.
Introduction L'objectif de mon TIPE est la reconnaissance de sons ou de notes de musique à l'aide d'un réseau de neurones. Ce réseau doit être capable d'apprendre à distinguer les exemples présentés puis
Plus en détailT.P. FLUENT. Cours Mécanique des Fluides. 24 février 2006 NAZIH MARZOUQY
T.P. FLUENT Cours Mécanique des Fluides 24 février 2006 NAZIH MARZOUQY 2 Table des matières 1 Choc stationnaire dans un tube à choc 7 1.1 Introduction....................................... 7 1.2 Description.......................................
Plus en détailPerformances énergétiques de capteurs solaires hybrides PV-T pour la production d eau chaude sanitaire.
Performances énergétiques de capteurs solaires hybrides PV-T pour la production d eau chaude sanitaire. Patrick DUPEYRAT 1,2*, Yu BAI 3,4, Gérald KWIATKOWSKI 5, Gilles FRAISSE 3 Christophe MENEZO 2,3 et
Plus en détailCouplage efficace entre Optimisation et Simulation stochastique Application à la maintenance optimale d une constellation de satellites
Couplage efficace entre Optimisation et Simulation stochastique Application à la maintenance optimale d une constellation de satellites Benoît Beghin Pierre Baqué André Cabarbaye Centre National d Etudes
Plus en 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 détailAutomatique Linéaire 1 Travaux Dirigés 1A ISMIN
Automatique Linéaire 1 Travaux Dirigés Travaux dirigés, Automatique linéaire 1 J.M. Dutertre 2014 TD 1 Introduction, modélisation, outils. Exercice 1.1 : Calcul de la réponse d un 2 nd ordre à une rampe
Plus en détailintelligence artificielle et cognitique"
Dialogue on Education, 11h-11h10 Course overview on "Automatisation avancée, intelligence artificielle et cognitique" Prof. Dr. Jean-Daniel Dessimoz, MBA, HES-SO / HEIG-VD 11:00-11:10, 18 November 2014
Plus en détailTransmission d informations sur le réseau électrique
Transmission d informations sur le réseau électrique Introduction Remarques Toutes les questions en italique devront être préparées par écrit avant la séance du TP. Les préparations seront ramassées en
Plus en détailTSTI 2D CH X : Exemples de lois à densité 1
TSTI 2D CH X : Exemples de lois à densité I Loi uniforme sur ab ; ) Introduction Dans cette activité, on s intéresse à la modélisation du tirage au hasard d un nombre réel de l intervalle [0 ;], chacun
Plus en détailLa Recherche du Point Optimum de Fonctionnement d un Générateur Photovoltaïque en Utilisant les Réseaux NEURO-FLOUS
Rev. Energ. Ren. : Chemss 2000 39-44 La Recherche du Point Optimum de Fonctionnement d un Générateur Photovoltaïque en Utilisant les Réseaux NEURO-FLOUS D.K. Mohamed, A. Midoun et F. Safia Département
Plus en détailMonitoring continu et gestion optimale des performances énergétiques des bâtiments
Monitoring continu et gestion optimale des performances énergétiques des bâtiments Alexandre Nassiopoulos et al. Journée d inauguration de Sense-City, 23/03/2015 Croissance de la demande énergétique et
Plus en détailReprésentation d un nombre en machine, erreurs d arrondis
Chapitre Représentation d un nombre en machine, erreurs d arrondis Ce chapitre est une introduction à la représentation des nombres en machine et aux erreurs d arrondis, basé sur [], [].. Un exemple :
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 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 détailDimensionnement d une roue autonome pour une implantation sur un fauteuil roulant
Dimensionnement d une roue autonome pour une implantation sur un fauteuil roulant I Présentation I.1 La roue autonome Ez-Wheel SAS est une entreprise française de technologie innovante fondée en 2009.
Plus en détailGrégoire de Lassence. Copyright 2006, SAS Institute Inc. All rights reserved.
Grégoire de Lassence 1 Grégoire de Lassence Responsable Pédagogie et Recherche Département Académique Tel : +33 1 60 62 12 19 gregoire.delassence@fra.sas.com http://www.sas.com/france/academic SAS dans
Plus en détailChapitre 1. L intérêt. 2. Concept d intérêt. 1. Mise en situation. Au terme de ce chapitre, vous serez en mesure de :
Chapitre 1 L intérêt Au terme de ce chapitre, vous serez en mesure de : 1. Comprendre la notion générale d intérêt. 2. Distinguer la capitalisation à intérêt simple et à intérêt composé. 3. Calculer la
Plus en détailFONCTION DE DEMANDE : REVENU ET PRIX
FONCTION DE DEMANDE : REVENU ET PRIX 1. L effet d une variation du revenu. Les lois d Engel a. Conditions du raisonnement : prix et goûts inchangés, variation du revenu (statique comparative) b. Partie
Plus en détailProjet de Traitement du Signal Segmentation d images SAR
Projet de Traitement du Signal Segmentation d images SAR Introduction En analyse d images, la segmentation est une étape essentielle, préliminaire à des traitements de haut niveau tels que la classification,
Plus en détailPremier modèle - Version simple
Chapitre 1 Premier modèle - Version simple Les individus vivent chacun six générations successives d adultes, chacune d une durée de dix ans, sans distinction faite entre les individus d une même génération.
Plus en détailProbabilités sur un univers fini
[http://mp.cpgedupuydelome.fr] édité le 10 août 2015 Enoncés 1 Proailités sur un univers fini Evènements et langage ensemliste A quelle condition sur (a,, c, d) ]0, 1[ 4 existe-t-il une proailité P sur
Plus en détailChapitre 3. Mesures stationnaires. et théorèmes de convergence
Chapitre 3 Mesures stationnaires et théorèmes de convergence Christiane Cocozza-Thivent, Université de Marne-la-Vallée p.1 I. Mesures stationnaires Christiane Cocozza-Thivent, Université de Marne-la-Vallée
Plus en détailApplication de K-means à la définition du nombre de VM optimal dans un cloud
Application de K-means à la définition du nombre de VM optimal dans un cloud EGC 2012 : Atelier Fouille de données complexes : complexité liée aux données multiples et massives (31 janvier - 3 février
Plus en 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 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 détailChristophe CANDILLIER Cours de DataMining mars 2004 Page 1
Christophe CANDILLIER Cours de DataMining mars 2004 age 1 1. Introduction 2. rocessus du DataMining 3. Analyse des données en DataMining 4. Analyse en Ligne OLA 5. Logiciels 6. Bibliographie Christophe
Plus en détailLes simulations dans l enseignement des sondages Avec le logiciel GENESIS sous SAS et la bibliothèque Sondages sous R
Les simulations dans l enseignement des sondages Avec le logiciel GENESIS sous SAS et la bibliothèque Sondages sous R Yves Aragon, David Haziza & Anne Ruiz-Gazen GREMAQ, UMR CNRS 5604, Université des Sciences
Plus en détailThéorie et Codage de l Information (IF01) exercices 2013-2014. Paul Honeine Université de technologie de Troyes France
Théorie et Codage de l Information (IF01) exercices 2013-2014 Paul Honeine Université de technologie de Troyes France TD-1 Rappels de calculs de probabilités Exercice 1. On dispose d un jeu de 52 cartes
Plus en détail«Cours Statistique et logiciel R»
«Cours Statistique et logiciel R» Rémy Drouilhet (1), Adeline Leclercq-Samson (1), Frédérique Letué (1), Laurence Viry (2) (1) Laboratoire Jean Kuntzmann, Dép. Probabilites et Statistique, (2) Laboratoire
Plus en détailTrois méthodes pour la construction de pages WEB personnalisées
Trois méthodes pour la construction de pages WEB personnalisées Gérard KUBRYK gerard@i2m.fr Université de Nice-Sophia Antipolis, Laboratoire I3S, 2000, route des lucioles 06903 Sophia Antipolis cedex,
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 détailJade. 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 détailTHÈSE DE DOCTORAT DE L UNIVERSITÉ PARIS 12-VAL DE MARNE UFR de Sciences et Technologie. par. Walid TFAILI. pour obtenir le grade de
THÈSE DE DOCTORAT DE L UNIVERSITÉ PARIS 12-VAL DE MARNE UFR de Sciences et Technologie par Walid TFAILI pour obtenir le grade de DOCTEUR EN SCIENCES Spécialité : SCIENCES DE L INGÉNIEUR Option : Optimisation
Plus en détailESSEC. Cours «Management bancaire» Séance 3 Le risque de crédit Le scoring
ESSEC Cours «Management bancaire» Séance 3 Le risque de crédit Le scoring Les méthodes d évaluation du risque de crédit pour les PME et les ménages Caractéristiques Comme les montants des crédits et des
Plus en détailComme chaque ligne de cache a 1024 bits. Le nombre de lignes de cache contenu dans chaque ensemble est:
Travaux Pratiques 3. IFT 1002/IFT 1005. Structure Interne des Ordinateurs. Département d'informatique et de génie logiciel. Université Laval. Hiver 2012. Prof : Bui Minh Duc. Tous les exercices sont indépendants.
Plus en détailEncryptions, compression et partitionnement des données
Encryptions, compression et partitionnement des données Version 1.0 Grégory CASANOVA 2 Compression, encryption et partitionnement des données Sommaire 1 Introduction... 3 2 Encryption transparente des
Plus en détailCoup de Projecteur sur les Réseaux de Neurones
Coup de Projecteur sur les Réseaux de Neurones Les réseaux de neurones peuvent être utilisés pour des problèmes de prévision ou de classification. La représentation la plus populaire est le réseau multicouche
Plus en détail= constante et cette constante est a.
Le problème Lorsqu on sait que f(x 1 ) = y 1 et que f(x 2 ) = y 2, comment trouver l expression de f(x 1 )? On sait qu une fonction affine a une expression de la forme f(x) = ax + b, le problème est donc
Plus en détailVIII- Circuits séquentiels. Mémoires
1 VIII- Circuits séquentiels. Mémoires Maintenant le temps va intervenir. Nous avions déjà indiqué que la traversée d une porte ne se faisait pas instantanément et qu il fallait en tenir compte, notamment
Plus en détailDate : Note /20 : EVALUATION Nom : Prénom : Classe : Traitement sur mots
Date : Note /20 : EVALUATION Nom : Prénom : Classe : Traitement sur mots API-1 Etre capable de : Sélectionner un format de mot adapté au type de donnée à traiter par un API. D interpréter les données contenues
Plus en détailPROJET MODELE DE TAUX
MASTER 272 INGENIERIE ECONOMIQUE ET FINANCIERE PROJET MODELE DE TAUX Pricing du taux d intérêt des caplets avec le modèle de taux G2++ Professeur : Christophe LUNVEN 29 Fevrier 2012 Taylan KUNAL - Dinh
Plus en détailCompetence Management System (Système de Gestion de Compétences)
Dispositif :... 3 Qu est-ce qu un CMS?... 3 Quels sont les dispositifs intégrés à un CMS... 3 Comment envoyer des emails?... 3 Puis-je envoyer des emails seulement à un groupe de personnes?... 4 Comment
Plus en détailLa 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 détailRÉSOLUTION DE SYSTÈMES À DEUX INCONNUES
RÉSOLUTION DE SYSTÈMES À DEUX INCONNUES Sommaire 1 Méthodes de résolution... 3 1.1. Méthode de Substitution... 3 1.2. Méthode des combinaisons linéaires... 6 La rubrique d'aide qui suit s'attardera aux
Plus en détailReprésentation et analyse des systèmes linéaires
ISAE-NK/Première année présentation et analyse des systèmes linéaires Petite classe No Compléments sur le lieu des racines. Condition sur les points de rencontre et d éclatement Les points de rencontre,(les
Plus en détail