Optimisation Par Colonie de Fourmies
|
|
- Léon Duquette
- il y a 7 ans
- Total affichages :
Transcription
1 République Algérienne Démocratique et Populaire Ministère de l Enseignement Supérieur et de la Recherche Scientifique Université des Sciences et de la Technologie d Oran Faculté des Sciences Département d informatique Optimisation Par Colonie de Fourmies Exposé Optimisation Avancée Sous la direction de Pr.Mohamed BENYETTOU Présenté par : M er DJELLAT Soulimane 2012/203
2 Sommaire Introduction...3 I. Définition :... 3 II. Les origines :...3 III. Similarités et différences avec les fourmis réelles...4 IV.Algorithme Ant System...5 A-historique :...5 B-principe :...6 C-Algorithme de colonies de fourmis pour le problème du TSP D-Exemple Détaillé....8 E- domaine d'application...9 F. Inconvenants et Avantages...9 Conclusion
3 Le comportement des fourmis est un comportement collectif. Chaque fourmi a pour priorité le bien être de la communauté. Chaque individu de la colonie est à priori indépendant et n est pas supervisé d une manière ou d une autre. Ce concept est appellé Hétérarchie (s opposant à la Hiérarchie) chaque individu est aidé par la communauté dans son évolution et en retour il aide au bon fonctionnement de celle-ci. La colonie est donc auto-controlé par le biais de mécanismes relativement simples à étudier. En observant une colonie de fourmis à la recherche de nourriture dans les environs du nid, on s aperçoit qu elle résoudre des problèmes tels que celui de la recherche du plus court chemin. Les fourmis résolvent des problèmes complexes par des mécanismes assez simples à modéliser. Il est ainsi assez simple de simuler leur comportement par des algorithmes. I. Définition Les algorithmes de colonies de fourmis sont des algorithmes inspirés du comportement des fourmis et qui constituent une famille de méta heuristiques d optimisation. Initialement proposé par Marco Dorigo et al. Dans les années 1990, pour la recherche de - chemins optimaux dans un graphe, le premier algorithme s inspire du comportement des fourmis recherchant un chemin entre leur colonie et une source de nourriture. L idée originale s'est depuis diversifiée pour résoudre une classe plus large de problèmes et plusieurs algorithmes ont vu le jour, s inspirant de divers aspects du comportement des Fourmies. II. Les Origines L idée originale provient de l observation de l exploitation des ressources alimentaires chez les fourmis. En effet, celles-ci, bien qu ayant individuellement des capacités cognitives limitées, sont capables collectivement de trouver le chemin le plus court entre une source de nourriture et leur nid. Des biologistes ont ainsi observé, dans une série d expériences menées à partir de 1989, qu une colonie de fourmis ayant le choix entre deux chemins d inégale longueur menant à une source de nourriture avait tendance à utiliser le chemin le plus court. Un modèle expliquant ce comportement est le suivant : 1) une fourmi (appelée «éclaireuse») Parcourt plus ou moins au hasard l environnement autour de la colonie. 2) si celle-ci découvre une source de nourriture, elle rentre plus ou moins directement au nid, en laissant sur son chemin une piste de phéromones. 3) ces phéromones étant attractives, les fourmis passant à proximité vont avoir tendance à suivre, de façon plus ou moins directe, cette piste. 4) en revenant au nid, ces mêmes fourmis vont renforcer la piste. 5) si deux pistes sont possibles pour atteindre la même source de nourriture, celle étant la plus courte sera, dans le même temps, parcourue par plus de fourmis que la longue piste. 6) la piste courte sera donc de plus en plus renforcée, et donc de plus en plus attractive. 7) la longue piste, elle, finira par disparaître, les phéromones étant volatiles ; 3
4 8) à terme, l ensemble des fourmis a donc déterminé et «choisi» la piste la plus courte. Les fourmis utilisent l environnement comme support de communication : elles échangent indirectement de l information en déposant des phéromones, le tout décrivant l état de leur «travail». L information échangée a une portée locale, seule une fourmi située à l endroit où les phéromones ont été déposées y a accès. Ce système porte le nom de «stigmergie», et se retrouve chez plusieurs animaux sociaux (il a notamment été étudié dans le cas de la construction de piliers dans les nids de termites). Le mécanisme permettant de résoudre un problème trop complexe pour être abordé par des fourmis seules est un bon exemple de système autoorganisé. Ce système repose sur des rétroactions positives (le dépôt de phéromone attire d autres fourmis qui vont la renforcer à leur tour) et négatives (la dissipation de la piste par évaporation empêche le système de s'emballer). Théoriquement, si la quantité de phéromone restait identique au cours du temps sur toutes les branches, aucune piste ne serait choisie. Or, du fait des rétroactions, une faible variation sur une branche va être amplifiée et permettre alors le choix d une branche. L'algorithme va permettre de passer d'un état instable où aucune branche n'est plus marquée qu'une autre, vers un état stable où l'itinéraire est formé des «meilleures» branches. III. Similarités et différences avec les fourmis réelles Les fourmis virtuelles ont une double nature. D une part, elles modélisent les comportements abstraits de fourmis réelles, et d autre part, elles peuvent être enrichies par des capacités que ne possèdent pas les fourmis réelles, afin de les rendre plus efficaces que ces dernières. Nous allons maintenant synthétiser ces ressemblances et différences. Points communs Colonie d individus coopérants. Comme pour les fourmis réelles, une colonie virtuelle est un ensemble d entités non-synchronisés, qui se rassemblent ensemble pour trouver une "bonne" solution au problème considéré. Chaque groupe d individus doit pouvoir trouver une solution même si elle est mauvaise. 4
5 Pistes de phéromones. Ces entités communiquent par le mécanisme des pistes de phéromone. Cette forme de communication joue un grand rôle dans le comportement des fourmis : son rôle principal est de changer la manière dont l environnement est perçu par les fourmis, en fonction de l historique laissé par ces phéromones. Évaporation des phéromones. La méta-heuristique ACO comprend aussi la possibilité d évaporation des phéromones. Ce mécanisme permet d oublier lentement ce qui s est passé avant. C est ainsi qu elle peut diriger sa recherche vers de nouvelles directions, sans être trop contrainte par ses anciennes décisions. Recherche du plus petit chemin. Les fourmis réelles et virtuelles partagent un but commun : recherche du plus court chemin reliant un point de départ (le nid) à des sites de destination Déplacement locaux Les vraies fourmis ne sautent pas des cases, tout comme les fourmis. virtuelles. Elles se contentent de se déplacer entre sites adjacents du terrain. Choix aléatoire lors des transitions. Lorsqu elles sont sur un site, les fourmis réelles et virtuelles doivent décider sur quel site adjacent se déplacer. Cette prise de décision se fait au hasard et dépend de l information locale déposée sur le site courant. Elle doit tenir compte des pistes de phéromones, mais aussi du contexte de départ (ce qui revient à prendre en considération les données du problème d optimisation combinatoire pour une fourmi virtuelle). Différences Les fourmis virtuelles possèdent certaines caractéristiques que ne possèdent pas les fourmis réelles : Elles vivent dans un monde non-continu. Leurs déplacements consistent en des transitions d état. Mémoire (état interne) de la fourmi. Les fourmis réelles ont une mémoire très limitée. Tandis que nos fourmis virtuelles mémorisent l historique de leurs actions. Elles peuvent aussi retenir des données supplémentaires sur leurs performances. Nature des phéromones déposées. Les fourmis réelles déposent une information physique sur la piste qu elles parcourent, là où les fourmis virtuelles modifient des informations dans les variables d états associées au problème. Ainsi, l évaporation des phéromones est une simple décrémentation de la valeur des variables d états à chaque itération. Qualité de la solution. Les fourmis virtuelles déposent une quantité de phéromone proportionnelle à la qualité de la solution qu elles ont découverte. Retard dans le dépôt de phéromone. Les fourmis virtuelles peuvent mettre à jour les pistes de phéromones de façon non immédiate : souvent elles attendent d avoir terminé la construction de leur solution. Ce choix dépend du problème considéré bien évidemment. Capacités supplémentaires. Les fourmis virtuelles peuvent être pourvues de capacités artificielles afin d améliorer les performances du système. Ces possibilités sont liées au problème et peuvent être : 1. l anticipation : la fourmi étudie les états suivants pour faire son choix et non seulement l état local. 2. le retour en arrière : une fourmi peut revenir à un état déjà parcouru car la décision qu elle avait prise à cet état a été mauvaise. IV. Algorithme Ant System (AS) A. Historique Dans les sections qui viendront plus tard, nous présenterons la méta-heuristique ACO, pour le "Ant Colony Optimization". Toutes ces idées abstraites sont inspirées des travaux de Deneubourg sur les fourmis. 5
6 Cette méta-heuristique est relativement récente. Elle a été introduite en 1991 par Colorni, Dorigo et Maniezzo pour résoudre le problème du Voyageur de commerce. Elle s est popularisée, puis a été l objet d améliorations dès 1995 et a été appliquée avec succès à d autres problèmes d optimisation combinatoire dès B. Principe ce premier algorithme de colonies de fourmis (Ant system (système fourmi)). Il vise notamment à résoudre le problème du voyageur de commerce. le TSP (Traveling Salesman Problem) est le problème consistant à trouver un circuit hamiltonien de longueur minimale sur le graphe G = (X,U). Le voyageur de commerce est un problème NP-complet. La métaphore de la colonisation de fourmis s y applique particulièrement bien. L algorithme général est relativement simple, et repose sur un ensemble de fourmis, chacune parcourant un trajet parmi ceux possibles. À chaque étape, la fourmi choisit de passer d une ville à une autre en fonction de quelques règles : 1) elle ne peut visiter qu une fois chaque ville ; 2) plus une ville est loin, moins elle a de chance d être choisie (c est la «visibilité») ; 3) plus l'intensité de la piste de phéromone disposée sur l arête entre deux villes est grande, plus le trajet aura de chance d être choisi ; 4) une fois son trajet terminé, la fourmi dépose, sur l ensemble des arêtes parcourues, plus de phéromones si le trajet est court ; 5) les pistes de phéromones s évaporent à chaque itération L algorithme «Ant System» optimisant le problème du voyageur de commerce : 1) une fourmi choisit un trajet, et trace une piste de phéromone. 2) l ensemble des fourmis parcourt un certain nombre de trajets, chaque fourmi déposant une quantité de phéromone proportionnelle à la qualité du parcours. 3) chaque arête du meilleur chemin est plus renforcée que les autres. 4) l évaporation fait disparaître les mauvaises solutions. C. Algorithme de colonies de fourmis pour le problème du voyageur de commerce TSP: Tant que le critère d'arrêt n'est pas atteint faire Pour k=1 à m faire Choisir une ville au hasard 6
7 Pour chaque ville non visitée i faire Choisir une ville j, dans la liste des villes restantes selon (F-1) Fin Pour Déposer une piste sur le trajet (t) conformément à (F-2) Fin Pour Évaporer les pistes selon (F-3) Fin Tant que Le but initial de cette méthode était de résoudre le problème du voyageur de commerce. L'Algorithme présente la méthode proposée par les auteurs. Si l'on considère un problème de voyageur de commerce à N villes, chaque fourmi k parcourt le graphe et construit un trajet de longueur n =/N/. Pour chaque fourmi, le trajet d'une ville i à une ville j dépend de : la liste des villes déjà visitées, qui définit les mouvements possibles à chaque pas, quand la fourmi k est sur la ville i, l'inverse de la distance entre les villes, appelée visibilité. Cette information est utilisée pour diriger les fourmis vers des villes proches et ainsi, éviter de trop longs déplacements. la quantité de phéromone déposée sur l'arête reliant deux villes appelée intensité de la piste. Cette quantité définit l'attractivité d'une piste et est modifiée après le passage d'une fourmi. C'est la pseudo-mémoire du système. La règle de déplacement est la suivante : = α et β sont deux paramètres qui contrôlent l importance relative entre phéromones et visibilité. Après un tour complet, chaque fourmi dépose une quantité de phéromone (t) sur l'ensemble de son parcours. Cette quantité dépend de la qualité de la solution trouvée et est définie par : 7
8 D. Exemple Détaillé Si on place à chaque instant t : 30 fourmis en B qui sont venus de A, 30 fourmis en D qui sont venus de E, la vitesse =1, l intensité de phéromone=1, le phéromone s évapore instamment au milieu de l intervalle (t+1,t+2) 8
9 E. domaine d'application: Applications au problème symétrique et asymétrique de voyageur de commerce. Applications au problème d ordonnancement séquentiel. Applications aux problèmes d affectation quadratique. Applications aux problèmes de tournées des véhicules. Applications aux problèmes d'établissement d horaires. Applications aux problèmes de coloration de graphe. Applications aux problèmes de partitionnement. Applications aux réseaux de télécommunications. Implémentations parallèles. F. Inconvenants et Avantages : Avantage: Très grande adaptabilité. Parfait pour les problèmes basés sur des graphes. Inconvénients: Un état bloquant peut arriver. Temps d'exécution parfois long. Ne s'applique pas à tous type de problèmes. Conclusion L algorithme des colonies des fourmis est une heuristique, avec caractère général utilisée pour résoudre différentes problèmes d analyse combinatoire : Versatile s applique a plusieurs types de problèmes Robuste des changements mineures sont nécessaires pour l adapter aux autres problèmes ( Ex: J.S.P ou Q.A.P.) L approche de l algorithme est basée sur l utilisation d une population, qui exploite un mécanisme de feed-back. Principal inconvénient : coût relativement élevé de la génération des solutions. 9
Atelier Transversal AT11. Activité «Fourmis» Pierre Chauvet. pierre.chauvet@uco.fr
Atelier Transversal AT11 Activité «Fourmis» Pierre Chauvet pierre.chauvet@uco.fr Ant : un algorithme inspiré de l éthologie L éthologie Etude scientifique des comportements animaux, avec une perspective
Plus en 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 détailOptimisation Combinatoire et Colonies de Fourmis Nicolas Monmarche April 21, 1999 Sommaire Inspiration biologiques Ant Colony Optimization Applications TSP QAP Flow Shop Problemes dynamiques 1 Historique
Plus en détailDeux stratégies parallèles de l'optimisation par colonie de fourmis
4 th International Conference: Sciences of Electronic, Technologies of Information and Telecommunications March 25-29, 2007 TUNISIA Deux stratégies parallèles de l'optimisation par colonie de fourmis HERNANE
Plus en détailModélisation multi-agents - Agents réactifs
Modélisation multi-agents - Agents réactifs Syma cursus CSI / SCIA Julien Saunier - julien.saunier@ifsttar.fr Sources www-lih.univlehavre.fr/~olivier/enseignement/masterrecherche/cours/ support/algofourmis.pdf
Plus en détailLes colonies de fourmis : apprentissage coopératif pour le problème du voyageur de commerce
: apprentissage coopératif pour le problème du voyageur de commerce Alexandre Bargeton Benjamin Devèze Université Pierre et Marie Curie Présentation du projet ANIMAT 1 Comportements collectifs des insectes
Plus en 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 détailSommaire. Introduction. I. Notions de routage a) Technologies actuelles b) Avantages et désavantages
Sommaire Introduction I. Notions de routage a) Technologies actuelles b) Avantages et désavantages II. Routage et fourmis a) Principe et avantages b) Structure du simulateur III.Implémentation a) Présentation
Plus en 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 détailComplexité et auto-organisation chez les insectes sociaux. Complexité et auto-organisation chez les insectes sociaux
Complexité et auto-organisation chez les insectes sociaux Guy Theraulaz Centre de Recherches sur la Cognition Animale CNRS, UMR 5169, Toulouse, France Marathon des Sciences XXIII ème Festival d Astronomie,
Plus en détailDES FOURMIS POUR LIVRER DU MAZOUT
DES FOURMIS POUR LIVRER DU MAZOUT É. D. Taillard (1), G. Agazzi (2), L.-M. Gambardella (3) Résumé La livraison de certains biens peut engendrer des coûts non négligeables par rapport à la valeur de la
Plus en détailTHESE. Application des algorithmes de colonies de fourmis pour l optimisation et la classification des images
République Algérienne Démocratique et Populaire وزارة التعليم العالي و البحث العلمي Ministère de l'enseignement Supérieur et de la Recherche Scientifique UNIVERSITE DES SCIENCES ET DE LA TECHNOLOGIE d
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 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 détailVers une Optimisation de l Algorithme AntTreeStoch
Revue des Sciences et de la Technologie - RST- Volume 3 N 1 / janvier 2012 Vers une Optimisation de l Algorithme AntTreeStoch O. KADRI, H. MOUSS, A. ABDELHADI, R. MAHDAOUI Laboratoire d Automatique et
Plus en détailSommaire. Introduction.2. 1. Définition..2. 2. Historique.2. 3. Domaine d application.2. 4.Les Travaux réalisés sur les domaines d application.
Sommaire Introduction.2 1. Définition..2 2. Historique.2 3. Domaine d application.2 4.Les Travaux réalisés sur les domaines d application.3 5.Algorithme 4 6.Exemple d application 5 7. Avantage et inconvénient..6
Plus en détailOptimisation multi-objectif par colonies de fourmis : cas des problèmes de sac à dos
Optimisation multi-objectif par colonies de fourmis : cas des problèmes de sac à dos Inès Alaya To cite this version: Inès Alaya. Optimisation multi-objectif par colonies de fourmis : cas des problèmes
Plus en détailIntelligence des essaims (Swarm Intelligence)
Intelligence des essaims (Swarm Intelligence) Présentation Ghislain O Mahony 27 novembre 2006 Réunion Emergence 1 Les auteurs / caractéristiques ouvrage Les auteurs Eric Bonabeau Chef scientifique Icosystem
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 détailL intelligence collective des fourmis
L intelligence collective des fourmis Guy Théraulaz* Les comportements collectifs des fourmis ont toujours fasciné et émerveillé les naturalistes. Tout semble se passer comme si chaque colonie se comportait
Plus en détailProblème à résoudre. min f(s) s.c. s S
Métaheuristiques Le mot métaheuristique est dérivé de la composition de deux mots grecs: - heuristique qui vient du verbe heuriskein (ευρισκειν) et qui signifie trouver - meta qui est un suffixe signifiant
Plus en détailUn modèle réactif pour l optimisation par colonies de fourmis : application à la satisfaction de contraintes
Actes JFPC 2009 Un modèle réactif pour l optimisation par colonies de fourmis : application à la satisfaction de contraintes Madjid Khichane 1,2, Patrick Albert 1 et Christine Solnon 2 1 ILOG An IBM Company
Plus en détailAlgorithme des fourmis appliqué à la détection et au suivi de contours dans une image
IN52-IN54 A2008 Algorithme des fourmis appliqué à la détection et au suivi de contours dans une image Etudiants : Nicolas MONNERET Alexandre HAFFNER Sébastien DE MELO Responsable : Franck GECHTER Sommaire
Plus en détailUNIVERSITÉ DU QUÉBEC MÉMOIRE PRÉSENTÉ À L'UNIVERSITÉ DU QUÉBEC À CHICOUTIMI COMME EXIGENCE PARTIELLE DE LA MAÎTRISE EN INFORMATIQUE
UNIVERSITÉ DU QUÉBEC MÉMOIRE PRÉSENTÉ À L'UNIVERSITÉ DU QUÉBEC À CHICOUTIMI COMME EXIGENCE PARTIELLE DE LA MAÎTRISE EN INFORMATIQUE OFFERTE EN VERTU D'UN PROTOCOLE D'ENTENTE AVEC L'UNIVERSITÉ DU QUÉBEC
Plus en détailUNIVERSITÉ DU QUÉBEC À CHICOUTIMI UNIVERSITÉ DU QUÉBEC À MONTRÉAL
UNIVERSITÉ DU QUÉBEC À CHICOUTIMI UNIVERSITÉ DU QUÉBEC À MONTRÉAL MÉTAHEURISTIQUES HYBRIDES POUR LA RÉSOLUTION DU PROBLÈME D'ORDONNANCEMENT DE VOITURES DANS UNE CHAÎNE D'ASSEMBLAGE AUTOMOBILE MÉMOIRE PRÉSENTÉ
Plus en 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 détailSystèmes Multi-Agents : Modélisation et simulation informatique de comportements collectifs. Chapitre III
Systèmes Multi-gents : Modélisation et simulation informatique de comportements collectifs Chapitre III Différentes approches de Conception et applications Introduction Les différents concepts Cheminement
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 détailBaccalauréat ES/L Amérique du Sud 21 novembre 2013
Baccalauréat ES/L Amérique du Sud 21 novembre 2013 A. P. M. E. P. EXERCICE 1 Commun à tous les candidats 5 points Une entreprise informatique produit et vend des clés USB. La vente de ces clés est réalisée
Plus en détailMémoire. En vue de l obtention du diplôme de Magister en Informatique. Option : SIC (Systèmes d Information et de Connaissances)
République Algérienne Démocratique et Populaire Ministère de l Enseignement Supérieur et de la Recherche Scientifique E.S.I (Ecole nationale Supérieure d Informatique) (ex. INI) Mémoire En vue de l obtention
Plus en détailUne Approche Bio-mimétique pour la Segmentation d'images. Inspiration des Araignées Sociales
Une Approche Bio-mimétique pour la Segmentation d'images Inspiration des Araignées Sociales Safia Djemame 1, Mohammed Batouche 2 1 Département Informatique, Université Ferhat Abbes, Sétif 19000, Algérie
Plus en détailChapitre V : La gestion de la mémoire. Hiérarchie de mémoires Objectifs Méthodes d'allocation Simulation de mémoire virtuelle Le mapping
Chapitre V : La gestion de la mémoire Hiérarchie de mémoires Objectifs Méthodes d'allocation Simulation de mémoire virtuelle Le mapping Introduction Plusieurs dizaines de processus doivent se partager
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 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 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 détailDes fourmis réelles aux fourmis artificielles
Des fourmis réelles aux fourmis artificielles Deux exemples d approches biomimétiques de la résolution de problèmes en informatique. Nicolas Monmarché & Alain Lenoir Laboratoire d Informatique - Institut
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 Combinatoire (Méthodes approchées) II. Recherche Locale simple (Les bases)
Optimisation Combinatoire (Méthodes approchées) II. Recherche Locale simple (Les bases) Heuristique Constructive Itérativement, ajoute de nouvelles composantes à une solution partielle candidate Espace
Plus en détailTHÈSE. présentée à l Université d Avignon et des Pays de Vaucluse pour obtenir le diplôme de DOCTORAT
ACADÉMIE D AIX-MARSEILLE UNIVERSITÉ D AVIGNON ET DES PAYS DE VAUCLUSE THÈSE présentée à l Université d Avignon et des Pays de Vaucluse pour obtenir le diplôme de DOCTORAT SPÉCIALITÉ : Informatique École
Plus en détailChapitre 1 : Introduction aux bases de données
Chapitre 1 : Introduction aux bases de données Les Bases de Données occupent aujourd'hui une place de plus en plus importante dans les systèmes informatiques. Les Systèmes de Gestion de Bases de Données
Plus en détailchapitre 4 Nombres de Catalan
chapitre 4 Nombres de Catalan I Dénitions Dénition 1 La suite de Catalan (C n ) n est la suite dénie par C 0 = 1 et, pour tout n N, C n+1 = C k C n k. Exemple 2 On trouve rapidement C 0 = 1, C 1 = 1, C
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 détailRenPar'14 Hammamet, Tunisie 10-13 avril 2002
PARALLELISATION CO-EVOLUTIVE DE L OPTIMISATION PAR COLONIE DE FOURMIS POUR LA RESOLUTION D UN PROBLEME D ORDONNANCEMENT INDUSTRIEL Pierre Delisle (1), Marc Gravel (1), Caroline Gagné (1), Michaël Krajecki
Plus en détail100 % 80 % 60 % 40 % 20 % 10 % 5 % 100 % 80 % 60 % 40 % 20 % 10 % 5 % 100 % 80 % 60 % 40 % 20 % 10 % 5 %
ONAEAU - 271 FINAL 14/04/00 10:48 Page 66 paire L intelligence en essaim ÉRI ONAEAU GU THÉRAULAZ S inspirant des fourmis et des insectes sociaux, des informaticiens ont créé des «agents» qui coopèrent
Plus en détailSystème immunitaire artificiel
République Algérienne Démocratique et Populaire Ministère de l Enseignement Supérieure Université des Sciences et de la Technologie D Oran Mohammed Boudiaf (USTO) Faculté des Sciences Département d Informatique
Plus en détailProjet L1, S2, 2015: Simulation de fourmis, Soutenance la semaine du 4 mai.
Projet L1, S2, 2015: Simulation de fourmis, Soutenance la semaine du 4 mai. 1 Introduction On considère une grille de 20 lignes 20 colonnes. Une case de la grille peut être vide, ou contenir une et une
Plus en détailEbauche Rapport finale
Ebauche Rapport finale Sommaire : 1 - Introduction au C.D.N. 2 - Définition de la problématique 3 - Etat de l'art : Présentatio de 3 Topologies streaming p2p 1) INTRODUCTION au C.D.N. La croissance rapide
Plus en détailBig Data et Graphes : Quelques pistes de recherche
Big Data et Graphes : Quelques pistes de recherche Hamamache Kheddouci http://liris.cnrs.fr/hamamache.kheddouci Laboratoire d'informatique en Image et Systèmes d'information LIRIS UMR 5205 CNRS/INSA de
Plus en 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 détailL apprentissage automatique
L apprentissage automatique L apprentissage automatique L'apprentissage automatique fait référence au développement, à l analyse et à l implémentation de méthodes qui permettent à une machine d évoluer
Plus en détailITIL Gestion de la capacité
ITIL Sommaire 1 GENERALITES 3 2 PERIMETRE DE LA GESTION DES CAPACITES 3 3 ACTIVITES ET LIVRABLES DE LA GESTION DES CAPACITES 4 3.1 ACTIVITES ITERATIVES OU GESTION DE PERFORMANCES : 4 3.2 GESTION DE LA
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 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 détailChapitre 2 : Systèmes radio mobiles et concepts cellulaires
Chapitre 2 : Systèmes radio mobiles et concepts cellulaires Systèmes cellulaires Réseaux cellulaires analogiques de 1ère génération : AMPS (USA), NMT(Scandinavie), TACS (RU)... Réseaux numériques de 2ème
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 détailPourquoi l apprentissage?
Pourquoi l apprentissage? Les SE sont basés sur la possibilité d extraire la connaissance d un expert sous forme de règles. Dépend fortement de la capacité à extraire et formaliser ces connaissances. Apprentissage
Plus en 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 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 détailBig Data et Graphes : Quelques pistes de recherche
Big Data et Graphes : Quelques pistes de recherche Hamamache Kheddouci Laboratoire d'informatique en Image et Systèmes d'information LIRIS UMR 5205 CNRS/INSA de Lyon/Université Claude Bernard Lyon 1/Université
Plus en détail1. Smart Energy Management System (SEMS)
Stignergy SA Y-Parc Swiss Technopole Rue Galilée 7 CH 1400 Yverdon-les-Bains +41 76 223 53 15 +41 24 504 15 68 contact@stignergy.ch www.stignergy.ch 1. Smart Energy Management System (SEMS) La facturation
Plus en détailAgrégation des portefeuilles de contrats d assurance vie
Agrégation des portefeuilles de contrats d assurance vie Est-il optimal de regrouper les contrats en fonction de l âge, du genre, et de l ancienneté des assurés? Pierre-O. Goffard Université d été de l
Plus en détailReconnaissance automatique de la parole à l aide de colonies de fourmis
Reconnaissance automatique de la parole à l aide de colonies de fourmis Benjamin Lecouteux Didier Schwab Groupe d Étude en Traduction Automatique/Traitement Automatisé des Langues et de la Parole Laboratoire
Plus en détailComportements Individuels Adaptatifs dans un Environnement Dynamique pour l'exploitation Collective de Ressource
Comportements Individuels Adaptatifs dans un Environnement Dynamique pour l'exploitation Collective de Ressource Intelligence Artificielle Située, Cerveau, corps et environnement, Drogoul A. & Meyer J-A.
Plus en détailLES OUTILS D ALIMENTATION DU REFERENTIEL DE DB-MAIN
LES OUTILS D ALIMENTATION DU REFERENTIEL DE DB-MAIN Les contenues de ce document sont la propriété exclusive de la société REVER. Ils ne sont transmis qu à titre d information et ne peuvent en aucun cas
Plus en détailRapport d'analyse des besoins
Projet ANR 2011 - BR4CP (Business Recommendation for Configurable products) Rapport d'analyse des besoins Janvier 2013 Rapport IRIT/RR--2013-17 FR Redacteur : 0. Lhomme Introduction...4 La configuration
Plus en détailDe la fourmi réelle à la fourmi artificielle
222222 De la fourmi réelle à la fourmi artificielle D. BELFADEL ET M. DIAF Faculté du Génie Electrique et de l informatique Université Mouloud MAMMERI de Tizi-Ouzou. 1. Introduction ous assistons, ces
Plus en détailPrincipes d implémentation des métaheuristiques
Chapitre 2 Principes d implémentation des métaheuristiques Éric D. Taillard 1 2.1 Introduction Les métaheuristiques ont changé radicalement l élaboration d heuristiques : alors que l on commençait par
Plus en détailDiverses techniques d'optimisation inspirées de la théorie de l'auto-organisation dans les systèmes biologiques
Diverses techniques d'optimisation inspirées de la théorie de l'auto-organisation dans les systèmes biologiques Johann Dréo, Patrick Siarry Université de Paris XII Val-de-Marne Laboratoire d'etude et de
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 détailConception d'un réseau de transport d'électricité
La Fédération Française des Jeux Mathématiques et la Société de Calcul Mathématique SA avec l'appui de Réseau de Transport d'electricité Conception d'un réseau de transport d'électricité Auteurs : Florian
Plus en détailLIVRE BLANC Pratiques recommandées pour l utilisation de Diskeeper sur les réseaux SAN (Storage Area Networks)
LIVRE BLANC Pratiques recommandées pour l utilisation de Diskeeper sur les réseaux SAN (Storage Area Networks) Think Faster. [Pensez plus vite] Visitez Condusiv.com RECOMMANDATIONS D UTILISATION DE DISKEEPER
Plus en détailOptimisation par Colonies de Fourmis Artificielles
Optimisation par Colonies de Fourmis Artificielles Tour d horizon Nicolas Monmarché Laboratoire d Informatique Université François Rabelais - Tours Yravals 07, Deuxième école d été sur L Évolution Artificielle
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 détailRapport de Projet Béatrice Frey et Cyril Crassin Printemps 2004. Projet Fourmis. Université de Technologie de Belfort-Montbéliard
Rapport de Projet LO43 Béatrice Frey et Cyril Crassin Printemps 2004 Projet Fourmis Université de Technologie de Belfort-Montbéliard GI02 Sommaire Béatrice Frey et Cyril Crassin Rapport Projet LO43 Introduction...
Plus en détailThéorie des Jeux Et ses Applications
Théorie des Jeux Et ses Applications De la Guerre Froide au Poker Clément Sire Laboratoire de Physique Théorique CNRS & Université Paul Sabatier www.lpt.ups-tlse.fr Quelques Définitions de la Théorie des
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 détailConception de réseaux de télécommunications : optimisation et expérimentations
Conception de réseaux de télécommunications : optimisation et expérimentations Jean-François Lalande Directeurs de thèse: Jean-Claude Bermond - Michel Syska Université de Nice-Sophia Antipolis Mascotte,
Plus en détailFORMATION CONTINUE SUR L UTILISATION D EXCEL DANS L ENSEIGNEMENT Expérience de l E.N.S de Tétouan (Maroc)
87 FORMATION CONTINUE SUR L UTILISATION D EXCEL DANS L ENSEIGNEMENT Expérience de l E.N.S de Tétouan (Maroc) Dans le cadre de la réforme pédagogique et de l intérêt que porte le Ministère de l Éducation
Plus en détailSystèmes Multi-Agents «réactifs»
gents - gents réactifs Philosophie (1) Systèmes Multi-gents «réactifs» Guillaume Hutzler IIS (Informatique iologie Intégrative et Systèmes omplexes) LIS (Langage Interaction et Simulation) prenom.nom@ibisc.univ-evry.fr
Plus en détailBaccalauréat ES Polynésie (spécialité) 10 septembre 2014 Corrigé
Baccalauréat ES Polynésie (spécialité) 10 septembre 2014 Corrigé A. P. M. E. P. Exercice 1 5 points 1. Réponse d. : 1 e Le coefficient directeur de la tangente est négatif et n est manifestement pas 2e
Plus en 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 détailMEMOIRE DE MAGISTER. Conception de métaheuristiques d optimisation pour la segmentation des images de télédétection
MINISTERE DE L ENSEIGNEMENT SUPERIEUR ET DE LA RECHERCHE SCIENTIFIQUE UNIVERSITE MOULOUD MAMMERI, TIZI-OUZOU FACULTE DE GENIE ELECTRIQUE ET DE L INFORMATIQUE DEPARTEMENT D ELECTRONIQUE MEMOIRE DE MAGISTER
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 détailAlgorithmes de recherche
Algorithmes de recherche 1 Résolution de problèmes par recherche On représente un problème par un espace d'états (arbre/graphe). Chaque état est une conguration possible du problème. Résoudre le problème
Plus en détailUne application des algorithmes génétiques à l ordonnancement d atelier
Une application des algorithmes génétiques à l ordonnancement d atelier VACHER Jean-Philippe - GALINHO Thierry - MAMMERI Zoubir Laboratoire d Informatique du Havre Université du Havre 25, Rue Philippe
Plus en détailBaccalauréat ES Antilles Guyane 12 septembre 2014 Corrigé
Baccalauréat ES Antilles Guyane 12 septembre 2014 Corrigé EXERCICE 1 5 points Commun à tous les candidats 1. Réponse c : ln(10)+2 ln ( 10e 2) = ln(10)+ln ( e 2) = ln(10)+2 2. Réponse b : n 13 0,7 n 0,01
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 détailMaîtrise universitaire ès sciences en mathématiques 2012-2013
1 / 6 Remarques liminaires : Ce master à (3 semestres) permet 2 orientations distinctes : - Un master général : "Mathématiques, Systèmes dynamiques et phénomènes d'évolution" - Un master qui permet de
Plus en détailSegmentation d'images à l'aide d'agents sociaux : applications GPU
Segmentation d'images à l'aide d'agents sociaux : applications GPU Richard MOUSSA Laboratoire Bordelais de Recherche en Informatique (LaBRI) - UMR 5800 Université de Bordeaux - France Laboratoire de recherche
Plus en détailRÉGION CENTRE, PLUS QU UNE RÉGION, UNE CHANCE POUR LA MOBILITÉ! FLASH TRAFIC
RÉGION CENTRE, PLUS QU UNE RÉGION, UNE CHANCE POUR LA MOBILITÉ! Service d information Gratuit sur le trafic par SMS ou courriel. Vous souhaitez une information en temps réel sur la circulation de votre
Plus en détailMachines virtuelles Cours 1 : Introduction
Machines virtuelles Cours 1 : Introduction Pierre Letouzey 1 pierre.letouzey@inria.fr PPS - Université Denis Diderot Paris 7 janvier 2012 1. Merci à Y. Régis-Gianas pour les transparents Qu est-ce qu une
Plus en détailFrancis BISSON (06 794 819) Kenny CÔTÉ (06 836 427) Pierre-Luc ROGER (06 801 883) IFT702 Planification en intelligence artificielle
Francis BISSON (06 794 819) Kenny CÔTÉ (06 836 427) Pierre-Luc ROGER (06 801 883) PLANIFICATION DE TÂCHES DANS MS PROJECT IFT702 Planification en intelligence artificielle Présenté à M. Froduald KABANZA
Plus en 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 détailQuatrième partie IV. Test. Test 15 février 2008 1 / 71
Quatrième partie IV Test Test 15 février 2008 1 / 71 Outline Introduction 1 Introduction 2 Analyse statique 3 Test dynamique Test fonctionnel et structurel Test structurel Test fonctionnel 4 Conclusion
Plus en détailSEO Campus 2009 : Pagerank et optimisation
SEO Campus 2009 : Pagerank et optimisation Sylvain Peyronnet http://sylvain.berbiqui.org http://www.kriblogs.com/syp 04/02/2009 04/02/2009 SEO Campus 2009 : Pagerank et optimisation 1 / 21 PageRank : la
Plus en détailTUTORIAL Microsoft Project 2010 Fonctionalités de base
TUTORIAL Microsoft Project 2010 Fonctionalités de base Microsoft Project est un logiciel de la suite Microsoft Office. Il s agit d un logiciel de gestion de projet et plus précisement de gestion de planning
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 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 détailPatrons de Conception (Design Patterns)
Patrons de Conception (Design Patterns) Introduction 1 Motivation Il est difficile de développer des logiciels efficaces, robustes, extensibles et réutilisables Il est essentiel de comprendre les techniques
Plus en détail