Vers une Optimisation de l Algorithme AntTreeStoch

Dimension: px
Commencer à balayer dès la page:

Download "Vers une Optimisation de l Algorithme AntTreeStoch"

Transcription

1 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 Productique, Université de Batna Rue Chahid Boukhlouf Batna, ALGÉRIE & Abstract Dans cet article, nous présentons AntTreeStoch un nouvel algorithme de classification hiérarchique et non supervisée. Cet algorithme est basé sur l auto-organisation observée chez les fourmis réelles. L émergence des déplacements et les assemblages des fourmis, basés sur la similarité entre les individus permet d identifier les états de fonctionnements d un système industriel dynamique et complexe. L algorithme offre aussi la possibilité de créer de nouvelles classes pour les données non identifiées. En effet le choix d utiliser AntTreeStoch dans notre système de diagnostic a été motivé par la possibilité d utiliser à la fois des données numériques et symboliques. Les expériences effectuées sur la base de données Iris, montrent que AntTreeStoch fournit de très bons résultats. Mots clés Colonie de fourmis, Classification hiérarchique, Diagnostic industriel, Auto-organisation, Système complexe. I. INTRODUCTION Les systèmes complexes et dynamiques possèdent un comportement non linéaire et non stable durant leurs exécutions. Il est très difficile voir impossible de modéliser ce type de système. Cette difficulté est causée par le grand nombre de variables qui caractérisent l état de fonctionnement du système. Notre travail s inscrit dans la surveillance de ce type de système et plus précisément dans la phase de diagnostic (figure 1). La fonction principale de la surveillance est de vérifier l état de fonctionnement du système. Elle est composée de deux parties qui sont la détection et le diagnostic. La phase de détection permet de déterminer l état du système comme étant normal ou anormal. La phase de diagnostic consiste à identifier les composants défaillants et de trouver les causes à partir d un ensemble de symptômes observés. D un point de vue général, la détermination des causes à partir des effets est un problème de classification. Puisque, il s agit de comparer un vecteur de données qui représente l état actuel du système avec des vecteurs références qui représentent l historique de fonctionnement du système. Le diagnostic d un système complexe et dynamique en utilisant une méthode de classification, cherche à identifier d une façon permanente l état de fonctionnement du système. Supervision Conduit Surveillance Le diagnostic La surveillance La détection Identifier les composants défaillants Trouver les causes Fig. 1 : Position de diagnostic par rapport au supervision. 125

2 O. Kadri, H. Mouss, A. Abdelhadi, R. Mahdaoui La classification est dite exclusive lorsque le partitionnement des objets conduit à associer chaque objet à une et une seule classe. Par contre, une classification non exclusive admet qu un objet appartienne à plusieurs classes. Sur un autre axe, on peut aussi distinguer la classification supervisée où les objets disposent d une information qui indique leurs dissimilarités. En classification non supervisée, on n utilise qu une matrice de dissimilarité. Aucune information sur la classe d un objet n est fournie à la méthode. Selon Jain et Dubes [1], on distingue dans la classification non supervisée deux types. Une méthode hiérarchique qui construit une séquence de partitions imbriquées alors qu un partitionnement ne construit qu une seule partition des données. Actuellement, plusieurs techniques sont utilisées pour résoudre le problème de classification pour le diagnostic industriel tels que les réseaux de neurones [8] et [9]. Ces techniques présentent une grande capacité dans la résolution des problèmes de diagnostic. La généralisation est le point fort des réseaux de neurones. Ils donnent de bons résultats surtout s ils sont combinés avec la logique floue. Mais, ils souffrent de quelques inconvénients. Par exemple : ils nécessitent un temps d apprentissage considérable et il faut refaire la phase d apprentissage pour augmenter la capacité du système pour reconnaître un nouvel élément. Un autre inconvénient majeur est qu il faut avoir en entrée une variété de données qui permet la reconnaissance de toutes les classes possibles. Ces inconvénients rendent leur utilisation impossible avec les systèmes dynamiques. Puisque ils n offrent pas la possibilité de reconnaître une nouvelle classe de données qu est la caractéristique essentielle de ce type de système. Les méthodes d émergences inspirées du comportement des insectes sociaux représentent un domaine intéressant d inspiration pour les systèmes informatiques [7]. Les éthologistes ont montré que les fourmis sont capables de trier divers éléments du couvain, trouver le plus court chemin entre la nourriture et le nid et même de s autoassembler en créant des structures vivantes. Ces phénomènes sont le résultat d émergence des comportements simples de chaque membre de la colonie et la communication chimique entre eux. Ces dernières années, de nombreux algorithmes ont été élaborés en se basant sur ces observations. Les premières recherches reviennent à l équipe de deneubourg en 1990 [3]. Leurs travaux consistent à utiliser les fourmis pour classer des données placées sur une grille. Un autre type d algorithmes est basé sur les échanges d odeur entre les fourmis. Ce comportement permet à chaque fourmi de s assembler selon une identification chimique. En se basant sur ces travaux, Azzag a proposé un algorithme de classification hiérarchique qui est utilisé par la suite pour la création automatique de site web portal [6]. En se basant sur ces travaux, nous proposons ici un nouvel algorithme de classification. Cet algorithme offre une meilleure classification des états fonctionnels de système, et aide l expert du procédé d identifier de nouvelles classes. AntTreeStoch exploite le mécanisme d identification chimique chez les fourmis réelles. Ce mécanisme est le résultat des interactions des fourmis entre elles-mêmes et avec l environnement externe. Il permet de créer une classification hiérarchique et non supervisée. Cette classification ne nécessite pas une partition initiale. Et elle permet de découvrir de nouvelles classes à l arrivée de nouvelles données non identifiées. Cet article va donc s articuler comme suit : la section 2 va décrire quelques algorithmes de colonies de fourmis. La section 3 présentera rapidement l algorithme de classification AntTreeStoch. La section 4 présentera notre proposition d optimisation de cet algorithme. La section 5 décrira l essentiel de notre modèle de simulation DAC. La section 6 décrira les résultats obtenus et la section 7 conclura en discutant de la nécessité d utiliser les algorithmes de colonie de fourmis pour le diagnostic industriel. Vers une Optimisation de l Algorithme AntTreeStoch 126

3 Vers une Optimisation de l Algorithme AntTreeStoch II. TRAVAUX EXISTANTS Holldobler et Wilson en 1990 [2] ont montré que les fourmis disposent d un système de reconnaissance basé sur l odeur de chaque fourmi. Ce système permet aux fourmis qui appartiennent au même groupe de s assembler et de rejeter les intrus. En se basant sur ces études, Labroche [10] a développé une nouvelle méthode de classification non-supervisée appelée AntClust. Le principe de l algorithme AntClust est basé sur un nombre limité des contacts directs entre les fourmis. Grâce à ces contacts, chaque fourmi tente de trouver un congénère qui a presque la même odeur. L émergence de ces contacts est la répartition des fourmis réelles sur plusieurs nids. Dans le cas des fourmis artificielles, chaque nid représente une classe de données. Grâce toujours à une fonction de similarité basée sur l odeur, les fourmis isolées sont affectées à la classe la plus similaire. AntClust a été appliqué au problème de classification des sessions de navigation des internautes pour la mesure d audience sur le web. En se basant sur le même principe, Azzag [6] a proposé un nouvel algorithme. Elle a exploité un autre comportement observé chez les fourmis réelles qui est la construction des structures vivantes. La combinaison de ces deux principes a permis de proposer un algorithme de classification hiérarchique et non supervisée appelé AntTreeStoch. Azzag a appliqué AntTreeStoch au problème de la classification hiérarchique de document afin de générer automatiquement des sites portails pour le web. Le tableau suivant présente quelques algorithmes, leurs auteurs, dates de création, principes et domaines d utilisation [3], [4], [5] et [6]. TABLE 1 : Les algorithmes de colonies de fourmis Algorithme Auteurs Principe Domaine ACO 1990 Ant System 1991 AntClass 1999 AntClust 2001 AntTree 2004 Deneubourg et ses collègues [3] Dorigo et ses collègues [4] Monmarché et ses collègues [5] Labroche [10] Azzag [6] les échanges d odeur entre les fourmis Communicat ion par phéromone La similarité et la densité d objets. les échanges d odeur entre les fourmis Construction des structures vivantes Optimisation Optimisation Classification Classification Classification O. Kadri, H. Mouss, A. Abdelhadi, R. Mahdaoui 127

4 O. Kadri, H. Mouss, A. Abdelhadi, R. Mahdaoui Le principe de AntTreeStoch est de placer toutes les fourmis sur un support principal qui représente la racine de l arbre. Les fourmis portent des vecteurs de données qui sont les informations à classer. Chaque fourmi peut agir de trois manières : S accrocher au support ; Se déplacer sur une autre fourmi ; S accrocher à une autre fourmi pour prolonger l arbre. Ce comportement est déterminé notamment par la similarité entre les données et la structure locale de l arbre. Il permet de construire l arbre d une manière distribuée. Le résultat final des déplacements et des accrochements des fourmis sera un arbre des données classées qu on peut interpréter de différentes manières selon le domaine étudié. Suite aux travaux de Azzag [6], nous proposons dans cet article des améliorations sur l algorithme AntTreeStoch. Les améliorations concernent le prétraitement des données utilisées lors de la phase d apprentissage, ajuster les paramètres de l algorithme suivant la nature des données de notre système et l optimisation de l arbre durant la classification de nouvelles données. III. L ALGORITHME ANTTREESTOCH A. Les grandes lignes On distingue deux phases d exécution de l algorithme. La première est la phase de préclassification qui consiste à construire un arbre de base à partir d un échantillonnage de données. L ensemble de données représente toutes les situations possibles du système. Le tri des données d entrée influe forcément sur le résultat final. Dans cette phase, le parallélisme de l algorithme est possible mais il faut prendre en considération les cas de conflue (priorité d accès). La deuxième phase est la classification des données réelles. Le parallélisme total n est pas permis mais on peut entamer la classification d une nouvelle donnée dés que la précédente a choisit une branche (une sorte de pipeline). Puisque chaque donnée est un agent qui agit d une façon autonome. B. L algorithme principal Pour classer les données, on utilise la fonction Sim(i, j) qui calcule la similarité entre deux nœuds i et j. Chaque noeud représente une donnée à classer. La valeur de la similarité est comprise entre 0 et 1. Pour les données numériques, on calcule la similarité en utilisant la distance euclidienne et pour les données symboliques, on utilise la distance de Hamming [11]. Initialisation des seuils de similarité et de dissimilarité des fourmis Tant que il existe une fourmi fi non connectée faire Fin Tant que Si sa position est le support alors Cas support Cas fourmi Fig. 2 Algorithme principal de construction d arbres par des fourmis artificielles. Vers une Optimisation de l Algorithme AntTreeStoch 128

5 Vers une Optimisation de l Algorithme AntTreeStoch La position de toutes les fourmis est initialisée à 0 qui désigne la racine de l arbre. Les décisions de fourmis dépendent de deux valeurs (seuil de similarité et de dissimilarité). Ces seuils sont initialisés respectivement à 1 et à 0. La première fourmi est connectée directement au support. Ensuite pour chaque fourmi fi, on distingue deux cas: C. Cas d une fourmi sur le support Pour chaque fourmi fi qui se trouve sur la racine, si fi est assez similaire à une fourmi f+ qui est connectée à la racine, fi se place sur celle-ci. Dans le cas inverse et si fi est assez dissimilaire à f+ et qu il existe un lien entrant libre sur la racine, fi se connecte à la racine. Si aucune fourmi n est connectée au support f0 alors Connecter fi à f0 Si Sim(fi, f+) SSim(fi) alors Déplacer fi vers f+ Si Sim(fi, f+) < SDissim(fi) alors Si place libre sur le support alors Finsi Connecter fi au support f0 Diminuer SSim(fi) et déplacer fi vers f+ Diminuer SSim(fi) et augmenter SDissim(fi) fi Fig. 3. Algorithme simulant le comportement d une fourmi fi en déplacement sur le support f0. S il n y a pas de place sur la racine, fi est repositionnée sur f+ en diminuant son seuil de similarité pour rendre fi plus tolérante. Enfin, si fi n est ni suffisamment similaire, ni suffisamment dissimilaire, on met à jour ses seuils en diminuant le seuil de similarité et en augmentant le seuil de dissimilarité pour la rendre plus tolérante et augmenter ses chances de se connecter à la prochaine itération la concernant. D. Cas d une fourmi placé sur une autre Lorsque une fourmi «fi» est sur une autre alors on la notera «fpos». S il y a une place sur fpos et qui sont assez similaires et fi suffisamment dissimilaire aux voisines de fpos, alors fi se connecte à fpos. S il n y a pas une place sur fpos alors fi se positionne aléatoirement sur une des voisines de fpos, dans ce cas on ne met pas à jour les seuils, ces derniers ont permis de bien localiser fi dans l arbre et en les modifiant on risquerait de mal classer fi. Maintenant, si fi est suffisamment similaire à fpos mais pas suffisamment dissimilaire aux voisines de fpos, on positionne fi aléatoirement sur une des voisines de fpos et on met à jour les seuils (de la même façon que dans le cas support) pour que fi soit plus tolérante à la prochaine itération la concernant. fi se déplace dans ce cas dans l arbre et pourra trouver un meilleur endroit pour se fixer. O. Kadri, H. Mouss, A. Abdelhadi, R. Mahdaoui 129

6 O. Kadri, H. Mouss, A. Abdelhadi, R. Mahdaoui Enfin si fi n est pas suffisamment similaire à fpos, on change de chemin en positionnant fi aléatoirement sur une des voisines de fpos. L algorithme se termine lorsque toutes les fourmis sont connectées. Si Sim(fi, fpos) SSim(fi) alors Si Sim(fi, f+) < SDissim(fi) alors Si nombre de liens entrants < Lmax sur fpos alors Connecter fi à fpos Déplacer fi aléatoirement vers fk Diminuer SDissim(fi), augmenter SSim(fi) et déplacer fi aléatoirement vers fk Déplacer fi aléatoirement vers fk Fig. 4 Algorithme simulant le comportement d une fourmi fi en déplacement sur une autre fourmi fpos connectée à la structure. E. Critiques et limites de AntTreeStoch Nous avons résumé les inconvénients de l algorithme AntTreeStoch dans les points suivants : L exécution séquentielle de l algorithme influe sur la qualité de classification puisque le choix de la branche qu elle va prendre une fourmi quelconque dépend des fourmis déjà classées. Donc le tri initial représente un facteur majeur à cause de l absence totale de parallélisme dans les déplacements des fourmis. Un autre point faible de AntTreeStoch est la non signification de déplacement aléatoire de fourmis dans le cas où la similarité entre la fourmi fi et f+ inférieur de seuil de disimilarité de fi. Le déplacement aléatoire de fi va l éloigner de sa zone de recherche réelle. La taille énorme de l arbre engendré par l algorithme rend son interprétation difficile voir impossible si le nombre de données d apprentissage est énorme. Aussi la croissance de la taille de l arbre rend la phase de classification très longue, ce qui contredit l objectif de l utilisation des métaheuristiques. Devant ces inconvénients, nous avons pensé d effectuer un ensemble de modifications sur l algorithme pour l adapter au type d application où le volume de données est immense. IV. L OPTIMISATION DE L ALGORITHME Pour améliorer les performances de l algorithme, nous avons proposé quelques modifications en se basant sur les critiques citées ci-dessus. Faire déplacer les fourmis d une façon parallèle qui va minimiser l influence de tri initiale sur la qualité de classification. Alors chaque fourmi exécute une seule action à la fois au lieu de tous les déplacements et les accrochages. Ici le parallélisme permet aux fourmis plus de liberté et de ne pas avoir la tendance de créer un niveau plus bas. Vers une Optimisation de l Algorithme AntTreeStoch 130

7 Vers une Optimisation de l Algorithme AntTreeStoch Toujours pour minimiser la taille de l arbre, nous avons ajouté un nouveau paramètre Sid qui permet d avoir plusieurs fourmis connectées à la même position.. La valeur de Sid est proche de zéro pour ne pas influer sur la qualité de classification. Pour rendre la position de chaque nœud plus significative, nous avons modifié les déplacements des fourmis en favorisant le chemin de la fourmi la plus similaire. V. LE MODELE DAC Nous avons développé DAC «Diagnosis Ant Colony», un modèle de simulation basé sur l algorithme AntTreeStoch. DAC offre une interface homme/machine qui permet à l expert de visualiser et valider la classification. Nous avons utilisé comme plateforme de développement l environnement Netlogo qui est un environnement de programmation multiagents. Notre modèle présente aussi l avantage d avertir l utilisateur en cas de déviation survenue. L utilisation de DAC comprend deux phases: la phase de préclassification et la phase de classification. A. La phase de préclassification L expert exécute DAC sur des données historiques et durant cette phase, il peut modifier les paramètres de l algorithme pour trouver la classification qui convient mieux au dynamique du système. A la fin de cette phase, il décore l arbre obtenu pour identifier les différents états détectés. Données Historiques Paramètres de Configuration Elaboration des Classes Arbre Décoré Ajuster Affecter les classes L expert B. La phase de classification Fig. 5 : La phase de préclassification. Lors de cette phase, DAC reçoit les vecteurs de données qui représentent l état fonctionnel du système. En utilisant l arbre élaboré dans la phase précédente, DAC essaye de trouver la classe qui correspond aux données d entrée. Donc, il renvoie comme résultat l un des trois messages suivants : Données représentent un bon fonctionnement du système ; Déviation est détectée ; Donnée non reconnue: dans ce cas à l expert d agir soit par la création d une nouvelle classe ou d ignorer l information jusqu'à une prochaine détection d un état similaire. Processus Données Classification Arbre Décoré Décision L expert Etat actuel Fig. 6 : La phase de classification. O. Kadri, H. Mouss, A. Abdelhadi, R. Mahdaoui 131

8 O. Kadri, H. Mouss, A. Abdelhadi, R. Mahdaoui A. Les données de test VI. RESULTATS EXPERIMENTAUX Les résultats obtenus par AntTreeStoch sont évalués en utilisant l ensemble Iris. Iris est une base de données introduite par Fisher en Elle est constituée de 150 enregistrements qui représentent 3 classes. Chaque enregistrement est composé de 4 éléments. L intérêt d utiliser Iris est qu on connaît à l avance la classe réelle de chaque information et donc on peut évaluer la qualité de classification de l algorithme. Nous avons utilisé un autre ensemble de données. Cet ensemble est constitué de 50 enregistrements. Ces données représentent trois modes de fonctionnement d un système. Chaque mode de fonctionnement est composé de quatre paramètres. B. Les paramètres de AntTreeStoch Comme tout autre algorithme, avant de passer à la phase de classification. Il faut fixer quelques paramètres. Ce problème représente l une des inconvénients des méthodes biomimétiques. Puisque les valeurs des paramètres sont liées au nombre d individus et la distribution des données sur la plage de représentation. Le tableau suivant présente les valeurs des paramètres de AntTreeStoch. TABLE 2 : Les Paramètres De AntTreeStoch Paramètre Valeur initiale Évolution a Stable a2 0.2 Stable SSim(fi) Sim moy - max (fi) SSim(fi) * a1 SDissim(fi) Sim moy - min (fi) SDissim(fi) + a2 Ces paramètres sont fixés après l exécution de plusieurs simulations en utilisant comme entrée un ensemble restreint de données. Ces paramètres permettent une bonne distribution des individus sur l arbre et accélèrent l exécution de l algotithme. C. Les mesures d évaluation Les résultats de classification obtenus par une implémentation séquentielle et une autre parallèle à base d un système multi agents sont comparés en termes de nombres de cycles de temps et de nombre de classes obtenues. Nous avons pris une autre mesure d évaluation qui est la pureté d une classe (1). Elle donne le pourcentage des données bien classées. Ct 1 p = å maxm i (1) N i= 1 où p représente la pureté d une classe, M représente la matrice de confusion et N est le nombre total de données. Et finalement, nous allons voir l influence d un nouveau paramètre qu on a introduit sur la taille de l arbre. D. Les résultats Le tableau suivant représente les résultats obtenus d une implémentation séquentielle et une Vers une Optimisation de l Algorithme AntTreeStoch 132

9 Vers une Optimisation de l Algorithme AntTreeStoch autre parallèle de l algorithme AntTreeStoch. Ces résultats sont évalués en utilisant la base de données Iris. Les données de la base ne sont pas triées. TABLE 3 : Résultats obtenus par une implémentation séquentielle et une autre parallèle de l'algorithme Anttreestoch Implémentation Nombre de classes Taille de l arbre Taux d erreur Nombre de mouvements Séquentielle ± 0.1» 450 Parallèle SMA ± 0.4» 400 D après le tableau 3, nous remarquons que l implémentation à base d un système multi agents influe négativement sur la qualité de classification avec un taux d erreur plus élevé. Mais comme prévu, l implémentation parallèle a amélioré la vitesse d exécution de l algorithme. Le tableau suivant montre le nombre de nœud et la taille de l arbre avant et après l ajout de paramètre S id. TABLE 4 : L'arbre Final Obtenu Par AntTreeStoch Avec Et Sans Le Permettre S id. Algorithme Nombre de classes Taille de l arbre Nombre de noeuds Basale Variante Le tableau montre que le paramètre S id réduit la taille de l arbre et le nombre de nœud. Par conséquent, le temps de reconnaissance d une nouvelle information devient relativement plus petit. Réduire la taille de l arbre va faciliter son interprétation par l expert et offre la possibilité de l exploiter par une application auxiliaire pour prédire un dysfonctionnement. VII. CONCLUSION La plupart des techniques intelligentes utilisées pour le diagnostic industriel se basent sur les algorithmes supervisés et nécessitent la préconnaissance de nombre de classes. Dans cet article, nous avons présenté un système multi agent basé sur un algorithme de colonie de fourmis appelé AntTreeStoch. Il permet une classification hiérarchique et non supervisé d états de fonctionnement. L originalité de notre travail est de réduire la taille de l arbre résultat de classification qui a permis une identification plus rapide de l état de fonctionnement. Les résultats obtenus montrent qu on peut détecter l état de fonctionnement d un système avec un taux d erreur acceptable. Donc ; il serait très intéressant d utiliser les algorithmes de colonie de fourmis pour le diagnostic industriel. VIII. REFERENCES [1] A.K. Jain, R.C. Dubes, and C.-C. Chen, "Bootstrap Techniques for Error Estimation," IEEE Trans. Pattern Analysis and Machine Intelligence, vol. 9, pp , [2] B Holldöbler, EO Wilson ; "The ants"; Belknap, Harvard University Press, Cambridge, Mass, O. Kadri, H. Mouss, A. Abdelhadi, R. Mahdaoui 133

10 O. Kadri, H. Mouss, A. Abdelhadi, R. Mahdaoui [3] Deneubourg J.-L., Aron, S., Goss, S., et Pasteels, J,-M. "The self-organizing ; exploratory pattern of the argentine ant". Journalon insect Behavior, 3: , [4] Colorni A., Dorigo M., Maniezzo V.: "An Autocatalytic Optimizing Process", Technical Report n Politecnico di Milano, [5] N, Monmarché, "On Data Clustering with Artificial Ants". In:Freitas AA, editor, Data Mining with Evolutionary Algorithms:Research Directions AAAI Workshop, pages AAAI Press, [6] Salima Ouadfel, Mohamed Batouche, "An Efficient Ant Algorithm for Swarm-Based Image Clustering", Journal of Computer Science, Vol 3, p , [7] R.Mahdaoui, H. Mouss, Surveillance industrielle dynamique par les systèmes neuroflous temporels: application a un systeme de production", Conférence international en automatique, Bukhareste, [8] Zhousuo Zhang, Wei Cheng and Xiaoning Zhou, Research on Intelligent Diagnosis of Mechanical Fault Based on Ant Colony Algorithm, The Sixth International Symposium on Neural Networks, Vol 56, P Springer Berlin / Heidelberg, [9] N. Labroche, N. Monmarché, G. Venturini, AntClust : Ant Clustering and Web Usage Mining, Genetic and Evolutionary Computation Conference (GECCO), Chicago, Il, USA, July [10] Hamming, Richard W., "Error detecting and error correcting codes", Bell System Technical Journal, 26 (2), , [11] Wilensky, U. (1999). NetLogo. Center for Connected Learning and Computer-Based Modeling, Northwestern University, Evanston, IL. Vers une Optimisation de l Algorithme AntTreeStoch 134

Laboratoire d Automatique et Productique Université de Batna, Algérie

Laboratoire d Automatique et Productique Université de Batna, Algérie Anale. Seria Informatică. Vol. IX fasc. 2 Annals. Computer Science Series. 9 th Tome st Fasc. 2 La sélection de paramètres d un système industriel par les colonies de fourmis Ouahab Kadri, L. Hayet Mouss,

Plus en détail

G. Lesauvage. Laboratoire d Informatique et du Traitement de l Information et des Systèmes

G. Lesauvage. Laboratoire d Informatique et du Traitement de l Information et des Systèmes Gestion dynamique des activités des chariots cavaliers sur un terminal portuaire à conteneurs en environnement incertain - approche par intelligence collective - G. Lesauvage Unité de Formation et de Recherche

Plus en détail

Clermont Ferrand - Janvier 2003

Clermont Ferrand - Janvier 2003 DISDAMIN: Algorithmes de Data Mining Distribués Valerie FIOLET (1,2) - Bernard TOURSEL (1) 1 Equipe PALOMA - LIFL - USTL - LILLE (FRANCE) 2 Service Informatique - UMH - MONS (BELGIUM) Clermont Ferrand

Plus en détail

La classification automatique de données quantitatives

La classification automatique de données quantitatives La classification automatique de données quantitatives 1 Introduction Parmi les méthodes de statistique exploratoire multidimensionnelle, dont l objectif est d extraire d une masse de données des informations

Plus en détail

Approche pour le suivi de l évolution des données d usage du Web : application sur un jeu de données en marketing

Approche pour le suivi de l évolution des données d usage du Web : application sur un jeu de données en marketing Approche pour le suivi de l évolution des données d usage du Web : application sur un jeu de données en marketing Alzennyr Da Silva, Yves Lechevallier Projet AxIS, INRIA Paris-Rocquencourt Domaine de Voluceau,

Plus en détail

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

Plus en détail

Rapport. TME2 - Problème d affectation multi-agents

Rapport. TME2 - Problème d affectation multi-agents Rapport TME2 - Problème d affectation multi-agents Auteurs : Encadrant : Lan Zhou Safia Kedad-Sidhoum Minh Viet Le Plan I. Problème :... 2 II. Question 1 - Formulation linéaire du problème :... 2 III.

Plus en détail

L ANALYSE DU RISQUE DE FAILLITE PAR LE BIAIS DES SYSTÈMES DE L INTELLIGENCE ARTIFICIELLE

L ANALYSE DU RISQUE DE FAILLITE PAR LE BIAIS DES SYSTÈMES DE L INTELLIGENCE ARTIFICIELLE L ANALYSE DU RISQUE DE FAILLITE PAR LE BIAIS DES SYSTÈMES DE L INTELLIGENCE ARTIFICIELLE Paul Pașcu, Assist Prof, PhD, Ștefan cel Mare University of Suceava Abstract: This article aims to present a number

Plus en détail

Plan du cours. Intelligence Artificielle et Manipulation Symbolique de l Information. Induction de règles (rappels) L induction logique

Plan du cours. Intelligence Artificielle et Manipulation Symbolique de l Information. Induction de règles (rappels) L induction logique Intelligence Artificielle et Manipulation Symbolique de l Information Cours 0 mercredi 8 avril 205 Plan du cours Raisonner par induction l induction Induction par arbres de décision Christophe Marsala

Plus en détail

Utilisation de cartes de Kohonen pour détecter des intrusions dans un système informatique :

Utilisation de cartes de Kohonen pour détecter des intrusions dans un système informatique : Utilisation de cartes de Kohonen pour détecter des intrusions dans un système informatique : une pré-étude Ludovic Mé, Véronique Alanou et Jörg Abraham Supélec - Avenue de la Boulaie - 55 Cesson Sévigné

Plus en détail

A Hybrid Routing Protocol based on Fuzzy C-Means Clustering and Ant Colony Optimization for Lifetime Improvement in WSN

A Hybrid Routing Protocol based on Fuzzy C-Means Clustering and Ant Colony Optimization for Lifetime Improvement in WSN A Hybrid Routing Protocol based on Fuzzy C-Means Clustering and Ant Colony Optimization for Lifetime Improvement in WSN Mourad Hadjila Hervé Guyennet RGE Université Franche-Comté femto-st, DISC, Besançon

Plus en détail

Laboratoire 4 Développement d un système intelligent

Laboratoire 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 détail

Diagnostic et décision

Diagnostic et décision Diagnostic et décision Bibliographie J. N. Chatain, DIagnostic par Système Expert, Traité des Nouvelles Technologies, série Diagnostic et Maintenance, édition Hermes 1993. B. Dubuisson, Diagnostic, intelligence

Plus en détail

Optimisation de la compression fractale D images basée sur les réseaux de neurones

Optimisation de la compression fractale D images basée sur les réseaux de neurones Optimisation de la compression fractale D images basée sur les réseaux de neurones D r BOUKELIF Aoued Communication Networks,Architectures and Mutimedia laboratory University of S.B.A aoued@hotmail.com

Plus en détail

FOUILLE DE DONNEES. Anne LAURENT ECD. laurent@lirmm.fr

FOUILLE DE DONNEES. Anne LAURENT ECD. laurent@lirmm.fr FOUILLE DE DONNEES Anne LAURENT laurent@lirmm.fr ECD Pourquoi la fouille de données? Données disponibles Limites de l approche humaine Nombreux besoins : Industriels, Médicaux, Marketing, Qu est-ce que

Plus en détail

Motivation : pourquoi exploration de données? Nous nous noyons dans les données, mais manquons cruellement de connaissances

Motivation : pourquoi exploration de données? Nous nous noyons dans les données, mais manquons cruellement de connaissances 1 Introduction Définition et motivations Tâches de data mining (fouille de données, exploration de données) Techniques et algorithmes Exemples et applications 1 Motivation : pourquoi exploration de données?

Plus en détail

Introduction au Data-Mining

Introduction au Data-Mining Introduction au Data-Mining Alain Rakotomamonjy - Gilles Gasso. INSA Rouen -Département ASI Laboratoire PSI Introduction au Data-Mining p. 1/25 Data-Mining : Kèkecé? Traduction : Fouille de données. Terme

Plus en détail

Partie I : Implantation d un réseau de neurones RBF sur des systèmes embarqués : la détection et la reconnaissance de visages en temps réel

Partie I : Implantation d un réseau de neurones RBF sur des systèmes embarqués : la détection et la reconnaissance de visages en temps réel 1 Partie I : Implantation d un réseau de neurones RBF sur des systèmes embarqués : la détection et la reconnaissance de visages en temps réel F.Yang M.Paindavoine GDR-ISIS 20 Janvier 2005 Paris 2 Plan

Plus en détail

Initiation à la fouille de données et à l apprentissage automatiq

Initiation à la fouille de données et à l apprentissage automatiq Initiation à la fouille de données et à l apprentissage automatique 1 Laboratoire d Informatique Fondamentale de Marseille Université de Provence christophe.magnan@lif.univ-mrs.fr www.lif.univ-mrs.fr/

Plus en détail

MÉTHODES DE CLASSIFICATION

MÉTHODES DE CLASSIFICATION MÉTHODES DE CLASSIFICATION Pierre-Louis GONZALEZ MÉTHODES DE CLASSIFICATION Objet Opérer des regroupements en classes homogènes d un ensemble d individus. Données Les données se présentent en général sous

Plus en détail

Apprentissage statistique:

Apprentissage statistique: Apprentissage statistique: Arbre de décision binaire et Random Forest 1 Plan 1. Introduction 2. 3. Application à l apprentissage supervisé 4. Forêt Aléatoire (Random Forest) 2 1 Plan 1. Introduction 2.

Plus en détail

IVRG Image and Visual Representation Group

IVRG Image and Visual Representation Group IVRG Image and Visual Representation Group Projet en Digital Photography Responsable : Patrick Vandewalle Sylvain PASINI Bertrand GRANDGEORGE le 2 juin 2003 Table des matières Table des matières 2 1. Introduction

Plus en détail

Influence De La Taille Du Jeton Sur Les Performances De L algorithme D'exclusion Mutuelle De Ricart - Agrawala

Influence De La Taille Du Jeton Sur Les Performances De L algorithme D'exclusion Mutuelle De Ricart - Agrawala Influence De La Taille Du Jeton Sur Les Performances De L algorithme D'exclusion Mutuelle De Ricart - Agrawala Sarah Benkouider, Souhila Labgaa 2, Mohamed Yagoubi 3 Université Amar Telidji Département

Plus en détail

Calculatrice vocale basée sur les SVM

Calculatrice vocale basée sur les SVM Calculatrice vocale basée sur les SVM Zaïz Fouzi *, Djeffal Abdelhamid *, Babahenini MohamedChaouki*, Taleb Ahmed Abdelmalik**, * Laboratoire LESIA, Département d Informatique, Université Mohamed Kheider

Plus en détail

Arbres de décision. Intelligence Artificielle et Systèmes Formels Master 1 I2L

Arbres de décision. Intelligence Artificielle et Systèmes Formels Master 1 I2L Arbres de décision Intelligence Artificielle et Systèmes Formels Master 1 I2L Sébastien Verel verel@lisic.univ-littoral.fr http://www-lisic.univ-littoral.fr/ verel Université du Littoral Côte d Opale Laboratoire

Plus en détail

Des fourmis réelles aux fourmis artificielles

Des 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 détail

OPTIMISATION DE LA TARIFICATION DES RÉSEAUX MOBILES

OPTIMISATION DE LA TARIFICATION DES RÉSEAUX MOBILES OPTIMISATION DE LA TARIFICATION DES RÉSEAUX MOBILES ST50 - Projet de fin d études Matthieu Leromain - Génie Informatique Systèmes temps Réel, Embarqués et informatique Mobile - REM 1 Suiveur en entreprise

Plus en détail

Apprentissage supervisé

Apprentissage supervisé Apprentissage supervisé 1 Apprendre aux ordinateurs à apprendre Objectif : appliquer la démarche de l apprentissage par l exemple à l ordinateur. Montrer des exemples à l ordinateur en lui disant de quoi

Plus en détail

Introduction au datamining

Introduction au datamining Introduction au datamining Patrick Naïm janvier 2005 Définition Définition Historique Mot utilisé au départ par les statisticiens Le mot indiquait une utilisation intensive des données conduisant à des

Plus en détail

Regroupement (clustering) Bruno Pinaud (basé sur le support de Sofian Maabout)

Regroupement (clustering) Bruno Pinaud (basé sur le support de Sofian Maabout) 1 Regroupement (clustering) Bruno Pinaud (basé sur le support de Sofian Maabout) C est quoi? Regroupement (Clustering): construire une collection d objets Similaires au sein d un même groupe Dissimilaires

Plus en détail

Classification par des méthodes de data mining. Yawo Eli Amesefe Guillaume Cernier Christophe Labrousse

Classification par des méthodes de data mining. Yawo Eli Amesefe Guillaume Cernier Christophe Labrousse Classification par des méthodes de data mining Yawo Eli Amesefe Guillaume Cernier Christophe Labrousse Plan: Le processus métier Présentation des 3 méthodes étudiées: Arbres de décision Machines à vecteurs

Plus en détail

Méthodes d apprentissage :

Méthodes d apprentissage : Méthodes d apprentissage : application au tri de complexes protéines-protéines Jérôme Azé Apprentissage: tâches Apprentissage non supervisé (Eisen, ) Apprentissage supervisé (arbres de décision, k-ppv,

Plus en détail

Apprentissage par méthodes à noyaux en reconnaissance d images

Apprentissage par méthodes à noyaux en reconnaissance d images Apprentissage par méthodes à noyaux en reconnaissance d images Alberto Bietti Table des matières Introduction 2 1 Apprentissage par méthodes à noyaux 2 1.1 Position du problème et motivation..........................

Plus en détail

Fouille de données de mobilité

Fouille de données de mobilité Fouille de données de mobilité Thomas Devogele Université François Rabelais (Tours) thomas.devogele@univ-tours.fr Laurent Etienne Ecole Navale (Brest) Laurent.etienne@ecole-navale.fr La fouille de donnée

Plus en détail

Introduction à la programmation en variables entières Cours 3

Introduction à la programmation en variables entières Cours 3 Introduction à la programmation en variables entières Cours 3 F. Clautiaux francois.clautiaux@math.u-bordeaux1.fr Université Bordeaux 1 Bât A33 - Bur 272 Sommaire Notion d heuristique Les algorithmes gloutons

Plus en détail

Configuration optimale d un réseau de neurones adapté à la surveillance en ligne de l usure des outils de tournage

Configuration optimale d un réseau de neurones adapté à la surveillance en ligne de l usure des outils de tournage Configuration optimale d un réseau de neurones adapté à la surveillance en ligne de l usure des outils de tournage Idir Belaidi, Raouf Tahmi & Kamal Mohammedi Laboratoire LMMC, Groupe Modélisation Mécanique

Plus en détail

Objectifs. Clustering. Principe. Applications. Applications. Cartes de crédits. Remarques. Biologie, Génomique

Objectifs. 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 détail

L apprentissage automatique

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

Plus en détail

Techniques de DM pour la GRC dans les banques Page 11

Techniques de DM pour la GRC dans les banques Page 11 Techniques de DM pour la GRC dans les banques Page 11 II.1 Introduction Les techniques de data mining sont utilisé de façon augmentaté dans le domaine économique. Tels que la prédiction de certains indicateurs

Plus en détail

THESE. Application des algorithmes de colonies de fourmis pour l optimisation et la classification des images

THESE. 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 détail

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

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

Plus en détail

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

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

Plus en détail

Méthodes d apprentissage statistique («Machine Learning»)

Méthodes d apprentissage statistique («Machine Learning») Méthodes d apprentissage statistique («Machine Learning») Journées d Etudes IARD Niort, 21 Mars 2014 Fabrice TAILLIEU Sébastien DELUCINGE Rémi BELLINA 2014 Milliman. All rights reserved Sommaire Introduction

Plus en détail

CTE Éditeur de classification arborescente pour spécifications du cas de test

CTE Éditeur de classification arborescente pour spécifications du cas de test Tessy Test d intégration et unitaire dynamique automatisé pour des applications embarquées CTE Éditeur de classification arborescente pour spécifications du cas de test Le meilleur outil de test unitaire

Plus en détail

Modélisation agent d une Architecture Logicielle de commande d un Véhicule Autonome

Modélisation agent d une Architecture Logicielle de commande d un Véhicule Autonome Modélisation agent d une Architecture Logicielle de commande d un Véhicule Autonome ENNAJI Mourad LASC université de Metz Ile du Saulcy B.P 80794 57 012 METZ Ennaji@lasc.sciences.univ-metz.fr Résumé Cet

Plus en détail

Algorithme fourmi avec différentes stratégies phéromonales pour le sac à dos multidimensionnel

Algorithme fourmi avec différentes stratégies phéromonales pour le sac à dos multidimensionnel Algorithme fourmi avec différentes stratégies phéromonales pour le sac à dos multidimensionnel Inès Alaya * Christine Solnon ** Khaled Ghédira * * SOIE, Institut Supérieur de Gestion de Tunis 41 Rue de

Plus en détail

Profil du candidat et connaissances techniques à connaître/maîtriser

Profil du candidat et connaissances techniques à connaître/maîtriser Utilisation d algorithmes de deep learning pour la reconnaissance d iris. jonathan.milgram@morpho.com Dans ce cadre, l'unité de recherche et technologie a pour but de maintenir le leadership Au sein de

Plus en détail

Fouille de données spatiales Mr Dib Abderrahim & Dr Mohamed-Khireddine KHOLLADI

Fouille de données spatiales Mr Dib Abderrahim & Dr Mohamed-Khireddine KHOLLADI Fouille de données spatiales Mr Dib Abderrahim & Dr Mohamed-Khireddine KHOLLADI Introduction On assiste de plus en plus à la création d entrepôts de données. Les raisons sont multiples : 1. le tout numérique

Plus en détail

Méthodes de DM pour la GRC dans les banques

Méthodes de DM pour la GRC dans les banques Techniques de DM pour la GRC dans les banques Page 21 III.1 Introduction Avant de chercher des techniques à appliquer dans la gestion des relations avec les clients. Il faut étudier les données des clients

Plus en détail

Reconnaissance des formes : Classement d ensembles d objets

Reconnaissance des formes : Classement d ensembles d objets Reconnaissance des formes : Classement d ensembles d objets Données Méthodes Extraction de connaissances Applications Expertise Apprentissage Bernard FERTIL Directeur de Recherche CNRS Équipe LXAO, UMR

Plus en détail

arxiv:1211.6851v1 [cs.lg] 29 Nov 2012

arxiv:1211.6851v1 [cs.lg] 29 Nov 2012 Classification Recouvrante Basée sur les Méthodes à Noyau arxiv:1211.6851v1 [cs.lg] 29 Nov 2012 Chiheb-Eddine Ben N Cir & Nadia Essoussi LARODEC,Institut Supérieur de Gestion de Tunis, Université de Tunis

Plus en détail

Ingénierie d aide à la décision

Ingénierie d aide à la décision Ingénierie d aide à la décision Maria Malek 1 er septembre 2009 1 Objectifs et débouchés Nous proposons dans cette option deux grands axes pour l aide à la décision : 1. La recherche opérationnelle ; 2.

Plus en détail

Analyse des réseaux sociaux et apprentissage

Analyse des réseaux sociaux et apprentissage Analyse des réseaux sociaux et apprentissage Emmanuel Viennet Laboratoire de Traitement et Transport de l Information Université Paris 13 - Sorbonne Paris Cité Réseaux sociaux? Réseaux sociaux? Analyse

Plus en détail

Recherche Opérationnelle et Optimisation : Quelles perspectives pour le Datamining

Recherche Opérationnelle et Optimisation : Quelles perspectives pour le Datamining Recherche Opérationnelle et Optimisation : Quelles perspectives pour le Datamining Clarisse DHAENENS LIFL Equipe OPAC INRIA Projet DOLPHIN Université de Lille 1 KESAKO Datamining Datamining : définitiond

Plus en détail

COURBOTREE : APPLICATION DES ARBRES DE REGRESSION MULTIVARIES POUR LA CLASSIFICATION DE COURBES

COURBOTREE : APPLICATION DES ARBRES DE REGRESSION MULTIVARIES POUR LA CLASSIFICATION DE COURBES COURBOTREE : APPLICATION DES ARBRES DE REGRESSION MULTIVARIES POUR LA CLASSIFICATION DE COURBES Véronique Stéphan (1) & Frédéric Cogordan (2) (1) EDF R&D 1, av. du Général de Gaulle 92 141 Clamart Cédex

Plus en détail

Weka_S2D : Système de Surveillance de Diabétiques

Weka_S2D : Système de Surveillance de Diabétiques Weka_S2D : Système de Surveillance de Diabétiques TALEB ZOUGGAR Souad(*), ATMANI Baghdad(*) Souad.taleb@gmail.com, atmani.baghdad@univ-oran.dz (*) Equipe de recherche «Simulation, Intégration et fouille

Plus en détail

FOUILLE DE DONNEES. Anne LAURENT POLYTECH'MONTPELLIER IG 5

FOUILLE DE DONNEES. Anne LAURENT POLYTECH'MONTPELLIER IG 5 FOUILLE DE DONNEES Anne LAURENT POLYTECH'MONTPELLIER IG 5 Pourquoi la fouille de données? Données disponibles Limites de l approche humaine Nombreux besoins : Industriels, Médicaux, Marketing, Qu est-ce

Plus en détail

INF6304 Interfaces Intelligentes

INF6304 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 détail

DataHighDim. ACI «Masse de Données» - 2003. Analyse exploratoire et discriminante de données en grande dimension

DataHighDim. ACI «Masse de Données» - 2003. Analyse exploratoire et discriminante de données en grande dimension ACI «Masse de Données» - 2003 DataHighDim Analyse exploratoire et discriminante de données en grande dimension Anne Guérin-Dugué Laboratoire CLIPS Grenoble UJF, CNRS UMR 5524 Communication Langagière et

Plus en détail

Planifica(on du stockage intermédiaire dans l industrie du shampoing

Planifica(on du stockage intermédiaire dans l industrie du shampoing dans l industrie du shampoing R. Belaid, V. T kindt, C. Esswein, rabah.belaid@etu.univ-tours.fr Université François Rabelais Tours Laboratoire d Informatique 64 avenue Jean Portalis, 37200, Tours Journées

Plus en détail

TECH. INFOTECH # 34 Solvabilité 2 : Le calcul du capital économique dans le cadre d un modèle interne. Introduction

TECH. INFOTECH # 34 Solvabilité 2 : Le calcul du capital économique dans le cadre d un modèle interne. Introduction INFO # 34 dans le cadre d un modèle interne Comment les méthodes d apprentissage statistique peuvent-elles optimiser les calculs? David MARIUZZA Actuaire Qualifié IA Responsable Modélisation et Solvabilité

Plus en détail

Big Data et Graphes : Quelques pistes de recherche

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

Plus en détail

Annexe 4 Programmes des classes préparatoires aux Grandes Ecoles

Annexe 4 Programmes des classes préparatoires aux Grandes Ecoles Annexe 4 Programmes des classes préparatoires aux Grandes Ecoles Filière : scientifique Voie : Technologie et biologie (TB) Discipline : Informatique Première et seconde années Programme d informatique

Plus en détail

Trois méthodes pour la construction de pages WEB personnalisées

Trois 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 détail

Discrétisation et génération de hiérarchies de concepts

Discrétisation et génération de hiérarchies de concepts Prétraitement des données 1 Pourquoi prétraiter les données? Nettoyage des données Intégration et transformation Réduction des données Discrétisation et génération de hiérarchies de g concepts Pourquoi

Plus en détail

Utilisation des diagrammes de Voronoï et des algorithmes génétiques pour l'étude des complexes protéine-protéine.

Utilisation des diagrammes de Voronoï et des algorithmes génétiques pour l'étude des complexes protéine-protéine. Utilisation des diagrammes de Voronoï et des algorithmes génétiques pour l'étude des complexes protéine-protéine. Anne Poupon Biologie et Bioinformatique des Systèmes de Signalisation INRA - Nouzilly France

Plus en détail

Statistique en grande dimension pour la génomique Projets 2014-2015 L. Jacob, F. Picard, N. Pustelnik, V. Viallon

Statistique en grande dimension pour la génomique Projets 2014-2015 L. Jacob, F. Picard, N. Pustelnik, V. Viallon Statistique en grande dimension pour la génomique Projets 2014-2015 L. Jacob, F. Picard, N. Pustelnik, V. Viallon Table des matières 1 Graph Kernels for Molecular Structure-Activity Relationship Analysis

Plus en détail

Analyse et visualisation interactive de sessions web

Analyse et visualisation interactive de sessions web Analyse et visualisation interactive de sessions web Marie-Jeanne Lesot* Nicolas Labroche* Lionel Yaffi** * Université Pierre et Marie Curie, Paris 6 Laboratoire d Informatique de Paris 6 UMR CNRS 7606,

Plus en détail

I.D.S. Systèmes de détection d intrusion - Link Analysis. par: FOUQUIN MATHIEU. responsable: AKLI ADJAOUTE DEVÈZE BENJAMIN.

I.D.S. Systèmes de détection d intrusion - Link Analysis. par: FOUQUIN MATHIEU. responsable: AKLI ADJAOUTE DEVÈZE BENJAMIN. EPITA SCIA PROMO 2005 14-16 rue Voltaire 94270 Kremlin-Bicêtre I.D.S. Systèmes de détection d intrusion - Link Analysis Juillet 2004 par: DEVÈZE BENJAMIN FOUQUIN MATHIEU responsable: AKLI ADJAOUTE TABLE

Plus en détail

Métaheuristique. Jérémy CHANUT Charles BALLARINI

Métaheuristique. Jérémy CHANUT Charles BALLARINI Métaheuristique Jérémy CHANUT Charles BALLARINI 15 octobre 2012 CHAPITRE 1 INTRODUCTION Ce projet consiste en la résolution du problème des composants électroniques par deux méthodes : Recuit simulé Algorithme

Plus en détail

Cours IFT6266, Exemple d application: Data-Mining

Cours IFT6266, Exemple d application: Data-Mining Cours IFT6266, Exemple d application: Data-Mining Voici un exemple du processus d application des algorithmes d apprentissage statistique dans un contexte d affaire, qu on appelle aussi data-mining. 1.

Plus en détail

Analyse abstraite de missions sous PILOT

Analyse abstraite de missions sous PILOT Analyse abstraite de missions sous PILOT Damien Massé EA 3883, Université de Bretagne Occidentale, Brest damien.masse@univ-brest.fr Résumé Nous étudions la possibilité de réaliser un analyseur par interprétation

Plus en détail

Coup de Projecteur sur les Réseaux de Neurones

Coup 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

DES FOURMIS POUR LIVRER DU MAZOUT

DES FOURMIS POUR LIVRER DU MAZOUT DES FOURMIS POUR LIVRER DU MAZOUT É. D. Taillard (1), G. Agazzi (2), L.-M. Gambardella (3) Résumé La livraison de certains biens peut engendrer des coûts non négligeables par rapport à la valeur de la

Plus en détail

Techniques du Data Mining pour la prédiction de faillite des entreprises et la gestion du risque de crédit

Techniques du Data Mining pour la prédiction de faillite des entreprises et la gestion du risque de crédit Techniques du Data Mining pour la prédiction de faillite des entreprises et la gestion du risque de crédit Adil Belhouari HEC - Montréal - Journées de l Optimisation 2005-09 Mai 2005 PLAN DE LA PRÉSENTATION

Plus en détail

Outils Statistiques du Data Mining

Outils Statistiques du Data Mining Outils Statistiques du Data Mining Pr Roch Giorgi roch.giorgi@univ-amu.fr SESSTIM, Faculté de Médecine, Aix-Marseille Université, Marseille, France http://sesstim-orspaca.org http://optim-sesstim.univ-amu.fr

Plus en détail

Analyse de données symboliques et graphe de connaissances d un agent

Analyse de données symboliques et graphe de connaissances d un agent d un agent Philippe Caillou*, Edwin Diday** *LAMSADE - Université Paris Dauphine Place du maréchal de Lattre de Tassigny 7516 Paris caillou@lamsade.dauphine.fr **CEREMADE - Université Paris Dauphine Place

Plus en détail

Projet CLANU en 3GE: Compléments d algèbre linéaire numérique

Projet CLANU en 3GE: Compléments d algèbre linéaire numérique Projet CLANU en 3GE: Compléments d algèbre linéaire numérique Année 2008/2009 1 Décomposition QR On rappelle que la multiplication avec une matrice unitaire Q C n n (c est-à-dire Q 1 = Q = Q T ) ne change

Plus en détail

Un Système multi-agents auto-adaptatif pour la segmentation et la reconstruction de scènes 3D

Un Système multi-agents auto-adaptatif pour la segmentation et la reconstruction de scènes 3D SETIT 2005 3 rd International Conference: Sciences of Electronic, Technologies of Information and Telecommunications March 27-31, 2005 TUNISIA Un Système multi-agents auto-adaptatif pour la segmentation

Plus en détail

Rapport du Jury du Concours 2010 Épreuve Pratique d Algorithmique et de Programmation (EPAP)

Rapport du Jury du Concours 2010 Épreuve Pratique d Algorithmique et de Programmation (EPAP) Rapport du Jury du Concours 2010 Épreuve Pratique d Algorithmique et de Programmation (EPAP) Loris Marchal, Guillaume Melquion, Frédéric Tronel 21 juin 2011 Remarques générales à propos de l épreuve Organisation

Plus en détail

Complexité et auto-organisation chez les insectes sociaux. Complexité et auto-organisation chez les insectes sociaux

Complexité 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 détail

Algorithme des fourmis appliqué à la détection et au suivi de contours dans une image

Algorithme 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 détail

Projet SINF2275 «Data mining and decision making» Projet classification et credit scoring

Projet SINF2275 «Data mining and decision making» Projet classification et credit scoring Projet SINF2275 «Data mining and decision making» Projet classification et credit scoring Année académique 2006-2007 Professeurs : Marco Saerens Adresse : Université catholique de Louvain Information Systems

Plus en détail

DATA MINING 2 Réseaux de Neurones, Mélanges de classifieurs, SVM avancé

DATA MINING 2 Réseaux de Neurones, Mélanges de classifieurs, SVM avancé I. Réseau Artificiel de Neurones 1. Neurone 2. Type de réseaux Feedforward Couches successives Récurrents Boucles de rétroaction Exemples de choix pour la fonction : suivant une loi de probabilité Carte

Plus en détail

Application du système immunitaire artificiel ordinaire et améliore pour la reconnaissance des caractères artificiels

Application du système immunitaire artificiel ordinaire et améliore pour la reconnaissance des caractères artificiels Application du système immunitaire artificiel ordinaire et améliore pour la reconnaissance des caractères artificiels Hiba KHELIL, Abdelkader BENYETTOU Laboratoire SIgnal IMage PArole SIMPA Université

Plus en détail

Clustering par quantification en présence de censure

Clustering par quantification en présence de censure Clustering par quantification en présence de censure Svetlana Gribkova 1 Laboratoire de Statistique Théorique et Appliquée, Université Pierre et Marie Curie Paris 6, 4 place Jussieu, 75005 Paris Résumé.

Plus en détail

Deux stratégies parallèles de l'optimisation par colonie de fourmis

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

Plus en détail

Classification Automatique de messages : une approche hybride

Classification Automatique de messages : une approche hybride RECIAL 2002, Nancy, 24-27 juin 2002 Classification Automatique de messages : une approche hybride O. Nouali (1) Laboratoire des Logiciels de base, CE.R.I.S., Rue des 3 frères Aïssiou, Ben Aknoun, Alger,

Plus en détail

Modèles neuronaux pour la modélisation statistique de la langue

Modèles neuronaux pour la modélisation statistique de la langue Modèles neuronaux pour la modélisation statistique de la langue Introduction Les modèles de langage ont pour but de caractériser et d évaluer la qualité des énoncés en langue naturelle. Leur rôle est fondamentale

Plus en détail

Chapitre 1. L algorithme génétique

Chapitre 1. L algorithme génétique Chapitre 1 L algorithme génétique L algorithme génétique (AG) est un algorithme de recherche basé sur les mécanismes de la sélection naturelle et de la génétique. Il combine une stratégie de survie des

Plus en détail

Data Mining : la classification non supervisée

Data Mining : la classification non supervisée Data Mining : la classification non supervisée Clustering : une affaire de distance. Etude préliminaire. Valeurs discrètes. Soient les deux individus suivants correspondant à des séquences ADN : X = AGGGTGGC

Plus en détail

LES MÉTAHEURISTIQUES: OUTILS DE CONCEPTION OPTIMALE DES CIRCUITS INTÈGRES ANALOGIQUES

LES MÉTAHEURISTIQUES: OUTILS DE CONCEPTION OPTIMALE DES CIRCUITS INTÈGRES ANALOGIQUES INERNATIONAL WORKSHOP IN OPTIMIZATION AND APPLICATIONS (WOA 2015) LES MÉTAHEURISTIQUES: OUTILS DE CONCEPTION OPTIMALE DES CIRCUITS INTÈGRES ANALOGIQUES FS -Meknès CONTEXTE L optimisation est un souci quotidien

Plus en détail

Influence des rayonnements solaires sur le rendement des panneaux photovoltaïques

Influence des rayonnements solaires sur le rendement des panneaux photovoltaïques Influence des rayonnements solaires sur le rendement des panneaux photovoltaïques E. Kechar #1, E. Azzag *2, I. Touaїbia #3 # E. Kechar Department d électrotechnique, Annaba, University, B.P 12, 23000

Plus en détail

Journée de rencontres ANSES - IGN - INA - Labex Bézout

Journée de rencontres ANSES - IGN - INA - Labex Bézout Journée de rencontres ANSES - IGN - INA - Labex Bézout Présentation du LAMA Stéphane Sabourau 3 mars 2014 Présentation générale Le Laboratoire d Analyse et Mathématiques Appliquées (LAMA) est composé de

Plus en détail

Reconnaissance vocale

Reconnaissance vocale Reconnaissance vocale Définition : La reconnaissance vocale ou (Automatic Speech Recognition ASR) est une technologie de transcription d'un système «phonatoire organique»exploitable par une machine. La

Plus en détail

La Programmation Orientée Agent Les Agents Réactifs

La Programmation Orientée Agent Les Agents Réactifs La Programmation Orientée Agent Les Agents Réactifs Emmanuel ADAM Université de Valenciennes et du Hainaut-Cambrésis UVHC/ISTV-LAMIH E. ADAM University of Valenciennes La Programmation Orientée Agent Les

Plus en détail

Mots-clés Optimisation par Essaims de Particules (OEP), Recuit Simulé (RS), Métaheuristique, Hybridation, ORPF, Système électrique de puissance.

Mots-clés Optimisation par Essaims de Particules (OEP), Recuit Simulé (RS), Métaheuristique, Hybridation, ORPF, Système électrique de puissance. Hybridation Intégrative OEP/RS Appliquée à l Ecoulement Optimal de la Puissance Réactive M. Lahdeb S. Arif A. Hellal Laboratoire d Analyse et de Commande des Systèmes d Energie et Réseaux Électriques (LACoSERE)

Plus en détail

De la fourmi réelle à la fourmi artificielle

De 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 détail

Sélection de variables groupées avec les forêts aléatoires. Application à l analyse des données fonctionnelles multivariées.

Sélection de variables groupées avec les forêts aléatoires. Application à l analyse des données fonctionnelles multivariées. Sélection de variables groupées avec les forêts aléatoires. Application à l analyse des données fonctionnelles multivariées. Baptiste Gregorutti 12, Bertrand Michel 2 & Philippe Saint Pierre 2 1 Safety

Plus en détail

GPA759 RÉSEAUX DE NEURONES ET INTELLIGENCE ARTIFICIELLE Préalable(s) : Aucun PLAN DE COURS SESSION AUTOMNE 2013

GPA759 RÉSEAUX DE NEURONES ET INTELLIGENCE ARTIFICIELLE Préalable(s) : Aucun PLAN DE COURS SESSION AUTOMNE 2013 École de technologie supérieure Département de génie de la production automatisée Responsable(s) du cours : Crédits : Richard Lepage, ing., Ph.D. GPA759 RÉSEAUX DE NEURONES ET INTELLIGENCE ARTIFICIELLE

Plus en détail