Programmation dynamique. 6. Programmation dynamique. Principe d optimalité de Bellman. Programmation dynamique : notation
|
|
- Gaspard Albert
- il y a 7 ans
- Total affichages :
Transcription
1 Programmation dynamique IFT575 Modèles de recherche opérationnelle (RO) 6. Programmation dynamique Supposons un problème décomposé en étapes Chaque étape possède un certain nombre d états correspondant aux conditions possibles au début d une étape A chaque étape, on doit prendre une décision qui associe à l état courant l état au début de la prochaine étape Dans le cas d un problème d optimisation, la programmation dynamique identifie une politique optimale : une décision optimale à chaque étape pour chaque état possible 6. Programmation dynamique Principe d optimalité de Bellman Étant donné un état courant, la politique optimale pour les étapes à venir est indépendante des décisions prises aux étapes précédentes Lorsque ce principe est satisfait, on peut recourir à l approche suivante pour résoudre un problème ayant N étapes : Identifier une décision optimale pour la dernière étape (N) Pour chaque étape n, de N à : Étant donné une politique optimale pour l étape n+, identifier une politique optimale pour l étape n au moyen d une relation de récurrence Lorsque n =, on obtient une politique optimale pour le problème Programmation dynamique : notation N = nombre d étapes n = indice de l étape courante s n = état au début de l étape n x n = variable de décision associée à l étape n f n (s n,x n ) = contribution des étapes n, n+,, N à la valeur de l objectif lorsqu on se trouve à l état s n au début de l étape n, que la décision est x n, et que des décisions optimales sont prises par la suite x n * = solution optimale à l étape n f n *(s n ) = f n (s n,x n *) = min{f n (s n,x n )} ou max{f n (s n,x n )} 6. Programmation dynamique 6. Programmation dynamique 4
2 Programmation dynamique : tableau A chaque itération de la méthode, on construira un tableau représentant : La liste des états possibles à l étape n Les valeurs possibles de la variable x n La contribution à la valeur de l objectif, f n (s n,x n ) La valeur optimale f n *(s n ) et la solution optimale x n * s n x n =a x n =b x n =c f n *(s n ) x n * Exemple : productioninventaire Une compagnie doit fournir à son meilleur client trois unités du produit P durant chacune des trois prochaines semaines Voici les coûts de production : Semaine Production max, temps régulier Production max, temps supp. Coût unitaire, temps régulier $ f n (,a) f n (,b) f n (,c) f n *() 5 $ f n (,a) f n (,b) f n (,c) f n *() 4 $ 6. Programmation dynamique 5 6. Programmation dynamique 6 Exemple (suite) Le coût pour chaque unité produite en temps supplémentaire est $ de plus que le coût par unité produite en temps régulier Le coût unitaire d inventaire est de 5 $ par semaine Au début de la première semaine, il y a unités du produit dans l inventaire La compagnie ne veut plus rien avoir dans son inventaire au bout des trois semaines Combien doiton produire d unités à chaque semaine afin de rencontrer la demande du client, tout en minimisant les coûts? 6. Programmation dynamique 7 Exemple (suite) Étape = semaine N = n =,, s n = état au début de la semaine n = unités de produit dans l inventaire x n = nombre d unités produites lors de la semaine n s n+ = s n + x n (puisqu on doit livrer unités au client à chaque semaine) s = (puisqu il y a unités au début) 6. Programmation dynamique 8
3 Exemple (suite) Exemple (suite) c n = coût unitaire de production, semaine n r n = production max en temps régulier, semaine n m n = production max, semaine n p n (s n,x n ) = c n x n +max(,x n r n )+5max(,s n +x n ) f n (s n,x n ) = p n (s n,x n ) + f n+ *(s n+ ) f n *(s n ) = min{p n (s n,x n )+f n+ *(s n+ ) s n x n m n } Si n =, on doit poser f 4 *(s 4 ) = s f ( s,s ) f *(s ) x * De plus, s 4 = = s + x x = s Calculons d abord les valeurs f *(s ) et x * 6. Programmation dynamique 9 6. Programmation dynamique Exemple (suite) Exemple (suite) Voyons maintenant comment on peut calculer les valeurs f *(s ) et x *, lorsque s = D abord, il est clair qu on doit avoir x (car on doit livrer au moins unités du produit) f (,) = p (,) + f *() = = 9 f (,4) = p (,4) + f *() = = 5 f (,5) = p (,5) + f *() = = f *() = min{f (,), f (,4), f (,5)} = f (,) D où x * = s x = 4 x = 9 45 x = x = x = x = f *(s ) x * De la même façon, on calcule pour s =,, 6. Programmation dynamique 6. Programmation dynamique
4 Exemple (suite) Pour la première étape (n = ), on a s = (il y a unités au départ dans l inventaire) On doit donc avoir x f (,) = p (,) + f *() = + 9 = f (,) = p (,) + f *() = = 5 f (,) = p (,) + f *() = + 9 = f (,4) = p (,4) + f *() = = 95 f *() = f (,4) et x * = 4 Exemple (suite) Sous forme de tableau, cela donne : s x = x = 5 x = x =4 95 f *(s ) 95 La politique optimale est donc : x * = 4 (d où s = ), x * = (d où s = ), x * = Le coût total est : f *() = 95 $ x * 4 6. Programmation dynamique 6. Programmation dynamique 4 Exemple : affectation de ressources Trois équipes de recherche travaillent sur un même problème avec chacune une approche différente La probabilité que l équipe Ei échoue est : P(E) =,4; P(E) =,6; P(E) =,8 Ainsi, la probabilité que les trois équipes échouent simultanément est : (,4)(,6)(,8) =,9 On veut ajouter deux autres scientifiques afin de minimiser la probabilité d échec A quelles équipes fautil affecter ces deux scientifiques afin de minimiser la probabilité d échec? Exemple : données Voici le tableau représentant les probabilités d échec pour chaque équipe en fonction du nombre de scientifiques ajoutés Scientifiques ajoutés E,4,,5 E,6,4, E,8,5, 6. Programmation dynamique 5 6. Programmation dynamique 6 4
5 Exemple : modèle Exemple : résolution Étape n = équipe En, n =,, (N = ) État s n = nombre de scientifiques non encore affectés Décision x n = nombre de scientifiques affectés à l équipe En p n (x n ) = probabilité d échec de l équipe En si on lui affecte x n scientifiques f n (s n,x n ) = p n (x n ).f n+ *(s n x n ) (f 4 *() = ) f n *(s n ) = min{f n (s n,x n ) x n =,,,s n } Calculons d abord f *(s ) et x * On doit avoir s = x (on affecte tous les scientifiques non encore affectés) s f (s,s ),8,5, f *(s ),8,5, x * 6. Programmation dynamique 7 6. Programmation dynamique 8 Exemple : résolution (suite) Exemple : résolution (suite) Voyons maintenant comment on peut calculer les valeurs f *(s ) et x *, lorsque s = Il est clair qu on doit avoir x f (,) = p (,).f *() =,6.,5 =, f (,) = p (,).f *() =,4.,8 =, f *() = min{f (,), f (,)} = f (,) s x =,48, x =, x = f *(s ),48, x * D où x * = De la même façon, on calcule pour s = et,8,,6,6 6. Programmation dynamique 9 6. Programmation dynamique 5
6 Exemple : résolution (suite) Exemple : résolution (suite et fin) Pour la dernière étape (n = ), on a s = (il y a scientifiques à affecter) f (,) = p (,).f *() =,4.,6 =,64 f (,) = p (,).f *() =,., =,6 f (,) = p (,).f *() =,5.,48 =,7 f *() = f (,) et x * = s x =,64 x =,6 x =,7 f *(s ),6 La politique optimale est donc : x * = (d où s = ), x * = (d où s = ), x * = La probabilité d échec est : f *() =,6 x * 6. Programmation dynamique 6. Programmation dynamique Affectation de ressources Programmation dynamique : souvent utilisée pour résoudre des problèmes d affectation de ressources C était le cas dans notre dernier exemple, où il y avait une ressource à affecter (les scientifiques) Que faire lorsqu il y a plus d une ressource? Dans ce cas, chaque état est un vecteur dont chaque coordonnée i représente la quantité de la ressource i non encore affectée Voyons un exemple bien connu d affectation de ressources multiples : le problème Wyndor Glass Exemple : problème Wyndor Glass Deux types de produits (produit, produit ) Trois usines (usine, usine, usine ) Ressource i : Capacité de production pour l usine i (h/par semaine) Profit par lot ( unités) de chaque produit Chaque lot du produit () est le résultat combiné de la production aux usines et ( et ) Déterminer le taux de production pour chaque produit (nombre de lots/semaine) de façon à maximiser le profit total 6. Programmation dynamique 6. Programmation dynamique 4 6
7 Exemple : données Voici le tableau représentant les données du problème Usine Usine Usine Profit($)/lot Produit (tps de production, h/lot) Produit (tps de production, h/lot) 5 Capacité de production (h) 4 8 Exemple : modèle Étape n = produit n, n =, (N = ) État s n = (R,R,R ) n, où R i est la quantité de la ressource i (temps de production à l usine i) non encore affectée Décision x n = nombre de lots du produit n f n (s n,x n ) = c n x n + f n+ *(s n+ ) (f *(s ) = ) f *(s ) = max{5x x, x 8x, x } f *(s ) = max{x +f *(s ) x 4,x 8,x } s = (4,,8), s = (4x,,8x ) 6. Programmation dynamique 5 6. Programmation dynamique 6 Exemple : résolution On cherche d abord f *(s ) et x * f *(s ) = max{5x x, x 8x, x } x et x 8x x min{6,(8x )/} f *(s ) = max{5x x min{6,(8x )/}} x * = min{6,(8x )/} f *(s ) = 5 min{6,(8x )/) x 8} Calculons maintenant f *(s ) et x * Exemple : résolution (suite) f *(s ) = max{x +f *(s ) x 4,x 8,x } x 4 x 8 f *(s ) = max{x +5 min{6,(8x )/) x 4} min{6,(8x )/)} = 6, si x = (8x )/, si x 4 f *(s ) = max{f (s,x ) x 4} f (s,x ) = x +, si x = 45 (9/)x, si x 4 Le maximum est atteint en x * = et f *(s ) = 6 6. Programmation dynamique 7 6. Programmation dynamique 8 7
8 Exemple : résolution (suite et fin) x * = min{6,(8x )/} et x * = x * = 6 La politique optimale est donc : x * =, x * = 6 de valeur f *(s ) = 6 En utilisant la même approche, on peut résoudre par la programmation dynamique des modèles où : L objectif ou les contraintes sont non linéaires Certaines variables sont entières Cas probabiliste Dans la programmation dynamique probabiliste, la décision optimale à l étape n dépend de la loi de probabilité de l état à l étape n+ Ainsi, on passera de l étape n à l étape n+, se retrouvant ainsi dans l état i, avec une probabilité p i Étant donné S états à l étape n+, on aura p i et S i= p i = La relation de récurrence dépend de cette loi de probabilité et de l objectif à optimiser 6. Programmation dynamique 9 6. Programmation dynamique Exemple 4 : jeu de hasard Le jeu consiste à miser un nombre quelconque de jetons Si on gagne, on gagne le nombre de jetons misés Si on perd, on perd le nombre de jetons misés Un statisticien croit pouvoir gagner chaque jeu avec une probabilité égale à / Ses collègues parient avec lui qu en misant au départ jetons, il aura moins de 5 jetons après parties Combien de jetons miser à chacune des parties? Exemple 4 : modèle Étape n = partie n, n =,, (N = ) État s n = nombre de jetons au début de la partie n Décision x n = nombre de jetons à parier à la partie n On veut maximiser la probabilité d avoir au moins 5 jetons après parties f n (s n,x n ) : probabilité de terminer avec au moins 5 jetons, étant donné qu on est à l état s n à l étape n, qu on mise x n jetons et qu on effectue des décisions optimales aux étapes n+,,n f n *(s n ) = max{f n (s n,x n ) x n =,,,s n } 6. Programmation dynamique 6. Programmation dynamique 8
9 Exemple 4 : modèle (suite) Exemple 4 : résolution (n = ) Étant donné qu on est à l état s n à l étape n et qu on mise x n jetons, on peut : Perdre et se retrouver à l état s n x n avec une probabilité / Gagner et se retrouver à l état s n + x n avec une probabilité / f n (s n,x n ) = (/).f n+ *(s n x n ) + (/). f n+ *(s n +x n ) f 4 *(s 4 ) =, si s 4 < 5 =, si s 4 5 Calculons d abord f *(s ) et x * s 4 x = x = / x = / / x = / / x =4 / f *(s ) / / x * 5 6. Programmation dynamique 6. Programmation dynamique 4 Exemple 4 : résolution (n = ) Exemple 4 : résolution (n = ) Voyons maintenant comment on peut calculer les valeurs f *(s ) et x *, lorsque s = Il est clair qu on doit avoir x f (,) = /.f *() + /.f *() = / f (,) = /.f *() + /.f *(4) = 4/9 f (,) = /.f *() + /.f *(5) = / f (,) = /.f *() + /.f *(6) = / f *() = max{f (,),f (,),f (,),f (,)} = f (,) D où x * =, ou De la même façon, on calcule pour s =,,,4,5 s 4 5 x = / / x = 4/9 4/9 8/9 x = 4/9 / / x = / / x =4 / f *(s ) 4/9 / 8/9 x *,,, 6. Programmation dynamique 5 6. Programmation dynamique 6 9
10 Exemple 4 : résolution (n = ) Pour la première étape (n = ), on a s = ( jetons au départ affecter) f (,) = /.f *() + /.f *() = / f (,) = /.f *() + /.f *(4) = /7 f (,) = /.f *() + /.f *(5) = / f (,) = /.f *() + /.f *(6) = / f *() = max{f (,),f (,),f (,),f (,)} = f (,) D où x * = 6. Programmation dynamique 7 Exemple 4 : résolution (suite et fin) s x = / x = /7 x = / x = / La politique optimale est donc : x * = Si on gagne (s = 4), x * = Si on gagne (s = 5), x * = Si on perd (s = ), x * = ou Si on perd (s = ), x * = ou f *(s ) /7 x * Si on gagne (s = ou 4), x * = ou (si x * = ) ou x * 4 (si x * = ) Si on perd (s = ou ), x * (mais le pari est perdu!) 6. Programmation dynamique 8
Souad EL Bernoussi. Groupe d Analyse Numérique et Optimisation Rabat http ://www.fsr.ac.ma/ano/
Recherche opérationnelle Les démonstrations et les exemples seront traités en cours Souad EL Bernoussi Groupe d Analyse Numérique et Optimisation Rabat http ://www.fsr.ac.ma/ano/ Table des matières 1 Programmation
Plus en détailProgrammation linéaire
Programmation linéaire DIDIER MAQUIN Ecole Nationale Supérieure d Electricité et de Mécanique Institut National Polytechnique de Lorraine Mathématiques discrètes cours de 2ème année Programmation linéaire
Plus en détailL ANALYSE EN COMPOSANTES PRINCIPALES (A.C.P.) Pierre-Louis GONZALEZ
L ANALYSE EN COMPOSANTES PRINCIPALES (A.C.P.) Pierre-Louis GONZALEZ INTRODUCTION Données : n individus observés sur p variables quantitatives. L A.C.P. permet d eplorer les liaisons entre variables et
Plus en détailIndépendance Probabilité conditionnelle. Chapitre 3 Événements indépendants et Probabilités conditionnelles
Chapitre 3 Événements indépendants et Probabilités conditionnelles Indépendance Indépendance Probabilité conditionnelle Definition Deux événements A et B sont dits indépendants si P(A B) = P(A).P(B) Attention
Plus en détailExercices du Cours de la programmation linéaire donné par le Dr. Ali DERBALA
75. Un plombier connaît la disposition de trois tuyaux sous des dalles ( voir figure ci dessous ) et il lui suffit de découvrir une partie de chacun d eux pour pouvoir y poser les robinets. Il cherche
Plus en détailCALCUL DES PROBABILITES
CALCUL DES PROBABILITES Exemple On lance une pièce de monnaie une fois. Ensemble des événements élémentaires: E = pile, face. La chance pour obtenir pile vaut 50 %, pour obtenir face vaut aussi 50 %. Les
Plus en détailQuantification Scalaire et Prédictive
Quantification Scalaire et Prédictive Marco Cagnazzo Département Traitement du Signal et des Images TELECOM ParisTech 7 Décembre 2012 M. Cagnazzo Quantification Scalaire et Prédictive 1/64 Plan Introduction
Plus en détailProbabilités. Rappel : trois exemples. Exemple 2 : On dispose d un dé truqué. On sait que : p(1) = p(2) =1/6 ; p(3) = 1/3 p(4) = p(5) =1/12
Probabilités. I - Rappel : trois exemples. Exemple 1 : Dans une classe de 25 élèves, il y a 16 filles. Tous les élèves sont blonds ou bruns. Parmi les filles, 6 sont blondes. Parmi les garçons, 3 sont
Plus en détailCours d analyse numérique SMI-S4
ours d analyse numérique SMI-S4 Introduction L objet de l analyse numérique est de concevoir et d étudier des méthodes de résolution de certains problèmes mathématiques, en général issus de problèmes réels,
Plus en détailResolution limit in community detection
Introduction Plan 2006 Introduction Plan Introduction Introduction Plan Introduction Point de départ : un graphe et des sous-graphes. But : quantifier le fait que les sous-graphes choisis sont des modules.
Plus en détailChapitre 3. Les distributions à deux variables
Chapitre 3. Les distributions à deux variables Jean-François Coeurjolly http://www-ljk.imag.fr/membres/jean-francois.coeurjolly/ Laboratoire Jean Kuntzmann (LJK), Grenoble University 1 Distributions conditionnelles
Plus en détailProgrammation linéaire
1 Programmation linéaire 1. Le problème, un exemple. 2. Le cas b = 0 3. Théorème de dualité 4. L algorithme du simplexe 5. Problèmes équivalents 6. Complexité de l Algorithme 2 Position du problème Soit
Plus en détailNouveau Barème W.B.F. de points de victoire 4 à 48 donnes
Nouveau Barème W.B.F. de points de victoire 4 à 48 donnes Pages 4 à 48 barèmes 4 à 48 donnes Condensé en une page: Page 2 barèmes 4 à 32 ( nombre pair de donnes ) Page 3 Tous les autres barèmes ( PV de
Plus en détailÉquations non linéaires
Équations non linéaires Objectif : trouver les zéros de fonctions (ou systèmes) non linéaires, c-à-d les valeurs α R telles que f(α) = 0. y f(x) α 1 α 2 α 3 x Equations non lineaires p. 1/49 Exemples et
Plus en détailExemples de problèmes et d applications. INF6953 Exemples de problèmes 1
Exemples de problèmes et d applications INF6953 Exemples de problèmes Sommaire Quelques domaines d application Quelques problèmes réels Allocation de fréquences dans les réseaux radio-mobiles Affectation
Plus en détailGestion des stocks et des approvisionnements
Les stocks représentent dans le bilan des entreprises de 20 à 80% du total de l actifs. Engendrent un important besoin de financement. Les stocks remplissent d importantes fonctions. Bien gérer les stocks
Plus en détailProbabilités conditionnelles Exercices corrigés
Terminale S Probabilités conditionnelles Exercices corrigés Exercice : (solution Une compagnie d assurance automobile fait un bilan des frais d intervention, parmi ses dossiers d accidents de la circulation.
Plus en détailRésolution d équations non linéaires
Analyse Numérique Résolution d équations non linéaires Said EL HAJJI et Touria GHEMIRES Université Mohammed V - Agdal. Faculté des Sciences Département de Mathématiques. Laboratoire de Mathématiques, Informatique
Plus en détailDiscipline de trading
Discipline de trading Module 6 Discipline de trading Le dernier module de notre programme souligne qu il est fondamental de vous imposer une discipline de trading rigoureuse et vous donne des conseils
Plus en détailMathématiques financières
Mathématiques financières Table des matières 1 Intérêt simple 1 1.1 Exercices........................................ 1 2 Intérêt composé 2 2.1 Taux nominal, taux périodique, taux réel.......................
Plus en détailOptimisation non linéaire Irène Charon, Olivier Hudry École nationale supérieure des télécommunications
Optimisation non linéaire Irène Charon, Olivier Hudry École nationale supérieure des télécommunications A. Optimisation sans contrainte.... Généralités.... Condition nécessaire et condition suffisante
Plus en détailOPTIMISATION À UNE VARIABLE
OPTIMISATION À UNE VARIABLE Sommaire 1. Optimum locaux d'une fonction... 1 1.1. Maximum local... 1 1.2. Minimum local... 1 1.3. Points stationnaires et points critiques... 2 1.4. Recherche d'un optimum
Plus en détailOUTILS EN INFORMATIQUE
OUTILS EN INFORMATIQUE Brice Mayag brice.mayag@dauphine.fr LAMSADE, Université Paris-Dauphine R.O. Excel brice.mayag@dauphine.fr (LAMSADE) OUTILS EN INFORMATIQUE R.O. Excel 1 / 35 Plan Présentation générale
Plus en détailJulien MATHEVET Alexandre BOISSY GSID 4. Rapport RE09. Load Balancing et migration
Julien MATHEVET Alexandre BOISSY GSID 4 Rapport Load Balancing et migration Printemps 2001 SOMMAIRE INTRODUCTION... 3 SYNTHESE CONCERNANT LE LOAD BALANCING ET LA MIGRATION... 4 POURQUOI FAIRE DU LOAD BALANCING?...
Plus en détailPROBLEMES D'ORDONNANCEMENT AVEC RESSOURCES
Leçon 11 PROBLEMES D'ORDONNANCEMENT AVEC RESSOURCES Dans cette leçon, nous retrouvons le problème d ordonnancement déjà vu mais en ajoutant la prise en compte de contraintes portant sur les ressources.
Plus en détailMathématiques appliquées à l'économie et à la Gestion
Mathématiques appliquées à l'économie et à la Gestion Mr Makrem Ben Jeddou Mme Hababou Hella Université Virtuelle de Tunis 2008 Continuité et dérivation1 1- La continuité Théorème : On considère un intervalle
Plus en détailAnalyse Financière Les ratios
Analyse Financière Les ratios Présenté par ACSBE Traduit de l anglais par André Chamberland andre.cham@sympatico.ca L analyse financière Les grandes lignes Qu est-ce que l analyse financière? Que peuvent
Plus en détailINF 232: Langages et Automates. Travaux Dirigés. Université Joseph Fourier, Université Grenoble 1 Licence Sciences et Technologies
INF 232: Langages et Automates Travaux Dirigés Université Joseph Fourier, Université Grenoble 1 Licence Sciences et Technologies Année Académique 2013-2014 Année Académique 2013-2014 UNIVERSITÉ JOSEPH
Plus en détailProbabilités. Une urne contient 3 billes vertes et 5 billes rouges toutes indiscernables au toucher.
Lycée Jean Bart PCSI Année 2013-2014 17 février 2014 Probabilités Probabilités basiques Exercice 1. Vous savez bien qu un octet est une suite de huit chiffres pris dans l ensemble {0; 1}. Par exemple 01001110
Plus en détailTravaux dirigés n 1. Programmation linéaire
Université de Reims Champagne Ardenne U.F.R. de Sciences Exactes et Naturelles MASTER 1 Informatique - 2014/2015 Pierre Delisle Travaux dirigés n 1 Programmation linéaire Exercice 1 (Résolution d'un programme
Plus en détailCe document a été mis en ligne par le Canopé de l académie de Montpellier pour la Base Nationale des Sujets d Examens de l enseignement professionnel.
Ce document a été mis en ligne par le Canopé de l académie de Montpellier pour la Base Nationale des Sujets d Examens de l enseignement professionnel. Ce fichier numérique ne peut être reproduit, représenté,
Plus en détailConsortium de recherche FOR@C. Value Stream Mapping Formation
Consortium de recherche FOR@C Value Stream Mapping Formation Table des matières Historique VSM: C est quoi? VSM: Ça inclut quoi? Exemple d un VSM Étape de réalisation du VSM 2 Historique Méthode développée
Plus en détailApprentissage par renforcement (1a/3)
Apprentissage par renforcement (1a/3) Bruno Bouzy 23 septembre 2014 Ce document est le chapitre «Apprentissage par renforcement» du cours d apprentissage automatique donné aux étudiants de Master MI, parcours
Plus en détailCours de Recherche Opérationnelle IUT d Orsay. Nicolas M. THIÉRY. E-mail address: Nicolas.Thiery@u-psud.fr URL: http://nicolas.thiery.
Cours de Recherche Opérationnelle IUT d Orsay Nicolas M. THIÉRY E-mail address: Nicolas.Thiery@u-psud.fr URL: http://nicolas.thiery.name/ CHAPTER 1 Introduction à l optimisation 1.1. TD: Ordonnancement
Plus en détailMonia Amami Franck Brulhart Raymond Gambini Pierre-Xavier Meschi
Version 4.7 Simulation d Entreprise «Artemis» Monia Amami Franck Brulhart Raymond Gambini Pierre-Xavier Meschi p. 1 1. Objectifs et Contexte Général L objectif de la simulation d entreprise «Artemis» est
Plus en détail1 de 46. Algorithmique. Trouver et Trier. Florent Hivert. Mél : Florent.Hivert@lri.fr Page personnelle : http://www.lri.fr/ hivert
1 de 46 Algorithmique Trouver et Trier Florent Hivert Mél : Florent.Hivert@lri.fr Page personnelle : http://www.lri.fr/ hivert 2 de 46 Algorithmes et structures de données La plupart des bons algorithmes
Plus en détailUtiliser des fonctions complexes
Chapitre 5 Utiliser des fonctions complexes Construire une formule conditionnelle avec la fonction SI Calculer un remboursement avec la fonction VPN Utiliser des fonctions mathématiques Utiliser la fonction
Plus en détailClassification non supervisée
AgroParisTech Classification non supervisée E. Lebarbier, T. Mary-Huard Table des matières 1 Introduction 4 2 Méthodes de partitionnement 5 2.1 Mesures de similarité et de dissimilarité, distances.................
Plus en détailCapacité d un canal Second Théorème de Shannon. Théorie de l information 1/34
Capacité d un canal Second Théorème de Shannon Théorie de l information 1/34 Plan du cours 1. Canaux discrets sans mémoire, exemples ; 2. Capacité ; 3. Canaux symétriques ; 4. Codage de canal ; 5. Second
Plus en détailChapitre 11. Séries de Fourier. Nous supposons connues les formules donnant les coefficients de Fourier d une fonction 2 - périodique :
Chapitre Chapitre. Séries de Fourier Nous supposons connues les formules donnant les coefficients de Fourier d une fonction - périodique : c c a0 f x dx c an f xcosnxdx c c bn f xsinn x dx c L objet de
Plus en détailPremière partie. Modélisation des problèmes en programmes linéaires notés PL
Première partie Modélisation des problèmes en programmes linéaires notés PL ième année Licence LMD de mathématiques, USDBlida 0. Un grossiste doit livrer unités d un produit déterminé P à trois détaillants
Plus en détailCH X Intérêts composés - Amortissements
CH X Intérêts composés - Amortissements I) Les intérêts composés : 1) Situation : Un capital de 20 000,00 est placé à un taux d intérêts de 4 % l an pendant 5 ans. Chaque année les intérêts produits viennent
Plus en détailCHAPITRE 5. Stratégies Mixtes
CHAPITRE 5 Stratégies Mixtes Un des problèmes inhérents au concept d équilibre de Nash en stratégies pures est que pour certains jeux, de tels équilibres n existent pas. P.ex.le jeu de Pierre, Papier,
Plus en détailProbabilités (méthodes et objectifs)
Probabilités (méthodes et objectifs) G. Petitjean Lycée de Toucy 10 juin 2007 G. Petitjean (Lycée de Toucy) Probabilités (méthodes et objectifs) 10 juin 2007 1 / 19 1 Déterminer la loi de probabilité d
Plus en détailoù «p» représente le nombre de paramètres estimés de la loi de distribution testée sous H 0.
7- Tests d austement, d indépendance et de coélation - Chapite 7 : Tests d austements, d indépendance et de coélation 7. Test d austement du Khi-deux... 7. Test d austement de Kolmogoov-Sminov... 7.. Test
Plus en détailI. Cas de l équiprobabilité
I. Cas de l équiprobabilité Enoncé : On lance deux dés. L un est noir et l autre est blanc. Calculer les probabilités suivantes : A «Obtenir exactement un as» «Obtenir au moins un as» C «Obtenir au plus
Plus en détailUEO11 COURS/TD 1. nombres entiers et réels codés en mémoire centrale. Caractères alphabétiques et caractères spéciaux.
UEO11 COURS/TD 1 Contenu du semestre Cours et TDs sont intégrés L objectif de ce cours équivalent a 6h de cours, 10h de TD et 8h de TP est le suivant : - initiation à l algorithmique - notions de bases
Plus en détailCHAPITRE V SYSTEMES DIFFERENTIELS LINEAIRES A COEFFICIENTS CONSTANTS DU PREMIER ORDRE. EQUATIONS DIFFERENTIELLES.
CHAPITRE V SYSTEMES DIFFERENTIELS LINEAIRES A COEFFICIENTS CONSTANTS DU PREMIER ORDRE EQUATIONS DIFFERENTIELLES Le but de ce chapitre est la résolution des deux types de systèmes différentiels linéaires
Plus en détailOptimisation Discrète
Prof F Eisenbrand EPFL - DISOPT Optimisation Discrète Adrian Bock Semestre de printemps 2011 Série 7 7 avril 2011 Exercice 1 i Considérer le programme linéaire max{c T x : Ax b} avec c R n, A R m n et
Plus en détailInitiation à l algorithmique
Informatique S1 Initiation à l algorithmique procédures et fonctions 2. Appel d une fonction Jacques TISSEAU Ecole Nationale d Ingénieurs de Brest Technopôle Brest-Iroise CS 73862-29238 Brest cedex 3 -
Plus en détailCHAPITRE 4 LA VALORISATION DES STOCKS COURS DE COMPTABILITE ANALYTIQUE SEMESTRE 2 DUT TC
COURS DE COMPTABILITE ANALYTIQUE SEMESTRE 2 DUT TC CHAPITRE 4 LA VALORISATION DES STOCKS CORINNE ZAMBOTTO - COURS DE COMPTABILITE ANALYTIQUE IUT SENART-FONTAINEBLEAU 1 I. LA PLACE DES STOCKS DANS LE CYCLE
Plus en détailPlan. 5 Actualisation. 7 Investissement. 2 Calcul du taux d intérêt 3 Taux équivalent 4 Placement à versements fixes.
Plan Intérêts 1 Intérêts 2 3 4 5 6 7 Retour au menu général Intérêts On place un capital C 0 à intérêts simples de t% par an : chaque année une somme fixe s ajoute au capital ; cette somme est calculée
Plus en détailExercices sur le chapitre «Probabilités»
Arnaud de Saint Julien - MPSI Lycée La Merci 2014-2015 1 Pour démarrer Exercices sur le chapitre «Probabilités» Exercice 1 (Modélisation d un dé non cubique) On considère un parallélépipède rectangle de
Plus en détailTP : Shell Scripts. 1 Remarque générale. 2 Mise en jambe. 3 Avec des si. Systèmes et scripts
E3FI ESIEE Paris Systèmes et scripts B. Perret TP : Shell Scripts 1 Remarque générale Lorsque vous cherchez des informations sur Internet, n'oubliez pas que langage de shell script que nous avons vu correspond
Plus en détailCoefficients binomiaux
Probabilités L2 Exercices Chapitre 2 Coefficients binomiaux 1 ( ) On appelle chemin une suite de segments de longueur 1, dirigés soit vers le haut, soit vers la droite 1 Dénombrer tous les chemins allant
Plus en détail1 Complément sur la projection du nuage des individus
TP 0 : Analyse en composantes principales (II) Le but de ce TP est d approfondir nos connaissances concernant l analyse en composantes principales (ACP). Pour cela, on reprend les notations du précédent
Plus en détailTests non-paramétriques de non-effet et d adéquation pour des covariables fonctionnelles
Tests non-paramétriques de non-effet et d adéquation pour des covariables fonctionnelles Valentin Patilea 1 Cesar Sanchez-sellero 2 Matthieu Saumard 3 1 CREST-ENSAI et IRMAR 2 USC Espagne 3 IRMAR-INSA
Plus en détailCalcul différentiel sur R n Première partie
Calcul différentiel sur R n Première partie Université De Metz 2006-2007 1 Définitions générales On note L(R n, R m ) l espace vectoriel des applications linéaires de R n dans R m. Définition 1.1 (différentiabilité
Plus en détailCOMPTABILITE D ENTREPRISE METHODE COMPTABLE
COMPTABILITE D ENTREPRISE METHODE COMPTABLE Qu est ce que la comptabilité? La comptabilité est un ensemble d enregistrement, de traitement, au niveau interne elle permet aux dirigeants de faire des choix.
Plus en détail4. Exercices et corrigés
4. Exercices et corrigés. N 28p.304 Dans une classe de 3 élèves, le club théâtre (T) compte 0 élèves et la chorale (C) 2 élèves. Dix-huit élèves ne participent à aucune de ces activités. On interroge au
Plus en détailExercices Corrigés Premières notions sur les espaces vectoriels
Exercices Corrigés Premières notions sur les espaces vectoriels Exercice 1 On considére le sous-espace vectoriel F de R formé des solutions du système suivant : x1 x 2 x 3 + 2x = 0 E 1 x 1 + 2x 2 + x 3
Plus en détailChapitre 5 : Flot maximal dans un graphe
Graphes et RO TELECOM Nancy A Chapitre 5 : Flot maximal dans un graphe J.-F. Scheid 1 Plan du chapitre I. Définitions 1 Graphe Graphe valué 3 Représentation d un graphe (matrice d incidence, matrice d
Plus en détailExo7. Probabilité conditionnelle. Exercices : Martine Quinio
Exercices : Martine Quinio Exo7 Probabilité conditionnelle Exercice 1 Dans la salle des profs 60% sont des femmes ; une femme sur trois porte des lunettes et un homme sur deux porte des lunettes : quelle
Plus en détailContrats d assurance vie avec droits acquis
Contrats d assurance vie avec droits acquis Introduction Le budget fédéral de novembre 1981 proposait des modifications fondamentales à l égard du traitement fiscal avantageux accordé aux contrats d assurance
Plus en détailCalculs financiers (1) : intérêts simples, composés.
Calculs financiers (1) : intérêts simples, composés. 1. Intérêts simples Paul doit 10 000 à son fournisseur. Celui-ci lui accorde un crédit au taux annuel de 5% à intérêts simples (capitalisation annuelle).
Plus en détailIFT3245. Simulation et modèles
IFT 3245 Simulation et modèles DIRO Université de Montréal Automne 2012 Tests statistiques L étude des propriétés théoriques d un générateur ne suffit; il estindispensable de recourir à des tests statistiques
Plus en détailProgrammation Linéaire - Cours 1
Programmation Linéaire - Cours 1 P. Pesneau pierre.pesneau@math.u-bordeaux1.fr Université Bordeaux 1 Bât A33 - Bur 265 Ouvrages de référence V. Chvátal - Linear Programming, W.H.Freeman, New York, 1983.
Plus en détailComment parier jute sur les sites de paris sportifs
Comment parier jute sur les sites de paris sportifs Ne pariez pas sur Internet avant d avoir lu en totalité cet ebook, vous risqueriez de perdre votre argent bêtement. Si vous voulez mettre de l argent
Plus en détailÉcoutez ce qui se dit sur l épargne-retraite au Canada
MARS 2014 ÉCHEC ET MAT! LES RÉGIMES D ÉPARGNE EN MILIEU DE TRAVAIL : UNE SOLUTION GAGNANTE POUR LES CANADIENS EN VUE DE LA RETRAITE Notre 6 e sondage annuel Indice canadien de report de la retraite montre
Plus en détailFiche info financière Assurance-vie Top Protect Best Profile 05/2018 1
Fortis AG - Vos assurances chez votre courtier Fiche info financière Assurance-vie Top Protect Best Profile 05/2018 1 1 Cette fiche d information financière décrit les modalités du produit qui sont d application
Plus en détail4720.5560.46 (septembre 2009) 30 %
4720.5560.46 (septembre 2009) 30 % Prévenir le jeu excessif chez les adolescents C est toujours gagnant! Pourquoi ce dépliant? [ ] Le rôle des parents est déterminant dans la prévention du jeu excessif
Plus en détailProgrammation linéaire et Optimisation. Didier Smets
Programmation linéaire et Optimisation Didier Smets Chapitre 1 Un problème d optimisation linéaire en dimension 2 On considère le cas d un fabricant d automobiles qui propose deux modèles à la vente, des
Plus en détailLes 10 grands principes de l utilisation du data mining pour une gestion de la relation client réussie
Les 10 grands principes de l utilisation du data mining pour une gestion de la relation client réussie Découvrir les stratégies ayant fait leurs preuves et les meilleures pratiques Points clés : Planifier
Plus en détailRupture et plasticité
Rupture et plasticité Département de Mécanique, Ecole Polytechnique, 2009 2010 Département de Mécanique, Ecole Polytechnique, 2009 2010 25 novembre 2009 1 / 44 Rupture et plasticité : plan du cours Comportements
Plus en détailS initier aux probabilités simples «Question de chance!»
«Question de chance!» 29-11 Niveau 1 Entraînement 1 Objectifs - S entraîner à activer la rapidité du balayage visuel. - Réactiver le comptage par addition jusqu à 20. - Développer le raisonnement relatif
Plus en détailPrincipes de mathématiques 12 SÉRIE DE PROBLÈMES. Septembre 2001. Student Assessment and Program Evaluation Branch
Principes de mathématiques 12 SÉRIE DE PROBLÈMES Septembre 2001 Student Assessment and Program Evaluation Branch REMERCIEMENTS Le Ministère de l Éducation tient à remercier chaleureusement les professionnels
Plus en détailCanevas théoriques du projet sur le poker Partie A
Partie A Dans une partie de poker, particulièrement au Texas Hold em Limit, il est possible d effectuer certains calculs permettant de prendre la meilleure décision. Quelques-uns de ces calculs sont basés
Plus en détailELEC2753 Electrotechnique examen du 11/06/2012
ELEC2753 Electrotechnique examen du 11/06/2012 Pour faciliter la correction et la surveillance, merci de répondre aux 3 questions sur des feuilles différentes et d'écrire immédiatement votre nom sur toutes
Plus en détailJoueur B Pierre Feuille Ciseaux Pierre (0,0) (-1,1) (1,-1) Feuille (1,-1) (0,0) (-1,1) Ciseaux (-1,1) (1,-1) (0.0)
CORRECTION D EXAMEN CONTROLE CONTINU n 1 Question de cours Question 1 : Les équilibres de Cournot et de Stackelberg sont des équilibres de situation de duopole sur un marché non coopératif d un bien homogène.
Plus en détailCOMMENT GAGNER DE L ARGENT AUX PARIS FOOT
COMMENT GAGNER DE L ARGENT AUX PARIS FOOT Cet ebook a pour vocation de vous présenter diverses méthodes pour gagner de l argent grâce aux paris sportifs sur le foot. Lisez attentivement cet ebook pour
Plus en détailSystème ASC unitaire triphasé. PowerScale 10 50 kva Maximisez votre disponibilité avec PowerScale
Système ASC unitaire triphasé 10 50 kva Maximisez votre disponibilité avec Protection de première qualité est un système ASC triphasé de taille moyenne qui offre une protection électrique remarquable pour
Plus en détailSéance 4. Gestion de la capacité. Gestion des opérations et de la logistique 4-530-03
Gestion des opérations et de la logistique Séance 4 4-530-03 Gestion de la capacité Points importants présentés au dernier cours Les principaux types d aménagement Étude du travail et l amélioration des
Plus en détailRappels sur les suites - Algorithme
DERNIÈRE IMPRESSION LE 14 septembre 2015 à 12:36 Rappels sur les suites - Algorithme Table des matières 1 Suite : généralités 2 1.1 Déition................................. 2 1.2 Exemples de suites............................
Plus en détailCHAPITRE VIII : Les circuits avec résistances ohmiques
CHAPITRE VIII : Les circuits avec résistances ohmiques VIII. 1 Ce chapitre porte sur les courants et les différences de potentiel dans les circuits. VIII.1 : Les résistances en série et en parallèle On
Plus en détailCoût de fabrication ou d achat. Calcul des besoins Management Industriel et Logistique (4) (2) (1) (2)
Etude de cas 1 : La société Lebreton fabrique un produit A dont la nomenclature est la suivante (les chiffres entre parenthèses indiquent le nombre de composants dans un composé de niveau immédiatement
Plus en détailProbabilités. C. Charignon. I Cours 3
Probabilités C. Charignon Table des matières I Cours 3 1 Dénombrements 3 1.1 Cardinal.................................................. 3 1.1.1 Définition............................................. 3
Plus en détailPremière partie. Préliminaires : noyaux itérés. MPSI B 6 juin 2015
Énoncé Soit V un espace vectoriel réel. L espace vectoriel des endomorphismes de V est désigné par L(V ). Lorsque f L(V ) et k N, on désigne par f 0 = Id V, f k = f k f la composée de f avec lui même k
Plus en détailLA GESTION DES STOCKS POUR UN FABRICANT AUX GRANDES CHAÎNES
LA GESTION DES STOCKS POUR UN FABRICANT AUX GRANDES CHAÎNES Direction du développement des entreprises Cet outil de gestion est une initiative conjointe de la Direction du commerce, des services et de
Plus en détailWEBINAIRE SUR LE SUIVI DE TENDANCES
WEBINAIRE SUR LE SUIVI DE TENDANCES Le 16/02/2012 à 21H Présenté par Gilles SANTACREU (Boursikoter.com) En partenariat avec CMC Markets 1 Gilles SANTACREU, 43 ans - Webmaster et fondateur du site Boursikoter.com
Plus en détailContexte. Pour cela, elles doivent être très compliquées, c est-à-dire elles doivent être très différentes des fonctions simples,
Non-linéarité Contexte Pour permettre aux algorithmes de cryptographie d être sûrs, les fonctions booléennes qu ils utilisent ne doivent pas être inversées facilement. Pour cela, elles doivent être très
Plus en détailL'évaluation par les pairs dans un MOOC. Quelle fiabilité et quelle légitimité? Rémi Bachelet Ecole Centrale de Lille 24 novembre 2014, Université
L'évaluation par les pairs dans un MOOC. Quelle fiabilité et quelle légitimité? Rémi Bachelet Ecole Centrale de Lille 24 novembre 2014, Université Paris-Est séminaire annuel IDEA Les diapos seront tweetées
Plus en détailRenforcez votre entreprise grâce à l expertise d Applied
: : A P P L I E D S U P P O R T : : Renforcez votre entreprise grâce à l expertise d Applied Maximisez votre investissement technologique LE SUCCÈS DE VOTRE ENTREPRISE DÉPEND DE LA PERFORMANCE DE VOS CAPACITÉS
Plus en détailPrincipe d optimisation. Optimisation technico-économique. Coût. Isolation thermique. Isolation optimale
Optimisation technico-économique Objectif : obtenir une certaine prestation à moindre coût Dans le domaine du bâtiment, cette optimisation peut s appliquer à trois niveaux différents : choix des composants
Plus en détailQUESTIONNAIRE DE PRE-AUDIT. Rubrique n 1 : Présentation de l entreprise
QUESTIONNAIRE DE PRE-AUDIT MISE A NIVEAU DE L ENTREPRISE PAR LE GENIE INDUSTRIEL Pré-audit réalisé le... Rédacteur(s). Rubrique n 1 : Présentation de l entreprise Renseignements généraux - Identité de
Plus en détaila et b étant deux nombres relatifs donnés, une fonction affine est une fonction qui a un nombre x associe le nombre ax + b
I Définition d une fonction affine Faire l activité 1 «une nouvelle fonction» 1. définition générale a et b étant deux nombres relatifs donnés, une fonction affine est une fonction qui a un nombre x associe
Plus en détailCorrigé des TD 1 à 5
Corrigé des TD 1 à 5 1 Premier Contact 1.1 Somme des n premiers entiers 1 (* Somme des n premiers entiers *) 2 program somme_entiers; n, i, somme: integer; 8 (* saisie du nombre n *) write( Saisissez un
Plus en détailExo7. Matrice d une application linéaire. Corrections d Arnaud Bodin.
Exo7 Matrice d une application linéaire Corrections d Arnaud odin. Exercice Soit R muni de la base canonique = ( i, j). Soit f : R R la projection sur l axe des abscisses R i parallèlement à R( i + j).
Plus en détailExercices - Polynômes : corrigé. Opérations sur les polynômes
Opérations sur les polynômes Exercice 1 - Carré - L1/Math Sup - Si P = Q est le carré d un polynôme, alors Q est nécessairement de degré, et son coefficient dominant est égal à 1. On peut donc écrire Q(X)
Plus en détailProbabilités sur un univers fini
[http://mp.cpgedupuydelome.fr] édité le 7 août 204 Enoncés Probabilités sur un univers fini Evènements et langage ensembliste A quelle condition sur (a, b, c, d) ]0, [ 4 existe-t-il une probabilité P sur
Plus en détailNOTE SUR LA MODELISATION DU RISQUE D INFLATION
NOTE SUR LA MODELISATION DU RISQUE D INFLATION 1/ RESUME DE L ANALYSE Cette étude a pour objectif de modéliser l écart entre deux indices d inflation afin d appréhender le risque à très long terme qui
Plus en détail