Les Algorithmes Mémétiques

Dimension: px
Commencer à balayer dès la page:

Download "Les Algorithmes Mémétiques"

Transcription

1 RÉPUBLIQUE ALGÉRIENNE DÉMOCRATIQUE ET POPULAIRE MINISTÈRE DE L ENSEIGNEMENT SUPÉRIEUR ET DE LA RECHERCHE SCIENTIFIQUE Université des Sciences et de la Technologie d Oran U.S.T.O. Faculté des Sciences Département d Informatique MIAS Master 2 Option : RF-IA Les Algorithmes Mémétiques Sous-direction de : M r. M. BENYETTOU Préparé par : M elle. BELMEBROUK Zineb Année Universitaire : 2011/2012

2 I. Introduction : Les métaheuristiques sont une nouvelle génération de méthodes approchées puissantes et générales, qui sont constituées d un ensemble de concepts fondamentaux et qui permettent d aider à la conception des méthodes heuristiques pour un problème d optimisation, ainsi les métaheuristiques sont adaptables et applicables à une large classe de problèmes. Les métaheuristiques (M) sont souvent des algorithmes utilisant un échantillonnage probabiliste. Elles tentent de trouver l optimum global (G) d un problème d optimisation difficile (avec des discontinuités D, par exemple), sans être piégé par les optima locaux (L). Grâce à des métaheuristiques, on peut proposer aujourd hui des solutions approchées pour des problèmes d optimisation classiques de plus grande taille et pour de très nombreuses applications qu il était impossible de traiter auparavant, comme on constate, depuis ces dernières années, que l intérêt porté aux métaheuristiques augmente continuellement en recherche opérationnelle et en intelligence artificielle.

3 Il existe un grand nombre de métaheuristiques différents, allant de la simple recherche locale à des algorithmes complexes de recherche globale. On peut classifier les métaheuristiques selon plusieurs façons l une des cas et de distinguer celles qui travaillent avec une population de solutions et celles qui ne manipulent qu une seule solution à la fois. Le schéma suivant indique les différentes méthodes : On s intéresse par la suite sur les algorithmes mémétiques qui appartiennent à la famille des méthodes hybrides. L hybridation est une tendance observée dans de nombreux travaux réalisés sur les métaheuristiques ces dix dernières années. Elle permet de tirer profit des avantages cumulés de différentes métaheuristiques, à tel point que les métaheuristiques que nous avons vus jusqu à présent ne sont plus que des canevas, des points de départ, pour commencer à résoudre un problème d optimisation.

4 II. Historique : Les algorithmes mémétiques sont une hybridation entre les algorithmes de recherche locale et les algorithmes génétiques. Les principes de ce type d algorithme ont été introduits par Dawkins et formalisés par Moscato (Dawkins 89, Moscato 89, Moscato 99). Ils sont appelés aussi algorithmes génétiques hybrides, et Recherche locale Hybrides. III. Définitions : Les algorithmes mémétiques sont une hybridation entre les algorithmes de recherche locale et les algorithmes génétiques. Le principe général est le même que pour les algorithmes génétiques mis à part qu un opérateur de recherche locale est ajouté après celui de mutation. La partie génétique de ces algorithmes peut être vue comme une forte diversification alors que la partie recherche locale correspondrait à une forte intensification (accompagnée d une faible diversification). Population Sélection Croisement Condition d insertion Mutation Recherche Locale Schéma des Algorithmes Mémétiques (MA) Si un individu vérifie cette condition, il peut être inséré dans la population. Dans le cas contraire, il est détruit et une nouvelle génération est construite. Cette condition est très importante car elle définit la politique d évolution de la population.

5 Les algorithmes mémétiques sont des métaheuristiques avancées ; l idée principale de cette technique est de rendre un algorithme génétique plus efficace par l ajout d une recherche locale en plus de la mutation. Une des observations générales provenant de l implémentation d un algorithme génétique basique est souvent la faible vitesse de convergence de l algorithme. L idée de Moscato est donc d ajouter une recherche locale qui peut être une méthode de descente ou une recherche locale plus évoluée (recuit simulé ou recherche tabou). Il est évident que cette simple modification entraine de profonds changements dans le comportement de l algorithme. Remarque : Il existe de multiples façons de concevoir un algorithme génétique. Les méthodes de recherche locale sont aussi très nombreuses. L hybridation de ces deux approches permet d envisager un nombre considérable de combinaisons. IV. Algorithme Mémétique (MA) : 1: Initialisation : générer la population initiale Pop de solutions avec taille = n 2: Améliorer chaque solution s de Pop : s RL(s) 3: Répéter 4: Sélectionner deux solution x et x avec la technique de sélection 5: Croiser les deux parents x et x enfants C1, C2 6: Pour chaque enfant C faire 7: Améliorer : C RL(C) 8: Muter C 9: Remplacer une solution P de Pop par C 10: Fin pour 11: Jusqu'à (critère d'arrêt). L intensification est produite par l application de la recherche locale et l operateur de mutation assure la diversification.

6 V. Description de l algorithme : Etape 1 : construire une population initiale de pop individus de manière aléatoire ou avec une initialisation gloutonne. Etape 2 : appliquer l opérateur de sélection Le choix de ces individus peut se faire de différentes manières. Il est souhaitable que les parents possèdent de bonnes propriétés afin de les transmettre aux fils. Etape 3 : appliquer l opérateur du croisement Un opérateur de croisement permet de créer un nouvel individu à partir de deux individus parents. Etape 4 : appliquer l opérateur de recherche locale aux nouveaux individus créés (enfants). Pendant n itérations et renvoie les meilleurs individus trouvés (Population des minima locaux). Etape 5 : appliquer l opérateur de mutation est utilisé pour introduire de nouveaux gènes dans la population. (Pour quitter l optimum local). Etape 6 : mise à jour remplacer P le plus mauvais parent par C. Le critère d arrêt est différent d un problème à un autre. Il est évident que cette modification (l ajout de la recherche locale) va changer le comportement de l algorithme : o La première utilisation de la procédure recherche locale permet de travailler avec des solutions bien intensifiées et qui sont parmi les meilleures. o La deuxième utilisation de la recherche locale permet d obtenir les meilleures enfants de la génération nouvellement créée.

7 VI. Exemple d application : Présentation : Les systèmes de production ont connu un développement prodigieux, où la gestion de production et l ordonnancement des tâches sont devenus les éléments qui posent plus de problèmes très importants comme l augmentation de la production et la diminution des coûts sont devenus l objectif majeur dans toutes les entreprises. Les problèmes d ordonnancement se rencontrent très souvent notamment dans l optimisation de la gestion de production L ordonnancement dans les systèmes de production consiste à organiser dans le temps la réalisation de tâches de façon à satisfaire un ou plusieurs objectif et en prenant en compte les contraintes de délai, les contraintes d enchainement. Objectif : La résolution du problème, consiste à trouver un ordre de passage des différentes tâches en entrée du système et une affectation des différentes tâches sur les différentes machines de l étage j+1, suivant leur date de traitement à l étage j. Etage 1 Etage 2 Etage j Machines Machines Machines j Figure : représentation d un système de production des pièces Machine Stock

8 Le problème d ordonnancement : consiste à préciser l ordre de l exécution des taches par les différentes machines dans un étage donné. VII. comparaison de l AM avec les autres méthodes: Dans cet exemple, ils ont appliqué les trois algorithmes : o mémétiques avec (descente, recuit simulé). o les algorithmes génétiques. o La recherche locale (descente, recuit simulé). Voici les résultats du CMax (le temps d achèvement les travaux) : 1. comparaison de l AM avec AG et la descente: La méthode Nombre de pièces Mémétique avec descente Les AG La descente N = N= N= N= N= comparaison de l AM avec AG et le recuit simulé : La méthode Nombre de pièces Mémétique avec recuit simulé Les AG Le recuit simulé N = N= N= N= N=

9 D après les tableaux on peut dire que l hybridation des algorithmes génétiques avec la recherche locale porté ses fruits et le but d amélioration de la qualité de solutions a été atteint. Les meilleurs résultats sont obtenus toujours par l application des algorithmes mémétiques. VIII. Les domaines d applications : Les algorithmes mémétiques ont montré leur utilité pour la résolution de plusieurs problèmes: o La reconnaissance des formes. o Problème de Voyageur de Commerce (PVC) o Problème Coloration de Graphes. o Problèmes d ordonnancement. IX. Les avantages : o L ajout d une recherche locale à un algorithme génétique peut compenser la faiblesse des AG en vitesse de convergence qui est très lente. o Sans la gestion efficace d une population de solutions, il est difficile pour une recherche locale de parcourir efficacement l espace des solutions souvent très vaste. X. Conclusion : Les algorithmes mémétiques sans doute parmi les méthodes les plus puissantes ; ils ont montré leur efficacité dans la résolution de plusieurs problèmes par l hybridation entre deux techniques les «Algorithmes Génétiques» et «les méthodes de recherche locale». Et la combinaison des avantages des deux techniques en même temps. Les algorithmes mémétiques sont plus performants que les algorithmes génétique ; et aussi plus performants que les méthodes de la recherche locale tel que le recuit simulé et la recherche Taboue. Donc, Les algorithmes mémétiques exploitent pleinement la puissance de recherche de méthodes de voisinage et de recombinaison des algorithmes évolutifs sur une population de solutions.

10 XI. Bibliographie : [1] K.GUEBLI et A.KATEB HACHEMI AMAR, Métaheuristiques avancée les algorithmes mémétiques, [2] kjsp?STNAV=&RUBNAV=&RH= [3] [4]

11 I. Introduction 1 II. III. IV. Historique.. 3 Définition...3 Algorithme Mémétique V. Description de l algorithme. 5 VI. VII. VIII. IX. Exemple d application...6 Comparaison de AM avec les autres méthodes.7 Les domaines d application....8 Les avantages....8 X. Conclusion..8 XI. Bibliographie..9

République Algérienne Démocratique et populaire. Ministre d enseignement supérieure et de la recherche scientifique

République Algérienne Démocratique et populaire. Ministre d enseignement supérieure et de la recherche scientifique République Algérienne Démocratique et populaire Ministre d enseignement supérieure et de la recherche scientifique Université de la science &de la technologie Mohamed Boudiaf Faculté : science& technologie

Plus en détail

Algorithme de recherche avec tabou

Algorithme de recherche avec tabou Algorithme de recherche avec tabou OPTIMISATION COMBINATOIRE Hamza Deroui - Cherkaoui Soufiane - Oussama Zaki INSA Toulouse Plan 1. Introduction 2. Définition de la RT 3. L algorithme de la RT en générale

Plus en détail

Heuristique et métaheuristique. 8. Optimisation combinatoire. Optimisation combinatoire. Problème du voyageur de commerce

Heuristique et métaheuristique. 8. Optimisation combinatoire. Optimisation combinatoire. Problème du voyageur de commerce Heuristique et métaheuristique IFT1575 Modèles de recherche opérationnelle (RO) 8. Optimisation combinatoire Un algorithme heuristique permet d identifier au moins une solution réalisable à un problème

Plus en détail

La méthode l'entropie croisée

La méthode l'entropie croisée République Algérienne Démocratique et Populaire Université des Sciences et de la Technologie d Oran Mohamed Boudiaf (USTO) Module : optimisation avancée Présentation de : La méthode l'entropie croisée

Plus en détail

1. Définition de la métaheuristique :

1. Définition de la métaheuristique : 1. Définition de la métaheuristique : Le mot métaheuristique est dérivé de la composition de deux mots grecs: - heuristique qui vient du verbe heuriskein (euriskein) et qui signifie trouver - meta qui

Plus en détail

BENDAHMANE Amine Master2 RFIA 25 octobre 2011

BENDAHMANE Amine Master2 RFIA 25 octobre 2011 Ministère de l Enseignement Supérieur Et de la Recherche Scientifique Université des Sciences et de la Technologie d Oran - Mohamed Boudiaf Faculté des Sciences - Département d Informatique Le recuit simulé

Plus en détail

Cette dernière technique est connue sous le nom de mémoire adaptative, et a été développée par Rochat et Taillard.

Cette dernière technique est connue sous le nom de mémoire adaptative, et a été développée par Rochat et Taillard. 1.Introduction : Les métaheuristiques forment un ensemble de méthodes utilisées en recherche opérationnelle pour résoudre des problèmes d optimisation difficiles. Parmi les méta-heuristiques la recherche

Plus en détail

TIPE Algorithmes génétiques

TIPE Algorithmes génétiques TIPE Algorithmes génétiques TEMPEZ Vladislav 11/06/2014 Table des matières 1 Introduction 2 1.1 Le problème du voyageur de commerce................................. 2 1.2 Les algorithmes génétiques........................................

Plus en détail

Avant-propos. Optimisation difficile

Avant-propos. Optimisation difficile Les ingénieurs se heurtent quotidiennement à des problèmes technologiques de complexité grandissante, qui surgissent dans des secteurs très divers, comme dans le traitement des images, la conception de

Plus en détail

Optimisation Combinatoire (Méthodes approchées) III. Échapper des Optima Locaux! (Les bases)

Optimisation Combinatoire (Méthodes approchées) III. Échapper des Optima Locaux! (Les bases) Optimisation Combinatoire (Méthodes approchées) III. Échapper des Optima Locaux! (Les bases) Choix d'un voisinage Dans une recherche locale de type Hill-Climbing, les optima locaux dépendent du choix de

Plus en détail

Méthodes Heuristiques

Méthodes Heuristiques Méthodes Heuristiques ou comment résoudre efficacement les problèmes difficiles. Dr, 2010 Comment résoudre un problème NP-difficile? On a vu en optimisation combinatoire plusieurs classes de problèmes

Plus en détail

La recherche locale. INF6953 La recherche locale 1

La recherche locale. INF6953 La recherche locale 1 La recherche locale INF6953 La recherche locale 1 Sommaire Recherche locale et voisinage. Fonction de voisinage, optimum local Fonction de voisinage et mouvements Fonction de voisinage et mouvements Exemples

Plus en détail

Techniques Avancées d IA. d optimisation combinatoire

Techniques Avancées d IA. d optimisation combinatoire Techniques Avancées d IA Méthodes incomplètes d optimisation combinatoire M1 IA&RF Oct-Déc.. 2015 On n a pas d algorithme permettant de trouver directement (efficacement) et à tous les coups la solution

Plus en détail

LA METHODE KANGOUROU

LA METHODE KANGOUROU REPUBLIQUE ALGERIENNE DEMOCRATIQUE ET POPULAIRE MINISTERE DE L' ENSEIGNEMENT SUPERIEUR ET DE LA RECHERCHE SCIENTIFIQUE UNIVERSITE DES SCIENCES ET DE LA TECHNOLOGIE D'ORAN -MOHAMMED BOUDIAF- USTO-MB Faculté

Plus en détail

Extraction des contours labiaux par algorithmes génétiques multicritères hybrides

Extraction des contours labiaux par algorithmes génétiques multicritères hybrides Extraction des contours labiaux par algorithmes génétiques multicritères hybrides Page 1 I. Présentation II. État de l art III. Nos algorithmes IV. Implémentation - Sommaire - multi-énergies initialisation

Plus en détail

Optimisation Combinatoire (Méthodes approchées) IV. Méthodes itératives avancées (Les bases)

Optimisation Combinatoire (Méthodes approchées) IV. Méthodes itératives avancées (Les bases) Optimisation Combinatoire (Méthodes approchées) IV. Méthodes itératives avancées (Les bases) Iterated Local Search (ILS) Idée principale Recherche locale itérative pour atteindre rapidement un optimum

Plus en détail

- Exposé Optimisation Avancée -

- Exposé Optimisation Avancée - République Algérienne démocratique et populaire Ministère de l enseignement supérieur et de la recherche scientifique Université des Sciences et de la Technologie d Oran Faculté des Sciences Département

Plus en détail

Sommaire. Algorithmes génétiques..3. Introduction.3

Sommaire. Algorithmes génétiques..3. Introduction.3 Sommaire Algorithmes génétiques..3 Introduction.3 Définition 3 Rapport biologique vs informatique....3 Principe de base.....3 Les opérateurs génétiques.4 1. L opérateur d initialisation.4 2. L opérateur

Plus en détail

TECHNIQUES COMBINATOIRE D OPTIMISATION INTRODUCTION. Laurent Péridy

TECHNIQUES COMBINATOIRE D OPTIMISATION INTRODUCTION. Laurent Péridy TECHNIQUES D OPTIMISATION COMBINATOIRE 1/44 INTRODUCTION Laurent Péridy IMA-UCO 3 place A. Leroy BP 808 49000 Angers Cedex 1 email: laurent.peridy@ima.uco.fr Table des matières 1 Introduction à la Théorie

Plus en détail

Introduction à la recherche opérationnelle

Introduction à la recherche opérationnelle DÉPARTEMENT D INFORMATIQUE UNIVERSITÉ NICE SOPHIA ANTIPOLIS Introduction à la recherche opérationnelle NOTES DE COURS Version: 22 septembre 2014 Arnaud Malapert (firstname.lastname@unice) Table des matières

Plus en détail

Ant Colony Optimisation.

Ant Colony Optimisation. Ant Colony Optimisation 1/77 Plan Fourragement fourmis Algorithmes fourmis Ant Colony Optimisation appliqué au TSP Généralisation ACO Analyse de l'algorithme 2/77 Fourragement ches les fourmis Mecanisme

Plus en détail

Problèmes de tournées de bus: une proposition de couplage de méthodes d'optimisation et de simulation

Problèmes de tournées de bus: une proposition de couplage de méthodes d'optimisation et de simulation Problèmes de tournées de bus: une proposition de couplage de méthodes d'optimisation et de simulation Loïc Yon Bruno Bachelet loic.yon@isima.fr bachelet@isima.fr http://www.kiux.net http://www.nawouak.net

Plus en détail

12/11/2015. Chapitre 4: Introduction à l ordonnancement. IV.1. Notions d ordonnancement (1) IV.1. Notions d ordonnancement (2)

12/11/2015. Chapitre 4: Introduction à l ordonnancement. IV.1. Notions d ordonnancement (1) IV.1. Notions d ordonnancement (2) Chapitre 4: Introduction à l ordonnancement 4.1. Notions d ordonnancement 4.2. Définitions 4.3. Modélisation 4.4. Méthodes de résolution 4.5. Problèmes types IV.1. Notions d ordonnancement (1) Ordonnancer

Plus en détail

Méthodes arborescentes exactes et approchées

Méthodes arborescentes exactes et approchées Méthodes arborescentes exactes et approchées Complexité, Algorithmes Randomisés et Approchés October 8, 2015 Problème d optimisation (rappel) Définition : Nom du problème : P Paramètres génériques du problème

Plus en détail

SYLLABUS DE L ORIENTATION IAD. Introduction aux méthodes de recherche opérationnelle, optimisation et aide à la décision

SYLLABUS DE L ORIENTATION IAD. Introduction aux méthodes de recherche opérationnelle, optimisation et aide à la décision SYLLABUS DE L ORIENTATION IAD Recherche opérationnelle Logique-Prolog Fouille de données Intelligence artificielle Informatique décisionnelle Projet 30h 40h 24h 20h 24h 20h Introduction aux méthodes de

Plus en détail

Des contraintes peuvent exister limitant le choix des valeurs des variables.

Des contraintes peuvent exister limitant le choix des valeurs des variables. Introduction Objet de la programmation mathématique, construction d'un modèle mathématique, problème général de programmation mathématique et classification, algorithme de résolution en programmation mathématique

Plus en détail

Optimisation par colonies de fourmis Ant colony Optimization. Nicolas Fayolle Guillaume Martinez Nicolas Seydoux 5IL- OC

Optimisation par colonies de fourmis Ant colony Optimization. Nicolas Fayolle Guillaume Martinez Nicolas Seydoux 5IL- OC Optimisation par colonies de fourmis Ant colony Optimization Nicolas Fayolle Guillaume Martinez Nicolas Seydoux 5IL- OC Présentation: 1. 2. 3. 4. 5. Introduction a. Métaheuristique b. Pourquoi les fourmis?

Plus en détail

Philippe VILLEMUS. Le plan marketing. à l usage du manager

Philippe VILLEMUS. Le plan marketing. à l usage du manager Philippe VILLEMUS Le plan marketing à l usage du manager Table des matières Remerciements... Sommaire... V VII Introduction Pourquoi ce livre?... 1 Quel est l objectif de ce livre?... 2 À qui s adresse

Plus en détail

Ordonnancement cyclique multi-produits des lignes de traitement de surface : Méthodes exactes et approchées

Ordonnancement cyclique multi-produits des lignes de traitement de surface : Méthodes exactes et approchées Ordonnancement cyclique multi-produits des lignes de traitement de surface : Méthodes exactes et approchées Adnen El Amraoui To cite this version: Adnen El Amraoui. Ordonnancement cyclique multi-produits

Plus en détail

Chapitre 4: Résolution de Problèmes

Chapitre 4: Résolution de Problèmes Chapitre 4: Résolution de Problèmes dekhicilatifa@gmail.com Sites.google.com\site\latifadekhici 1 Plan Introduction au problème 1. Jeux et énigmes Jeu e taquin Méthodes de résolution du jeu de taquin Méthodes

Plus en détail

Introduction à l algorithmique et à la programmation p. 2

Introduction à l algorithmique et à la programmation p. 2 Introduction à l algorithmique et à la programmation Antoine FRABOULET antoine.fraboulet@insa-lyon.fr INSA de Lyon, Département Télécommunications, Services et Usages Introduction à l algorithmique et

Plus en détail

Cours de recherche opérationnelle I

Cours de recherche opérationnelle I Cours de recherche opérationnelle I Nadia Brauner Nadia.Brauner@imag.fr Programmation dynamique Programmation dynamique Plan 1 Jeux introductifs 2 Principe de sous-optimalité 3 Programmation dynamique

Plus en détail

Algorithmique et Complexité

Algorithmique et Complexité Algorithmique et Complexité Nicole Bidoit Université Paris XI, Orsay Année Universitaire 2008 2009 1 Algorithmique et Complexité 1. Introduction Nicole Bidoit Université Paris XI, Orsay Année Universitaire

Plus en détail

MODÈLES D ABSTRACTION POUR LA RÉSOLUTION DE PROBLÈMES COMBINATOIRES

MODÈLES D ABSTRACTION POUR LA RÉSOLUTION DE PROBLÈMES COMBINATOIRES MODÈLES D ABSTRACTION POUR LA RÉSOLUTION DE PROBLÈMES COMBINATOIRES Soutenance pour l obtention de l Habilitation à Diriger des Recherches Adrien GOËFFON Angers, le 17 novembre 2014 Composition du jury

Plus en détail

Sont recommandés : parents conservés si élitisme. parents. Oui Ng < Nmax? Non. Souspopulation. Nouvelle génération (descendants) éliminée

Sont recommandés : parents conservés si élitisme. parents. Oui Ng < Nmax? Non. Souspopulation. Nouvelle génération (descendants) éliminée parents parents conservés si élitisme Niveau d overlapping (parfois très petit) Souspopulation éliminée Nouvelle génération (descendants) Un individu = un chromosome n gènes par chromosome Oui Ng < Nmax?

Plus en détail

Heuristique et métaheuristique. 8. Optimisation combinatoire et métaheuristiques. Optimisation combinatoire. Problème du voyageur de commerce

Heuristique et métaheuristique. 8. Optimisation combinatoire et métaheuristiques. Optimisation combinatoire. Problème du voyageur de commerce Heuristique et métaheuristique IFT1575 Modèles de recherche opérationnelle (RO) 8. Optimisation combinatoire et métaheuristiques Un algorithme heuristique permet d identifier au moins une solution réalisable

Plus en détail

Un algorithme de recherche dispersée pour le problème MAX-SAT

Un algorithme de recherche dispersée pour le problème MAX-SAT 293 Prépublication n 44 Fascicule n 2 Un algorithme de recherche dispersée pour le problème MAX-SAT Dalila Boughaci LSIS, UMR CNRS 6168, CMI 39 rue Frédéric Joliot-Curie, 13453 Marseille LRIA-USTHB BP32

Plus en détail

Repousser les limites

Repousser les limites Repousser les limites Des problèmes impossibles à l intelligence artificielle Denis Kuperberg ENS Lyon, CNRS 15 mai 2017 Début de l informatique: Turing (1936) Notion mathématique d algorithme: Machine

Plus en détail

Algorithmique / Initiation. Table des matières. Adapté de P. BUNEL / Version 3.0

Algorithmique / Initiation. Table des matières. Adapté de P. BUNEL / Version 3.0 Dept GEII Année universitaire 2010-2011 II1 J. VILLEMEJANE - julien.villemejane@u-pec.fr Adapté de P. BUNEL / Version 3.0 Table des matières 1 Introduction - Définitions 2 1.1 Qu est-ce qu un algorithme?.........................................

Plus en détail

Ordonnancement des opérations de réglage machine lors d un changement de série: prise en compte des compétences des opérateurs

Ordonnancement des opérations de réglage machine lors d un changement de série: prise en compte des compétences des opérateurs Ordonnancement des opérations de réglage machine lors d un changement de série: prise en compte des Cédric Pessan 1,2 et Emmanuel Néron 1 1 Université François-Rabelais de Tours Laboratoire d informatique

Plus en détail

Section 5- L impact des changements dans les politiques financières de l entreprise Page 68 Section 6- Le contrôle d entreprise face à la

Section 5- L impact des changements dans les politiques financières de l entreprise Page 68 Section 6- Le contrôle d entreprise face à la Table des Matières INTRODUCTION GENERALE Page 6 PREMIERE PARTIE : UTILITE DE L AUDIT ET DU CONTRÔLE INTERNE POUR LA GOUVERNANCE D ENTREPRISE Page 13 CHAPITRE I : LA THEORIE DE LA GOUVERNANCE D ENTREPRISE

Plus en détail

Projet de Programmation C

Projet de Programmation C Projet de Programmation C BESLAY Cyril 13 Novembre 20009 Règles du Sudoku et Ensembles préemptifs Une grille de Sudoku est une grille de taille n 2 n 2. Cette grille est séparée en n 2 blocs de taille

Plus en détail

Introduction à la Recherche Opérationnelle

Introduction à la Recherche Opérationnelle Introduction à la Recherche Opérationnelle Frédéric Meunier 28 septembre 2016 Ecole des Ponts, France 4??????? 5 10 7 3 2 2 7 10 10 9 8 1 4 5 5 5 3 4 1 10 8 6 7 6 12 10 11 13 Monsieur R. doit organiser

Plus en détail

Algorithmes génétiques et autres réjouissances

Algorithmes génétiques et autres réjouissances Algorithmes génétiques et autres réjouissances Introduction : quelques mots sur L évolution en biologie Les algorithmes génétiques en biologie Algorithmes génétiques Principes généraux Exemple n 1 : Histoire

Plus en détail

Algorithmes d approximation de la théorie à la pratique. Nicolas Schabanel CNRS - LIP - École normale supérieure de Lyon

Algorithmes d approximation de la théorie à la pratique. Nicolas Schabanel CNRS - LIP - École normale supérieure de Lyon Algorithmes d approximation de la théorie à la pratique Nicolas Schabanel CNRS - LIP - École normale supérieure de Lyon 1 Au début de l informatique (avant 1971-1972) Problèmes d optimisation Couplage

Plus en détail

Compte Rendu de Calcul Parallèle

Compte Rendu de Calcul Parallèle Compte Rendu de Calcul Parallèle Erik Pernod & Rebecca Bonnet Le but de ce TP est d étudier une résolution d équation aux dérivées partielles (EDP) afin de montrer d une part l efficacité et l utilité

Plus en détail

ALGORITHMIQUE. Notes du cours FS/1/6584 Année préparatoire au master 60 en informatique ULB UMH Gilles GEERAERTS (Université Libre de Bruxelles)

ALGORITHMIQUE. Notes du cours FS/1/6584 Année préparatoire au master 60 en informatique ULB UMH Gilles GEERAERTS (Université Libre de Bruxelles) ALGORITHMIQUE A L G O R I T H M I Q U E Notes du cours FS/1/6584 Année préparatoire au master 60 en informatique ULB UMH Gilles GEERAERTS (Université Libre de Bruxelles) ANNÉE ACADÉMIQUE 2008 2009 (2 E

Plus en détail

Auto-optimisation des réseaux sans fil: une approche par la théorie des jeux

Auto-optimisation des réseaux sans fil: une approche par la théorie des jeux Auto-optimisation des réseaux sans fil: une approche par la théorie des jeux Pierre Coucheney INRIA équipe MESCAL, Alcatel Lucent Bell Labs 31 Août 2011 Introduction Réseaux sans fil Avantages: Mobilité.

Plus en détail

Optimisation Par Colonie de Fourmies

Optimisation Par Colonie de Fourmies République Algérienne Démocratique et Populaire Ministère de l Enseignement Supérieur et de la Recherche Scientifique Université des Sciences et de la Technologie d Oran Faculté des Sciences Département

Plus en détail

Utilisation de «gossip» pour une exécution distribuée efficace de programmes chimiques

Utilisation de «gossip» pour une exécution distribuée efficace de programmes chimiques Utilisation de «gossip» pour une exécution distribuée efficace de programmes chimiques Stage réalisé à l IRISA (Rennes) du 29 avril au 21 juin. Antoine Chatalic ÉNS de Cachan - Antenne de Bretagne Cédric

Plus en détail

République Algérienne Démocratique et Populaire. Ministère de l Enneigement Supérieur et de la Recherche Scientifique

République Algérienne Démocratique et Populaire. Ministère de l Enneigement Supérieur et de la Recherche Scientifique République Algérienne Démocratique et Populaire Ministère de l Enneigement Supérieur et de la Recherche Scientifique Ecole Nationale Supérieure de Technologie E. N. S. T ار ا ا Ecole nationale supérieure

Plus en détail

The Connectivity Server: fast access to linkage information on the web. Bharat, Broder, Henzinger,Kumar, Venkatasubramaniam Avril 1998

The Connectivity Server: fast access to linkage information on the web. Bharat, Broder, Henzinger,Kumar, Venkatasubramaniam Avril 1998 The Connectivity Server: fast access to linkage information on the web Bharat, Broder, Henzinger,Kumar, Venkatasubramaniam Avril 1998 Introduction Connaître les informations sur les links entrants et sortants

Plus en détail

Algorithmique et structures de données I

Algorithmique et structures de données I Algorithmique et structures de données I Riadh Ben Messaoud Université 7 novembre à Carthage Faculté des Sciences Économiques et de Gestion de Nabeul 1ère année Licence Fondamentale IAG 1ère année Licence

Plus en détail

Valérie CLISSON Arnaud DUVAL. Tests de logique. Groupe Eyrolles, 2003 ISBN :

Valérie CLISSON Arnaud DUVAL. Tests de logique. Groupe Eyrolles, 2003 ISBN : Valérie CLISSON Arnaud DUVAL Tests de logique Groupe Eyrolles, 2003 ISBN : 2-7081-3524-4 Introduction Vous vous interrogez sur les tests de logique : en quoi consistentils? comment sont-ils conçus? à quoi

Plus en détail

Optimisation du calcul du capital économique d'une compagnie d'assurance vie par la méthode des Simulations dans les Simulations

Optimisation du calcul du capital économique d'une compagnie d'assurance vie par la méthode des Simulations dans les Simulations Optimisation du calcul du capital économique d'une compagnie d'assurance vie par la méthode des Simulations dans les Simulations Conférence débat de l Institut des Actuaires Jean-Baptiste Garnier & Anne-Claire

Plus en détail

Cours 5: Algorithmes approchés

Cours 5: Algorithmes approchés Cours 5: Algorithmes approchés Algorithmes approchés Schémas d approximation Bin-packing: limite de l approximabilité. Voyageur de commerce : non approximabilité 1-1 Un algorithme glouton pour COUVRANT

Plus en détail

Méthode de gradient (3) Méthodes numériques pour l optimisation. Problème d optimisation sans contrainte

Méthode de gradient (3) Méthodes numériques pour l optimisation. Problème d optimisation sans contrainte Méthode de gradient (1 Problème d optimisation sans contrainte inf J(v, v V V Hilbert Méthodes numériques pour l optimisation Gabriel STOLTZ stoltz@cermics.enpc.fr (CERMICS, Ecole des Ponts & Equipe-projet

Plus en détail

Algorithmique Avancée et Complexité: Présentation du cours

Algorithmique Avancée et Complexité: Présentation du cours Algorithmique Avancée et Complexité: Présentation du cours AAC Sophie Tison-USTL-Master1 Informatique Objectifs Avoir des outils pour concevoir un bon algorithme pour résoudre un problème. Objectifs Avoir

Plus en détail

Algorithmique Essai de synthèse

Algorithmique Essai de synthèse Algorithmique Essai de synthèse Gilles Aldon, Jérôme Germoni, Jean-Manuel Mény IREM de Lyon Mars 2012 GA, JG, JMM (IREM de Lyon) Algorithmique Mars 2012 1 / 5 Questions liées à la complexité Déroulement

Plus en détail

Algorithmes sur les arbres et les graphes en bioinformatique

Algorithmes sur les arbres et les graphes en bioinformatique M2 - IAD Algorithmes sur les arbres et les graphes en bioinformatique Reconstruction des arbres phylogénétiques Quelles sont les relations génétiques entre espèces? Idée : comparer des caractères spécifiques

Plus en détail

Cours de Test Logiciel

Cours de Test Logiciel S.Bardin Test Logiciel 1/ 34 Cours de Test Logiciel Leçon 5 : test par mutations Sébastien Bardin CEA-LIST, Laboratoire de Sûreté Logicielle sebastien.bardin@cea.fr http://sebastien.bardin.free.fr Rappel

Plus en détail

Plan. Programmation structurée. Objectif. Algorithme. Programme et algorithme. Algorithme

Plan. Programmation structurée. Objectif. Algorithme. Programme et algorithme. Algorithme Plan Programmation structurée Algorithme Principe de base de la programmation structurée Les structures Traduction en Java Université de Nice - Sophia Antipolis Richard Grin Version 1.1.3 1/10/11 Richard

Plus en détail

CONCEPTIONS ALGORITHMES

CONCEPTIONS ALGORITHMES CONCEPTIONS ALGORITHMES OLIVIER BODINI Résumé. Nous continuons l exploration des algorithmes de type Programmation Dynamique. Nous traiterons grâce à ce principe un problème d ordonnancement (le problème

Plus en détail

Un algorithme de visualisation de graphes plans

Un algorithme de visualisation de graphes plans Un algorithme de visualisation de graphes plans Frédéric Papadopoulos et Jean-Christophe Janodet Laboratoire IBISC, Université d Evry, France 14 Octobre 2015 1 / 13 Contexte Objectif de nos travaux Être

Plus en détail

Méthode d Optimisation

Méthode d Optimisation Méthode d Optimisation Programmation du gradient conjugué BIZZARI - MUSCAT - VAUBOURG 14 Octobre 2014 Sommaire 1 Introduction 2 Explication de la méthode 3 Résultats 4 Alternatives 5 Comparaison des méthodes

Plus en détail

Graphes et Recherche Opérationnelle Introduction générale

Graphes et Recherche Opérationnelle Introduction générale Graphes et RO TELECOM Nancy 2A Graphes et Recherche Opérationnelle Introduction générale J.-F. Scheid 1 Le terme recherche opérationnelle (Operations Research en anglais) date de la seconde guerre mondiale

Plus en détail

Ingénierie d Aide à la Décision. Ecole Internationale des Sciences de Traitement de l Information (EISTI) mma/html-iad/iad.

Ingénierie d Aide à la Décision. Ecole Internationale des Sciences de Traitement de l Information (EISTI)  mma/html-iad/iad. Ingénierie d Aide à la Décision p. 1/1 Ingénierie d Aide à la Décision Ecole Internationale des Sciences de Traitement de l Information (EISTI) http://www.eisti.fr/ mma/html-iad/iad.html Ingénierie d Aide

Plus en détail

IFT3395/6390 Fondements de l apprentissage machine

IFT3395/6390 Fondements de l apprentissage machine Département d'informatique et de recherche opérationnelle IFT3395/6390 Fondements de l apprentissage machine Premier cours: INTRODUCTION Professeur: Pascal Vincent Laboratoire d Informatique des Systèmes

Plus en détail

Algorithmique et Analyse d Algorithmes

Algorithmique et Analyse d Algorithmes Algorithmique et Analyse d Algorithmes L3 Info Cours 8 : Arbres partiellement ordonnés Benjamin Wack 2016-2017 1 / 1 La dernière fois Structure dynamique Arbre Binaire de Recherche (ABR) Opérateurs de

Plus en détail

IN Cours septembre Matthieu Finiasz

IN Cours septembre Matthieu Finiasz IN 101 - Cours 04 30 septembre 2011 présenté par Matthieu Finiasz Un problème concret Laquelle de ces deux fonctions est la meilleure? 1 int factoriel(int n) { 2 int i, res; 3 res = 1; 4 for (i=2; i

Plus en détail

Université Abdelmalek Essaadi. Faculté Polydisciplinaire de Tétouan. Gestion Informatique de l Entreprise. Rapport sur : Eviews

Université Abdelmalek Essaadi. Faculté Polydisciplinaire de Tétouan. Gestion Informatique de l Entreprise. Rapport sur : Eviews Université Abdelmalek Essaadi Faculté Polydisciplinaire de Tétouan Gestion Informatique de l Entreprise Rapport sur : Eviews Réalisé par : Encadré par : DORKI Sara Pr. Mohamed El Merouani DOUHI Mohammed

Plus en détail

Plan. Passage à l échelle de la réconciliation de concepts et de la réconciliation de références. Motivations : Passage à l échelle

Plan. Passage à l échelle de la réconciliation de concepts et de la réconciliation de références. Motivations : Passage à l échelle Passage à l échelle de la réconciliation de concepts et de la réconciliation de références Nathalie Pernelle et Fatiha Saïs LRI, Université Paris-Sud XI, INRIA Futurs, Orsay. Projet PICSEL 3 en collaboration

Plus en détail

Optimisation en nombres entiers

Optimisation en nombres entiers Optimisation en nombres entiers Recherche Opérationnelle GC-SIE Branch & bound Algorithmes On distingue 3 types d algorithmes. Algorithmes exacts Ils trouvent la solution optimale Ils peuvent prendre un

Plus en détail

Sciences et technologie, socle et cycles

Sciences et technologie, socle et cycles Accompagnement des nouveaux programmes en sciences et technologie cycles 2, 3, 4 Sciences et technologie, socle et cycles Un double défi interdisciplinaire et interdegré D. PETRELLA IA-IPR STI Versailles

Plus en détail

La dérivée partielle de C (qui peut dépendre de w et d autres variables), est. = lim C(w + δw) C(w)

La dérivée partielle de C (qui peut dépendre de w et d autres variables), est. = lim C(w + δw) C(w) Cours IFT6266, Optimisation à base de gradient 1 Petit rappel sur le gradient La dérivée partielle de C (qui peut dépendre de w et d autres variables), est (w) = lim C(w + δw) C(w) δw 0 δw donc cela nous

Plus en détail

SUDOKU O. Pantz 12 septembre 2016

SUDOKU O. Pantz 12 septembre 2016 SUDOKU O. Pantz 12 septembre 2016 2 Les Sudokus constituent un jeu très populaire. Il s agit de remplir une grille comptant 9 lignes et 9 colonnes, elle même décomposée en 9 sous grilles de taille 3 3

Plus en détail

Tatouage d Images par Insertions Aveugle et Informée et Détection par Corrélation Linéaire

Tatouage d Images par Insertions Aveugle et Informée et Détection par Corrélation Linéaire Tatouage d Images par Insertions Aveugle et Informée et Détection par Corrélation Linéaire Saighi Abdelhamid, Salim Chitroub FEI, USTHB Alger, 16000, Algérie asaighi@usthb.dz schitroub@usthb.dz 13 décembre

Plus en détail

François Gueguen Master 1 IL. Rapport de projet Recuit Simulé

François Gueguen Master 1 IL. Rapport de projet Recuit Simulé François Gueguen Master 1 IL Rapport de projet Recuit Simulé 1 11 Sommaire Sommaire...2 Introduction...3 Concept du recuit simulé...3 Fonctions mathématiques...4 Fonction sans minimum local...4 Fonction

Plus en détail

Analyse d Algorithmes et Génération Aléatoire. TD 2 : Génération d Arbres

Analyse d Algorithmes et Génération Aléatoire. TD 2 : Génération d Arbres Master 2 : STL Année 2016/2017 Analyse d Algorithmes et Génération Aléatoire TD 2 : Génération d Arbres Table des matières 1 Générateur d arbre à la Rémy 1 1.1 Générateur d arbres binaires.................................

Plus en détail

La Mémétique Une théorie évolutionniste de la culture

La Mémétique Une théorie évolutionniste de la culture La Mémétique Une théorie évolutionniste de la culture La Mémétique une théorie évolutionniste de la culture Problématique: La Mémétique pourrait-elle s intégrer dans les sciences sociales traditionnelles?

Plus en détail

Planification et ordonnancement des blocs opératoires

Planification et ordonnancement des blocs opératoires Planification et ordonnancement des blocs opératoires Hongying Fei Mons, le 27 Juin 2006 1 Plan de l exposé Contexte & problématique Méthodologie de construction de programmes opératoires Planification

Plus en détail

Interprétation Abstraite

Interprétation Abstraite Interprétation Abstraite Paul Feautrier Paul.Feautrier@ens-lyon.fr. ENS Lyon Projet Compil 1/25 Plan Concepts de Base Exemple : signe des variables Le treillis des signes Interprétation abstraite Exemple

Plus en détail

Plan. Exemple: coloration de carte. Problèmes de satisfaction de contraintes. Problèmes de satisfaction de contraintes IFT-17587

Plan. Exemple: coloration de carte. Problèmes de satisfaction de contraintes. Problèmes de satisfaction de contraintes IFT-17587 Plan Problèmes de satisfaction de contraintes IFT-17587 Concepts avancés pour systèmes intelligents Luc Lamontagne Description des CSP Exploration avec retour arrière «Forward checking» Cohérence des arcs

Plus en détail

Construction et contrôle de robots mobiles amphibies à degrés de liberté multiples. Plan de thèse de doctorat

Construction et contrôle de robots mobiles amphibies à degrés de liberté multiples. Plan de thèse de doctorat Construction et contrôle de robots mobiles amphibies à degrés de liberté multiples Plan de thèse de doctorat Alessandro Crespi Laboratoire de Systèmes Logiques Institut des Systèmes Informatiques et Multimédias

Plus en détail

INFO 2014 Fichiers et base de données

INFO 2014 Fichiers et base de données INFO 2014 Fichiers et base de données Philippe Fournier-Viger Département d informatique, U.de Moncton Bureau D216, philippe.fournier-viger@umoncton.ca Hiver 2015 1 RAPPEL: LE TRI INTERNE 2 Le tri interne

Plus en détail

Table des matières. Introduction

Table des matières. Introduction Table des matières Auteur Introduction XI XIII Chapitre 1 Méthodes de collecte de données qualitatives 1 1. Les fondements de l approche qualitative 1 1.1. Exploration 1 1.2. Explication 2 1.3. Révélation

Plus en détail

TD7 Décembre I. Refroidissement trop rapide

TD7 Décembre I. Refroidissement trop rapide I. Refroidissement trop rapide TD7 Décembre 2016 1. Le potentiel V a un minimum local en 1 et son minimum global en 3. Le graphe de transition sur cet espace à 3 états est élémentaire. 2. On part du point

Plus en détail

L optimisation pour tout et pour tous

L optimisation pour tout et pour tous Laboratoire MAIAA (Mathématiques Appliquées, Informatique et Automatique pour l Aérien) mongeau@recherche.enac.fr Journée de la recherche, 20 février 2014 Plan de l exposé Introduction Modélisation Conditions

Plus en détail

Traitement numérique des images - Une introduction à la Vision

Traitement numérique des images - Une introduction à la Vision Traitement numérique des images - Une introduction à la Vision industrielle INSTITUT PASCAL IUT Montluçon Université Blaise Pascal 2014 Le chercheur en vision par ordinateur conçoit et analyse les aspects

Plus en détail

Introduction à la programmation en variables entières Cours 3

Introduction à la programmation en variables entières Cours 3 Introduction à la programmation en variables entières Cours 3 P. Pesneau pierre.pesneau@math.u-bordeaux1.fr Université Bordeaux 1 Bât A33 - Bur 265 Sommaire Arbre d énumération 1 Arbre d énumération 2

Plus en détail

Master en Recherche Opérationnelle (RO)

Master en Recherche Opérationnelle (RO) Master en Recherche Opérationnelle (RO) Objectif de la formation La Recherche Opérationnelle est aux confins de l informatique et des outils mathématiques pour l aide à la décision. Responsables de la

Plus en détail

ENTREPÔTS ET MAGASINS

ENTREPÔTS ET MAGASINS Michel Roux ENTREPÔTS ET MAGASINS Tout ce qu il faut savoir pour concevoir une unité de stockage Quatrième édition, 1995, 2001, 2003, 2008 ISBN : 978-2-212-54032-1 SOMMAIRE Chapitre 1 Introduction... 1

Plus en détail

Table des matières. Préface Pascal MAUNY. Avant-propos Introduction... 23

Table des matières. Préface Pascal MAUNY. Avant-propos Introduction... 23 Table des matières Préface... 15 Pascal MAUNY Avant-propos... 19 Introduction... 23 Chapitre 1. La recherche opérationnelle... 29 1.1. Historique... 29 1.2. Champs d application, principes et concepts...

Plus en détail

Complexité des algorithmes

Complexité des algorithmes Cours complexité Stéphane Grandcolas p. 1/29 Complexité des algorithmes Stéphane Grandcolas stephane.grandcolas@univ-amu.fr Cours complexité Stéphane Grandcolas p. 2/29 Algorithmes et structures de données

Plus en détail

Le module Brute Force n'est pas fait pour être efficace, ni être executé. C'est un concept fonctionnel mais extrêmement lent.

Le module Brute Force n'est pas fait pour être efficace, ni être executé. C'est un concept fonctionnel mais extrêmement lent. Rendu ESPERON DEPRESLE I) Séance 1 Le principe de notre code est le suivant : Un module pur "Brute Force" Un module pur "Branch and Bound" 1) Brute Force Le module Brute Force n'est pas fait pour être

Plus en détail

Reconnaissance de caractères à l'aide de réseaux de neurones. Etienne MOUTOT

Reconnaissance de caractères à l'aide de réseaux de neurones. Etienne MOUTOT Reconnaissance de caractères à l'aide de réseaux de neurones Etienne MOUTOT 24 octobre 2014 Résumé Un réseau de neurone est un modèle permettant de résoudre des problèmes relevant de l'intelligence articielle.

Plus en détail

Rapport. TME2 - Problème d affectation multi-agents

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

Plus en détail

Aujourd hui. Rappels et compléments. Chapitre 5 : méthodes et algorithmes de tri. Lecture avec scanf()

Aujourd hui. Rappels et compléments. Chapitre 5 : méthodes et algorithmes de tri. Lecture avec scanf() Aujourd hui Rappels et compléments Lecture avec scanf() Chapitre 5 : méthodes et algorithmes de tri 1 Rappels et compléments Lecture avec scanf() (cf p. 93-96 polycopié langage C) 2 Le flux d entrée stdin

Plus en détail

Analyse de performance d un terminal dans une plateforme de crossdocking

Analyse de performance d un terminal dans une plateforme de crossdocking Analyse de performance d un terminal dans une plateforme de crossdocking Thèse débutée en Octobre 2005 Réalisée par Rim LARBI Laboratoire G-SCOP 46, av Félix Viallet 38031 Grenoble Cedex www.g-scop.inpg.fr

Plus en détail