Algorithmes sur les graphes
|
|
- Michele Bossé
- il y a 7 ans
- Total affichages :
Transcription
1 Algorithmes sur les graphes Problème du voyageur de commerce: Algorithme de Little Département informatique
2 Introduction Problème du voyageur de commerce
3 Formulation du problème Problème du voyageur de commerce (Traveling Salesman Problem - TSP) : Calculer une tournée longueur minimale passant une et une seule fois par n villes Exemple avec n = 36 :
4 Formalisation du problème Soit G un graphe d'ordre n avec : V(G) l'ensemble des s, chaque modélisant une ville E(G) l'ensemble des arcs. Le poids w(e) associé à chaque arc e E(G) modélise au coût de déplacement entre deux villes. Notons que les poids ne sont pas nécessairement symétriques. Le problème du voyageur de commerce consiste à calculer un cycle hamiltonien de coût minimal dans G. Exemple avec n = 6 :
5 Algorithmes de résolution exacte Garantissent une solution optimale, mais ne peuvent s'exécuter en un temps en temps polynomial en n. Force brute : complexité temporelle factorielle en n Programmation dynamique : complexité spatiale + temporelle exponentielle en n Branch & Bound : complexité temporelle exponentielle en n Au mieux, le temps de calcul requis est exponentiel en n, mais des stratégies astucieuses et des structures de données optimisées permettent d'augmenter la taille de problème n traitable en un temps de calcul donné. temps de calcul (ms) Little (963) Keld&Karp (967) nombre de villes n
6 Algorithmes de résolution approchée Se basent sur des heuristiques (règles empiriques) Heuristiques de construction (élaboration gloutonne une tournée) Heuristiques d'amélioration (modifications locales d'une tournée existante) Métaheuristiques (souvent stochastiques et/ou inspirées du monde du vivant)... Exemple : Construction : Nearest Neighbor choisit la ville la plus proche Amélioration : 2-opt «décroise» les trajets
7 Le branch & bound Problème du voyageur de commerce
8 Optimisation combinatoire Un problème d'optimisation combinatoire consiste à minimiser/maximiser une fonction f(x,x2,...,xk) Chaque variable xi appartient à un domaine Di fini et discret (donc énumérable) Des contraintes restreignent les valeurs utilisables dans Di (réalisables) Exemple (programme linéaire) : min f(x, x2) = 3x - 2x2 x2 Domaines : x et x2 dans {,2,3,4} Contraintes : 4 x + x2 3 x2 x 3 2x x x
9 Optimisation combinatoire Résolution par énumération x= x=2 x=3 x=4 x2= x2=2 x2=3 x2=4 x2= x2=2 x2=3 x2=4 x2= x2=2 x2=3 x2=
10 Le branch & bound Etapes Branch (séparation) : on sépare le problème initial en sousproblèmes (par exemple, en découpant les intervalles initiaux en sous-intervalles) ; on obtient un arbre dans lequel chaque modélise un sous-problème Bound (évaluation) : pour chaque, on évalue un intervalle pour la fonction objectif (par exemple, en propageant les intervalles des variables dans les contraintes) Cut (coupure) : si un N a été évalué à [a,b] et s'il existe un autre N' évalué à [c,d] tel que a > d, alors on peut couper la branche au niveau de N sans risque de manquer la solution optimale
11 Optimisation combinatoire Résolution par branch & bound [-5, 8.5] x= x=2 x=3 x=4 [-,-] [0,4] [,3] x2=2 0 > - => coupure > - => coupure - x2 x=2 x2 [,3] f [0,4] x
12 Principe de l'algorithme de Little Problème du voyageur de commerce
13 Source Little, J. D., Murty, K. G., Sweeney, D. W., & Karel, C. An algorithm for the traveling salesman problem. Operations research, (6), , 963 Fichier PDF
14 Principe L'algorithme de Little est un algorithme de résolution du TSP par Branch & Bound La séparation consiste à considérer l'inclusion ou l'exclusion d'un trajet (i,j) dans une tournée. Chaque séparation produisant deux branches, l'arbre de recherche est binaire (fig. b) L évaluation fournit une borne inférieure du coût de la tournée en effectuant des opérations sur la matrice de coûts (fig a) Figure (tirée de l'article)
15 Principe On développe l'arbre de façon préférentielle vers la droite (inclusion de trajets) pour rapidement aboutir à une tournée complète T, de coût c Dans la figure, T contient les trajets (,4), (2,), (5,6), (3,5), (4,3) et (6,2), ce qui donne T = (,4,3,5,6,2,), de coût 63 On développe ensuite les autres branches pour tenter de trouver une meilleure tournée que T. Dès qu'un a un coup supérieur ou égal à c, on peut interrompre la branche Dans la figure, toutes les branches sont de coût 63, on est donc sûr que T est la tournée optimale Figure 2 (tirée de l'article)
16 par l'exemple Problème du voyageur de commerce
17 Déroulement sur un exemple 6 villes B: Bordeaux L: Lyon N: Nantes P: Paris M: Montpellier D: Dijon 60 tournées possibles (20 si coûts asymétriques)
18 Visite du La racine va contenir une première borne inférieure pour le coût de la tournée optimale, tous les trajets étant encore possibles en
19 Visite du Matrice de coûts B L N P M D B L N P M D Contient ici les distances en km pour chaque trajet possible (matrice symétrique) en
20 Visite du Matrice de coûts B L N P M D B L N P M D Peut contenir d'autres types de coûts (temps de parcours, énergie dépensée...) la rendant asymétrique en
21 Visite du Matrice de coûts B L N P M D B L N P M D min ligne: Réduction de la matrice: lignes en
22 Visite du Matrice de coûts Suppression du min ligne par ligne B L N P M D B L N P M D min ligne: Réduction de la matrice: lignes Total supprimé: 650 en
23 Visite du Matrice de coûts B L N P M D B L N P M D min colonne: Réduction de la matrice: colonnes Total supprimé: 60 en
24 Visite du Matrice de coûts 80 B L N P M D B L N P M D Évaluation par défaut du : = 80 en
25 Visite du 80 Matrice de coûts Regret = min ligne + min colonne B L N P M D B 460 0(30) L min ligne : 60 N P M D min colonne: 70 Calcul des regrets dans toutes les cases de valeur 0 en
26 Visite du 80 Matrice de coûts Regret = min ligne + min colonne B L N P M D B 460 0(30) L (60) 0 N min ligne : 0 P M D min colonne: 60 Calcul des regrets dans toutes les cases de valeur 0 en
27 Visite du Matrice de coûts 80 B L N P M D B 460 0(30) L (60) 0(0) N 0(80) 380 0(50) P (70) M 80 0(80) D 460 0(50) Calcul des regrets dans toutes les cases de valeur 0 en
28 Visite du Matrice de coûts 80 B L N P M D B 460 0(30) L (60) 0(0) N 0(80) 380 0(50) P (70) M 80 0(80) D 460 0(50) On privilégie l'étude du trajet de regret maximal: Nantes-Bordeaux (en cas d'égalité: choix arbitraire) en
29 Visite du Matrice de coûts B L N P M D B 460 0(30) L (60) 0(0) Trajet Nantes-Bordeaux exclu Trajet Nantes-Bordeaux inclus N 0(80) 380 0(50) P (70) M 80 0(80) D 460 0(50) On crée deux fils (2 et 3) correspondant à l'inclusion ou à l'exclusion du trajet Nantes-Bordeaux dans la tournée en
30 Visite du Matrice de coûts = (regret) B L N P M D B 460 0(30) L (60) 0(0) N 0(80) 380 0(50) P (70) M 80 0(80) D 460 0(50) L'évaluation d'un de type trajet exclu est déjà connue, sans autre calcul: il s'agit de la valeur du père + la valeur de regret en
31 Visite du Matrice de coûts B L N P M D B 460 0(30) L (60) 0(0) N 0(80) 380 0(50) P (70) M 80 0(80) D 460 0(50) L'évaluation d'un de type trajet inclus correspond à l'évaluation par défaut de ce (obtenue par réduction de la matrice des liaisons encore possibles) en
32 Visite du Matrice de coûts B L N P M D B 460 0(30) L (60) 0(0) N 0(80) 380 0(50) P (70) M 80 0(80) D 460 0(50) On visite en priorité les s de type trajet inclus. Les s de type trajet exclu (ici 2) sont empilés pour une visite ultérieure en Pile 2
33 Visite du 3 Matrice de coûts L N P M D B L P M D On manipule une nouvelle matrice: la ligne de la ville départ (Nantes) et la colonne de la ville d'arrivée (Bordeaux) du trajet ont été supprimées. en Pile 2
34 Visite du 3 Matrice de coûts L N P M D B L P M D On supprime tous les trajets aboutissent à des sous-tournées incomplètes (n'incluant pas toutes les villes) ici BN, aboutissant à la sous-tournée -BN en Pile 2
35 Visite du = Matrice de coûts L N P M D B L P M D supprimé: supprimé: Réduction de la matrice Total supprimé: 80 en Pile 2
36 Visite du Matrice de coûts L N P M D B (40) 280 L (0) 0(0) P 50 0(360) 340 0(0) M 0(200) D 0(0) 360 0(90) 200 Calcul des regrets en Pile 2
37 Visite du 3 Matrice de coûts = L N P M D B (40) 280 L (0) 0(0) P 50 0(360) 340 0(0) M 0(200) D 0(0) 360 0(90) 200 Regret maximal: Paris-Nantes (360) - Création des fils 4 et 5. - Affectation de la valeur de 4 - Empilage de 4 en 4 Pile 2
38 Visite du 5 Matrice de coûts L P M D B L M D en 4 Pile 2
39 Visite du 5 Matrice de coûts L P M D B L M D Élimination du trajet BP (aboutissant à la sous-tournée --BP) en 4 Pile 2
40 Visite du Matrice de coûts L P M D B L M supprimé: = + 0 D supprimé: Réduction de la matrice Total supprimé: 0 en 4 Pile 2
41 Visite du 5 Matrice de coûts L P M D B 400 0(280) 280 L 50 0(0) 0(200) M 0(200) D 0(0) 0(50) 200 Calcul des regrets en 4 Pile 2
42 Visite du 5 Matrice de coûts L P M D B 400 0(280) 280 L 50 0(0) 0(200) M 0(200) D 0(0) 0(50) Regret maximal: Bordeaux-Montpellier (280) = Création des fils 6 et 7. - Affectation de la valeur de 6 - Empilage de 6 en 6 4 Pile 2
43 Visite du Matrice de coûts L P D L 50 0 M D Élimination du trajet MP (aboutissant à la sous-tournée ---MP) en 6 4 Pile 2
44 Visite du 7 Matrice de coûts L P D L 50 0 M D supprimé: = + 0 supprimé: Réduction de la matrice Total supprimé: 0 en 6 4 Pile 2
45 Visite du Matrice de coûts L P D L 50 0(350) M 0(200) 200 D 0(0) 0(50) Calcul des regrets en 6 4 Pile 2
46 Visite du Matrice de coûts L P D L 50 0(350) M 0(200) 200 D 0(0) 0(50) Regret maximal: Lyon-Dijon (350) 8 LD = LD - Création des fils 8 et 9. - Affectation de la valeur de 8 - Empilage de 8 8 en 6 4 Pile 2
47 Visite du Matrice de coûts L P M 0 D LD LD 8 en 6 4 Pile 2
48 Visite du 9 Matrice de coûts L P M 0 D 0 Élimination du trajet DL LD LD (aboutissant à la sous-tournée LD-DL) 8 en 6 4 Pile 2
49 Visite du 9 Matrice de coûts L P M 0 D 0 supprimé: supprimé: 0 0 Total supprimé: LD LD Réduction de la matrice = en 6 4 Pile 2
50 Visite du Matrice de coûts L P M 0 D LD LD, ML, DP Il n'y a plus de choix possible: il faut intégrer les trajets ML et DP pour finir la tournée 8 en 6 4 Pile 2
51 Premier résultat Branche terminée LD en * LD, ML, DP Une première solution trouvée, contenant les trajets:,,, LD, ML et DP On peut donc construire une tournée au départ de n'importe quelle ville, par exemple Bordeaux: ML LD DP Valeur de référence (*): km Pile 2
52 Backtracking On visite à présent les s empilés pour tenter d'améliorer cette première solution. LD LD, ML, DP * 8 en * référence : 6 4 Pile 2
53 Visite du Valeur du 8: 2340 référence LD LD, ML, DP * en * référence : 6 4 Pile 2
54 Visite du Valeur du 8: 2320 référence Pas d'amélioration possible. LD LD, ML, DP * en * référence : 6 4 Pile 2
55 Visite du Valeur du 6: 2270 référence LD LD, ML, DP * en * référence : 4 Pile 2
56 Visite du Valeur du 6: 2270 référence Pas d'amélioration possible. LD LD, ML, DP * en * référence : 4 Pile 2
57 Visite du Valeur du 4: 2350 référence LD LD, ML, DP * en * référence : Pile 2
58 Visite du Valeur du 4: 2350 référence Pas d'amélioration possible. LD LD, ML, DP * en * référence : Pile 2
59 Visite du Valeur du 2: référence LD LD, ML, DP * en * référence : Pile
60 Visite du Valeur du 2: référence Pas d'amélioration possible. LD LD, ML, DP * en * référence : Pile
61 Solution finale 80 Fin de l'algorithme Tournée optimale au départ de Bordeaux: ML LD DP Valeur: km LD * LD, ML, DP #s s: 9 << 565 Nombre maximal de s s (cf. exercice d'approfondissement) en * référence : Pile
62 En images Trajet inclus dans la tournée Trajet parasite en
63 En images Trajet inclus dans la tournée Trajet parasite en
64 En images Trajet inclus dans la tournée Trajet parasite en
65 En images LD LD * en
66 En images LD * LD, ML, DP en
67 Résumé Algorithme de Little
68 C* = + L'algorithme de Little Résumé Élimination des sous-tournées Réduction de la matrice évaluation par défaut E Suppression du trajet (i,j) non E C*? non Matrice 2x2? non Calcul des regrets oui oui Fin de la branche non E < C*? oui C* E Màj meilleure tournée Suppression de la ligne i et de la colonne j oui Fin de la branche E + R C*? Identification du trajet (i,j) de regret maximal R Fin de la branche Branche (i,j) Branche (i,j)
69 Exercice d'application Algorithme de Little
70 Application Appliquer l'algorithme de Little pour résoudre problème de voyageur de commerce suivant: - 6 villes: A,B, C, D, E, F - matrice de coûts: A B C D E F A B C D E F
71 Solution partielle 22 BE 6 9 DA BE 6 DA 9 Tournée optimale au départ de A: AC-CF-FB-BE-ED-DA (coût: 20) CA CA AC AC CF 32 CF, ED, FB 20
72 Exercice d approfondissement Algorithme de Little
73 Étude de complexité Le tableau ci-dessous donne le nombre maximal de s N(n) s par l'algorithme de Little pour n 3 villes : n N(n) Démontrer par récurrence l'expression de N(n) et vérifier votre résultat sur l'intervalle [3,20] à l'aide du tableau fourni.
74 Étude de complexité Réponse : N(3) = 8 Pour n>3 : N(n) = (n ) ( + N(n ) )
Algorithmes de recherche
Algorithmes de recherche 1 Résolution de problèmes par recherche On représente un problème par un espace d'états (arbre/graphe). Chaque état est une conguration possible du problème. Résoudre le problème
Plus en détailCours de Master Recherche
Cours de Master Recherche Spécialité CODE : Résolution de problèmes combinatoires Christine Solnon LIRIS, UMR 5205 CNRS / Université Lyon 1 2007 Rappel du plan du cours 16 heures de cours 1 - Introduction
Plus en détailOrdonnancement. N: nains de jardin. X: peinture extérieure. E: électricité T: toit. M: murs. F: fondations CHAPTER 1
CHAPTER 1 Ordonnancement 1.1. Étude de cas Ordonnancement de tâches avec contraintes de précédences 1.1.1. Exemple : construction d'une maison. Exercice. On veut construire une maison, ce qui consiste
Plus en détailPourquoi l apprentissage?
Pourquoi l apprentissage? Les SE sont basés sur la possibilité d extraire la connaissance d un expert sous forme de règles. Dépend fortement de la capacité à extraire et formaliser ces connaissances. Apprentissage
Plus en détailOptimisation Combinatoire (Méthodes approchées) II. Recherche Locale simple (Les bases)
Optimisation Combinatoire (Méthodes approchées) II. Recherche Locale simple (Les bases) Heuristique Constructive Itérativement, ajoute de nouvelles composantes à une solution partielle candidate Espace
Plus en détailJean-Philippe Préaux http://www.i2m.univ-amu.fr/~preaux
Colonies de fourmis Comment procèdent les colonies de fourmi pour déterminer un chemin presque géodésique de la fourmilière à un stock de nourriture? Les premières fourmis se déplacent au hasard. Les fourmis
Plus en détailInfo0804. Cours 6. Optimisation combinatoire : Applications et compléments
Recherche Opérationnelle Optimisation combinatoire : Applications et compléments Pierre Delisle Université de Reims Champagne-Ardenne Département de Mathématiques et Informatique 17 février 2014 Plan de
Plus en détailOptimisation Combinatoire et Colonies de Fourmis Nicolas Monmarche April 21, 1999 Sommaire Inspiration biologiques Ant Colony Optimization Applications TSP QAP Flow Shop Problemes dynamiques 1 Historique
Plus en détailComplexité. Licence Informatique - Semestre 2 - Algorithmique et Programmation
Complexité Objectifs des calculs de complexité : - pouvoir prévoir le temps d'exécution d'un algorithme - pouvoir comparer deux algorithmes réalisant le même traitement Exemples : - si on lance le calcul
Plus en détailLE PROBLEME DU PLUS COURT CHEMIN
LE PROBLEME DU PLUS COURT CHEMIN Dans cette leçon nous définissons le modèle de plus court chemin, présentons des exemples d'application et proposons un algorithme de résolution dans le cas où les longueurs
Plus en détailAlgorithmes d'apprentissage
Algorithmes d'apprentissage 1 Agents qui apprennent à partir d'exemples La problématique : prise de décision automatisée à partir d'un ensemble d'exemples Diagnostic médical Réponse à une demande de prêt
Plus en détailCours des Méthodes de Résolution Exactes Heuristiques et Métaheuristiques
Université Mohammed V, Faculté des Sciences de Rabat Laboratoire de Recherche Mathématiques, Informatique et Applications Cours des Méthodes de Résolution Exactes Heuristiques et Métaheuristiques MASTER
Plus en détailLes colonies de fourmis : apprentissage coopératif pour le problème du voyageur de commerce
: apprentissage coopératif pour le problème du voyageur de commerce Alexandre Bargeton Benjamin Devèze Université Pierre et Marie Curie Présentation du projet ANIMAT 1 Comportements collectifs des insectes
Plus en détailCours 02 : Problème général de la programmation linéaire
Cours 02 : Problème général de la programmation linéaire Cours 02 : Problème général de la Programmation Linéaire. 5 . Introduction Un programme linéaire s'écrit sous la forme suivante. MinZ(ou maxw) =
Plus en 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 détailAtelier Transversal AT11. Activité «Fourmis» Pierre Chauvet. pierre.chauvet@uco.fr
Atelier Transversal AT11 Activité «Fourmis» Pierre Chauvet pierre.chauvet@uco.fr Ant : un algorithme inspiré de l éthologie L éthologie Etude scientifique des comportements animaux, avec une perspective
Plus en 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 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 détailTHÈSE. présentée à l Université d Avignon et des Pays de Vaucluse pour obtenir le diplôme de DOCTORAT
ACADÉMIE D AIX-MARSEILLE UNIVERSITÉ D AVIGNON ET DES PAYS DE VAUCLUSE THÈSE présentée à l Université d Avignon et des Pays de Vaucluse pour obtenir le diplôme de DOCTORAT SPÉCIALITÉ : Informatique École
Plus en détailProgrammation Par Contraintes
Programmation Par Contraintes Cours 2 - Arc-Consistance et autres amusettes David Savourey CNRS, École Polytechnique Séance 2 inspiré des cours de Philippe Baptiste, Ruslan Sadykov et de la thèse d Hadrien
Plus en détailMIS 102 Initiation à l Informatique
MIS 102 Initiation à l Informatique Responsables et cours : Cyril Gavoille Catherine Pannier Matthias Robine Marc Zeitoun Planning : 6 séances de cours 5 séances de TD (2h40) 4 séances de TP (2h40) + environ
Plus en détailNouvelles propositions pour la résolution exacte du problème de sac à dos bi-objectif unidimensionnel en variables binaires
Nouvelles propositions pour la résolution exacte du problème de sac à dos bi-objectif unidimensionnel en variables binaires Julien Jorge, Xavier Gandibleux Laboratoire d Informatique de Nantes Atlantique
Plus en détailCours Optimisation Partie Optimisation Combinatoire. Année scolaire 2008-2009. Gérard Verfaillie ONERA/DCSD/CD, Toulouse Gerard.Verfaillie@onera.
Cours Optimisation Partie Optimisation Combinatoire 3ième année ISAE Année scolaire 2008-2009 Gérard Verfaillie ONERA/DCSD/CD, Toulouse Gerard.Verfaillie@onera.fr Septembre 2008 Résumé Ce document couvre
Plus en 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 détailC f tracée ci- contre est la représentation graphique d une
TLES1 DEVOIR A LA MAISON N 7 La courbe C f tracée ci- contre est la représentation graphique d une fonction f définie et dérivable sur R. On note f ' la fonction dérivée de f. La tangente T à la courbe
Plus en détailObjectifs du cours d aujourd hui. Informatique II : Cours d introduction à l informatique et à la programmation objet. Complexité d un problème (2)
Objectifs du cours d aujourd hui Informatique II : Cours d introduction à l informatique et à la programmation objet Complexité des problèmes Introduire la notion de complexité d un problème Présenter
Plus en détailThéorie des Graphes Cours 3: Forêts et Arbres II / Modélisation
IFIPS S7 - informatique Université Paris-Sud 11 1er semestre 2009/2010 Théorie des Graphes Cours 3: Forêts et Arbres II / 1 Forêts et arbres II Théorème 1.1. Les assertions suivantes sont équivalentes
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 détailSouad EL Bernoussi. Groupe d Analyse Numérique et Optimisation Rabat http ://www.fsr.ac.ma/ano/
Recherche opérationnelle Les démonstrations et les exemples seront traités en cours Souad EL Bernoussi Groupe d Analyse Numérique et Optimisation Rabat http ://www.fsr.ac.ma/ano/ Table des matières 1 Programmation
Plus en détailAnnexe 6. Notions d ordonnancement.
Annexe 6. Notions d ordonnancement. APP3 Optimisation Combinatoire: problèmes sur-contraints et ordonnancement. Mines-Nantes, option GIPAD, 2011-2012. Sophie.Demassey@mines-nantes.fr Résumé Ce document
Plus en détailHela Boukef. To cite this version: HAL Id: tel-00577101 https://tel.archives-ouvertes.fr/tel-00577101
Sur l ordonnancement d ateliers job-shop flexibles et flow-shop en industries pharmaceutiques : optimisation par algorithmes génétiques et essaims particulaires Hela Boukef To cite this version: Hela Boukef.
Plus en détailProgrammation par contraintes. Laurent Beaudou
Programmation par contraintes Laurent Beaudou On se trouve où? Un problème, une solution : la solution est-elle une solution du problème? simulation, vérification 2 On se trouve où? Un problème, une solution
Plus en détailDeux stratégies parallèles de l'optimisation par colonie de fourmis
4 th International Conference: Sciences of Electronic, Technologies of Information and Telecommunications March 25-29, 2007 TUNISIA Deux stratégies parallèles de l'optimisation par colonie de fourmis HERNANE
Plus en détailProgrammation mathématique Discrète et Modèles Linéaires
Université Pierre et Marie Curie Master IAD Module PDML Programmation mathématique Discrète et Modèles Linéaires Pierre Fouilhoux pierre.fouilhoux@lip6.fr 29 septembre 2013 Table des matières I Programmation
Plus en détailLa (les) mesure(s) GPS
La (les) mesure(s) GPS I. Le principe de la mesure II. Equation de mesure GPS III. Combinaisons de mesures (ionosphère, horloges) IV. Doubles différences et corrélation des mesures V. Doubles différences
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 détailEteindre. les. lumières MATH EN JEAN 2013-2014. Mme BACHOC. Elèves de seconde, première et terminale scientifiques :
MTH EN JEN 2013-2014 Elèves de seconde, première et terminale scientifiques : Lycée Michel Montaigne : HERITEL ôme T S POLLOZE Hélène 1 S SOK Sophie 1 S Eteindre Lycée Sud Médoc : ROSIO Gauthier 2 nd PELGE
Plus en détailCH.6 Propriétés des langages non contextuels
CH.6 Propriétés des langages non contetuels 6.1 Le lemme de pompage 6.2 Les propriétés de fermeture 6.3 Les problèmes de décidabilité 6.4 Les langages non contetuels déterministes utomates ch6 1 6.1 Le
Plus en détailLa programmation linéaire : une introduction. Qu est-ce qu un programme linéaire? Terminologie. Écriture mathématique
La programmation linéaire : une introduction Qu est-ce qu un programme linéaire? Qu est-ce qu un programme linéaire? Exemples : allocation de ressources problème de recouvrement Hypothèses de la programmation
Plus en détailLogique binaire. Aujourd'hui, l'algèbre de Boole trouve de nombreuses applications en informatique et dans la conception des circuits électroniques.
Logique binaire I. L'algèbre de Boole L'algèbre de Boole est la partie des mathématiques, de la logique et de l'électronique qui s'intéresse aux opérations et aux fonctions sur les variables logiques.
Plus en détailConception de réseaux de télécommunications : optimisation et expérimentations
Conception de réseaux de télécommunications : optimisation et expérimentations Jean-François Lalande Directeurs de thèse: Jean-Claude Bermond - Michel Syska Université de Nice-Sophia Antipolis Mascotte,
Plus en détailPrincipes d implémentation des métaheuristiques
Chapitre 2 Principes d implémentation des métaheuristiques Éric D. Taillard 1 2.1 Introduction Les métaheuristiques ont changé radicalement l élaboration d heuristiques : alors que l on commençait par
Plus en détail4.2 Unités d enseignement du M1
88 CHAPITRE 4. DESCRIPTION DES UNITÉS D ENSEIGNEMENT 4.2 Unités d enseignement du M1 Tous les cours sont de 6 ECTS. Modélisation, optimisation et complexité des algorithmes (code RCP106) Objectif : Présenter
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 détailIntroduction à la Programmation par Contraintes (PPC) Ruslan Sadykov LIX, École Polytechnique
Introduction à la Programmation par Contraintes (PPC) Ruslan Sadykov LIX, École Polytechnique Contenu Introduction Modélisation Problèmes de satisfaction des contraintes Exemples des modèles PPC simples
Plus en détailIntroduction. I Étude rapide du réseau - Apprentissage. II Application à la reconnaissance des notes.
Introduction L'objectif de mon TIPE est la reconnaissance de sons ou de notes de musique à l'aide d'un réseau de neurones. Ce réseau doit être capable d'apprendre à distinguer les exemples présentés puis
Plus en détailPolynômes à plusieurs variables. Résultant
Polynômes à plusieurs variables. Résultant Christophe Ritzenthaler 1 Relations coefficients-racines. Polynômes symétriques Issu de [MS] et de [Goz]. Soit A un anneau intègre. Définition 1.1. Soit a A \
Plus en détailFORD C-MAX + FORD GRAND C-MAX CMAX_Main_Cover_2013_V3.indd 1-3 22/08/2012 15:12
1 2 3 4 5 6 7 8 9 10 12,999,976 km 9,136,765 km 1,276,765 km 499,892 km 245,066 km 112,907 km 36,765 km 24,159 km 7899 km 2408 km 76 km 12 14 16 1 12 7 3 1 6 2 5 4 3 11 9 10 8 18 20 21 22 23 24 26 28 30
Plus en détailCalculateur quantique: factorisation des entiers
Calculateur quantique: factorisation des entiers Plan Introduction Difficulté de la factorisation des entiers Cryptographie et la factorisation Exemple RSA L'informatique quantique L'algorithme quantique
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 détailModélisation multi-agents - Agents réactifs
Modélisation multi-agents - Agents réactifs Syma cursus CSI / SCIA Julien Saunier - julien.saunier@ifsttar.fr Sources www-lih.univlehavre.fr/~olivier/enseignement/masterrecherche/cours/ support/algofourmis.pdf
Plus en détailTP n 2 Concepts de la programmation Objets Master 1 mention IL, semestre 2 Le type Abstrait Pile
TP n 2 Concepts de la programmation Objets Master 1 mention IL, semestre 2 Le type Abstrait Pile Dans ce TP, vous apprendrez à définir le type abstrait Pile, à le programmer en Java à l aide d une interface
Plus en détailL apprentissage automatique
L apprentissage automatique L apprentissage automatique L'apprentissage automatique fait référence au développement, à l analyse et à l implémentation de méthodes qui permettent à une machine d évoluer
Plus en détailMaster of Science en mathématiques 2015-2016
Remarques liminaires : 1/9 Ce master à 90 ECTS (3 semestres) permet 2 orientations distinctes : - Un master général en mathématiques - Un master qui permet de choisir des mineurs en finance, statistique
Plus en détailCartes de bruit stratégiques
Département de la Sarthe Cartes de bruit stratégiques Grandes infrastructures de transports Réseau autoroutier COFIROUTE Résumé non technique Article R 572-5 du code de l environnement Vu pour être annexé
Plus en détailALGORITHME GENETIQUE ET MODELE DE SIMULATION POUR L'ORDONNANCEMENT D'UN ATELIER DISCONTINU DE CHIMIE
ALGORITHME GENETIQUE ET MODELE DE SIMULATION POUR L'ORDONNANCEMENT D'UN ATELIER DISCONTINU DE CHIMIE P. Baudet, C. Azzaro-Pantel, S. Domenech et L. Pibouleau Laboratoire de Génie Chimique - URA 192 du
Plus en détailRapport d'analyse des besoins
Projet ANR 2011 - BR4CP (Business Recommendation for Configurable products) Rapport d'analyse des besoins Janvier 2013 Rapport IRIT/RR--2013-17 FR Redacteur : 0. Lhomme Introduction...4 La configuration
Plus en détailOptimisation for Cloud Computing and Big Data
1 / 23 Optimisation for Cloud Computing and Big Data Olivier Beaumont, Lionel Eyraud-Dubois 2 / 23 Aujourd hui Problèmes de fiabilité on va oublier la dynamicité Placement de VMs en programmation par contraintes
Plus en détailStratégie de recherche adaptative en programmation par contrainte
Université Paul Sabatier École Nationale de l Aviation Civile Master 2 Recherche Informatique et Télécommunication parcours Intelligence Artificielle Simon Marchal Stratégie de recherche adaptative en
Plus en détailCalcul de développements de Puiseux et application au calcul du groupe de monodromie d'une courbe algébrique plane
Calcul de développements de Puiseux et application au calcul du groupe de monodromie d'une courbe algébrique plane Poteaux Adrien XLIM-DMI, UMR-CNRS 6172 Université de Limoges Soutenance de thèse 15 octobre
Plus en détailDéroulement. Evaluation. Préambule. Définition. Définition. Algorithmes et structures de données 28/09/2009
Déroulement Algorithmes et structures de données Cours 1 et 2 Patrick Reuter http://www.labri.fr/~preuter/asd2009 CM mercredi de 8h00 à 9h00 (Amphi Bât. E, 3 ème étage) ED - Groupe 3 : mercredi, 10h30
Plus en détailRaisonnement par récurrence Suites numériques
Chapitre 1 Raisonnement par récurrence Suites numériques Terminale S Ce que dit le programme : CONTENUS CAPACITÉS ATTENDUES COMMENTAIRES Raisonnement par récurrence. Limite finie ou infinie d une suite.
Plus en détailModèles à Événements Discrets. Réseaux de Petri Stochastiques
Modèles à Événements Discrets Réseaux de Petri Stochastiques Table des matières 1 Chaînes de Markov Définition formelle Idée générale Discrete Time Markov Chains Continuous Time Markov Chains Propriétés
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 détailChapitre 7. Récurrences
Chapitre 7 Récurrences 333 Plan 1. Introduction 2. Applications 3. Classification des récurrences 4. Résolution de récurrences 5. Résumé et comparaisons Lectures conseillées : I MCS, chapitre 20. I Rosen,
Plus en détailEfficacité énergétique des réseaux de cœur et d accès
Efficacité énergétique des réseaux de cœur et d accès David Coudert Joanna Mouliérac, Frédéric Giroire MASCOTTE I3S (CNRS/Université Nice Sophia-Antipolis) INRIA Sophia-Antipolis Méditerranée 1 Contexte
Plus en détailAVERTISSEMENT. D'autre part, toute contrefaçon, plagiat, reproduction encourt une poursuite pénale. LIENS
AVERTISSEMENT Ce document est le fruit d'un long travail approuvé par le jury de soutenance et mis à disposition de l'ensemble de la communauté universitaire élargie. Il est soumis à la propriété intellectuelle
Plus en détailLogiciel XLSTAT version 7.0. 40 rue Damrémont 75018 PARIS
Logiciel XLSTAT version 7.0 Contact : Addinsoft 40 rue Damrémont 75018 PARIS 2005-2006 Plan Présentation générale du logiciel Statistiques descriptives Histogramme Discrétisation Tableau de contingence
Plus en détailCoup de Projecteur sur les Réseaux de Neurones
Coup de Projecteur sur les Réseaux de Neurones Les réseaux de neurones peuvent être utilisés pour des problèmes de prévision ou de classification. La représentation la plus populaire est le réseau multicouche
Plus en détailCorrection : E = Soit E = -1,6. F = 12 Soit F = -6 3 + 45. y = 11. et G = -2z + 4y G = 2 6 = 3 G = G = -2 5 + 4 11
Correction : EXERCICE : Calculer en indiquant les étapes: (-6 +9) ( ) ( ) B = -4 (-) (-8) B = - 8 (+ 6) B = - 8 6 B = - 44 EXERCICE : La visite médicale Calcul de la part des élèves rencontrés lundi et
Plus en détailALGORITHMIQUE II NOTION DE COMPLEXITE. SMI AlgoII
ALGORITHMIQUE II NOTION DE COMPLEXITE 1 2 Comment choisir entre différents algorithmes pour résoudre un même problème? Plusieurs critères de choix : Exactitude Simplicité Efficacité (but de ce chapitre)
Plus en détailDeux disques dans un carré
Deux disques dans un carré Table des matières 1 Fiche résumé 2 2 Fiche élève Seconde - version 1 3 2.1 Le problème............................................... 3 2.2 Construction de la figure avec geogebra...............................
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 détailValeur cible et solveur. Les calculs effectués habituellement avec Excel utilisent des valeurs numériques qui constituent les données d'un problème.
Valeur cible et solveur Atteindre une valeur cible Les calculs effectués habituellement avec Excel utilisent des valeurs numériques qui constituent les données d'un problème. A l'aide d'un certain nombre
Plus en détail2. RAPPEL DES TECHNIQUES DE CALCUL DANS R
2. RAPPEL DES TECHNIQUES DE CALCUL DANS R Dans la mesure où les résultats de ce chapitre devraient normalement être bien connus, il n'est rappelé que les formules les plus intéressantes; les justications
Plus en détailConception d'un réseau de transport d'électricité
La Fédération Française des Jeux Mathématiques et la Société de Calcul Mathématique SA avec l'appui de Réseau de Transport d'electricité Conception d'un réseau de transport d'électricité Auteurs : Florian
Plus en détailSommaire. Introduction.2. 1. Définition..2. 2. Historique.2. 3. Domaine d application.2. 4.Les Travaux réalisés sur les domaines d application.
Sommaire Introduction.2 1. Définition..2 2. Historique.2 3. Domaine d application.2 4.Les Travaux réalisés sur les domaines d application.3 5.Algorithme 4 6.Exemple d application 5 7. Avantage et inconvénient..6
Plus en détailFctsAffines.nb 1. Mathématiques, 1-ère année Edition 2007-2008. Fonctions affines
FctsAffines.nb 1 Mathématiques, 1-ère année Edition 2007-2008 Fonctions affines Supports de cours de mathématiques de degré secondaire II, lien hpertete vers la page mère http://www.deleze.name/marcel/sec2/inde.html
Plus en détailSystème Immunitaire Artificiel Parallèle appliqué aux Flow Shop Hybride (FSH)
République Algérienne Démocratique et Populaire Ministère de l Enseignement Supérieur et de la Recherche Scientifique Université des Sciences et de la Technologie d Oran -Mohamed Boudiaf USTO-MB Faculté
Plus en détailProgrammation linéaire
CHAPTER 1 Programmation linéaire 1.1. Qu'est-ce que la programmation linéaire 1.1.1. Exemple: le problème du régime de Polly [1, p.3]. Besoins journaliers: Énergie: 2000 kcal Protéines: 55g Calcium: 800
Plus en détailLaboratoire d Automatique et Productique Université de Batna, Algérie
Anale. Seria Informatică. Vol. IX fasc. 2 Annals. Computer Science Series. 9 th Tome st Fasc. 2 La sélection de paramètres d un système industriel par les colonies de fourmis Ouahab Kadri, L. Hayet Mouss,
Plus en détailBaccalauréat ES Polynésie (spécialité) 10 septembre 2014 Corrigé
Baccalauréat ES Polynésie (spécialité) 10 septembre 2014 Corrigé A. P. M. E. P. Exercice 1 5 points 1. Réponse d. : 1 e Le coefficient directeur de la tangente est négatif et n est manifestement pas 2e
Plus en détailASSOCIATION NATIONALE D'ASSISTANCE ADMINISTRATIVE ET FISCALE DES AVOCATS
Modèles de factures Module : Gestion Version : 3.03a Date : 14 juin 2006 Mise à jour : 01 décembre 2009 Objectif Afin de vous permettre de gagner du temps lors de la création de vos factures, Aidavocat
Plus en détailEn vue de l'obtention du. Présentée et soutenue par Abir BEN HMIDA SAKLY Le 12/12/2009
THÈSE En vue de l'obtention du DOCTORAT DE L UNIVERSITÉ DE TOULOUSE Délivré par l'institut National des Sciences Appliquées de Toulouse Discipline ou spécialité : Systèmes Informatiques Présentée et soutenue
Plus en détailIntroduction a l'algorithmique des objets partages. Robert Cori. Antoine Petit. Lifac, ENS Cachan, 94235 Cachan Cedex. Resume
Introduction a l'algorithmique des objets partages Bernadette Charron{Bost Robert Cori Lix, Ecole Polytechnique, 91128 Palaiseau Cedex, France, charron@lix.polytechnique.fr cori@lix.polytechnique.fr Antoine
Plus en détailCarl-Louis-Ferdinand von Lindemann (1852-1939)
Par Boris Gourévitch "L'univers de Pi" http://go.to/pi314 sai1042@ensai.fr Alors ça, c'est fort... Tranches de vie Autour de Carl-Louis-Ferdinand von Lindemann (1852-1939) est transcendant!!! Carl Louis
Plus en détailAlgorithmique et Programmation
École Supérieure d Ingénieurs de Poitiers Gea Algorithmique et Programmation Laurent Signac ii Algorithmique et programmation Gea Table des matières Avant Propos v Structures de données Notion de pointeur..............................................
Plus en détailBACCALAUREAT GENERAL MATHÉMATIQUES
BACCALAUREAT GENERAL FEVRIER 2014 MATHÉMATIQUES SERIE : ES Durée de l épreuve : 3 heures Coefficient : 5 (ES), 4 (L) 7(spe ES) Les calculatrices électroniques de poche sont autorisées, conformement à la
Plus en détailRecherche dans un tableau
Chapitre 3 Recherche dans un tableau 3.1 Introduction 3.1.1 Tranche On appelle tranche de tableau, la donnée d'un tableau t et de deux indices a et b. On note cette tranche t.(a..b). Exemple 3.1 : 3 6
Plus en détailIFT1215 Introduction aux systèmes informatiques
Introduction aux circuits logiques de base IFT25 Architecture en couches Niveau 5 Niveau 4 Niveau 3 Niveau 2 Niveau Niveau Couche des langages d application Traduction (compilateur) Couche du langage d
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 détailGEA II Introduction aux probabilités Poly. de révision. Lionel Darondeau
GEA II Introduction aux probabilités Poly. de révision Lionel Darondeau Table des matières Énoncés 4 Corrigés 10 TD 1. Analyse combinatoire 11 TD 2. Probabilités élémentaires 16 TD 3. Probabilités conditionnelles
Plus en détailThéorie et codage de l information
Théorie et codage de l information Les codes linéaires - Chapitre 6 - Principe Définition d un code linéaire Soient p un nombre premier et s est un entier positif. Il existe un unique corps de taille q
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 détailModélisation de bases de données : Le modèle relationnel
Modélisation de bases de données : Le modèle relationnel Rappel chapitre 1 C est quoi un modèle? Type de modèle : Modèle hiérarchique Modèle réseau Modèle objet Modèle relationnel Cours BD Dr REZEG K 1
Plus en détailPLANIFICATION DU TRANSPORT DE CHARGES PARTIELLES D UN DÉPÔT : RÉPARTITION, LIVRAISON ET REVENU DE RETOUR
MARIE-CLAUDE BOLDUC, B.A.A. PLANIFICATION DU TRANSPORT DE CHARGES PARTIELLES D UN DÉPÔT : RÉPARTITION, LIVRAISON ET REVENU DE RETOUR Essai présenté dans le cadre du programme de Maîtrise en administration
Plus en détailCommunications collectives et ordonnancement en régime permanent pour plates-formes hétérogènes
Loris MARCHAL Laboratoire de l Informatique du Parallélisme Équipe Graal Communications collectives et ordonnancement en régime permanent pour plates-formes hétérogènes Thèse réalisée sous la direction
Plus en détailEbauche Rapport finale
Ebauche Rapport finale Sommaire : 1 - Introduction au C.D.N. 2 - Définition de la problématique 3 - Etat de l'art : Présentatio de 3 Topologies streaming p2p 1) INTRODUCTION au C.D.N. La croissance rapide
Plus en détail