Chapitre 8 : Flots dans les réseaux
|
|
- Gilles Jean-Sébastien Martineau
- il y a 7 ans
- Total affichages :
Transcription
1 Chapitre 8 : Flots dans les réseaux Algorithmique de graphes Sup Galilée-INFO2 Sylvie Borne Chapitre 8 : Flots dans les réseaux - 1/57
2 1 Flot réalisable Plan 2 Le problème du flot maximum Exemple Plusieurs sources, plusieurs puits Flot maximum et programmation linéaire 3 Chaînes augmentantes 4 Algorithme de Ford et Fulkerson (1961) Procédure de marquage (labelling) Algorithme de la chaîne augmentante Algorithme de Ford et Fulkerson 5 La coupe minimum 6 Implémentation et complexité de l algorithme de Ford et Fulkerson Chapitre 8 : Flots dans les réseaux - 2/57
3 Problème de flot Problème de plus court chemin une personne seule de la source à la destination. Problème de flot acheminement d une quantité de marchandises (divisibles : on peut acheminer nos marchandises par des routes différentes) de la source vers la destination. Chapitre 8 : Flots dans les réseaux - 3/57
4 Problème de flot : Applications Applications : logistique : transport de marchandises : train, camion, bateau,... distribution d eau (canalisations) transport de pétrole : réseauè de pipelines énergie : réseau EDF, centrales clients information : réseau téléphonique, réseau d entreprises, internet. Chapitre 8 : Flots dans les réseaux - 4/57
5 Réseau de transport Définition : réseau de transport Un réseau de transport noté R = (G = (V, E), s, t, c) est formé de : G = (V, E) un graphe orienté s V appelé sommet source t V appelé sommet destination ou puits c : E N, Q + fonction capacité (à chaque arc (i, j) E est associée une capacité c(i, j) 0). Remarque : s et t sont deux sommets particuliers de G. Chapitre 8 : Flots dans les réseaux - Flot réalisable 5/57
6 Flot réalisable Définition : flot réalisable Soit R = (G = (V, E), s, t, c) un réseau. Un flot f dans R est une application f : N, Q +. Un flot f est réalisable dans R si 1 contrainte de capacité 0 f (i, j) c(i, j) (i, j) E 2 contraintes de conservation de flot (Loi de Kirschoff) f (i, j) f (j, k) = 0 j V \{s, t} i (i,j) E k (j,k) E (quantité qui entre dans j = quantité qui sort de j) Chapitre 8 : Flots dans les réseaux - Flot réalisable 6/57
7 Exemple : Flot réalisable v 1 (?) capacité s (5) 5 (2) 2 3 t x flot 5 (6) 7 (7) v 2 Le flot est réalisable. contraintes de capacité Ok contraintes de conservation de flot Ok en v 1 : 5-2-3=0 en v 2 : 5+2-7=0 Chapitre 8 : Flots dans les réseaux - Flot réalisable 7/57
8 Valeur d un flot Définition : valeur d un flot Soit R = (G = (V, E), s, t, c) un réseau. La valeur d un flot f réalisable entre s et t est la quantité de flot envoyée de s à t. On la note F et F = f (s, i) f (j, s) = i (i,t) E i (s,i) E f (i, t) j (t,j) E j (j,s) E f (t, j) Exemple : Ici, la valeur du flot est de 10. (F = = = 10). Chapitre 8 : Flots dans les réseaux - Flot réalisable 8/57
9 Arc saturé Définition : arc saturé Un arc (i, j) est dit saturé pour un flot f si f (i, j) = c(i, j). Exemple : v 1 (?) capacité s (5) 5 (2) 2 3 t x flot 5 (6) 7 (7) v 2 Ici, les arcs (s, 1), (1, 2) et (2, t) sont saturés. Les arcs (s, 2) et (1, t) ne le sont pas. Chapitre 8 : Flots dans les réseaux - Flot réalisable 9/57
10 Arc retour Remarque : Pour que la contrainte de conservation de flot soit vérifiée en tout sommet (y compris (s et t), on ajoute un arc artificiel (t, s) de capacité infinie et appelé arc de retour. v 1 s (5) 5 5 (6) (2) (7) t Si aucun autre arc n entre en s, la valeur F du flot f est alors donnée à f (t, s). v 2 F = 10 (+ ) Chapitre 8 : Flots dans les réseaux - Flot réalisable 10/57
11 Le problème du flot maximum Problème : Soit un réseau R = (G = (V, E), s, t, c). Le problème du flot maximum consiste à déterminer un flot réalisable entre s et t qui soit de valeur maximum. Chapitre 8 : Flots dans les réseaux - Le problème du flot maximum 11/57
12 Le problème du flot maximum : exemple Exemple : On remarque que le flot donné dans le réseau précédent n est pas maximum. En effet, on peut trouver un flot de valeur 11. v 1 (5) s 5 4 (2) 1 t (6) (7) v 2 Ce nouveau flot est maximum. En effet, on remarque qu au mieux il peut rentre 11 unités de flot dans t à cause des capacités 4 et 7 sur les arcs entrants. Chapitre 8 : Flots dans les réseaux - Le problème du flot maximum 12/57
13 Plusieurs sources, plusieurs puits Remarque : Le problème du flot maximum peut être généralisé de la manière suivante : Supposons qu il existe un ensemble de sommets sources et un ensemble de puits. On désire déterminer un flot max qui peut être envoyé de toutes les sources aux différents puits. Ce problème peut être ramené au problème précédent en ajoutant une super-source s 0 et un super-puits t 0. On relie la super-source à toutes les sources avec des arcs de capacité infinie et on relie le super-puits aux différents puits avec des arcs de capacité infinie. Le problème se ramène alors à un problème de flot max de s 0 à t 0. Chapitre 8 : Flots dans les réseaux - Le problème du flot maximum 13/57
14 Plusieurs sources, plusieurs puits Exemple : sources : v 1 et v 2 et puits : v 4 et v 5 v 1 v 4 (+ ) (3) (2) (+ ) s 0 (1) v 3 t 0 (+ ) (2) (1) (+ ) v 2 1 v 5 Chapitre 8 : Flots dans les réseaux - Le problème du flot maximum 14/57
15 Flot maximum et PL Soient f (i, j) = flot transitant sur l arc (i, j) (i, j) E F = valeur du flot f Le problème du flot maximum entre s et t peut se formuler de la manière suivante : Max s.c. F f (i, j) F si j = s f (j, k) = 0 si j s, t i (i,j) E k (j,k) E F si j = t j V 0 f (i, j) c(i, j) (i, j) E Ce programme linéaire a E + 1 variables et 2 E + V contraintes. Chapitre 8 : Flots dans les réseaux - Le problème du flot maximum 15/57
16 Chaînes augmentantes Exemple : v 1 s (5) (2) t (6) (7) v 2 Pour déterminer un flot maximum dans ce réseau, on peut commencer par envoyer du flot sur des chemins de s à t. Chapitre 8 : Flots dans les réseaux - Chaînes augmentantes 16/57
17 Chaînes augmentantes Par exemple, on peut commencer par envoyer un flot de 2 sur le chemin (s, 1, 2, t). v 1 s (5) (2) t (6) (7) v 2 Chapitre 8 : Flots dans les réseaux - Chaînes augmentantes 17/57
18 Chaînes augmentantes Vu qu il y a une réserve de capacité de 3 sur le chemin (s, 1, t), on peut envoyer 3 unités de flot. v 1 2 s (5) 2 0 (6) (2) (7) t 2 v 2 Chapitre 8 : Flots dans les réseaux - Chaînes augmentantes 18/57
19 Chaînes augmentantes Vu qu il reste une réserve de 5 sur le chemin (s, 2, t), on peut envoyer un flot de 5 sur ce chemin. v 1 5 s (5) 5 0 (6) (2) (7) t 5 v 2 Mais ce flot n est pas maximum. Chapitre 8 : Flots dans les réseaux - Chaînes augmentantes 19/57
20 Considérons la chaîne v 1 Chaînes augmentantes s (2) 2 3 t 5 (6) v 2 On remarque que l on peut : augmenter le flot de 1 sur (s, 2), diminuer le flot de 2 sur (1, 2), augmenter le flot de 1 sur (1, t). Chapitre 8 : Flots dans les réseaux - Chaînes augmentantes 20/57
21 Chaînes augmentantes Donc en augmentant le flot de 1 sur les arcs (s, 2) et (1, t) et en le diminuant de 1 sur l arc (1, 2) on aura le flot réalisable suivant : v 1 10 s (5) 5 3 (2) (6) (7) t 10 v 2 Chapitre 8 : Flots dans les réseaux - Chaînes augmentantes 21/57
22 Chaînes augmentantes Les contraintes de conservation de flot sont respectées. v 1 v t s v 2 v 2 Chapitre 8 : Flots dans les réseaux - Chaînes augmentantes 22/57
23 Chaînes augmentantes Définition : chaîne augmentante Une chaîne C entre s et t est dite augmentante par rapport à un flot f = (f (i, j), (i, j) E) réalisable entre s et t si f (i, j) < c(i, j) si (i, j) C + ((i, j) E) arc conforme) f (i, j) > 0 si (i, j) C ((j, i) E) arc non conforme) où C + est l ensemble des arcs de C rencontrés dans le bon sens et C est l ensemble des arcs de C rencontrés dans le sens contraire. Chapitre 8 : Flots dans les réseaux - Chaînes augmentantes 23/57
24 Exemple : Chaînes augmentantes v 1 s (2) t (6) v 2 arcs conformes arcs non conformes 5 < 6, 2 > 0, 3 < 4 La chaîne (s, 2, 1, t) est bien une chaîne augmentante. Chapitre 8 : Flots dans les réseaux - Chaînes augmentantes 24/57
25 Chaînes augmentantes Lemme : Soit f = (f (i, j), (i, j) E) réalisable entre s et t. S il existe une chaîne augmentante par rapport à f entre s et t, alors f n est plus maximum. Preuve : Chapitre 8 : Flots dans les réseaux - Chaînes augmentantes 25/57
26 Procédure de marquage Cette procédure permet, étant donné un flot réalisable, de déterminer si elle existe, une chaîne augmentante par rapport à f. Cette procédure est basée sur 2 opérations de marquage dits : marquage direct et marquage indirect. Chapitre 8 : Flots dans les réseaux - Algorithme de Ford et Fulkerson (1961) 26/57
27 Marquage direct : Si pour un arc (i, j) on a * i f (i, j) < c(i, j) j Marquage direct i marqué j non marqué f (i, j) < c(i, j) alors on marque j et on pose δ(j) =min(δ(i), c(i, j) f (i, j)) δ(j) est la quantité max avec laquelle on peut augmenter le flot de s à j. (δ(i) est une valeur associée à i, elle est initialisée à l infini pour s.) Chapitre 8 : Flots dans les réseaux - Algorithme de Ford et Fulkerson (1961) 27/57
28 Marquage indirect Marquage indirect : Si pour un arc (j, i) on a * i f (j, i) > 0 j i marqué j non marqué f (j, i) > 0 alors on marque j et on pose δ(j) =min(δ(i), f (j, i)) Chapitre 8 : Flots dans les réseaux - Algorithme de Ford et Fulkerson (1961) 28/57
29 Algorithme de la chaîne augmentante Supposons que l on dispose d un flot réalisable f = (f (i, j), (i, j) E) entre s et t. Étape 1 : (initialisation) Marquer s par (s, +). Poser δ(s) = +. Étape 2 : Répéter les opérations suivantes jusqu à ce que t soit marqué ou qu il ne soit plus possible de marquer. Chapitre 8 : Flots dans les réseaux - Algorithme de Ford et Fulkerson (1961) 29/57
30 Algorithme de la chaîne augmentante Opération a) Si il existe un arc (i, j) tel que i marqué j non marqué f (i, j) < c(i, j) Alors Marquer j par (i, +) Poser δ(j) = min(δ(i), c(i, j) f (i, j)) Chapitre 8 : Flots dans les réseaux - Algorithme de Ford et Fulkerson (1961) 30/57
31 Algorithme de la chaîne augmentante Opération b) Si il existe un arc (j, i) tel que i marqué j non marqué f (j, i) > 0 Alors Marquer j par (i, ) Poser δ(j) = min(δ(i), f (j, i)) Chapitre 8 : Flots dans les réseaux - Algorithme de Ford et Fulkerson (1961) 31/57
32 Algorithme de la chaîne augmentante Étape 3 : Si t est marqué Alors une chaîne augmentante C entre s et t est détectée et on pose ɛ = δ(t) Sinon le flot f est maximum. Chapitre 8 : Flots dans les réseaux - Algorithme de Ford et Fulkerson (1961) 32/57
33 Algorithme de la chaîne augmentante Exemple : Considérons le réseau suivant où le flot de départ est nul (donc uniquement marquage direct possible). 2 (5) (1) (1) (3) (7) (9) 7 (2) (5) (1) (1) (6) 4 6 Chapitre 8 : Flots dans les réseaux - Algorithme de Ford et Fulkerson (1961) 33/57
34 Algorithme de Ford et Fulkerson On suppose que l on dispose d un flot initial f = (f (i, j), (i, j) E) entre s et t (on peut prendre f = 0). Étape 1 : Appliquer l algorithme de la chaîne augmentante à f. Si t est marqué, STOP f est optimal. Sinon une chaîne augmentante C est détectée, aller à l étape 2. Étape 2 : Changer le flot f comme suit : f (i, j) si (i, j) C f (i, j) = f (i, j) + ɛ si (i, j) C + f (i, j) ɛ si (i, j) C Aller à l étape 1. Chapitre 8 : Flots dans les réseaux - Algorithme de Ford et Fulkerson (1961) 34/57
35 Algorithme de Ford et Fulkerson Exemple : 2 (5) (1) (1) 3 (3) 9 (7) (9) (1) (2) (5) (1) (6) Chapitre 8 : Flots dans les réseaux - Algorithme de Ford et Fulkerson (1961) 35/57
36 Algorithme de Ford et Fulkerson Exemple : 2 (5) (1) (1) 3 (3) 11 (7) (9) (2) 2 2 (1) 1 (5) 1 (1) 4 (6) Chapitre 8 : Flots dans les réseaux - Algorithme de Ford et Fulkerson (1961) 36/57
37 Algorithme de Ford et Fulkerson Exemple : 2 (5) (1) (1) 3 (3) 13 (7) (9) (2) 2 2 (1) 1 (5) 1 (1) 6 (6) Chapitre 8 : Flots dans les réseaux - Algorithme de Ford et Fulkerson (1961) 37/57
38 Algorithme de Ford et Fulkerson Exemple : 2 (5) (1) (1) 3 (3) 14 1 (7) (1) 1 0 (2) (5) (1) (9) (6) Chapitre 8 : Flots dans les réseaux - Algorithme de Ford et Fulkerson (1961) 38/57
39 Coupe Définition : coupe Étant donné un graphe G = (V, E) et un sous-ensemble S de sommets de V, on appelle coupe associée à S, et on la note δ(s), l ensemble des arcs (i, j) tels que i S et j V \S. Chapitre 8 : Flots dans les réseaux - La coupe minimum 39/57
40 Coupe Exemple : δ({1, 3, 4}) = {(1, 2), (1, 5), (3, 2), (4, 5)} Chapitre 8 : Flots dans les réseaux - La coupe minimum 40/57
41 Coupe Définition : sépare Étant donnés deux sommets s et t de G et une coupe δ(s), on dit que δ(s) sépare s et t si s S et t V \S. Exemple : La coupe ci-contre sépare 1 et 5. Elle sépare aussi 3 et 2. Chapitre 8 : Flots dans les réseaux - La coupe minimum 41/57
42 Capacité d une coupe Définition : capacité d une coupe Si c = (c(i, j), (i, j) E) est un système de capacités associé aux arcs du graphe G = (V, E) et si δ(s) est une coupe du graphe alors la capacité de δ(s) est définie par C(δ(S)) = (i,j) δ(s) c(i, j). Chapitre 8 : Flots dans les réseaux - La coupe minimum 42/57
43 Flots et coupes Théorème : Soit un réseau R = (G = (V, E), s, t, c). Si f = (f (i, j), (i, j) E) est un flot réalisable entre s et t de valeur F et si δ(s) est une coupe qui sépare s et t alors F C(δ(S)). Preuve : Chapitre 8 : Flots dans les réseaux - La coupe minimum 43/57
44 Th du flot max - coupe min Théorème : Th du flot max - coupe min La valeur maximum d un flot réalisable entre s et t est égale à la capacité minimum d une coupe séparant s et t. Preuve : Chapitre 8 : Flots dans les réseaux - La coupe minimum 44/57
45 Exemple : Th du flot max - coupe min 2 (5) (1) (1) 3 (3) 14 (7) (2) 1 (1) 0 (5) (1) (9) 6 (6) Remarque : Tous les arcs appartenant à la coupe sont saturés et la valeur du flot sur ces arcs est bien de =14. Chapitre 8 : Flots dans les réseaux - La coupe minimum 45/
46 Flots entiers Remarque : Si les capacités sont entières alors le flot max a des valeurs entières. Chapitre 8 : Flots dans les réseaux - La coupe minimum 46/57
47 Graphe d écart Définition : graphe d écart Soit R = (G = (V, E), s, t, c) un réseau. Soit f un flot sur R. G f = (V, E f ) est le graphe d écart de f avec pour (i, j) E : f (i, j) < c(i, j) (i, j) E f (arc conforme) f (i, j) > 0 (j, i) E f (arc non conforme) Chapitre 8 : Flots dans les réseaux - Implémentation et complexité de l algorithme de Ford et Fulkerson 47/57
48 Graphe d écart Exemple : 2 13 (5) 1 0 (3) 4 (1) (1) 3 1 (7) (1) 2 1 (2) (5) (1) (9) (6) Chapitre 8 : Flots dans les réseaux - Implémentation et complexité de l algorithme de Ford et Fulkerson 48/57
49 Graphe d écart Exemple : 2 arcs conformes arcs non conformes (5) Chapitre 8 : Flots dans les réseaux - Implémentation et complexité de l algorithme de Ford et Fulkerson 49/57
50 Graphe d écart Exemple : 2 arcs conformes arcs non conformes 1 (7) Chapitre 8 : Flots dans les réseaux - Implémentation et complexité de l algorithme de Ford et Fulkerson 50/57
51 Graphe d écart Exemple : 2 arcs conformes arcs non conformes (1) Chapitre 8 : Flots dans les réseaux - Implémentation et complexité de l algorithme de Ford et Fulkerson 51/57
52 Graphe d écart Exemple : 2 arcs conformes arcs non conformes Chapitre 8 : Flots dans les réseaux - Implémentation et complexité de l algorithme de Ford et Fulkerson 52/57
53 Graphe d écart Remarque : La recherche d une chaîne augmentante se ramène à un parcours en profondeur dans le graphe d écart à partir s. Exemple : arcs conformes 2 arcs non conformes Chapitre 8 : Flots dans les réseaux - Implémentation et complexité de l algorithme de Ford et Fulkerson 53/57
54 Graphe d écart Remarque : On calcule ensuite les capacités résiduelles sur la chaîne de s à t. Exemple : arcs conformes 2 arcs non conformes ɛ = Chapitre 8 : Flots dans les réseaux - Implémentation et complexité de l algorithme de Ford et Fulkerson 54/57
55 Complexité 1 Complexité d une itération : O(m) recherche d une chaîne augmentante parcours en profondeur :O(m) 2m arcs au plus calcul de la capacité résiduelle pour la chaîne trouver le minimum d au plus n 1 capacités résiduelles O(n) calcul du nouveau flot : O(n) construction du nouveau graphe d écart : au max 2 (n 1) arcs qui changent : O(n) 2 Nombre max d itérations de Ford / Fulkerson Chapitre 8 : Flots dans les réseaux - Implémentation et complexité de l algorithme de Ford et Fulkerson 55/57
56 Complexité 1 Complexité d une itération : O(m) 2 Nombre max d itérations de Ford / Fulkerson hypothèses : c N et le flot de départ est entier. Les capacités résiduelles sont entières. la suite des flots est entière. la valeur du flot augmente au moins de 1 à chaque itération. au plus F itérations avec F =valeur du flot max. F j c(s, j) (n 1)C avec C = max (i,j) E c(i, j) donc au pire, (n 1)C itérations. Complexité dans le pire des cas de Ford / Fulkerson : O(n.m.C) Chapitre 8 : Flots dans les réseaux - Implémentation et complexité de l algorithme de Ford et Fulkerson 56/57
57 Améliorations de Ford et Fulkerson Idée 1 : Choisir une chaîne augmentante de capacité résiduelle maximum. pas de garantie que les augmentations suivantes ce n est plus un parcours mais la recherche d un chemin de débit maximum Idée 2 : Choisir une chaîne augmentante la plus courte possible en termes de nombre d arcs. parcours en largeur Chapitre 8 : Flots dans les réseaux - Implémentation et complexité de l algorithme de Ford et Fulkerson 57/57
Chapitre 5 : Flot maximal dans un graphe
Graphes et RO TELECOM Nancy A Chapitre 5 : Flot maximal dans un graphe J.-F. Scheid 1 Plan du chapitre I. Définitions 1 Graphe Graphe valué 3 Représentation d un graphe (matrice d incidence, matrice d
Plus en détailINFO-F-310 - Algorithmique 3 et Recherche Opérationnelle
INFO-F- - Algorithmique et Recherche Opérationnelle Yves De Smet Bernard Fortz - Table des matières I Introduction Aide à la décision et modèles mathématiques Quelques exemples de modèles mathématiques
Plus en détailEléments de Théorie des Graphes et Programmation Linéaire
INSTITUT NATIONAL POLYTECHNIQUE DE LORRAINE Ecole Nationale Supérieure d Electricité et de Mécanique Eléments de Théorie des Graphes et Programmation Linéaire Didier Maquin Professeur à l INPL Version
Plus en détailCours de Recherche Opérationnelle IUT d Orsay. Nicolas M. THIÉRY. E-mail address: Nicolas.Thiery@u-psud.fr URL: http://nicolas.thiery.
Cours de Recherche Opérationnelle IUT d Orsay Nicolas M. THIÉRY E-mail address: Nicolas.Thiery@u-psud.fr URL: http://nicolas.thiery.name/ CHAPTER 1 Introduction à l optimisation 1.1. TD: Ordonnancement
Plus en détailProgrammation linéaire et Optimisation. Didier Smets
Programmation linéaire et Optimisation Didier Smets Chapitre 1 Un problème d optimisation linéaire en dimension 2 On considère le cas d un fabricant d automobiles qui propose deux modèles à la vente, des
Plus en 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 détailProgrammation Linéaire - Cours 1
Programmation Linéaire - Cours 1 P. Pesneau pierre.pesneau@math.u-bordeaux1.fr Université Bordeaux 1 Bât A33 - Bur 265 Ouvrages de référence V. Chvátal - Linear Programming, W.H.Freeman, New York, 1983.
Plus en détailSouad EL Bernoussi. Groupe d Analyse Numérique et Optimisation Rabat http ://www.fsr.ac.ma/ano/
Recherche opérationnelle Les démonstrations et les exemples seront traités en cours Souad EL Bernoussi Groupe d Analyse Numérique et Optimisation Rabat http ://www.fsr.ac.ma/ano/ Table des matières 1 Programmation
Plus en détailProgrammation linéaire
1 Programmation linéaire 1. Le problème, un exemple. 2. Le cas b = 0 3. Théorème de dualité 4. L algorithme du simplexe 5. Problèmes équivalents 6. Complexité de l Algorithme 2 Position du problème Soit
Plus en détailExercices du Cours de la programmation linéaire donné par le Dr. Ali DERBALA
75. Un plombier connaît la disposition de trois tuyaux sous des dalles ( voir figure ci dessous ) et il lui suffit de découvrir une partie de chacun d eux pour pouvoir y poser les robinets. Il cherche
Plus en détailProgrammation linéaire
Programmation linéaire DIDIER MAQUIN Ecole Nationale Supérieure d Electricité et de Mécanique Institut National Polytechnique de Lorraine Mathématiques discrètes cours de 2ème année Programmation linéaire
Plus en détailCommunications collectives et ordonnancement en régime permanent pour plates-formes hétérogènes
Loris MARCHAL Laboratoire de l Informatique du Parallélisme Équipe Graal Communications collectives et ordonnancement en régime permanent pour plates-formes hétérogènes Thèse réalisée sous la direction
Plus en détailOptimisation Discrète
Prof F Eisenbrand EPFL - DISOPT Optimisation Discrète Adrian Bock Semestre de printemps 2011 Série 7 7 avril 2011 Exercice 1 i Considérer le programme linéaire max{c T x : Ax b} avec c R n, A R m n et
Plus en détailL exclusion mutuelle distribuée
L exclusion mutuelle distribuée L algorithme de L Amport L algorithme est basé sur 2 concepts : L estampillage des messages La distribution d une file d attente sur l ensemble des sites du système distribué
Plus en détailPlus courts chemins, programmation dynamique
1 Plus courts chemins, programmation dynamique 1. Plus courts chemins à partir d un sommet 2. Plus courts chemins entre tous les sommets 3. Semi-anneau 4. Programmation dynamique 5. Applications à la bio-informatique
Plus en détailCCP PSI - 2010 Mathématiques 1 : un corrigé
CCP PSI - 00 Mathématiques : un corrigé Première partie. Définition d une structure euclidienne sur R n [X]... B est clairement symétrique et linéaire par rapport à sa seconde variable. De plus B(P, P
Plus en détailContexte. Pour cela, elles doivent être très compliquées, c est-à-dire elles doivent être très différentes des fonctions simples,
Non-linéarité Contexte Pour permettre aux algorithmes de cryptographie d être sûrs, les fonctions booléennes qu ils utilisent ne doivent pas être inversées facilement. Pour cela, elles doivent être très
Plus en détailLa programmation linéaire : une introduction. Qu est-ce qu un programme linéaire? Terminologie. Écriture mathématique
La programmation linéaire : une introduction Qu est-ce qu un programme linéaire? Qu est-ce qu un programme linéaire? Exemples : allocation de ressources problème de recouvrement Hypothèses de la programmation
Plus en détailAnnexe 6. Notions d ordonnancement.
Annexe 6. Notions d ordonnancement. APP3 Optimisation Combinatoire: problèmes sur-contraints et ordonnancement. Mines-Nantes, option GIPAD, 2011-2012. Sophie.Demassey@mines-nantes.fr Résumé Ce document
Plus en 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 détailOptimisation for Cloud Computing and Big Data
1 / 23 Optimisation for Cloud Computing and Big Data Olivier Beaumont, Lionel Eyraud-Dubois 2 / 23 Aujourd hui Problèmes de fiabilité on va oublier la dynamicité Placement de VMs en programmation par contraintes
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 détailI Stabilité, Commandabilité et Observabilité 11. 1 Introduction 13 1.1 Un exemple emprunté à la robotique... 13 1.2 Le plan... 18 1.3 Problème...
TABLE DES MATIÈRES 5 Table des matières I Stabilité, Commandabilité et Observabilité 11 1 Introduction 13 1.1 Un exemple emprunté à la robotique................... 13 1.2 Le plan...................................
Plus en détailContinuité et dérivabilité d une fonction
DERNIÈRE IMPRESSIN LE 7 novembre 014 à 10:3 Continuité et dérivabilité d une fonction Table des matières 1 Continuité d une fonction 1.1 Limite finie en un point.......................... 1. Continuité
Plus en détailL ANALYSE EN COMPOSANTES PRINCIPALES (A.C.P.) Pierre-Louis GONZALEZ
L ANALYSE EN COMPOSANTES PRINCIPALES (A.C.P.) Pierre-Louis GONZALEZ INTRODUCTION Données : n individus observés sur p variables quantitatives. L A.C.P. permet d eplorer les liaisons entre variables et
Plus en détailIntroduction à la théorie des graphes. Solutions des exercices
CAHIERS DE LA CRM Introduction à la théorie des graphes Solutions des exercices Didier Müller CAHIER N O 6 COMMISSION ROMANDE DE MATHÉMATIQUE 1 Graphes non orientés Exercice 1 On obtient le graphe biparti
Plus en détailCours 02 : Problème général de la programmation linéaire
Cours 02 : Problème général de la programmation linéaire Cours 02 : Problème général de la Programmation Linéaire. 5 . Introduction Un programme linéaire s'écrit sous la forme suivante. MinZ(ou maxw) =
Plus en détailContrainte de flot pour RCPSP avec temps de transfert
Contrainte de flot et x-rcpsc T 1 Contrainte de flot pour RCPSP avec temps de transfert PS temp, s ij Cmax BENOIST Thierry BOUYGUES/e-Lab DIAMANTINI Maurice ENSTA/LMA Contrainte de flot et x-rcpsc T Présentation
Plus en détailOrdonnancement temps réel
Ordonnancement temps réel Laurent.Pautet@enst.fr Version 1.5 Problématique de l ordonnancement temps réel En fonctionnement normal, respecter les contraintes temporelles spécifiées par toutes les tâches
Plus en détailFIMA, 7 juillet 2005
F. Corset 1 S. 2 1 LabSAD Université Pierre Mendes France 2 Département de Mathématiques Université de Franche-Comté FIMA, 7 juillet 2005 Plan de l exposé plus court chemin Origine du problème Modélisation
Plus en détailArchitecture des Systèmes d Information Architecture des Systèmes d Information
Plan... Tableaux et tris I3 - Algorithmique et programmation 1 Rappels Nicol Delestre 2 Tableaux à n dimensions 3 Initiation aux tris Tableaux - v2.0.1 1 / 27 Tableaux - v2.0.1 2 / 27 Rappels : tableau
Plus en détailDéfinitions. Numéro à préciser. (Durée : )
Numéro à préciser (Durée : ) On étudie dans ce problème l ordre lexicographique pour les mots sur un alphabet fini et plusieurs constructions des cycles de De Bruijn. Les trois parties sont largement indépendantes.
Plus en détailChapitre 6. Fonction réelle d une variable réelle
Chapitre 6 Fonction réelle d une variable réelle 6. Généralités et plan d étude Une application de I dans R est une correspondance entre les éléments de I et ceu de R telle que tout élément de I admette
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 détailChapitre 3. Quelques fonctions usuelles. 1 Fonctions logarithme et exponentielle. 1.1 La fonction logarithme
Chapitre 3 Quelques fonctions usuelles 1 Fonctions logarithme et eponentielle 1.1 La fonction logarithme Définition 1.1 La fonction 7! 1/ est continue sur ]0, +1[. Elle admet donc des primitives sur cet
Plus en détail* très facile ** facile *** difficulté moyenne **** difficile ***** très difficile I : Incontournable T : pour travailler et mémoriser le cours
Exo7 Continuité (étude globale). Diverses fonctions Exercices de Jean-Louis Rouget. Retrouver aussi cette fiche sur www.maths-france.fr * très facile ** facile *** difficulté moyenne **** difficile *****
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 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 détailCours d Analyse. Fonctions de plusieurs variables
Cours d Analyse Fonctions de plusieurs variables Licence 1ère année 2007/2008 Nicolas Prioux Université de Marne-la-Vallée Table des matières 1 Notions de géométrie dans l espace et fonctions à deux variables........
Plus en détailRappels sur les suites - Algorithme
DERNIÈRE IMPRESSION LE 14 septembre 2015 à 12:36 Rappels sur les suites - Algorithme Table des matières 1 Suite : généralités 2 1.1 Déition................................. 2 1.2 Exemples de suites............................
Plus en détailOPTIMISATION À UNE VARIABLE
OPTIMISATION À UNE VARIABLE Sommaire 1. Optimum locaux d'une fonction... 1 1.1. Maximum local... 1 1.2. Minimum local... 1 1.3. Points stationnaires et points critiques... 2 1.4. Recherche d'un optimum
Plus en détailALGORITHMIQUE II NOTION DE COMPLEXITE. SMI AlgoII
ALGORITHMIQUE II NOTION DE COMPLEXITE 1 2 Comment choisir entre différents algorithmes pour résoudre un même problème? Plusieurs critères de choix : Exactitude Simplicité Efficacité (but de ce chapitre)
Plus en détailGrandes lignes ASTRÉE. Logiciels critiques. Outils de certification classiques. Inspection manuelle. Definition. Test
Grandes lignes Analyseur Statique de logiciels Temps RÉel Embarqués École Polytechnique École Normale Supérieure Mercredi 18 juillet 2005 1 Présentation d 2 Cadre théorique de l interprétation abstraite
Plus en détail1 Première section: La construction générale
AMALGAMATIONS DE CLASSES DE SOUS-GROUPES D UN GROUPE ABÉLIEN. SOUS-GROUPES ESSENTIEL-PURS. Călugăreanu Grigore comunicare prezentată la Conferinţa de grupuri abeliene şi module de la Padova, iunie 1994
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 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 détailInitiation à LabView : Les exemples d applications :
Initiation à LabView : Les exemples d applications : c) Type de variables : Créer un programme : Exemple 1 : Calcul de c= 2(a+b)(a-3b) ou a, b et c seront des réels. «Exemple1» nom du programme : «Exemple
Plus en détailChp. 4. Minimisation d une fonction d une variable
Chp. 4. Minimisation d une fonction d une variable Avertissement! Dans tout ce chapître, I désigne un intervalle de IR. 4.1 Fonctions convexes d une variable Définition 9 Une fonction ϕ, partout définie
Plus en détailImage d un intervalle par une fonction continue
DOCUMENT 27 Image d un intervalle par une fonction continue La continuité d une fonction en un point est une propriété locale : une fonction est continue en un point x 0 si et seulement si sa restriction
Plus en détailExercices - Polynômes : corrigé. Opérations sur les polynômes
Opérations sur les polynômes Exercice 1 - Carré - L1/Math Sup - Si P = Q est le carré d un polynôme, alors Q est nécessairement de degré, et son coefficient dominant est égal à 1. On peut donc écrire Q(X)
Plus en 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 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 détailComparaison de fonctions Développements limités. Chapitre 10
PCSI - 4/5 www.ericreynaud.fr Chapitre Points importants 3 Questions de cours 6 Eercices corrigés Plan du cours 4 Eercices types 7 Devoir maison 5 Eercices Chap Et s il ne fallait retenir que si points?
Plus en détailLE PROBLEME DU PLUS COURT CHEMIN
LE PROBLEME DU PLUS COURT CHEMIN Dans cette leçon nous définissons le modèle de plus court chemin, présentons des exemples d'application et proposons un algorithme de résolution dans le cas où les longueurs
Plus en détailArbres binaires de décision
1 Arbres binaires de décision Résumé Arbres binaires de décision Méthodes de construction d arbres binaires de décision, modélisant une discrimination (classification trees) ou une régression (regression
Plus en détailObjectifs. Clustering. Principe. Applications. Applications. Cartes de crédits. Remarques. Biologie, Génomique
Objectifs Clustering On ne sait pas ce qu on veut trouver : on laisse l algorithme nous proposer un modèle. On pense qu il existe des similarités entre les exemples. Qui se ressemble s assemble p. /55
Plus en détailLa persistance des nombres
regards logique & calcul La persistance des nombres Quand on multiplie les chiffres d un nombre entier, on trouve un autre nombre entier, et l on peut recommencer. Combien de fois? Onze fois au plus...
Plus en détail1 de 46. Algorithmique. Trouver et Trier. Florent Hivert. Mél : Florent.Hivert@lri.fr Page personnelle : http://www.lri.fr/ hivert
1 de 46 Algorithmique Trouver et Trier Florent Hivert Mél : Florent.Hivert@lri.fr Page personnelle : http://www.lri.fr/ hivert 2 de 46 Algorithmes et structures de données La plupart des bons algorithmes
Plus en détailwww.h-k.fr/publications/objectif-agregation
«Sur C, tout est connexe!» www.h-k.fr/publications/objectif-agregation L idée de cette note est de montrer que, contrairement à ce qui se passe sur R, «sur C, tout est connexe». Cet abus de langage se
Plus en détailLimites finies en un point
8 Limites finies en un point Pour ce chapitre, sauf précision contraire, I désigne une partie non vide de R et f une fonction définie sur I et à valeurs réelles ou complees. Là encore, les fonctions usuelles,
Plus en détailExclusion Mutuelle. Arnaud Labourel Courriel : arnaud.labourel@lif.univ-mrs.fr. Université de Provence. 9 février 2011
Arnaud Labourel Courriel : arnaud.labourel@lif.univ-mrs.fr Université de Provence 9 février 2011 Arnaud Labourel (Université de Provence) Exclusion Mutuelle 9 février 2011 1 / 53 Contexte Epistémologique
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 détailINFO-F-425 Modèles mathématiques et algorithmes pour l ordonnancement. Bernard Fortz
INFO-F-425 Modèles mathématiques et algorithmes pour l ordonnancement Bernard Fortz 2008-2009 Table des matières 1 Définition et classification des problèmes d ordonnancement 2 1.1 Introduction....................................
Plus en détailAnalyse de la variance Comparaison de plusieurs moyennes
Analyse de la variance Comparaison de plusieurs moyennes Biostatistique Pr. Nicolas MEYER Laboratoire de Biostatistique et Informatique Médicale Fac. de Médecine de Strasbourg Mars 2011 Plan 1 Introduction
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 détailOrganigramme / Algorigramme Dossier élève 1 SI
Organigramme / Algorigramme Dossier élève 1 SI CI 10, I11 ; CI 11, I10 C24 Algorithmique 8 février 2009 (13:47) 1. Introduction Un organigramme (ou algorigramme, lorsqu il est plus particulièrement appliqué
Plus en détailQuelques algorithmes simples dont l analyse n est pas si simple
Quelques algorithmes simples dont l analyse n est pas si simple Michel Habib habib@liafa.jussieu.fr http://www.liafa.jussieu.fr/~habib Algorithmique Avancée M1 Bioinformatique, Octobre 2008 Plan Histoire
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 détailCH.6 Propriétés des langages non contextuels
CH.6 Propriétés des langages non contetuels 6.1 Le lemme de pompage 6.2 Les propriétés de fermeture 6.3 Les problèmes de décidabilité 6.4 Les langages non contetuels déterministes utomates ch6 1 6.1 Le
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 détailRaisonnement par récurrence Suites numériques
Chapitre 1 Raisonnement par récurrence Suites numériques Terminale S Ce que dit le programme : CONTENUS CAPACITÉS ATTENDUES COMMENTAIRES Raisonnement par récurrence. Limite finie ou infinie d une suite.
Plus en détailEnoncé et corrigé du brevet des collèges dans les académies d Aix- Marseille, Montpellier, Nice Corse et Toulouse en 2000. Énoncé.
Enoncé et corrigé du brevet des collèges dans les académies d Aix- Marseille, Montpellier, Nice Corse et Toulouse en 2000. Énoncé. I- ACTIVITES NUMERIQUES (12 points) Exercice 1 (3 points) On considère
Plus en détail6. Les différents types de démonstrations
LES DIFFÉRENTS TYPES DE DÉMONSTRATIONS 33 6. Les différents types de démonstrations 6.1. Un peu de logique En mathématiques, une démonstration est un raisonnement qui permet, à partir de certains axiomes,
Plus en détailCercle trigonométrique et mesures d angles
Cercle trigonométrique et mesures d angles I) Le cercle trigonométrique Définition : Le cercle trigonométrique de centre O est un cercle qui a pour rayon 1 et qui est muni d un sens direct : le sens inverse
Plus en détailChapitre VI - Méthodes de factorisation
Université Pierre et Marie Curie Cours de cryptographie MM067-2012/13 Alain Kraus Chapitre VI - Méthodes de factorisation Le problème de la factorisation des grands entiers est a priori très difficile.
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 détailSuites numériques 3. 1 Convergence et limite d une suite
Suites numériques 3 1 Convergence et limite d une suite Nous savons que les termes de certaines suites s approchent de plus en plus d une certaine valeur quand n augmente : par exemple, les nombres u n
Plus en détailAlgorithmique et structures de données I
Algorithmique et structures de données I Riadh Ben Messaoud Université 7 novembre à Carthage Faculté des Sciences Économiques et de Gestion de Nabeul 1ère année Licence Fondamentale IAG 1ère année Licence
Plus en détailAlgorithmique et Programmation
École Supérieure d Ingénieurs de Poitiers Gea Algorithmique et Programmation Laurent Signac ii Algorithmique et programmation Gea Table des matières Avant Propos v Structures de données Notion de pointeur..............................................
Plus en détailGestion des Clés Publiques (PKI)
Chapitre 3 Gestion des Clés Publiques (PKI) L infrastructure de gestion de clés publiques (PKI : Public Key Infrastructure) représente l ensemble des moyens matériels et logiciels assurant la gestion des
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 détailCalcul différentiel. Chapitre 1. 1.1 Différentiabilité
Chapitre 1 Calcul différentiel L idée du calcul différentiel est d approcher au voisinage d un point une fonction f par une fonction plus simple (ou d approcher localement le graphe de f par un espace
Plus en détailMéthodes de quadrature. Polytech Paris-UPMC. - p. 1/48
Méthodes de Polytech Paris-UPMC - p. 1/48 Polynôme d interpolation de Preuve et polynôme de Calcul de l erreur d interpolation Étude de la formule d erreur Autres méthodes - p. 2/48 Polynôme d interpolation
Plus en détailIFT3245. Simulation et modèles
IFT 3245 Simulation et modèles DIRO Université de Montréal Automne 2012 Tests statistiques L étude des propriétés théoriques d un générateur ne suffit; il estindispensable de recourir à des tests statistiques
Plus en détailProblème 1 : applications du plan affine
Problème 1 : applications du plan affine Notations On désigne par GL 2 (R) l ensemble des matrices 2 2 inversibles à coefficients réels. Soit un plan affine P muni d un repère (O, I, J). Les coordonnées
Plus en détailOrdonnancement. N: nains de jardin. X: peinture extérieure. E: électricité T: toit. M: murs. F: fondations CHAPTER 1
CHAPTER 1 Ordonnancement 1.1. Étude de cas Ordonnancement de tâches avec contraintes de précédences 1.1.1. Exemple : construction d'une maison. Exercice. On veut construire une maison, ce qui consiste
Plus en détailÉquations non linéaires
Équations non linéaires Objectif : trouver les zéros de fonctions (ou systèmes) non linéaires, c-à-d les valeurs α R telles que f(α) = 0. y f(x) α 1 α 2 α 3 x Equations non lineaires p. 1/49 Exemples et
Plus en détailCours de Systèmes d Exploitation
Licence d informatique Synchronisation et Communication inter-processus Hafid Bourzoufi Université de Valenciennes - ISTV Introduction Les processus concurrents s exécutant dans le système d exploitation
Plus en détailAtelier 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 détailFORD FOCUS 1 2 3 4 5 6 7 8 9 10 11 12 13 14 15 12,999,976 km 9,136,765 km 1,276,765 km 499,892 km 245,066 km 112,907 km 36,765 km 24,159 km 7899 km 2408 km 76 km 17 19 20 21 9 3 1 1 6 4 2 5 7 8 10 23 25
Plus en détailAnalyse statistique de données qualitatives et quantitatives en sciences sociales : TP RÉGRESSION LOGISTIQUE (MODÈLES CHAPITRE 1)
Analyse statistique de données qualitatives et quantitatives en sciences sociales : TP RÉGRESSION LOGISTIQUE (MODÈLES CHAPITRE 1) Modèles de régression logistique à réaliser Une explicative catégorielle
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 détailEchantillonnage Non uniforme
Echantillonnage Non uniforme Marie CHABERT IRIT/INP-ENSEEIHT/ ENSEEIHT/TéSASA Patrice MICHEL et Bernard LACAZE TéSA 1 Plan Introduction Echantillonnage uniforme Echantillonnage irrégulier Comparaison Cas
Plus en détailPremière partie. Préliminaires : noyaux itérés. MPSI B 6 juin 2015
Énoncé Soit V un espace vectoriel réel. L espace vectoriel des endomorphismes de V est désigné par L(V ). Lorsque f L(V ) et k N, on désigne par f 0 = Id V, f k = f k f la composée de f avec lui même k
Plus en détailChapitre 0 Introduction à la cinématique
Chapitre 0 Introduction à la cinématique Plan Vitesse, accélération Coordonnées polaires Exercices corrigés Vitesse, Accélération La cinématique est l étude du mouvement Elle suppose donc l existence à
Plus en détailalg - Classes, instances, objets [oo] Exercices résolus
alg - Classes, instances, objets [oo] Exercices résolus Karine Zampieri, Stéphane Rivière, Béatrice Amerein-Soltner Unisciel algoprog Version 27 avril 2015 Table des matières 1 Compte bancaire OO 2 1.1
Plus en détailOptimisation des fonctions de plusieurs variables
Optimisation des fonctions de plusieurs variables Hervé Hocquard Université de Bordeaux, France 8 avril 2013 Extrema locaux et globaux Définition On étudie le comportement d une fonction de plusieurs variables
Plus en détailChapitre 4 : Exclusion mutuelle
Chapitre 4 : Exclusion mutuelle Pierre Gançarski Juillet 2004 Ce support de cours comporte un certain nombre d erreurs : je décline toute responsabilité quant à leurs conséquences sur le déroulement des
Plus en détailUniversité Paris-Dauphine DUMI2E 1ère année, 2009-2010. Applications
Université Paris-Dauphine DUMI2E 1ère année, 2009-2010 Applications 1 Introduction Une fonction f (plus précisément, une fonction réelle d une variable réelle) est une règle qui associe à tout réel x au
Plus en détail