Les colonies de fourmis : apprentissage coopératif pour le problème du voyageur de commerce

Dimension: px
Commencer à balayer dès la page:

Download "Les colonies de fourmis : apprentissage coopératif pour le problème du voyageur de commerce"

Transcription

1 : apprentissage coopératif pour le problème du voyageur de commerce Alexandre Bargeton Benjamin Devèze Université Pierre et Marie Curie Présentation du projet ANIMAT

2 1 Comportements collectifs des insectes sociaux Auto-organisation et comportement Optimisation naturelle 2 Résolution Historique 3 Les algorithmes Résultats 4 Autres applications Retombées scientifiques

3 Auto-organisation et comportement Optimisation naturelle Comportements collectifs des insectes sociaux

4 Auto-organisation (1/4) Auto-organisation et comportement Optimisation naturelle Définition L auto-organisation est un processus dans lequel un modèle de niveau global émerge uniquement d un grand nombre d interactions entre les composants de bas niveau du système. De plus, les règles spécifiant les intéractions entre composants du système sont suivies en utilisant uniquement des informations locales, sans référence au modèle global.

5 Auto-organisation (2/4) Auto-organisation et comportement Optimisation naturelle Modèle Arrangement organisé d objets dans l espace ou le temps. Emerger Caractéristique d un système qui apparaît à l imprévu de par les interactions entre les composants de ce système.

6 Auto-organisation (3/4) Auto-organisation et comportement Optimisation naturelle

7 Auto-organisation (4/4) Auto-organisation et comportement Optimisation naturelle Problématique Comment les composants d un système intéragissent entre eux pour produire un modèle complexe? Solution Rétroactions Positives : renforcement de l action Négatives (stabilisateur du système) Communication (transfert d information entre individus) Signaux / Indices Direct / Indirect

8 Stigmergie Comportements collectifs des insectes sociaux Auto-organisation et comportement Optimisation naturelle Définition 1 Forme de communication passant par le biais de modifications de l environnement. Définition 2 Intéractions sociales indirectes Intérêt Les individus échangent des informations par le biais du travail en cours, de l état d avancement de la tâche globale à accomplir.

9 Contrôle décentralisé Auto-organisation et comportement Optimisation naturelle Décentralisé? Pas de prise de décision à un niveau donné Pas de suivi d ordres Pas d actions pré-déterminées Vision locale de l environnement par un individu Pas de connaissance du problème dans son ensemble Avantages Robustesse (fonctionne encore après la panne d une de leurs parties) Flexibilité (efficace sur des problèmes dynamiques)

10 Hétérarchie dense Auto-organisation et comportement Optimisation naturelle Hétérarchie Systèmes où les propriétés des niveaux globaux agissent plus ou moins sur les propriétés des niveaux locaux ET où une activité dans les unités locales influence en retour les niveaux globaux. Hétérarchie dense Hétérarchie où chaque individus peut échanger des informations avec n importe quel autre.

11 Hiérarchie vs Hétérarchie dense Auto-organisation et comportement Optimisation naturelle

12 Optimisation naturelle Auto-organisation et comportement Optimisation naturelle Constatation Les insectes sociaux, et les colonies de fourmis en particulier, résolvent naturellement des problèmes relativement complexes. Etudes biologiques Comment les fourmis arrivent à résoudre collectivement des problèmes trop complexes pour un seul individu.

13 Problèmes complexes Auto-organisation et comportement Optimisation naturelle

14 Pistes de phéromones Auto-organisation et comportement Optimisation naturelle Stigmergie Dépot de phéromones (molécules volatiles) au sol pour former des pistes odorantes qui pourront être suivies par les autres fourmis.

15 Chemin le plus court Auto-organisation et comportement Optimisation naturelle Stigmergie Une colonie est capable de choisir le plus court chemin sans que les individus aient une vision globale du trajet.

16 Auto-organisation et comportement Optimisation naturelle Chemin le plus court - Un système dynamique

17 Résolution Historique

18 Définition Comportements collectifs des insectes sociaux Résolution Historique Définition 1 Un représentant doit visiter n villes. Le représentant souhaite faire une tournée en visitant chaque ville au moins et exactement 1 fois et en terminant à sa ville de départ. Définition 2 Trouver le cycle hamiltonien le plus court dans un graphe complet.

19 De l optimiation difficile Résolution Historique Théorème est NP-Complet Explosion combinatoire n villes n! possibilités Résolution Utilisation d heuristiques spécifiques au problème produisant des solutions proches de l optimum Utilisation de métaheuristiques

20 Symetrique vs Asymétrique Résolution Historique Symétrique (TSP) Tous les chemins sont tel que d ij = d ji Asymétrique (ATSP) Au moins un chemin est tel que d ij d ji

21 Bibliothèques d exemples Résolution Historique TSPLIB Des centaines d exemples D une dizaines de villes, à plusieurs dizaines de milliers Donne les meilleurs solutions connues à ce jour Différents type (TSP, ATSP, Sequential ordering problem - SOP, Capacited vehicle rounting proble - CVRP,...) Gatech - Traveling Salesman Problem Des exemples sur des problèmes géographiques D une dizaines de villes, à plusieurs dizaines de milliers Donne les meilleurs solutions connues à ce jour

22 Quelques algorithmes (1/2) Résolution Historique Heuritistiques Concorde (jusqu à villes) Lin-Kernighan heuristic (LKH) Algorithmes basés sur la théorie des graphes (arbres couvrants minimaux,...) Basées sur branch and bound Plus proches voisins Insertion construction heuristic (nearest, cheapest,...) Quick-Boruvka Réseaux de neurones (SOM, Elastic Network,...)...

23 Quelques algorithmes (2/2) Résolution Historique Métaheuritistique - Recherche locale Méthode de descente Recuit simulé, grand déluge, record en record Recherche tabou Métaheuritistique - Populations Algorithmes évolutionnaires, algorithmes génétiques Colonies de fourmis

24 Historique Comportements collectifs des insectes sociaux Résolution Historique 1954 : 49 villes 1971 : 64 villes 1975 : 67 villes 1977 : 120 villes 1980 : 318 villes 1987 : 532 villes 1987 : 666 villes 1987 : 2392 villes 1994 : 7397 villes 1998 : villes 2001 : villes 2004 : villes

25 Résolution Historique Aujourd hui - La suède villes

26 Résolution Historique Demain - Le monde villes

27 Les algorithmes Résultats et le problème du voyageur de commerce

28 Idée générale Les algorithmes Résultats 1 : Au début, tous les chemins sont explorés (dépot de pistes de phéromones).

29 Idée générale Les algorithmes Résultats 2 : Le chemin le plus court est plus renforcé en phéromones que les autres

30 Idée générale Les algorithmes Résultats 3 : L évaporation des phéromones permet d éliminer les moins bonnes solutions

31 Ant System (AS) Les algorithmes Résultats Algorithme AS 1 : Chaque fourmi k parcourt le graphe et construit un trajet complet. Le choix de passer de la ville i à la ville j est définie par la probabilité [τ(i,j)].[η(i,j)] β si j J k (i) p k (i,j) = Pl J k (i) [τ(i,l)].[η(i,l)]β (1) 0 sinon avec η(i,l) = 1 d il

32 Ant System (AS) Les algorithmes Résultats Algorithme AS - Intensification 2 : Chaque fourmi k dépose une quantité de phéromone le long de son parcours qui dépend de la qualité de celui-ci { 1 τ k (i,j) = L k si (i,j) circuit effectué par la fourmi k 0 sinon (2)

33 Ant System (AS) Les algorithmes Résultats Algorithme AS - Diversification 3 : Pour éviter d être piégé dans des solutions sous optimales, un processus d oublie / d évaporation des phéromones a lieu τ(i,j) = (1 α).τ(i,j) + k τ k (i,j) (3)

34 Ant System and elitism Les algorithmes Résultats Elitisme Dans cette variante d AS, la meilleure fourmi dépose une quantité de phéromone plus importante que ses congénères. Le but est d accroître la probabilité des autres fourmis d explorer la solution la plus prometteuse.

35 Max-Min Ant System (MMAS) Les algorithmes Résultats MMAS Variante de l algorithme AS. Seule la meilleure fourmi met à jour une piste de phéromone Les valeurs des pistes sont bornées par τ min et τ max Les pistes sont initialisées à la valeur maximale τ max La mise à jour des pistes se fait de façon proportionnelle, les pistes les plus fortes étant moins renforcées que les plus faibles

36 Ant Colony System (ACS) Les algorithmes Résultats ACS - Choix du parcours 1 : Chaque fourmi k parcourt le graphe et construit un trajet complet. Le choix de passer de la ville i à la ville j est définie par { argmax j = z Jk (i)([τ(i,z)].[η(i,z)] β ) si q q 0 (intensification) S sinon (diversification) (4) avec q un nombre aléatoire sur [0..1], q 0 un paramètre et S une ville sélectionnée selon la même probablité que dans AS [τ(i,j)].[η(i,j)] β si j J k (i) p k (i,j) = Pl J k (i) [τ(i,l)].[η(i,l)]β (5) 0 sinon

37 Ant Colony System (ACS) Les algorithmes Résultats ACS - Mise à jour locale 2 : Chaque fourmi k dépose une quantité de phéromone le long de son parcours τ(i,j) = (1 ρ).τ(i,j) + ρ.τ 0 (6) avec τ 0 la valeur initiale de la piste. A chaque passage la piste voit donc sa quantité de phéromone diminuer (diversification).

38 Ant Colony System (ACS) Les algorithmes Résultats ACS - Mise à jour global 2 : La meilleur fourmi globale (i.e. depuis le début de l exploration) dépose une quantité de phéromone le long de son parcours qui dépend de la qualité de celui-ci τ(i,j) = (1 α).τ(i,j) + α. τ(i,j) (7) avec τ(i,j) = (L gb ) 1 Seule la meilleur piste est mise à jour, ce qui participe à une intensification.

39 ACS with Q-learning (Ant-Q) Les algorithmes Résultats Ant-Q Dans cette variante d ACS, la règle de mise à jour locale est inspirée du Q-Learning. τ(i,j) = (1 ρ).τ(i,j) + ρ. τ(i,j) (8) avec τ(i,j) = γ.max z Jk (j)τ(j,z) Cette version est aussi performante qu ACS mais plus gourmande en temps de calcul.

40 Les algorithmes Résultats Ant Colony System et recherche locale (ACS-3opt) ACS-3opt Hybridation entre ACS et une recherche locale de type 3opt. La solution de chaque fourmi est améliorée par 3opt (et donc les ramène à l optimum local le plus proche).

41 ACS avec d autres améliorations Les algorithmes Résultats Améliorations Utilisation de liste de candidats (taille = 15) Utilisation de don t look bit Toutes les possibilités de 3-opt ne sont pas permises en ATSP Utilisation de liste de candidats dans 3opt Autres recherches locales (ex : Lin-Kernighan) Représentations mémoires avancés pour stocker les chemins des fourmis (Splay tree, Two level tree, Segment tree,...) Attention à l implémentation...

42 Choix des paramètres (ACS) Les algorithmes Résultats Paramètres τ 0 = (n.l nn ) 1 10 fourmis α = ρ = 0.1 β = 2 q 0 = 0.9

43 Implémentation Les algorithmes Résultats Ce que nous avons implémenté en C++ AS AS-Elitism MMAS ACS ACS-3opt Genetic Algorithm with Relative Order Crossover (ROX) GA with nearest neightbor initialization Simulated Annealing Iterative nearest neightbors 3opt

44 Interface Comportements collectifs des insectes sociaux Les algorithmes Résultats

45 Les algorithmes Résultats Comparaison des règles de mise à jour locale Name ACS ACS ( τ(r, s) = 0) ACS sans maj. locale Avg. Dev. Best Avg. Dev. Best Avg. Dev. Best dj ,3 47, ,3 69, , d

46 Les algorithmes Résultats Importance des phéromones et de l heuristique

47 TSP Comportements collectifs des insectes sociaux Les algorithmes Résultats Name AS AS-Elitism MMAS ACS ACS CL ACS3OPT ACS3OPT CL Opti dj ,668% 0,871% 0% 0% 0% 0% 0% d ,098% 10,292% 11,603% 11,603% 9,594% 1,622% 4,132% Name Genetic Genetic NNI INN 3OPT SA Opti dj % 0% 1,653% 0% 14,844% d ,829% 2,871% 11,660% 1,7111% 531,768%

48 ATSP Comportements collectifs des insectes sociaux Les algorithmes Résultats Name AS AS-Elitism MMAS ACS ACS CL ACS3OPT Opti ft ,401% 2,573% 3,323% 5,239% 5,790% 0,654% ftv ,760% 122,178% 107,260% 149,764% 134,446% 110,200% Name Genetic Genetic NNI INN 3OPT SA Opti ft ,282% 5,153% 8,125% 4,352% 2,027% ftv ,481% 152,160% 169,764% 164,065% 159,093%

49 Autres applications Retombées scientifiques

50 Autres applications Retombées scientifiques Problèmes des tournées de véhicules TSP avec contraintes Capacité des véhicules Fenêtre de temps Précédences entre visites Temps de travail... Algorithme ACS - PPC Hybridation entre ACS et de la programmation par contrainte.

51 Autres applications Retombées scientifiques Problèmes des tournées de véhicules Visites suivantes possibles avant propagation des contraintes

52 Autres applications Retombées scientifiques Problèmes des tournées de véhicules Visites suivantes possibles après propagation des containtes

53 Autres applications Retombées scientifiques Problèmes des tournées de véhicules Choix de la ville suivante, et propagation des contraintes

54 Autres applications Retombées scientifiques Problèmes des tournées de véhicules Echec de la propagation backtracking

55 Autres applications discrètes Autres applications Retombées scientifiques Ant et contraintes Affectation quadratique Planification Ordonnancement séquentiel Routage sur réseau Coloriage de graphe Sac à dos multi-dimensionnel Reconstruction d arbres phylogénétiques IA de jeu d échecs (Drogoul 95)...

56 Autres applications Retombées scientifiques Continuous Ant Colony Algorithm - CACO Choix d une région : p i (t) = P [τ i(t)].[η i (t)] β j [τ j(t)].[η j (t)] β Déplacement dans une région : δr(t,r) = R.(1 u (1 t/t)c )

57 Adaptation dans le cas continu Autres applications Retombées scientifiques Ant et problèmes continus CACO (Bilchev 95, Wodrich 97, Mathur 00) A method for Solving Optimization Problems in Continuous Space Using Ant Colony Algorithm (Ling 04) méthode hybride fourmis + génétique CIAC - Continuous Interacting Ant Colony (Dréo 02) communication stigmergique + échanges directes API - Pachycondyla APIcalis (Monmarché 00) inspiré du compotement tandem-running (pas de communication stigmergique)...

58 Retombées scientifiques Autres applications Retombées scientifiques ACO - Ant Colony Optimization Application avec succès des ACO à de nombreux problèmes combinatoires. Appliqués à des problèmes continus. Application à des problèmes dynamique (ex : AntNet, routage réseau). Mémoire adaptative Grand engouement internationnal pour les ACO, conférence internationale (la 5ème en 2006) Communauté grandissante.

59 Ant prize Comportements collectifs des insectes sociaux Autres applications Retombées scientifiques

60 Bibliographie M. Dorigo and L.M. Gambardella Ant Colony System : A Cooperative Learning Approach to the Traveling Salesman Problem, IEEE Transaction on Evolutionary Computation, 1(1) :53-66 (1997) T. Stützle and H. Hoos Improvements on the Ant-System : Introducing the MAX-MIN Ant System, 1997 K. Helsgaun An effective Implementation of the Lin-Kernighan Traveling Salesman Heuristic, European Journal of Operational Research 126(1), (2000) M. Sevaux Métaheuristiques stratégies pour l optimisation de la production de biens et de services, Technical report, UVHC, 2004

61 Bibliographie S. Ando and H. Iba Ant algorithm for construction of evolutionary tree, IEEE Congress of Evolutionary Computation, p , 2002 M.L. Fredman, D.S. Johnson, L.A. McGeoch and G. Ostheimer Data Strcutures for Traveling Salesmen, J. Algorithms, 18 :3 (1995), pp D.S. Johnson and L.A. McGeoch The Traveling Salesman Problem : A case study in Local Optimization, Local Search in Combinatorial Optimization, E.H.L Aarts and J.K Lenstra (ditors), John Wiley and Sons, Ltd., 1997, pp P. Moscto On Genetic Crossover Operators for Relative Order Preservation, Caltech Concurrent Computation Program, Report C3P-778, (1989)

62 Bibliographie A. Drogoul When Ants Play Chess (Or Can Strategies Emerge from Tactical Behaviours?), From Reaction to Cognition, Fifth European Workshop on Modeling Autonomous Agents in a Multi-Agent World, pp 13-27, (1995) J. Dréo, A. Pétrowski, P. Siarry and E. Taillard Métaheuristiques pour l optimisation difficile, Eyrolles 2003

63 Des Questions?

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

Cours des Méthodes de Résolution Exactes Heuristiques et Métaheuristiques

Cours des Méthodes de Résolution Exactes Heuristiques et Métaheuristiques Université Mohammed V, Faculté des Sciences de Rabat Laboratoire de Recherche Mathématiques, Informatique et Applications Cours des Méthodes de Résolution Exactes Heuristiques et Métaheuristiques MASTER

Plus en détail

Jean-Philippe Préaux http://www.i2m.univ-amu.fr/~preaux

Jean-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 détail

Optimisation par colonies de fourmis. COSTANZO Andrea LUONG Thé Van MARILL Guillaume

Optimisation par colonies de fourmis. COSTANZO Andrea LUONG Thé Van MARILL Guillaume Optimisation par colonies de fourmis COSTANZO Andrea LUONG Thé Van MARILL Guillaume 19 mai 2006 Table des matières 1 Introduction 4 1.1 Pourquoi les fourmis?.................................. 4 1.2 Relation

Plus en détail

Modélisation multi-agents - Agents réactifs

Modélisation 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 détail

Atelier Transversal AT11. Activité «Fourmis» Pierre Chauvet. pierre.chauvet@uco.fr

Atelier Transversal AT11. Activité «Fourmis» Pierre Chauvet. pierre.chauvet@uco.fr Atelier Transversal AT11 Activité «Fourmis» Pierre Chauvet pierre.chauvet@uco.fr Ant : un algorithme inspiré de l éthologie L éthologie Etude scientifique des comportements animaux, avec une perspective

Plus en détail

Info0804. Cours 6. Optimisation combinatoire : Applications et compléments

Info0804. 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 détail

Un modèle réactif pour l optimisation par colonies de fourmis : application à la satisfaction de contraintes

Un modèle réactif pour l optimisation par colonies de fourmis : application à la satisfaction de contraintes Actes JFPC 2009 Un modèle réactif pour l optimisation par colonies de fourmis : application à la satisfaction de contraintes Madjid Khichane 1,2, Patrick Albert 1 et Christine Solnon 2 1 ILOG An IBM Company

Plus en 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

Ordonnancement en temps réel d un jobshop par métaheuristique hybride : étude comparative

Ordonnancement en temps réel d un jobshop par métaheuristique hybride : étude comparative Ordonnancement en temps réel d un jobshop par métaheuristique hybride : étude comparative Y. Houbad, M. Souier, A. Hassam, Z.Sari Laboratoire d automatique Tlemcen Faculté de technologie, Université Abou

Plus en 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

LES MÉTA-HEURISTIQUES : quelques conseils pour en faire bon usage

LES MÉTA-HEURISTIQUES : quelques conseils pour en faire bon usage LES MÉTA-HEURISTIQUES : quelques conseils pour en faire bon usage Alain HERTZ Ecole Polytechnique - GERAD Département de mathématiques et de génie industriel CP 679, succ. Centre-ville, Montréal (QC) H3C

Plus en détail

La programmation à mémoire adaptative ou l évolution des algorithmes évolutifs

La programmation à mémoire adaptative ou l évolution des algorithmes évolutifs La programmation à mémoire adaptative ou l évolution des algorithmes évolutifs Éric D. Taillard 1 Luca M. Gambardella 1 Michel Gendreau 2 Jean-Yves Potvin 2 1 IDSIA, Corso Elvezia 36, CH-6900 Lugano. E-mail

Plus en détail

Problème à résoudre. min f(s) s.c. s S

Problème à résoudre. min f(s) s.c. s S Métaheuristiques Le mot métaheuristique est dérivé de la composition de deux mots grecs: - heuristique qui vient du verbe heuriskein (ευρισκειν) et qui signifie trouver - meta qui est un suffixe signifiant

Plus en détail

Optimisation des tournées de ramassage scolaire de la commune de Seneffe

Optimisation des tournées de ramassage scolaire de la commune de Seneffe Optimisation des tournées de ramassage scolaire de la commune de Seneffe Laurie Hollaert Séminaire GRT 7 novembre Laurie Hollaert Optimisation des tournées de ramassage scolaire de la commune de Seneffe

Plus en détail

THÈSE DE DOCTORAT DE L UNIVERSITÉ PARIS 12-VAL DE MARNE UFR de Sciences et Technologie. par. Walid TFAILI. pour obtenir le grade de

THÈSE DE DOCTORAT DE L UNIVERSITÉ PARIS 12-VAL DE MARNE UFR de Sciences et Technologie. par. Walid TFAILI. pour obtenir le grade de THÈSE DE DOCTORAT DE L UNIVERSITÉ PARIS 12-VAL DE MARNE UFR de Sciences et Technologie par Walid TFAILI pour obtenir le grade de DOCTEUR EN SCIENCES Spécialité : SCIENCES DE L INGÉNIEUR Option : Optimisation

Plus en détail

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

Reconnaissance automatique de la parole à l aide de colonies de fourmis

Reconnaissance automatique de la parole à l aide de colonies de fourmis Reconnaissance automatique de la parole à l aide de colonies de fourmis Benjamin Lecouteux Didier Schwab Groupe d Étude en Traduction Automatique/Traitement Automatisé des Langues et de la Parole Laboratoire

Plus en détail

Optimisation Combinatoire (Méthodes approchées) II. Recherche Locale simple (Les bases)

Optimisation Combinatoire (Méthodes approchées) II. Recherche Locale simple (Les bases) Optimisation Combinatoire (Méthodes approchées) II. Recherche Locale simple (Les bases) Heuristique Constructive Itérativement, ajoute de nouvelles composantes à une solution partielle candidate Espace

Plus en détail

Vers une Optimisation de l Algorithme AntTreeStoch

Vers une Optimisation de l Algorithme AntTreeStoch Revue des Sciences et de la Technologie - RST- Volume 3 N 1 / janvier 2012 Vers une Optimisation de l Algorithme AntTreeStoch O. KADRI, H. MOUSS, A. ABDELHADI, R. MAHDAOUI Laboratoire d Automatique et

Plus en détail

Une application des algorithmes génétiques à l ordonnancement d atelier

Une application des algorithmes génétiques à l ordonnancement d atelier Une application des algorithmes génétiques à l ordonnancement d atelier VACHER Jean-Philippe - GALINHO Thierry - MAMMERI Zoubir Laboratoire d Informatique du Havre Université du Havre 25, Rue Philippe

Plus en détail

THÈSE. présentée à l Université d Avignon et des Pays de Vaucluse pour obtenir le diplôme de DOCTORAT

THÈSE. présentée à l Université d Avignon et des Pays de Vaucluse pour obtenir le diplôme de DOCTORAT ACADÉMIE D AIX-MARSEILLE UNIVERSITÉ D AVIGNON ET DES PAYS DE VAUCLUSE THÈSE présentée à l Université d Avignon et des Pays de Vaucluse pour obtenir le diplôme de DOCTORAT SPÉCIALITÉ : Informatique École

Plus en détail

Sommaire. Introduction. I. Notions de routage a) Technologies actuelles b) Avantages et désavantages

Sommaire. Introduction. I. Notions de routage a) Technologies actuelles b) Avantages et désavantages Sommaire Introduction I. Notions de routage a) Technologies actuelles b) Avantages et désavantages II. Routage et fourmis a) Principe et avantages b) Structure du simulateur III.Implémentation a) Présentation

Plus en détail

Exemples de problèmes et d applications. INF6953 Exemples de problèmes 1

Exemples de problèmes et d applications. INF6953 Exemples de problèmes 1 Exemples de problèmes et d applications INF6953 Exemples de problèmes Sommaire Quelques domaines d application Quelques problèmes réels Allocation de fréquences dans les réseaux radio-mobiles Affectation

Plus en détail

Nouvelles 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 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 détail

Optimisation multi-objectif par colonies de fourmis : cas des problèmes de sac à dos

Optimisation multi-objectif par colonies de fourmis : cas des problèmes de sac à dos Optimisation multi-objectif par colonies de fourmis : cas des problèmes de sac à dos Inès Alaya To cite this version: Inès Alaya. Optimisation multi-objectif par colonies de fourmis : cas des problèmes

Plus en détail

Principes d implémentation des métaheuristiques

Principes d implémentation des métaheuristiques Chapitre 2 Principes d implémentation des métaheuristiques Éric D. Taillard 1 2.1 Introduction Les métaheuristiques ont changé radicalement l élaboration d heuristiques : alors que l on commençait par

Plus en détail

RenPar'14 Hammamet, Tunisie 10-13 avril 2002

RenPar'14 Hammamet, Tunisie 10-13 avril 2002 PARALLELISATION CO-EVOLUTIVE DE L OPTIMISATION PAR COLONIE DE FOURMIS POUR LA RESOLUTION D UN PROBLEME D ORDONNANCEMENT INDUSTRIEL Pierre Delisle (1), Marc Gravel (1), Caroline Gagné (1), Michaël Krajecki

Plus en détail

Cours de Master Recherche

Cours 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 détail

Optimisation par Colonies de Fourmis Artificielles

Optimisation par Colonies de Fourmis Artificielles Optimisation par Colonies de Fourmis Artificielles Tour d horizon Nicolas Monmarché Laboratoire d Informatique Université François Rabelais - Tours Yravals 07, Deuxième école d été sur L Évolution Artificielle

Plus en détail

Allocation de ressources pour réseaux virtuels Projet de fin d études. Mikaël Capelle. Marie-José Huguet Slim Abdellatif Pascal Berthou

Allocation de ressources pour réseaux virtuels Projet de fin d études. Mikaël Capelle. Marie-José Huguet Slim Abdellatif Pascal Berthou Allocation de ressources pour réseaux virtuels Projet de fin d études Mikaël Capelle Marie-José Huguet Slim Abdellatif Pascal Berthou 27 Juin 2014 Plan 1 Introduction - La virtualisation de réseau 2 3

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

La notion de dualité

La notion de dualité La notion de dualité Dual d un PL sous forme standard Un programme linéaire est caractérisé par le tableau simplexe [ ] A b. c Par définition, le problème dual est obtenu en transposant ce tableau. [ A

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

Système Immunitaire Artificiel Parallèle appliqué aux Flow Shop Hybride (FSH)

Système Immunitaire Artificiel Parallèle appliqué aux Flow Shop Hybride (FSH) République Algérienne Démocratique et Populaire Ministère de l Enseignement Supérieur et de la Recherche Scientifique Université des Sciences et de la Technologie d Oran -Mohamed Boudiaf USTO-MB Faculté

Plus en détail

Systèmes Multi-Agents : Modélisation et simulation informatique de comportements collectifs. Chapitre III

Systèmes Multi-Agents : Modélisation et simulation informatique de comportements collectifs. Chapitre III Systèmes Multi-gents : Modélisation et simulation informatique de comportements collectifs Chapitre III Différentes approches de Conception et applications Introduction Les différents concepts Cheminement

Plus en détail

Résolution des problèmes difficiles par optimisation distribuée

Résolution des problèmes difficiles par optimisation distribuée REPUBLIQUE ALGERIENNE DEMOCRATIQUE ET POPULAIRE Ministère de l Enseignement Supérieur et de la Recherche Scientifique UNIVERSITE MOHAMED KHIDER BISKRA Faculté des sciences et des sciences de l ingénieur

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

Diverses techniques d'optimisation inspirées de la théorie de l'auto-organisation dans les systèmes biologiques

Diverses techniques d'optimisation inspirées de la théorie de l'auto-organisation dans les systèmes biologiques Diverses techniques d'optimisation inspirées de la théorie de l'auto-organisation dans les systèmes biologiques Johann Dréo, Patrick Siarry Université de Paris XII Val-de-Marne Laboratoire d'etude et de

Plus en détail

Algorithme de recherche locale pour la résolution d un problème réel de tournées d inventaires

Algorithme de recherche locale pour la résolution d un problème réel de tournées d inventaires Algorithme de recherche locale pour la résolution d un problème réel de tournées d inventaires Thierry Benoist Frédéric Gardi Antoine Jeanjean Bouygues e-lab, Paris { tbenoist, fgardi, ajeanjean }@bouygues.com

Plus en détail

Minimisation de la somme des retards dans un jobshop flexible

Minimisation de la somme des retards dans un jobshop flexible Minimisation de la somme des retards dans un jobshop flexible Nozha ZRIBI, Imed KACEM, Abdelkader EL KAMEL, Pierre BORNE LAGIS Ecole Centrale de Lille, BP 48, 5965 Villeneuve d Ascq Cedex, France ISTIT

Plus en détail

Etude de modèles de programmation par contraintes pour le problème du voyageur de. avec fenêtres de temps.

Etude de modèles de programmation par contraintes pour le problème du voyageur de. avec fenêtres de temps. Actes JFPC 2015 Etude de modèles de programmation par contraintes pour le problème du voyageur de commerce avec fenêtres de temps Sylvain Ducomman 1 2 Hadrien Cambazard 1 Bernard Penz 1 1 Univ. Grenoble

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

Séparation et Evaluation pour le problème d ordonnancement avec blocage.

Séparation et Evaluation pour le problème d ordonnancement avec blocage. Séparation et Evaluation pour le problème d ordonnancement avec blocage. Abdelhakim Ait Zai 1, Abdelkader Bentahar 1, Hamza Bennoui 1, Mourad Boudhar 2 et Yazid Mati 3 1 Faculté d Electronique et d Informatique,

Plus en détail

Optimisation et programmation mathématique. Professeur Michel de Mathelin. Cours intégré : 20 h

Optimisation et programmation mathématique. Professeur Michel de Mathelin. Cours intégré : 20 h Télécom Physique Strasbourg Master IRIV Optimisation et programmation mathématique Professeur Michel de Mathelin Cours intégré : 20 h Programme du cours d optimisation Introduction Chapitre I: Rappels

Plus en détail

UNIVERSITÉ DU QUÉBEC MÉMOIRE PRÉSENTÉ À L'UNIVERSITÉ DU QUÉBEC À CHICOUTIMI COMME EXIGENCE PARTIELLE DE LA MAÎTRISE EN INFORMATIQUE

UNIVERSITÉ DU QUÉBEC MÉMOIRE PRÉSENTÉ À L'UNIVERSITÉ DU QUÉBEC À CHICOUTIMI COMME EXIGENCE PARTIELLE DE LA MAÎTRISE EN INFORMATIQUE UNIVERSITÉ DU QUÉBEC MÉMOIRE PRÉSENTÉ À L'UNIVERSITÉ DU QUÉBEC À CHICOUTIMI COMME EXIGENCE PARTIELLE DE LA MAÎTRISE EN INFORMATIQUE OFFERTE EN VERTU D'UN PROTOCOLE D'ENTENTE AVEC L'UNIVERSITÉ DU QUÉBEC

Plus en détail

Intelligence des essaims (Swarm Intelligence)

Intelligence des essaims (Swarm Intelligence) Intelligence des essaims (Swarm Intelligence) Présentation Ghislain O Mahony 27 novembre 2006 Réunion Emergence 1 Les auteurs / caractéristiques ouvrage Les auteurs Eric Bonabeau Chef scientifique Icosystem

Plus en détail

Problèmes d ordonnancement dans les systèmes de production. Journée Automatique et Optimisation Université de Paris 12 20 Mars 2003

Problèmes d ordonnancement dans les systèmes de production. Journée Automatique et Optimisation Université de Paris 12 20 Mars 2003 Problèmes d ordonnancement dans les systèmes de production Michel Gourgand Université Blaise Pascal Clermont Ferrand LIMOS CNRS UMR 6158 1 Le LIMOS Laboratoire d Informatique, de Modélisation et d Optimisation

Plus en détail

Mémoire. En vue de l obtention du diplôme de Magister en Informatique. Option : SIC (Systèmes d Information et de Connaissances)

Mémoire. En vue de l obtention du diplôme de Magister en Informatique. Option : SIC (Systèmes d Information et de Connaissances) République Algérienne Démocratique et Populaire Ministère de l Enseignement Supérieur et de la Recherche Scientifique E.S.I (Ecole nationale Supérieure d Informatique) (ex. INI) Mémoire En vue de l obtention

Plus en détail

Christelle REYNES EA 2415 Epidémiologie, Biostatistique et Santé Publique Université Montpellier 1. 8 Juin 2012

Christelle REYNES EA 2415 Epidémiologie, Biostatistique et Santé Publique Université Montpellier 1. 8 Juin 2012 Extraction et analyse des mesures haut-débit pour l identification de biomarqueurs : problèmes méthodologiques liés à la dimension et solutions envisagées EA 2415 Epidémiologie, Biostatistique et Santé

Plus en détail

EXPERIMENTATIONS DE METHODES PARALLELES DE RECHERCHE D INFORMATION SUR INTERNET

EXPERIMENTATIONS DE METHODES PARALLELES DE RECHERCHE D INFORMATION SUR INTERNET EXPERIMENTATIONS DE METHODES PARALLELES DE RECHERCHE D INFORMATION SUR INTERNET Fabien PICAROUGNE (*), Gilles VENTURINI(*), Christiane GUINOT(**) fabien.picarougne@univ-tours.fr, venturini@univ-tours.fr,

Plus en détail

Recherche locale pour un problème d optimisation de tournées de véhicules avec gestion des stocks

Recherche locale pour un problème d optimisation de tournées de véhicules avec gestion des stocks 8 e Conférence Internationale de MOdélisation et SIMulation - MOSIM 10-10 au 12 mai 2010 - Hammamet - Tunisie «Évaluation et optimisation des systèmes innovants de production de biens et de services» Recherche

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

Vers une approche Adaptative pour la Découverte et la Composition Dynamique des Services

Vers une approche Adaptative pour la Découverte et la Composition Dynamique des Services 69 Vers une approche Adaptative pour la Découverte et la Composition Dynamique des Services M. Bakhouya, J. Gaber et A. Koukam Laboratoire Systèmes et Transports SeT Université de Technologie de Belfort-Montbéliard

Plus en détail

A GRASPxELS approach for the Job Shop with generic time-lags and new statistical determination of the parameters

A GRASPxELS approach for the Job Shop with generic time-lags and new statistical determination of the parameters A GRASPxELS approach for the Job Shop with generic time-lags and new statistical determination of the parameters Présenté par : Equipe de travail : Laboratoire : Maxime CHASSAING Philippe LACOMME, Nikolay

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

Approche d'évaluation pour les problèmes d'ordonnancement multicritères : Méthode d'agrégation avec direction de recherche dynamique

Approche d'évaluation pour les problèmes d'ordonnancement multicritères : Méthode d'agrégation avec direction de recherche dynamique Approche d'évaluation pour les problèmes d'ordonnancement multicritères : Méthode d'agrégation avec direction de recherche dynamiue D. BERKOUNE 2, K. MESGHOUNI, B. RABENASOLO 2 LAGIS UMR CNRS 846, Ecole

Plus en détail

Programmation Linéaire - Cours 1

Programmation 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 détail

Communications collectives et ordonnancement en régime permanent pour plates-formes hétérogènes

Communications 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 détail

Plans Coupants et Branch-and-bound

Plans Coupants et Branch-and-bound Plans Coupants et Branch-and-bound Pierre Bonami Optimisation Combinatoire, Masters II, ID et IF 18 décembre 2012 2 idées algorithmiques On considère un problème en nombres entiers z PLM = min{c T x :

Plus en détail

UNIVERSITÉ DU QUÉBEC À CHICOUTIMI UNIVERSITÉ DU QUÉBEC À MONTRÉAL

UNIVERSITÉ DU QUÉBEC À CHICOUTIMI UNIVERSITÉ DU QUÉBEC À MONTRÉAL UNIVERSITÉ DU QUÉBEC À CHICOUTIMI UNIVERSITÉ DU QUÉBEC À MONTRÉAL MÉTAHEURISTIQUES HYBRIDES POUR LA RÉSOLUTION DU PROBLÈME D'ORDONNANCEMENT DE VOITURES DANS UNE CHAÎNE D'ASSEMBLAGE AUTOMOBILE MÉMOIRE PRÉSENTÉ

Plus en détail

Partie III : exemples et applications

Partie III : exemples et applications Partie III : exemples et applications Diapositive 1 )GQRMGPCQB\0NRGKGQ?RGML Avant de passer aux choses sérieuses, c est-à-dire aux applications réelles, je voudrais juste illustrer la diversité des problèmes

Plus en détail

DOCUMENT DE TRAVAIL 1998-021. Centre de recherche sur l aide à l évaluation et à la décision dans les organisations (CRAEDO)

DOCUMENT DE TRAVAIL 1998-021. Centre de recherche sur l aide à l évaluation et à la décision dans les organisations (CRAEDO) Publié par : Published by : Publicación de la : Édition électronique : Electronic publishing : Edición electrónica : Disponible sur Internet : Available on Internet Disponible por Internet : Faculté des

Plus en détail

Fig.1. Structure d un AGQ

Fig.1. Structure d un AGQ Evolution d Automate Cellulaire par Algorithme Génétique Quantique Zakaria Laboudi 1 - Salim Chikhi 2 Equipe SCAL, Laboratoire MISC Université Mentouri de Constantine. E - Mail : 1 laboudizak@yahoo.fr;

Plus en 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

Optimisation de requêtes. I3009 Licence d informatique 2015/2016. Traitement des requêtes

Optimisation de requêtes. I3009 Licence d informatique 2015/2016. Traitement des requêtes Optimisation de requêtes I3009 Licence d informatique 2015/2016 Cours 5 - Optimisation de requêtes Stéphane.Gançarski Stephane.Gancarski@lip6.fr Traitement et exécution de requêtes Implémentation des opérateurs

Plus en détail

Annexe 6. Notions d ordonnancement.

Annexe 6. Notions d ordonnancement. Annexe 6. Notions d ordonnancement. APP3 Optimisation Combinatoire: problèmes sur-contraints et ordonnancement. Mines-Nantes, option GIPAD, 2011-2012. Sophie.Demassey@mines-nantes.fr Résumé Ce document

Plus en détail

Proposition d un modèle pour Ordonnancement d un Système Automatisé de Production Applications des algorithmes génétiques hybrides

Proposition d un modèle pour Ordonnancement d un Système Automatisé de Production Applications des algorithmes génétiques hybrides Proposition d un modèle pour Ordonnancement d un Système Automatisé de Production Applications des algorithmes génétiques hybrides Djamila Bouhalouan 1, Nassima Aissani 1, Bouziane Beldjilali 2 1 Département

Plus en détail

Conception de réseaux de télécommunications : optimisation et expérimentations

Conception de réseaux de télécommunications : optimisation et expérimentations Conception de réseaux de télécommunications : optimisation et expérimentations Jean-François Lalande Directeurs de thèse: Jean-Claude Bermond - Michel Syska Université de Nice-Sophia Antipolis Mascotte,

Plus en détail

Echantillonnage Non uniforme

Echantillonnage 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 détail

MCMC et approximations en champ moyen pour les modèles de Markov

MCMC et approximations en champ moyen pour les modèles de Markov MCMC et approximations en champ moyen pour les modèles de Markov Gersende FORT LTCI CNRS - TELECOM ParisTech En collaboration avec Florence FORBES (Projet MISTIS, INRIA Rhône-Alpes). Basé sur l article:

Plus en détail

Comportements Individuels Adaptatifs dans un Environnement Dynamique pour l'exploitation Collective de Ressource

Comportements Individuels Adaptatifs dans un Environnement Dynamique pour l'exploitation Collective de Ressource Comportements Individuels Adaptatifs dans un Environnement Dynamique pour l'exploitation Collective de Ressource Intelligence Artificielle Située, Cerveau, corps et environnement, Drogoul A. & Meyer J-A.

Plus en détail

Hela Boukef. To cite this version: HAL Id: tel-00577101 https://tel.archives-ouvertes.fr/tel-00577101

Hela Boukef. To cite this version: HAL Id: tel-00577101 https://tel.archives-ouvertes.fr/tel-00577101 Sur l ordonnancement d ateliers job-shop flexibles et flow-shop en industries pharmaceutiques : optimisation par algorithmes génétiques et essaims particulaires Hela Boukef To cite this version: Hela Boukef.

Plus en détail

Objectifs du cours d aujourd hui. Informatique II : Cours d introduction à l informatique et à la programmation objet. Complexité d un problème (2)

Objectifs du cours d aujourd hui. Informatique II : Cours d introduction à l informatique et à la programmation objet. Complexité d un problème (2) Objectifs du cours d aujourd hui Informatique II : Cours d introduction à l informatique et à la programmation objet Complexité des problèmes Introduire la notion de complexité d un problème Présenter

Plus en détail

RLBS: Une stratégie de retour arrière adaptative basée sur l apprentissage par renforcement pour l optimisation combinatoire

RLBS: Une stratégie de retour arrière adaptative basée sur l apprentissage par renforcement pour l optimisation combinatoire Actes JFPC 2015 RLBS: Une stratégie de retour arrière adaptative basée sur l apprentissage par renforcement pour l optimisation combinatoire Ilyess Bachiri 1,2 Jonathan Gaudreault 1,2 Brahim Chaib-draa

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

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

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

Sommaire. Introduction.2. 1. Définition..2. 2. Historique.2. 3. Domaine d application.2. 4.Les Travaux réalisés sur les domaines d application.

Sommaire. Introduction.2. 1. Définition..2. 2. Historique.2. 3. Domaine d application.2. 4.Les Travaux réalisés sur les domaines d application. Sommaire Introduction.2 1. Définition..2 2. Historique.2 3. Domaine d application.2 4.Les Travaux réalisés sur les domaines d application.3 5.Algorithme 4 6.Exemple d application 5 7. Avantage et inconvénient..6

Plus en 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

IFT6561. Simulation: aspects stochastiques

IFT6561. Simulation: aspects stochastiques IFT 6561 Simulation: aspects stochastiques DIRO Université de Montréal Automne 2013 Détails pratiques Professeur:, bureau 3367, Pav. A.-Aisenstadt. Courriel: bastin@iro.umontreal.ca Page web: http://www.iro.umontreal.ca/~bastin

Plus en détail

Jade. Projet Intelligence Artificielle «Devine à quoi je pense»

Jade. Projet Intelligence Artificielle «Devine à quoi je pense» Jade Projet Intelligence Artificielle «Devine à quoi je pense» Réalisé par Djénéba Djikiné, Alexandre Bernard et Julien Lafont EPSI CSII2-2011 TABLE DES MATIÈRES 1. Analyse du besoin a. Cahier des charges

Plus en détail

Réseaux de neurones formels

Réseaux de neurones formels Réseaux de neurones formels Christian Jutten Lab. des Images et des Signaux (LIS) UMR 5083 Centre National de la Recherche Scientifique, Institut National Polytechnique de Grenoble, Université Joseph Fourier

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

Résolution de systèmes linéaires par des méthodes directes

Résolution de systèmes linéaires par des méthodes directes Résolution de systèmes linéaires par des méthodes directes J. Erhel Janvier 2014 1 Inverse d une matrice carrée et systèmes linéaires Ce paragraphe a pour objet les matrices carrées et les systèmes linéaires.

Plus en détail

Un couplage métaheuristique / simulation appliqué au problème du job shop avec transport

Un couplage métaheuristique / simulation appliqué au problème du job shop avec transport Un couplage métaheuristique / simulation appliqué au problème du job shop avec transport LAURENT DEROUSSI 1, ICHEL GOURGAND 2 LIOS CNRS UR 6158 1 IUT de ontluçon, Avenue Aristide Briand B.P. 2235, 03101

Plus en détail

Désambiguïsation lexicale par propagation de mesures sémantiques locales par algorithmes à colonies de fourmis

Désambiguïsation lexicale par propagation de mesures sémantiques locales par algorithmes à colonies de fourmis TALN 2011, Montpellier, 27 juin 1 er juillet 2011 Désambiguïsation lexicale par propagation de mesures sémantiques locales par algorithmes à colonies de fourmis Didier Schwab, Jérôme Goulian, Nathan Guillaume

Plus en détail

Couplage efficace entre Optimisation et Simulation stochastique Application à la maintenance optimale d une constellation de satellites

Couplage efficace entre Optimisation et Simulation stochastique Application à la maintenance optimale d une constellation de satellites Couplage efficace entre Optimisation et Simulation stochastique Application à la maintenance optimale d une constellation de satellites Benoît Beghin Pierre Baqué André Cabarbaye Centre National d Etudes

Plus en 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

Répartition de charge dynamique dans un système distribuée

Répartition de charge dynamique dans un système distribuée Rapport de TER Répartition de charge dynamique dans un système distribuée Tuteur : Stephane Mancini Benjamin Petit Grenoble INP - Ensimag Mai 2010 Table des matières 1 Introduction 4 1.1 Contexte pratique...................................

Plus en détail

Programmation linéaire

Programmation 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 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

FIMA, 7 juillet 2005

FIMA, 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 détail

Cryptologie et physique quantique : Espoirs et menaces. Objectifs 2. distribué sous licence creative common détails sur www.matthieuamiguet.

Cryptologie et physique quantique : Espoirs et menaces. Objectifs 2. distribué sous licence creative common détails sur www.matthieuamiguet. : Espoirs et menaces Matthieu Amiguet 2005 2006 Objectifs 2 Obtenir une compréhension de base des principes régissant le calcul quantique et la cryptographie quantique Comprendre les implications sur la

Plus en détail

Reconstruction d images binaires par l estimation moindres carrés et l optimisation valeur propre

Reconstruction d images binaires par l estimation moindres carrés et l optimisation valeur propre Reconstruction d images binaires par l estimation moindres carrés et l optimisation valeur propre Stéphane Chrétien & Franck Corset Université de Franche-Comté, UMR6623, Département Mathématiques 16 route

Plus en détail

Contrôle stochastique d allocation de ressources dans le «cloud computing»

Contrôle stochastique d allocation de ressources dans le «cloud computing» Contrôle stochastique d allocation de ressources dans le «cloud computing» Jacques Malenfant 1 Olga Melekhova 1, Xavier Dutreilh 1,3, Sergey Kirghizov 1, Isis Truck 2, Nicolas Rivierre 3 Travaux partiellement

Plus en détail

1 Modélisation d être mauvais payeur

1 Modélisation d être mauvais payeur 1 Modélisation d être mauvais payeur 1.1 Description Cet exercice est très largement inspiré d un document que M. Grégoire de Lassence de la société SAS m a transmis. Il est intitulé Guide de démarrage

Plus en détail

Évaluation d une méthode d ordonnancement multicritère utilisant AHP

Évaluation d une méthode d ordonnancement multicritère utilisant AHP Évaluation d une méthode d ordonnancement multicritère utilisant AHP FOUZIA OUNNAR 1, SELMA KHADER 2, YVES DUBROMELLE 1, JEAN-PIERRE PRUNARET 1, PATRICK PUJO 1 1 LSIS UMR CNRS 7296 Aix-Marseille Université

Plus en détail

INSERTION TECHNIQUES FOR JOB SHOP SCHEDULING

INSERTION TECHNIQUES FOR JOB SHOP SCHEDULING INSERTION TECHNIQUES FOR JOB SHOP SCHEDULING ÉCOLE POLYTECHNIQUE FÉDÉRALE DE LAUSANNE POUR L'OBTENTION DU GRADE DE DOCTEUR ES SCIENCES PAR Tamas KIS Informaticien mathématicien diplômé de l'université

Plus en détail