Cours de recherche opérationnelle I
|
|
- Grégoire Laurent
- il y a 7 ans
- Total affichages :
Transcription
1 1 Cours de recherche opérationnelle I Grenoble, Nadia.Brauner@g-scop.inpg.fr
2 Auteurs Ont participé à la rédaction de ce cours (par ordre d arrivée) Nadia Brauner Christophe Rapine Julien Moncel Laurent Beaudou Ont aidé, corrigé, relu et donné des idées Gerd Finke Yann Kieffer Van Dat Cung Ont donné les TD et proposé des exercices Ayse Akbalik Sergei Lenglet 2
3 Formations à Grenoble Formation initiale RO à l UJF (L3 info, M1 Info, L3 Miage, Polytech RICM2) Gestion de la production à l UJF (M1 Miage) Outils Formels et Graphes (Polytech RICM2) RO à l ENSIMAG (1A, 2A, LOSI) RO à l ENSGI (1A, 2A, LOSI) Master 2 Recherche Mathématiques et Informatique, Option Recherche Opérationnelle, Combinatoire et Optimisation Formation continue Recherche opérationnelle (tous les ans, 4 jours) Graphes et optimisation (tous les ans, 3 jours) 3
4 La recherche opérationnelle
5 La Recherche Opérationnelle Applications Méthodologie Outils Références Plan 1 La Recherche Opérationnelle 2 Applications 3 Méthodologie 4 Outils 5 Références N. Brauner 5
6 La Recherche Opérationnelle Applications Méthodologie Outils Références Plan 1 La Recherche Opérationnelle 2 Applications 3 Méthodologie 4 Outils 5 Références N. Brauner 6
7 La Recherche Opérationnelle Applications Méthodologie Outils Références Recherche Opérationnelle ou Science de la Décision Définitions Cambridge Dictionary Operational research UK (US operations research) The systematic study of how best to solve problems in business and industry Wikipedia Operations research, operational research, or simply OR, is the use of mathematical models, statistics and algorithms to aid in decision-making Roadef Recherche Opérationnelle : approche scientifique pour la résolution de problèmes de gestion de systèmes complexes N. Brauner 7
8 La Recherche Opérationnelle Applications Méthodologie Outils Références Recherche Opérationnelle Définitions Méthodes scientifiques pour résoudre des problèmes d optimisation liés aux organisations du monde réel Une discipline à la croisée des mathématiques et de l informatique prolongement de l algorithmique manipulant des structures plus élaborées : graphes, polyèdres... domaine d application de la théorie de la complexité algorithmique Une boite à outils de méthodes, tant positives que négatives, pour aborder sainement et sereinement les problèmes d optimisation N. Brauner 8
9 La Recherche Opérationnelle Applications Méthodologie Outils Références Plan 1 La Recherche Opérationnelle 2 Applications 3 Méthodologie 4 Outils 5 Références N. Brauner 9
10 La Recherche Opérationnelle Applications Méthodologie Outils Références Recherche Opérationnelle Voyageur de commerce (TSP) Un voyageur de commerce, basé à Toulon, doit visiter ses clients à travers la France. Il souhaite effectuer la tournée la plus courte possible. N. Brauner 10
11 La Recherche Opérationnelle Applications Méthodologie Outils Références Recherche Opérationnelle Voyageur de commerce Instance : n villes avec une matrice de distances Solution : tournée visitant chaque ville et revenant à Toulon N. Brauner 11
12 La Recherche Opérationnelle Applications Méthodologie Outils Références Recherche Opérationnelle Algorithme Glouton pour le TSP N. Brauner 12
13 La Recherche Opérationnelle Applications Méthodologie Outils Références Recherche Opérationnelle Applications Feuille de TD : Recherche opérationnelle, Introduction Exercice 1 : Vente de téléphones portables Exercice 2 : Transport de lecteurs MP3 N. Brauner 13
14 La Recherche Opérationnelle Applications Méthodologie Outils Références Recherche Opérationnelle Transport graphe biparti orienté avec pondération quantité d une marchandise aux sommets coûts de transport, distance sur les arcs trouver le meilleur plan de distribution a i i c ij j b j A B min c ij x ij x ij a i j B x ij b j i A x ij 0 N. Brauner 14
15 La Recherche Opérationnelle Applications Méthodologie Outils Références Recherche Opérationnelle Applications Feuille de TD : Recherche opérationnelle, Introduction Exercice 3 : Planification de projet N. Brauner 15
16 La Recherche Opérationnelle Applications Méthodologie Outils Références Recherche Opérationnelle Applications Plus court chemin Quel est le trajet le plus court entre Grenoble et Nice en voiture? N. Brauner 16
17 La Recherche Opérationnelle Applications Méthodologie Outils Références Recherche Opérationnelle 24h de RO 8h : optimisation de la récolte et du dépôt des déchets recyclables... 15h : placement automatique des véhicules pour une association de partage de voitures 16h : gestion des retards dans les transports publics pour minimiser l impact sur les passagers... N. Brauner 17
18 La Recherche Opérationnelle Applications Méthodologie Outils Références Recherche Opérationnelle Domaines d application Conception, configuration et exploitation de systèmes techniques complexes (réseaux de communication, systèmes d information) gestion de la chaîne logistique (transports, production, stocks... ) gestion stratégique d investissements et aussi santé, instruction publique, voirie, ramassage et distribution de courrier, production et transport d énergie, télécommunications, banques, assurances... N. Brauner 18
19 La Recherche Opérationnelle Applications Méthodologie Outils Références Recherche Opérationnelle Domaines d application Production : maximiser le profit selon disponibilité de la main d œuvre, demande du marché, capacité de production, prix de revient du matériau brut... Transport : minimiser distance totale parcourue selon quantités de matériaux à transporter, capacité des transporteurs, points de ravitaillement en carburant... grande importance dans le milieu industriel : production, transport, emploi du temps, finance... N. Brauner 19
20 La Recherche Opérationnelle Applications Méthodologie Outils Références Plan 1 La Recherche Opérationnelle 2 Applications 3 Méthodologie 4 Outils 5 Références N. Brauner 20
21 La Recherche Opérationnelle Applications Méthodologie Outils Références Recherche Opérationnelle Face à un problème pratique de décision Aspects mathématiques contraintes, objectifs, simplifications Modélisation graphes, programmation linéaire, PPC... Analyse des modèles et résolution étude de complexité : que peut-on espérer pour le temps de résolution imparti? mise au point d algorithmes Implémentation et analyse des résultats valider par rapport à la demande itérer avec le demandeur si nécessaire Déploiement des solutions Intégration logicielle N. Brauner 21
22 La Recherche Opérationnelle Applications Méthodologie Outils Références Plan 1 La Recherche Opérationnelle 2 Applications 3 Méthodologie 4 Outils 5 Références N. Brauner 22
23 La Recherche Opérationnelle Applications Méthodologie Outils Références Recherche Opérationnelle Programmation linéaire min le coût / max le profit min / max c 1 x 1 + c 2 x 2... c n x n satisfaire la demande a 1 x 1 + a 2 x 2... a n x n b 1 avec des ressources limitées a 1 x 1 + a 2 x 2... a nx n b 1 quantités produites x 1, x 2... x n 0 N. Brauner 23
24 La Recherche Opérationnelle Applications Méthodologie Outils Références Recherche Opérationnelle Optimisation Combinatoire Trouver la meilleure solution parmi un nombre fini mais très grand de choix Un problème d OC se caractérise par : La présence de choix, à faire parmi un ensemble fini d alternatives Une notion de coût, ou de gain, ou de perte La nécessité de faire globalement les bons choix, de manière à optimiser la valeur objective exemples : emplois du temps... Combinatoire échiquier tronqué N. Brauner 24
25 La Recherche Opérationnelle Applications Méthodologie Outils Références Recherche Opérationnelle Graphes 5 sommet arête 3 Valuation des arêtes = coûts, temps, distance, capacités... meilleur chemin de i à j meilleurs parcours passant par chaque ville passant par chaque arête... N. Brauner 25
26 La Recherche Opérationnelle Applications Méthodologie Outils Références Recherche Opérationnelle Autre Files d attente Stochastique Simulation À l interface de Informatique : algorithmique Mathématiques : modélisation Économie : gestion, stratégie N. Brauner 26
27 La Recherche Opérationnelle Applications Méthodologie Outils Références Plan 1 La Recherche Opérationnelle 2 Applications 3 Méthodologie 4 Outils 5 Références N. Brauner 27
28 La Recherche Opérationnelle Applications Méthodologie Outils Références Bibliographie de Werra, D., Liebling, T.-M., and Hêche, J.-F. Recherche Opérationnelle pour Ingénieurs, Tome 1. Presses Polytechniques et Universitaires Romandes, Sakarovitch, M. Optimisation Combinatoire, Graphes et Programmation Linéaire. Hermann, Enseignement des sciences, Paris, Sakarovitch, M. Optimisation Combinatoire, Programmation Discrète. Hermann, Enseignement des sciences, Paris, Wolsey, L. A. Integer Programming. Wiley-Interscience, N. Brauner 28
29 La Recherche Opérationnelle Applications Méthodologie Outils Références Webographie Cours La RO sur wikipedia Poly de cours Compléments au cours Vie de la RO en France Société française de RO Groupe de Recherche en RO du CNRS Séminaire de RO à Grenoble N. Brauner 29
30 La Recherche Opérationnelle Applications Méthodologie Outils Références Webographie Collection de ressources pour la RO Logiciels pour la RO Blogs sur la RO Problèmes difficiles N. Brauner 30
31 La Recherche Opérationnelle Applications Méthodologie Outils Références Entreprises françaises Des entreprises françaises spécialisées en RO EURODECISION Conseil en optimisation des ressources et planification de la production, outils d aide à la décision ILOG Optimization tools and engines, Visualization software components, Supply chain applications ARTELYS Solutions en optimisation Des entreprises grenobloises qui font de la RO Opti-time Equitime Alma N. Brauner 31
32 La Recherche Opérationnelle Applications Méthodologie Outils Références Entreprises françaises Des entreprises françaises qui ont un pôle R&D en RO Airfrance SNCF EDF/GDF France Telecom Bouygues Bouygues Telecom Amadeus N. Brauner 32
33 La Recherche Opérationnelle Applications Méthodologie Outils Références Recherche Opérationnelle En conclusion faire le mieux coût min, meilleur profit, plus courte distance, le plus rapide... avec les ressources disponibles temps machine, postes de travail, mémoire, ressource homme, matière première, camions... N. Brauner 33
34 Programmation par contraintes
35 Programmation par contrainte Modélisation Résolution Plan 6 Programmation par contrainte 7 Modélisation 8 Résolution N. Brauner 35
36 Programmation par contrainte Modélisation Résolution Sudoku Précis de Sudoku, N. Jussien N. Brauner 36
37 Programmation par contrainte Modélisation Résolution Sudoku et PPC Raisonnement par élimination on ne cherche pas directement une valeur pour les variables mais plutôt les valeurs qui peuvent être prises par une variable : réduction du domaine Raisonnement local : contraintes considérées indépendamment vérifier choix cohérents : tests satisfiabilité éliminer valeurs impossibles : filtrage Transmission des déductions aux autres régions les contraintes communiquent et interagissent par l intermédiaire des variables, lorsque le domaine courant d une variable change, toutes les contraintes dans lesquelles elles apparaissent sont réveillées : propagation = principes au cœur de la programmation par contraintes N. Brauner 37
38 Programmation par contrainte Modélisation Résolution On se trouve où? Un problème, une solution : la solution est-elle une solution du problème? simulation, vérification Un problème : trouver une solution du problème programmation par contrainte (CSP) Un problème : trouver la meilleure solution du problème programmation linéaire N. Brauner 38
39 Programmation par contrainte Modélisation Résolution Un premier exemple Domaine des variables x, y {0, } Contraintes x y = 6 x + y = 5 x > y N. Brauner 39
40 Programmation par contrainte Modélisation Résolution La PPC, qu est-ce que c est? Des idées en vrac Outil informatique pour résoudre des problèmes combinatoires Minimise l étape de conception : modélisation facile, langage proche des concepts des utilisateurs Contraindre = maintenir dans les limites permet d éliminer rapidement des solutions non réalisables Bien séparer modélisation et résolution Notion naturelle de contraintes : affecter stages à étudiants ranger des objets dans une boite planifier le trafic aérien établir un menu équilibré et appétissant N. Brauner 40
41 Programmation par contrainte Modélisation Résolution La PPC, qu est-ce que c est? Définition plus formelle CSP : ensemble de problèmes définis par des contraintes et consistant à chercher une solution les respectant Résolution d un CSP combinatoire : envisager très grand nombre de combinaisons avant d en trouver une qui satisfait toutes les contraintes Trop long introduire des raisonnements ou heuristiques pour réduire la combinatoire et orienter la recherche Solveur de contraintes : on décrit les contraintes et le solveur prend en charge automatiquement la résolution inspiré cours de Christine Solnon N. Brauner 41
42 Programmation par contrainte Modélisation Résolution Application de la PPC inspiré de Gilles Pesant Modélisation de gestion de projet Puzzle combinatoire Conception de matériel informatique vérification de circuits, connexions des couches de circuits moins efficace que le code dédié, mais plus flexible Placement d objets placement des containers dans un port remplissage des containers N. Brauner 42
43 Programmation par contrainte Mode lisation Re solution Application de la PPC Proble mes de de coupage Minimiser les pertes lors de la de coupe du papier, du verre, du bois, du me tal, etc. La performance de pend du contexte et de la difficulte des contraintes Papier : facile donc la programmation line aire fonctionne bien Pie ces me talliques : plus difficile donc utiliser la PPC Cuir et tissus : trop difficile seules les heuristiques fonctionnent N. Brauner 43
44 Programmation par contrainte Modélisation Résolution Application de la PPC Allocation d espace Portes pour les avions Quais pour les trains ou les bateaux Allocation de fréquences Trouver des fréquences radio pour les cellulaires, les communications radios, l armée, etc. Ordonnancement de la production Planifier des tâches sur des machines dans une usine Plus important succès de la PPC Librairies dédiés à l ordonnancement (ex. ILOG Scheduler) Conception d horaires académiques Planifier l horaire des cours ou des examens, en tenant compte des différentes ressources (étudiants, professeurs, locaux) N. Brauner 44
45 Programmation par contrainte Modélisation Résolution Application de la PPC Tournée de véhicules Confection de routes sujet à beaucoup de contraintes. Librairies spécialisées, contraintes dédiées Construction d horaires de personnel Affecter les gens à des tâches précises Santé, commerce de détail, usine, etc. Permet de modéliser les contraintes complexes N. Brauner 45
46 Programmation par contrainte Modélisation Résolution Plan 6 Programmation par contrainte 7 Modélisation 8 Résolution N. Brauner 46
47 Programmation par contrainte Modélisation Résolution La programmation par contraintes Objectif Trouver une solution réalisable Qui respecte des contraintes faciles à vérifier Formules mathématiques simples, tableaux de valeurs possibles Avec des ensembles de valeurs possibles pour les variables de décision N. Brauner 47
48 Programmation par contrainte Modélisation Résolution Domaines Définition X 1, X 2... X n les variables de décision Domaine La variable X i doit prendre ses valeurs dans le domaine D i discret fini ou infini N. Brauner 48
49 Programmation par contrainte Modélisation Résolution Domaines Exercice Sont-ce des domaines? {1, 2, 3, 4} L ensemble des entiers naturels. L ensemble des réels Les entiers naturels impairs L intervalle [ 1, 1] Les points à coordonnées entières du plan N. Brauner 49
50 Programmation par contrainte Modélisation Résolution Contraintes C est quoi? Variables Domaines } Contraintes Une contrainte restreint les valeurs que l on peut affecter simultanément à des variables Exemples : 2x + 3y = 12 3x 2 = 3 A B C x 3y (ABC) forme un triangle isocèle x, y, z distincts deux à deux N. Brauner 50
51 Programmation par contrainte Modélisation Résolution Contraintes Déclaration d une contrainte 2 types de déclaration : extension : on énumère les valeurs admises (x = 1 et y = 2) ou (x = 2 et y = 4) ou (x = 3 et y = 0) intension : on utilise les signes mathématiques connus x < y N. Brauner 51
52 Programmation par contrainte Modélisation Résolution Contraintes Caractéristiques des contraintes Relationnelle : non dirigée comme une fonction qui définit la valeur d une variable en fonction des autres variables x 2y = z permet de déterminer z si x et y sont connues mais aussi x si y et z sont connues et y si x et z sont connues déclarative : spécifie la relation entre les variables, sans donner de procédure pour assurer/vérifier cette relation x 2y = z, on ne s occupe pas de donner un algorithme permettant de résoudre cette équation ordre des contraintes non significatif N. Brauner 52
53 Programmation par contrainte Modélisation Résolution Contraintes Arité d une contrainte : le nombre de variables dans la contrainte unaire : arité = 1 x x = 4 ou est-un-triangle(y) binaire : arité = 2 x y ou A B = A ternaire : arité = 3 x + y < 3 z 4 ou (non x) ou y ou z = vrai n-aire : arité = n Si n est le nombre de variables : contrainte globale toutesdifférentes(e), où E est un ensemble de variables N. Brauner 53
54 Programmation par contrainte Modélisation Résolution Contraintes Exemples supplémentaires Contraintes logiques Si x = 4 alors y = 5 x = y ou x = 2y Contraintes globales Toutes les variables sont différentes Méta-contraintes La valeur 5 est utilisée exactement 3 fois N. Brauner 54
55 Programmation par contrainte Modélisation Résolution Problème de satisfaction de contraintes (X, D, C) tel que X = {X 1, X 2,..., X n } D = {D 1, D 2,..., D n } C = {C 1, C 2,..., C m } l ensemble des variables où D i est le domaine de X i l ensemble des contraintes Exemple X = {a, b, c, d} D(a) = D(b) = D(c) = D(d) = {0, 1} C = {a b, c d, a + c < b} N. Brauner 55
56 Programmation par contrainte Modélisation Résolution Solution d un CSP Une affectation est le fait d instancier des variables. A = {(X 1, V 1 ), (X 3, V 3 ), (X 4, V 4 )} associe la valeur V 1 de D 1 à la variable X 1... Une affectation est : partielle ou totale consistante ou inconsistante Une solution est une affectation totale consistante N. Brauner 56
57 Programmation par contrainte Modélisation Résolution Solution d un CSP Problème X = {a, b, c, d} D(a) = D(b) = D(c) = D(d) = {0, 1} C = {a b, c d, a + c < b} A 1 = {(a, 1), (b, 0), (c, 0), (d, 0)} A 2 = {(a, 0), (b, 0)} A 3 = {(a, 1), (b, 0)} A 4 = {(a, 0), (b, 1), (c, 0), (d, 1)} N. Brauner 57
58 Programmation par contrainte Modélisation Résolution Le jeu du : CSP, pas CSP! Connaissant les pièces de mon porte-monnaie, puis-je rendre exactement 8 euros et 57 centimes? Connaissant les pièces de mon porte-monnaie, quelle est la meilleure façon de rendre 8 euros et 57 centimes? Est-il possible de colorier une carte avec 5 couleurs sans frontière monochrome? Sur un cercle, trouver un point à distance 2 d une droite. N. Brauner 58
59 Programmation par contrainte Modélisation Résolution CSP CSP surcontraint : n a pas de solution trouver une affectation totale qui maximise le nombre de contraintes satisfaites = max-csp affecter un poids à chaque contrainte (proportionnel à l importance de cette contrainte) et chercher une affectation totale qui minimise la somme des poids des contraintes violées = CSP valué (VCSP) CSP sous-contraint : admet beaucoup de solutions différentes, préférences entre les différentes solutions (fonction qui associe une valeur numérique à chaque solution) et trouver une solution du CSP qui maximise cette fonction = CSOP (Constraint Satisfaction Optimisation Problem) N. Brauner 59
60 Programmation par contrainte Modélisation Résolution Plan 6 Programmation par contrainte 7 Modélisation 8 Résolution N. Brauner 60
61 Programmation par contrainte Modélisation Résolution Un constat Un problème est rarement donné sous la forme d un CSP N. Brauner 61
62 Programmation par contrainte Modélisation Résolution Le problème des reines Jeu : placer 4 reines sur un échiquier 4 4 sans qu elles ne se menacent Modélisation variables L 1, L 2, L 3, L 4 et C 1, C 2, C 3, C 4 domaines L i {1, 2, 3, 4} et C i {1, 2, 3, 4} contraintes lignes, colonnes et diagonales différentes. N. Brauner 62
63 Programmation par contrainte Modélisation Résolution Modélisation Attention Il n y a pas qu une modélisation possible! Modélisation variables L 1, L 2, L 3, L 4 domaines L i {1, 2, 3, 4} contraintes i j, L i L j i j, L i + i L j + j L i i L j j N. Brauner 63
64 Programmation par contrainte Modélisation Résolution Modélisation Autre modélisation pour le problème des reines? N. Brauner 64
65 Programmation par contrainte Modélisation Résolution Modélisation Quelle est la meilleure modélisation? 1 Celle qui modélise le mieux la réalité du problème 2 Celle qui est la plus facile à trouver 3 Celle qui permettra de résoudre le problème le plus efficacement N. Brauner 65
66 Programmation par contrainte Modélisation Résolution Exercice : le retour de monnaie On s intéresse à un distributeur automatique de boissons. L utilisateur insère des pièces de monnaie pour un total de T centimes d Euros, puis il sélectionne une boisson, dont le prix est de P centimes d Euros (T et P étant des multiples de 10). Il s agit alors de calculer la monnaie à rendre, sachant que le distributeur a en réserve E 2 pièces de 2=C, E 1 pièces de 1=C, C 50 pièces de 50 centimes, C 20 pièces de 20 centimes et C 10 pièces de 10 centimes. Modélisez ce problème sous la forme d un CSP. N. Brauner 66
67 Programmation par contrainte Modélisation Résolution Correction : le retour de monnaie N. Brauner 67
68 Programmation par contrainte Modélisation Résolution Exercice : Send More Money On considère l addition suivante : S E N D + M O R E = M O N E Y où chaque lettre représente un chiffre différent (compris entre 0 et 9). On souhaite connaître la valeur de chaque lettre, sachant que la première lettre de chaque mot représente un chiffre différent de 0. Modélisez ce problème sous la forme d un CSP. N. Brauner 68
69 Programmation par contrainte Modélisation Résolution Correction : Send More Money N. Brauner 69
70 Programmation par contrainte Modélisation Résolution Plan 6 Programmation par contrainte 7 Modélisation 8 Résolution N. Brauner 70
71 Programmation par contrainte Modélisation Résolution Résolution naïve Énumération On génère toutes les affectations totales possibles On vérifie si elles sont consistantes si on en trouve une consistante, c est gagné Avantage : très facile à mettre en œuvre Inconvénient : très gourmand en ressource temps N. Brauner 71
72 Programmation par contrainte Modélisation Résolution Résolution naïve Un problème à n variables qui peuvent prendre 2 valeurs affectations traitées par seconde. n nb d affectations temps d où l intérêt de bien choisir la modélisation N. Brauner 72
73 Programmation par contrainte Modélisation Résolution Les remèdes S arrêter quand une affectation partielle est inconsistante backtrack Restreindre les domaines des variables durant l exécution propagation de contraintes Utiliser des heuristiques Utiliser nos connaissances sur le problème étudié... N. Brauner 73
74 Programmation par contrainte Modélisation Résolution Backtrack Principe : On parcourt l arbre des affectations en profondeur Lorsqu une affectation partielle est inconsistante, on n explore pas le sous-arbre correspondant N. Brauner 74
75 Programmation par contrainte Modélisation Résolution Backtrack : jeu de dames Exemple d exécution N. Brauner 75
76 Programmation par contrainte Modélisation Résolution Backtrack Backtrack Moins d affectations considérées Toutes les contraintes sont testées à chaque affectation même partielle Facile à mettre en œuvre Importance de l ordre des variables Méthode naïve Toutes les affectations sont considérées On ne teste les contraintes que sur les affectations totales Très facile à mettre en œuvre N. Brauner 76
77 Programmation par contrainte Modélisation Résolution Propagation des contraintes Principe : On restreint le domaine d une variable avec les contraintes, on restreint les autres domaines Exemple 0 < x 10 et 3 y 9 contrainte : x > y Alors on peut restreindre le domaine de x à 4 x 10 N. Brauner 77
78 Programmation par contrainte Modélisation Résolution Propagation des contraintes Idée : à partir d un CSP, on cherche un CSP équivalent avec des domaines plus petits On propage : Quand un domaine est réduit Quand une des bornes du domaine est changée Quand un domaine est un singleton On propage : Une fois : nœud-consistance Deux fois : arc-consistance Ou plus... N. Brauner 78
79 Programmation par contrainte Modélisation Résolution Propagation des contraintes Nœud-consistance Formellement, un CSP (X, D, C) est consistant de nœud si pour toute variable X i de X, et pour toute valeur v de D(X i ), l affectation partielle (X i, v) satisfait toutes les contraintes unaires de C. Algorithmiquement, pour chaque variable X i non affectée dans A, on enlève de D(X i ) toute valeur v telle que l affectation A {(X i, v)} est inconsistante. N. Brauner 79
80 Programmation par contrainte Modélisation Résolution Propagation des contraintes Nœud-consistance N. Brauner 80
81 Programmation par contrainte Modélisation Résolution Propagation des contraintes Arc-consistance Formellement, un CSP (X, D, C) est consistant d arc si pour tout couple de variables (X i, X j ) de X, et pour toute valeur v i appartenant à D(X i ), il existe une valeur v j appartenant à D(X j ) telle que l affectation partielle {(X i, v i ), (X j, v j )} satisfasse toutes les contraintes binaires de C. Algorithmiquement, pour chaque variable X i non affectée dans A, on enlève de D(X i ) toute valeur v telle qu il existe une variable X j non affectée pour laquelle, pour toute valeur w de D(X j ), l affectation A {(X i, v), (X j, w)} soit inconsistante. N. Brauner 81
82 Programmation par contrainte Modélisation Résolution Propagation des contraintes Arc-consistance : exemple d exécution N. Brauner 82
83 Programmation par contrainte Modélisation Résolution Propagation de contraintes Nœud-consistance : Arc-consistance : Moins d affectations considérées Toutes les contraintes sont testées à chaque affectation même partielle Facile à mettre en œuvre Beaucoup moins d affectations considérées Établir l arc-consistance peut prendre beaucoup de temps selon les contraintes. Moins facile à mettre en œuvre N. Brauner 83
84 Programmation par contrainte Modélisation Résolution Systèmes Systèmes basés sur la programmation logique ECLiPSE Prolog GNU Prolog Systèmes basés sur des librairies ILOG soveur (C++) Choco (Java) Facile (Ocaml) N. Brauner 84
85 Exercice : Affectation de stock N entrepôts (coût d ouverture ouvre(i) ) M boutiques coûts d acheminement de chaque entrepôt à chaque boutique transfert(i, j) capacité : chaque entrepôt ne peut fournir qu un certain nombre de boutiques cap(i) Question : avec un budget de mille euros, puis-je subvenir aux besoins de mes boutiques? N. Brauner 85
86 Correction : Affectation de stock N. Brauner 86
87 Programmation linéaire
88 Programmation linéaire Interprétation géométrique Bases et points extrêmes L algorithme du simplexe Plan 9 Introduction à la programmation linéaire 10 Interprétation géométrique 11 Bases et points extrêmes 12 L algorithme du simplexe N. Brauner 88
89 Programmation linéaire Interprétation géométrique Bases et points extrêmes L algorithme du simplexe Plan 9 Introduction à la programmation linéaire 10 Interprétation géométrique 11 Bases et points extrêmes 12 L algorithme du simplexe N. Brauner 89
90 Programmation linéaire Interprétation géométrique Bases et points extrêmes L algorithme du simplexe Programmation linéaire Cadre de la PL Programmation linéaire nombre fini de variables réelles, contraintes linéaires, objectif linéaire Variables x 1, x 2... x n réelles Contrainte générique (contrainte i) : n a ij x j b i j=1 Fonction-objectif générique (à maximiser / minimiser) : n f (x 1, x 2... x n ) = c j x j j=1 N. Brauner 90
91 Programmation linéaire Interprétation géométrique Bases et points extrêmes L algorithme du simplexe Programmation linéaire Exemple : culture de courgettes et navets Contraintes concernant les quantités d engrais et d anti-parasites 8l engrais A disponible 2l/m 2 nécessaires pour courgettes, 1l/m 2 pour navets 7l engrais B disponible 1l/m 2 nécessaires pour courgettes, 2l/m 2 pour navets 3l anti-parasites disponible 1l/m 2 nécessaires pour navets Objectif : produire le maximum (en poids) de légumes, sachant que rendements = 4kg/m 2 courgettes, 5kg/m 2 navets N. Brauner 91
92 Programmation linéaire Interprétation géométrique Bases et points extrêmes L algorithme du simplexe Programmation linéaire Exemple : culture de courgettes et navets Variables de décision x c : surface de courgettes x n : surface de navets Fonction objectif max 4x c + 5x n Contraintes 2x c + x n 8 (engrais A) x c + 2x n 7 (engrais B) x n 3 (anti-parasites) x c 0 et x n 0 N. Brauner 92
93 Programmation linéaire Interprétation géométrique Bases et points extrêmes L algorithme du simplexe Programmation linéaire Intérêt de la PL Problème général d optimisation sous contraintes AUCUNE méthode GÉNÉRALE de résolution!! Problème linéaire quelconque existence de méthodes de résolution générales et efficaces Ces méthodes sont efficaces en théorie et en pratique existence de nombreux logiciels de résolution : Excel, CPLEX, Mathematica, LP-Solve... Cadre restrictif variables réelles contraintes linéaires objectif linéaire N. Brauner 93
94 Programmation linéaire Interprétation géométrique Bases et points extrêmes L algorithme du simplexe Programmation linéaire Représentation in extenso max 4x c + 5x n 2x c + x n 8 (engrais A) x c + 2x n 7 (engrais B) x n 3 (anti-parasites) x c 0 et x n 0 Représentation matricielle ( ) xc max (4 5) ( xc x n x n ) x c 0 x n 0 N. Brauner 94
95 Programmation linéaire Interprétation géométrique Bases et points extrêmes L algorithme du simplexe Programmation linéaire Représentation in extenso max z = s.c. j c jx j j a ijx j = b i i = 1, 2... m x j 0 j = 1, 2... n N. Brauner 95
96 Programmation linéaire Interprétation géométrique Bases et points extrêmes L algorithme du simplexe Programmation linéaire second membre b = b 1 b 2. b m matrice de format m n a 11 a a 1n a 21 a a 2n A =... a m1 a m2... a mn coût (ou profit) c = (c 1, c 2... c n ) n var. de décision X = Représentation matricielle max z = cx s.c. Ax = x 1 x 2. x n b x 0 N. Brauner 96
97 Programmation linéaire Interprétation géométrique Bases et points extrêmes L algorithme du simplexe Programmation linéaire Vocabulaire x i variable de décision du problème x = (x 1,..., x n ) solution réalisable (admissible) ssi elle satisfait toutes les contraintes ensemble des solutions réalisables = domaine ou région admissible x = (x 1,..., x n ) solution optimale ssi elle est réalisable et optimise la fonction-objectif contraintes inégalité ou égalité linéaire a 11 x 1 + a 12 x a 1n x n b 1 a 21 x 1 + a 22 x a 2n x n b 2 a 31 x 1 + a 32 x a 3n x n = b 3 fonction objectif (ou fonction économique) linéaire max / min c 1 x 1 + c 2 x c n x n N. Brauner 97
98 Programmation linéaire Interprétation géométrique Bases et points extrêmes L algorithme du simplexe Programmation linéaire Applications Feuille de TD : Programmation linéaire, Modélisation Exercice 1 : Production de vins Exercice 2 : Fabrication d huile d olives Exercice 3 : Compagnie aérienne Exercice 4 : Publicité N. Brauner 98
99 Programmation linéaire Interprétation géométrique Bases et points extrêmes L algorithme du simplexe Programmation linéaire Forme canonique d un PL maximisation toutes les variables sont non négatives toutes les contraintes sont des inéquations du type max z = j c jx j s.c. j a ijx j b i i = 1, 2... m forme matricielle x j 0 j = 1, 2... n max z = cx s.c. Ax b x 0 N. Brauner 99
100 Programmation linéaire Interprétation géométrique Bases et points extrêmes L algorithme du simplexe Programmation linéaire Forme standard d un PL maximisation toutes les variables sont non négatives toutes les contraintes sont des équations max z = j c jx j s.c. j a ijx j = b i i = 1, 2... m forme matricielle x j 0 j = 1, 2... n max z = cx s.c. Ax = b x 0 N. Brauner 100
101 Programmation linéaire Interprétation géométrique Bases et points extrêmes L algorithme du simplexe Programmation linéaire Passage entre les formes équation inéquation ax = b { ax b ax b max min max f (x) = min f (x) inéquation équation : ajouter une variable d écart ax b ax + s = b, s 0 ax b ax s = b, s 0 variable non contrainte variables positives x 0 { x = x + x x +, x 0 N. Brauner 101
102 Programmation linéaire Interprétation géométrique Bases et points extrêmes L algorithme du simplexe Programmation linéaire Passage entre les formes Feuille de TD : Programmation linéaire, Résolution Exercice 1 N. Brauner 102
103 Programmation linéaire Interprétation géométrique Bases et points extrêmes L algorithme du simplexe Programmation linéaire Linéariser un problème non linéaire e i : expression linéaire des variables de décision obj : min max{e 1, e 2... e n } { min y y e i i = 1, 2... n obj : max min{e 1, e 2... e n } { max y y e i i = 1, 2... n obj : min e 1 e = max(e, e) min y y e 1 y e 1 min e + + e e 1 = e + e e +, e 0 N. Brauner 103
104 Programmation linéaire Interprétation géométrique Bases et points extrêmes L algorithme du simplexe Programmation linéaire Linéariser un problème non linéaire Feuille de TD : Programmation linéaire, Résolution Exercice 2 N. Brauner 104
105 Programmation linéaire Interprétation géométrique Bases et points extrêmes L algorithme du simplexe Programmation linéaire Un peu d histoire années : Kantorovitch, économiste soviétique modèles linéaires pour la planification et l optimisation de la production années : Dantzig, mathématicien américain algorithme du simplexe application historique Opérations Vittles et Plainfare pour ravitaillement de la trizone pendant le blocus de Berlin par pont aérien (23 juin mai 1949) simplexe exécuté à la main (des milliers de variables), jusqu à tonnes de matériel par jour! 1975 : prix Nobel économie Kantorovitch XXIème siècle : logiciels de PL disponibles partout, utilisation de la PL dans tous les domaines industriels... N. Brauner 105
106 Programmation linéaire Interprétation géométrique Bases et points extrêmes L algorithme du simplexe Plan 9 Introduction à la programmation linéaire 10 Interprétation géométrique 11 Bases et points extrêmes 12 L algorithme du simplexe N. Brauner 106
107 Programmation linéaire Interprétation géométrique Bases et points extrêmes L algorithme du simplexe Interprétation géométrique Exemple : culture de courgettes et navets Variables de décision x c : surface de courgettes x n : surface de navets Fonction objectif max 4x c + 5x n Contraintes 2x c + x n 8 (engrais A) x c + 2x n 7 (engrais B) x n 3 (anti-parasites) x c 0 et x n 0 N. Brauner 107
108 Programmation linéaire Interprétation géométrique Bases et points extrêmes L algorithme du simplexe Interprétation géométrique Interpréter les contraintes courgettes et navets 2x + y 8 demi-plan de R 2 x + 2y 7 demi-plan y 3 demi-plan x 0 et y 0 demi-plans Ensemble des solutions réalisables = intersection de ces demi-plans : polyèdre y x N. Brauner 108
109 Programmation linéaire Interprétation géométrique Bases et points extrêmes L algorithme du simplexe Interprétation géométrique Optimiser l objectif Les lignes de niveau {4x + 5y = constante} sont des droites parallèles y 4x 5y=10 4x 5y=18 4x 5y=22 4x 5y=25 x N. Brauner 109
110 Programmation linéaire Interprétation géométrique Bases et points extrêmes L algorithme du simplexe Interprétation géométrique Géométrie d un PL L ensemble des solutions réalisables est toujours un polyèdre (intersection de demi-espaces) Les lignes de niveau {f = constante} de la fonction-objectif f sont des hyperplans affines (n = 2 droite, n = 3 plan...) N. Brauner 110
111 Programmation linéaire Interprétation géométrique Bases et points extrêmes L algorithme du simplexe Interprétation géométrique Géométrie d un PL Optimum atteint au bord L optimum de la fonction-objectif, s il existe, est atteint en (au moins) un sommet du polyèdre. Justification mathématique : les dérivées partielles de f (x) = c.x ne s annulent jamais, et le domaine {x n j=1 a ijx j b i, i = 1,..., m} est compact l optimum est atteint au bord... N. Brauner 111
112 Programmation linéaire Interprétation géométrique Bases et points extrêmes L algorithme du simplexe Programmation linéaire Solutions d un PL La région admissible peut être vide nb solutions optimales : 0 non vide, bornée nb solutions optimales : 1 ou non vide, non bornée nb solutions optimales : 0 ou 1 ou Proposer des exemples de PL pour chacun des cas Feuille de TD : Programmation linéaire, Résolution Exercice 3 N. Brauner 112
113 Programmation linéaire Interprétation géométrique Bases et points extrêmes L algorithme du simplexe Plan 9 Introduction à la programmation linéaire 10 Interprétation géométrique 11 Bases et points extrêmes 12 L algorithme du simplexe N. Brauner 120
114 Programmation linéaire Interprétation géométrique Bases et points extrêmes L algorithme du simplexe Bases et points extrêmes Rappels max z = cx s.c. Ax b x 0 Les contraintes définissent un polyèdre A matrice m n x = (x 1 x 2... x n ) b = (b 1 b 2... b m ) c = (c 1 c 2... c n ) La solution optimale est un sommet du polyèdre Comment énumérer les sommets d un polyèdre? N. Brauner 121
115 Programmation linéaire Interprétation géométrique Bases et points extrêmes L algorithme du simplexe Bases et points extrêmes Passage à la forme standard Forme standard On peut rajouter des variables d écart : n a ij x j b i j=1 n a ij x j + e i = b i, e i 0 j=1 PL standard : max z(x) = c.x s.c Ax = b x 0 On travaille dans un espace de dimension plus grande, mais toutes les contraintes sont des égalités. Manipulations algébriques plus aisées N. Brauner 122
116 Programmation linéaire Interprétation géométrique Bases et points extrêmes L algorithme du simplexe Bases et points extrêmes Passage à la forme standard max z = 4x + 5y s.c. 2x + y 8 x + 2y 7 y 3 x, y 0 y max z = 4x + 5y s.c. 2x + y + e 1 = 8 x + 2y + e 2 = 7 y + e 3 = 3 x, y, e 1, e 2, e points intéressants (intersection de contraintes) 5 points admissibles x énumération de ces 9 points comme solution de la forme standard (solutions de base) N. Brauner 123
117 Programmation linéaire Interprétation géométrique Bases et points extrêmes L algorithme du simplexe Bases et points extrêmes s.c. 2x + y + e 1 = 8 x + 2y + e 2 = 7 y + e 3 = 3 x, y, e 1, e 2, e 3 0 x y e 1 e 2 e 3 sol de base admiss. pt extrême (0,0) (0,3) (4,0) (3,2) (1,3) {points extrêmes} {solutions de base admissibles} N. Brauner 124
118 Programmation linéaire Interprétation géométrique Bases et points extrêmes L algorithme du simplexe Bases et points extrêmes Système linéaire Ax=b A format m n, rang A = m n Base de A : sous-matrice B(m m) inversible de A A = (B, N) ( ) xb (B, N) = b ou Bx B + Nx N = b x N x B = B 1 b B 1 Nx N Solution de base associée à B : x N = 0 variables hors base x B = B 1 b variables de base N. Brauner 125
119 Programmation linéaire Interprétation géométrique Bases et points extrêmes L algorithme du simplexe Bases et points extrêmes Base et solution de base 2x + y + e 1 = 8 x + 2y + e 2 = 7 y + e 3 = 3 x, y, e 1, e 2, e 3 0 Base initiale? {e 1, e 2, e 3 } par exemple : 2x + y + e 1 = 8 x + 2y + e 2 = 7 y + e 3 = 3 e 1 = 8 2x y e 2 = 7 x 2y e 3 = 3 y e 1, e 2, e 3 = variables de base, x, y = variables hors base N. Brauner 126
120 Programmation linéaire Interprétation géométrique Bases et points extrêmes L algorithme du simplexe Bases et points extrêmes Base et solution de base e 1 = 8 2x y e 2 = 7 x 2y e 3 = 3 y on met les variables hors base à 0 on en déduit les valeur des variables de base e 1 = 8 2x y = 8 x = y = 0 e 2 = 7 x 2y = 7 e 3 = 3 y = 3 N. Brauner 127
121 Programmation linéaire Interprétation géométrique Bases et points extrêmes L algorithme du simplexe Bases et points extrêmes Ax = b, x 0 (x B, 0) associée à B est une solution de base admissible si x B 0 {points extrêmes du polyèdre} {solutions de base admissibles du système linéaire correspondant} nombre de points extrêmes C m n = n! m!(n m)! solution de base dégénérée : certaines variables de base sont nulles si A est inversible : solution de base unique N. Brauner 128
122 Programmation linéaire Interprétation géométrique Bases et points extrêmes L algorithme du simplexe Bases et points extrêmes Base voisine et pivotage Bases voisines Deux sommets voisins correspondent à deux bases B et B telles qu on remplace une variable de B pour obtenir B passer à un sommet voisin = changer de base (base voisine) principe du pivotage N. Brauner 129
123 Programmation linéaire Interprétation géométrique Bases et points extrêmes L algorithme du simplexe Bases et points extrêmes Qui faire entrer dans la base? Essayons avec y : quelle est la valeur max que pourra avoir y? e 1 = 8 2x y 0 y 8 e 2 = 7 x 2y 0 y 3.5 e 3 = 3 y 0 y 3 Bilan : y max = 3, pour y = y max on a e 1 = 5 2x, e 2 = 1 x, et e 3 = 0 candidat pour une nouvelle base : {e 1, e 2, e 3 } {y} \ {e 3 } = {e 1, e 2, y} (x, y, e 1, e 2, e 3 ) = (0, 3, 5, 1, 0) N. Brauner 130
124 Programmation linéaire Interprétation géométrique Bases et points extrêmes L algorithme du simplexe Plan 9 Introduction à la programmation linéaire 10 Interprétation géométrique 11 Bases et points extrêmes 12 L algorithme du simplexe N. Brauner 131
125 Programmation linéaire Interprétation géométrique Bases et points extrêmes L algorithme du simplexe L algorithme du simplexe Vers un algorithme de résolution Méthode de résolution naïve : énumérer tous les sommets, calculer f sur ces points, prendre le sommet pour lequel f est optimisé : fonctionne : nombre fini de sommets limitation : ce nombre peut être très grand en général... L algorithme du simplexe (G. B. Dantzig 1947) Algorithme itératif permettant de résoudre un problème de programmation linéaire. N. Brauner 132
126 Programmation linéaire Interprétation géométrique Bases et points extrêmes L algorithme du simplexe L algorithme du simplexe Principe d amélioration locale À partir d un sommet, chercher un sommet voisin qui améliore l objectif. Principe d amélioration locale (maximisation) : Soit x 0 sommet non optimum. Alors il existe x, un sommet voisin de x 0, tel que f (x) > f (x 0 ). Méthode de résolution : on part d un sommet x 0 quelconque, on passe à un sommet voisin pour lequel f augmente, et ainsi de suite. Remarque : on passe d un problème continu (variables réelles) à un problème discret (nombre fini de sommets)... N. Brauner 133
127 Programmation linéaire Interprétation géométrique Bases et points extrêmes L algorithme du simplexe L algorithme du simplexe Illustration 2D : courgettes et navets x 0 = (0, 0), z = 0 x = (0, 3), z = 15 x 0 = (0, 3), z = 15 x = (1, 3), z = 19 x 0 = (1, 3), z = 19 x = (3, 2), z = 22 y z = 4x + 5y x = 3,2, z =22 x plus d amélioration locale possible optimum N. Brauner 134
128 Programmation linéaire Interprétation géométrique Bases et points extrêmes L algorithme du simplexe L algorithme du simplexe Illustration concrète Standardisation : Maximiser z = 4x + 5y 2x + y 8 x + 2y 7 s.c. y 3 x, y 0 Maximiser z = 4x + 5y 2x + y + e 1 = 8 x + 2y + e s.c. 2 = 7 y + e 3 = 3 x, y, e 1, e 2, e 3 0 Base initiale? {e 1, e 2, e 3 } par exemple : 2x + y + e 1 = 8 x + 2y + e 2 = 7 y + e 3 = 3 e 1 = 8 2x y e 2 = 7 x 2y e 3 = 3 y e 1, e 2, e 3 = variables de base, x, y = variables hors base N. Brauner 135
129 Programmation linéaire Interprétation géométrique Bases et points extrêmes L algorithme du simplexe L algorithme du simplexe Solution de base associée on met les variables hors base à 0 on en déduit : valeur des variables de base valeur de z e 1 = 8 2x y = 8 ici : x = y = 0 e 2 = 7 x 2y = 7 e 3 = 3 y = 3 et z = 4x + 5y = 0 N. Brauner 136
130 Programmation linéaire Interprétation géométrique Bases et points extrêmes L algorithme du simplexe L algorithme du simplexe Changement de base Observation essentielle : z = 4x + 5y = 0 on peut augmenter z si x ou y rentre dans la base. Essayons avec y : quelle est la valeur max que pourra avoir y? e 1 = 8 2x y 0 y 8 e 2 = 7 x 2y 0 y 3.5 e 3 = 3 y 0 y 3 Bilan : y max = 3, pour y = y max on a e 1 = 5 x, e 2 = 1 x, et e 3 = 0 candidat pour une nouvelle base : {e 1, e 2, e 3 } {y} \ {e 3 } = {e 1, e 2, y} N. Brauner 137
131 Programmation linéaire Interprétation géométrique Bases et points extrêmes L algorithme du simplexe L algorithme du simplexe Nouvelle base {e 1, e 2, y} e 1 = 8 2x y e 2 = 7 x 2y e 3 = 3 y e 1 = 8 2x y = 5 2x + e 3 e 2 = 7 x 2y = 1 x + 2e 3 y = 3 e 3 Exprimons z en fonction des variables hors base z = 4x + 5y = x 5e 3 Solution de base associée e 1 = 5 2x + e 3 = 5 x = e 3 = 0 e 2 = 1 x + 2e 3 = 1 y = 3 e 3 = 3 et z = 15 N. Brauner 138
132 Programmation linéaire Interprétation géométrique Bases et points extrêmes L algorithme du simplexe L algorithme du simplexe Itération z = x 5e 3 peut encore augmenter si x entre dans la base Si x entre, qui sort? Valeur max de x : e 1 = 5 2x + e 3 0 x 2.5 e 2 = 1 x + 2e 3 0 x 1 y = 3 e 3 0 aucune contrainte sur x Bilan : x max = 1 et e 2 sort. Nouvelle base {e 1, y, x} e 1 = 3 + 2e 2 3e 3 x = 1 e 2 + 2e 3 y = 3 e 3 z = 19 4e 2 + 3e 3 N. Brauner 139
133 Programmation linéaire Interprétation géométrique Bases et points extrêmes L algorithme du simplexe L algorithme du simplexe Itération (suite) z = 19 4e 2 + 3e 3 peut encore augmenter si e 3 entre dans la base Si e 3 entre, qui sort? Valeur max de e 3 : e 1 = 3 + 2e 2 3e 3 0 e 3 1 x = 1 e 2 + 2e 3 0 aucune contrainte sur e 3 y = 3 e 3 0 e 3 3 Bilan : e 3max = 1, e 1 sort. Nouvelle base {e 3, y, x} : e 3 = 1 + 2/3e 2 1/3e 1 x = 3 + 1/3e 2 2/3e 1 y = 2 2/3e 2 + 1/3e 1 z = 22 2e 2 e 1 N. Brauner 140
134 Programmation linéaire Interprétation géométrique Bases et points extrêmes L algorithme du simplexe L algorithme du simplexe Terminaison On a z = 22 2e 2 e 1, donc z 22 Or la solution de base x = 3, y = 2, e 3 = 1 donne z = 22 optimum La condition de terminaison concerne les coefficients de z exprimée avec les variables hors base. N. Brauner 141
135 Programmation linéaire Interprétation géométrique Bases et points extrêmes L algorithme du simplexe L algorithme du simplexe max z = 20x x 2 s.c. x 1 + 2x x 1 + x x 1 70 x 2 50 x 1, x 2 0 forme standard max z s.c. z 20x 1 10x 2 = 0 x 1 + 2x 2 + s 1 = 120 x 1 + x 2 + s 2 = 100 x 1 + s 3 = 70 x 2 + s 4 = 50 N. Brauner 142
136 Programmation linéaire Interprétation géométrique Bases et points extrêmes L algorithme du simplexe L algorithme du simplexe Forme standard max z s.c. z 20x 1 10x 2 = 0 x 1 + 2x 2 + s 1 = 120 x 1 + x 2 + s 2 = 100 x 1 + s 3 = 70 x 2 + s 4 = 50 Forme tableau z x 1 x 2 s 1 s 2 s 3 s 4 z s s s s N. Brauner 143
137 Programmation linéaire Interprétation géométrique Bases et points extrêmes L algorithme du simplexe L algorithme du simplexe Coûts réduits B, une base de Ax = b la fonction objectif : z = cx = c B x B + c N x N = c B B 1 b (c B B 1 N c N )x N n = z 0 (c B B 1 a j c j )x j = z 0 j=1 n (z j c j )x j j=1 z j c j = c B B 1 a j c j est le coût réduit de la variable hors base x j N. Brauner 144
138 Programmation linéaire Interprétation géométrique Bases et points extrêmes L algorithme du simplexe L algorithme du simplexe à chaque itération z x N x B z 1 coûts réduits 0 z 0 0 x B.... Id + 0 à l optimum z x N x B z z0 0 x B.... Id + 0 N. Brauner 145
139 Programmation linéaire Interprétation géométrique Bases et points extrêmes L algorithme du simplexe L algorithme du simplexe Principe heuristique : faire rentrer en base la variable avec le coefficient le plus négatif x 1 z x 1 x 2 s 1 s 2 s 3 s 4 z s s s s Qui faire sortir? N. Brauner 146
140 Programmation linéaire Interprétation géométrique Bases et points extrêmes L algorithme du simplexe L algorithme du simplexe Principe du quotient minimal colonne pivot x 1 second membre 0 quotient a 1 0 b 1 - b a 2 > 0 b 2 2 a 2 b a 3 > 0 b 3 3 a 3 a 4 = 0 b 4 - { } ligne r = min bi a i a i > 0 faire sortir s 3 b r a r z x 1 x 2 s 1 s 2 s 3 s 4 z s s s s N. Brauner 147
141 Programmation linéaire Interprétation géométrique Bases et points extrêmes L algorithme du simplexe L algorithme du simplexe exprimer la contrainte z avec les variables hors base x 2 et s 3 z 10x s 3 = 1400 diviser la ligne pivot par le coefficient de la variable entrante x 1 + s 3 = 70 supprimer x 1 des autres contraintes 2x 2 + s 1 s 3 = 50 c a.. ligne pivot p b colonne pivot x 2 + s 2 s 3 = 30 = a a b p c N. Brauner 148
142 Programmation linéaire Interprétation géométrique Bases et points extrêmes L algorithme du simplexe L algorithme du simplexe z x 1 x 2 s 1 s 2 s 3 s 4 z s s x s x 1, s 1, s 2, s 4 en base et x 2, s 3 hors base sol de base (70, 0, 50, 30, 0, 50) de valeur 1400 Faire rentrer x 2 quotient min faire sortir s 1 N. Brauner 149
Programmation 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 détailCours de recherche opérationnelle I
1 Cours de recherche opérationnelle I Nadia Brauner Nadia.Brauner@imag.fr Grenoble, 2014-2015 Auteurs Ont participé à la rédaction de ce cours (par ordre d arrivée) Nadia Brauner Christophe Rapine Julien
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 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 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 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 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 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 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 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 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 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 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 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 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 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 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 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 détailContrainte de flot pour RCPSP avec temps de transfert
Contrainte de flot et x-rcpsc T 1 Contrainte de flot pour RCPSP avec temps de transfert PS temp, s ij Cmax BENOIST Thierry BOUYGUES/e-Lab DIAMANTINI Maurice ENSTA/LMA Contrainte de flot et x-rcpsc T Présentation
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 détailOptimisation et programmation mathématique. Professeur Michel de Mathelin. Cours intégré : 20 h
Télécom Physique Strasbourg Master IRIV Optimisation et programmation mathématique Professeur Michel de Mathelin Cours intégré : 20 h Programme du cours d optimisation Introduction Chapitre I: Rappels
Plus en 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 détailBaccalauréat ES Pondichéry 7 avril 2014 Corrigé
Baccalauréat ES Pondichéry 7 avril 204 Corrigé EXERCICE 4 points Commun à tous les candidats. Proposition fausse. La tangente T, passant par les points A et B d abscisses distinctes, a pour coefficient
Plus en détailCalcul matriciel. Définition 1 Une matrice de format (m,n) est un tableau rectangulaire de mn éléments, rangés en m lignes et n colonnes.
1 Définitions, notations Calcul matriciel Définition 1 Une matrice de format (m,n) est un tableau rectangulaire de mn éléments, rangés en m lignes et n colonnes. On utilise aussi la notation m n pour le
Plus en détailNouvelles propositions pour la résolution exacte du sac à dos multi-objectif unidimensionnel en variables binaires
Nouvelles propositions pour la résolution exacte du sac à dos multi-objectif unidimensionnel en variables binaires Julien Jorge julien.jorge@univ-nantes.fr Laboratoire d Informatique de Nantes Atlantique,
Plus en détailOrdonnancement robuste et décision dans l'incertain
Ordonnancement robuste et décision dans l'incertain 4 ème Conférence Annuelle d Ingénierie Système «Efficacité des entreprises et satisfaction des clients» Centre de Congrès Pierre Baudis,TOULOUSE, 2-4
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 détailBaccalauréat ES/L Amérique du Sud 21 novembre 2013
Baccalauréat ES/L Amérique du Sud 21 novembre 2013 A. P. M. E. P. EXERCICE 1 Commun à tous les candidats 5 points Une entreprise informatique produit et vend des clés USB. La vente de ces clés est réalisée
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 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 détailMathématique et Automatique : de la boucle ouverte à la boucle fermée. Maïtine bergounioux Laboratoire MAPMO - UMR 6628 Université d'orléans
Mathématique et Automatique : de la boucle ouverte à la boucle fermée Maïtine bergounioux Laboratoire MAPMO - UMR 6628 Université d'orléans Maitine.Bergounioux@labomath.univ-orleans.fr Plan 1. Un peu de
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 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 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 détailDe même, le périmètre P d un cercle de rayon 1 vaut P = 2π (par définition de π). Mais, on peut démontrer (difficilement!) que
Introduction. On suppose connus les ensembles N (des entiers naturels), Z des entiers relatifs et Q (des nombres rationnels). On s est rendu compte, depuis l antiquité, que l on ne peut pas tout mesurer
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 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 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 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 détailChristophe CANDILLIER Cours de DataMining mars 2004 Page 1
Christophe CANDILLIER Cours de DataMining mars 2004 age 1 1. Introduction 2. rocessus du DataMining 3. Analyse des données en DataMining 4. Analyse en Ligne OLA 5. Logiciels 6. Bibliographie Christophe
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 détailIntroduction au maillage pour le calcul scientifique
Introduction au maillage pour le calcul scientifique CEA DAM Île-de-France, Bruyères-le-Châtel franck.ledoux@cea.fr Présentation adaptée du tutorial de Steve Owen, Sandia National Laboratories, Albuquerque,
Plus en détailL apport du HPC pour l optimisation. Eric Jacquet-Lagrèze. FORUM TERATEC 28 juin 2011
L apport du HPC pour l optimisation Eric Jacquet-Lagrèze FORUM TERATEC 28 juin 2011 Sommaire 1 / Recherche Opérationnelle et calcul scientifique 2 / Où se trouve la complexité et quels enjeux pour le HPC?
Plus en détailItems étudiés dans le CHAPITRE N5. 7 et 9 p 129 D14 Déterminer par le calcul l'antécédent d'un nombre par une fonction linéaire
CHAPITRE N5 FONCTIONS LINEAIRES NOTION DE FONCTION FONCTIONS LINEAIRES NOTION DE FONCTION FONCTIONS LINEAIRES NOTION DE FONCTION Code item D0 D2 N30[S] Items étudiés dans le CHAPITRE N5 Déterminer l'image
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 détailINFO-F-310 - Algorithmique 3 et Recherche Opérationnelle
INFO-F- - Algorithmique et Recherche Opérationnelle Yves De Smet Bernard Fortz - Table des matières I Introduction Aide à la décision et modèles mathématiques Quelques exemples de modèles mathématiques
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 détailPlus courts chemins, programmation dynamique
1 Plus courts chemins, programmation dynamique 1. Plus courts chemins à partir d un sommet 2. Plus courts chemins entre tous les sommets 3. Semi-anneau 4. Programmation dynamique 5. Applications à la bio-informatique
Plus en détailPrésentation. Pour. Gilles ALAIS, Country Manager Barloworld Supply Chain Software France 20 Rue des Petits Hôtels, 75010 Paris
Présentation Pour Gilles ALAIS, Country Manager Barloworld Supply Chain Software France 20 Rue des Petits Hôtels, 75010 Paris Email: galais@barloworldscs.com Tel : + 33 1 73 03 04 10 / + 33 6 08 01 52
Plus en détailCorrection du baccalauréat ES/L Métropole 20 juin 2014
Correction du baccalauréat ES/L Métropole 0 juin 014 Exercice 1 1. c.. c. 3. c. 4. d. 5. a. P A (B)=1 P A (B)=1 0,3=0,7 D après la formule des probabilités totales : P(B)=P(A B)+P(A B)=0,6 0,3+(1 0,6)
Plus en détailRECHERCHE OPERATIONNELLE
RECHERCHE OPERATIONNELLE 0. Introduction. Ce cours a été enseigné jusqu en 2002, en année de licence, à la MIAGE de NANCY. L objectif principal de ce cours est d acquérir une connaissance approfondie de
Plus en détailFonctions de plusieurs variables
Maths MP Exercices Fonctions de plusieurs variables Les indications ne sont ici que pour être consultées après le T (pour les exercices non traités). Avant et pendant le T, tenez bon et n allez pas les
Plus en détailRappel sur les bases de données
Rappel sur les bases de données 1) Généralités 1.1 Base de données et système de gestion de base de donnés: définitions Une base de données est un ensemble de données stockées de manière structurée permettant
Plus en détailApplication de K-means à la définition du nombre de VM optimal dans un cloud
Application de K-means à la définition du nombre de VM optimal dans un cloud EGC 2012 : Atelier Fouille de données complexes : complexité liée aux données multiples et massives (31 janvier - 3 février
Plus en détailCours Fonctions de deux variables
Cours Fonctions de deux variables par Pierre Veuillez 1 Support théorique 1.1 Représentation Plan et espace : Grâce à un repère cartésien ( ) O, i, j du plan, les couples (x, y) de R 2 peuvent être représenté
Plus en détailMaîtriser les mutations
Maîtriser les mutations Avec UNE Supply chain AGILE La réflexion porte ses fruits www.cereza.fr TALAN Group Notre savoir-faire : maîtriser les mutations et en faire une force pour l entreprise Cereza,
Plus en détailAmphi 3: Espaces complets - Applications linéaires continues
Amphi 3: Espaces complets - Applications linéaires continues Département de Mathématiques École polytechnique Remise en forme mathématique 2013 Suite de Cauchy Soit (X, d) un espace métrique. Une suite
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
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 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 détailSujet 1 : Diagnostique du Syndrome de l apnée du sommeil par des techniques d analyse discriminante.
Sujet 1 : Diagnostique du Syndrome de l apnée du sommeil par des techniques d analyse discriminante. Objectifs et formulation du sujet Le syndrome de l apnée du sommeil (SAS) est un problème de santé publique
Plus en détailOPTIMISATION DE LA MAINTENANCE DES EQUIPEMENTS DE MANUTENTION DU TERMINAL A CONTENEURS DE BEJAIA (BMT)
OPTIMISATION DE LA MAINTENANCE DES EQUIPEMENTS DE MANUTENTION DU TERMINAL A CONTENEURS DE BEJAIA (BMT) LAGGOUNE Radouane 1 et HADDAD Cherifa 2 1,2: Dépt. de G. Mécanique, université de Bejaia, Targa-Ouzemour
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 détailAlgèbre binaire et Circuits logiques (2007-2008)
Université Mohammed V Faculté des Sciences Département de Mathématiques et Informatique Filière : SMI Algèbre binaire et Circuits logiques (27-28) Prof. Abdelhakim El Imrani Plan. Algèbre de Boole 2. Circuits
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 détailArbres binaires de décision
1 Arbres binaires de décision Résumé Arbres binaires de décision Méthodes de construction d arbres binaires de décision, modélisant une discrimination (classification trees) ou une régression (regression
Plus en détailLogiciel Libre Cours 3 Fondements: Génie Logiciel
Logiciel Libre Cours 3 Fondements: Génie Logiciel Stefano Zacchiroli zack@pps.univ-paris-diderot.fr Laboratoire PPS, Université Paris Diderot 2013 2014 URL http://upsilon.cc/zack/teaching/1314/freesoftware/
Plus en détail3 Approximation de solutions d équations
3 Approximation de solutions d équations Une équation scalaire a la forme générale f(x) =0où f est une fonction de IR dans IR. Un système de n équations à n inconnues peut aussi se mettre sous une telle
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 détailSimulation de Réseaux Ferroviaires
Le projet de recherche Modélisation orientée objets dans le domaine ferroviaire a été conduit par l Institut des Transports et de Construction Routière et Ferroviaire (IVT, Institut für Verkehrsplanung,
Plus en détailRésolution de systèmes linéaires par des méthodes directes
Résolution de systèmes linéaires par des méthodes directes J. Erhel Janvier 2014 1 Inverse d une matrice carrée et systèmes linéaires Ce paragraphe a pour objet les matrices carrées et les systèmes linéaires.
Plus en 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 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 détailphysicien diplômé EPFZ originaire de France présentée acceptée sur proposition Thèse no. 7178
Thèse no. 7178 PROBLEMES D'OPTIMISATION DANS LES SYSTEMES DE CHAUFFAGE A DISTANCE présentée à l'ecole POLYTECHNIQUE FEDERALE DE ZURICH pour l'obtention du titre de Docteur es sciences naturelles par Alain
Plus en détailUNIVERSITE PARIS VII - DENIS DIDEROT U.F.R. D'INFORMATIQUE THESE
UNIVERSITE PARIS VII - DENIS DIDEROT U.F.R. D'INFORMATIQUE Année 1998 N attribué par la bibliothèque _ THESE pour obtenir le grade de DOCTEUR DE L'UNIVERSITE PARIS VII Discipline : Informatique présentée
Plus en détailJade. Projet Intelligence Artificielle «Devine à quoi je pense»
Jade Projet Intelligence Artificielle «Devine à quoi je pense» Réalisé par Djénéba Djikiné, Alexandre Bernard et Julien Lafont EPSI CSII2-2011 TABLE DES MATIÈRES 1. Analyse du besoin a. Cahier des charges
Plus en 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 détailArithmétique binaire. Chapitre. 5.1 Notions. 5.1.1 Bit. 5.1.2 Mot
Chapitre 5 Arithmétique binaire L es codes sont manipulés au quotidien sans qu on s en rende compte, et leur compréhension est quasi instinctive. Le seul fait de lire fait appel au codage alphabétique,
Plus en détailFrancis BISSON (06 794 819) Kenny CÔTÉ (06 836 427) Pierre-Luc ROGER (06 801 883) IFT702 Planification en intelligence artificielle
Francis BISSON (06 794 819) Kenny CÔTÉ (06 836 427) Pierre-Luc ROGER (06 801 883) PLANIFICATION DE TÂCHES DANS MS PROJECT IFT702 Planification en intelligence artificielle Présenté à M. Froduald KABANZA
Plus en détailBaccalauréat ES Antilles Guyane 12 septembre 2014 Corrigé
Baccalauréat ES Antilles Guyane 12 septembre 2014 Corrigé EXERCICE 1 5 points Commun à tous les candidats 1. Réponse c : ln(10)+2 ln ( 10e 2) = ln(10)+ln ( e 2) = ln(10)+2 2. Réponse b : n 13 0,7 n 0,01
Plus en détailMaster Informatique Aix-Marseille Université
Aix-Marseille Université http://masterinfo.univ-mrs.fr/ Département Informatique et Interactions UFR Sciences Laboratoire d Informatique Fondamentale Laboratoire des Sciences de l Information et des Systèmes
Plus en détailApprentissage Automatique
Apprentissage Automatique Introduction-I jean-francois.bonastre@univ-avignon.fr www.lia.univ-avignon.fr Définition? (Wikipedia) L'apprentissage automatique (machine-learning en anglais) est un des champs
Plus en détailOptimisation des fonctions de plusieurs variables
Optimisation des fonctions de plusieurs variables Hervé Hocquard Université de Bordeaux, France 8 avril 2013 Extrema locaux et globaux Définition On étudie le comportement d une fonction de plusieurs variables
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 détailAssises Métallerie 2013. ERP GPAO en métallerie: quelle offres, comment bien choisir son outil de gestion?
Assises Métallerie 2013 ERP GPAO en métallerie: quelle offres, comment bien choisir son outil de gestion? ERP dans une PME de métallerie ERP dans une PME de métallerie OBJECTIF DE LA PRESENTATION DEFINITION
Plus en détailPLANIFICATION DE PROJET ET METHODES D ORDONNANCEMENT
P a g e 1 PLANIFICATION DE PROJET ET METHODES D ORDONNANCEMENT NOTION DE PROJET ET D ORDONNANCEMENT Lors de la réalisation d un projet industriel (construction d usine, d autoroute, recherche et développement
Plus en détailTSTI 2D CH X : Exemples de lois à densité 1
TSTI 2D CH X : Exemples de lois à densité I Loi uniforme sur ab ; ) Introduction Dans cette activité, on s intéresse à la modélisation du tirage au hasard d un nombre réel de l intervalle [0 ;], chacun
Plus en détailCalculer avec Sage. Revision : 417 du 1 er juillet 2010
Calculer avec Sage Alexandre Casamayou Guillaume Connan Thierry Dumont Laurent Fousse François Maltey Matthias Meulien Marc Mezzarobba Clément Pernet Nicolas Thiéry Paul Zimmermann Revision : 417 du 1
Plus en détailAlgorithmes 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 détailStatistique : Résumé de cours et méthodes
Statistique : Résumé de cours et méthodes 1 Vocabulaire : Population : c est l ensemble étudié. Individu : c est un élément de la population. Effectif total : c est le nombre total d individus. Caractère
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 détailLES MÉTA-HEURISTIQUES : quelques conseils pour en faire bon usage
LES MÉTA-HEURISTIQUES : quelques conseils pour en faire bon usage Alain HERTZ Ecole Polytechnique - GERAD Département de mathématiques et de génie industriel CP 679, succ. Centre-ville, Montréal (QC) H3C
Plus en détailLES OUTILS D ALIMENTATION DU REFERENTIEL DE DB-MAIN
LES OUTILS D ALIMENTATION DU REFERENTIEL DE DB-MAIN Les contenues de ce document sont la propriété exclusive de la société REVER. Ils ne sont transmis qu à titre d information et ne peuvent en aucun cas
Plus en détailMachines virtuelles Cours 1 : Introduction
Machines virtuelles Cours 1 : Introduction Pierre Letouzey 1 pierre.letouzey@inria.fr PPS - Université Denis Diderot Paris 7 janvier 2012 1. Merci à Y. Régis-Gianas pour les transparents Qu est-ce qu une
Plus en détailUNIVERSITÉ DE LORRAINE Master MIAGE (Méthodes Informatiques Appliquées à la Gestion des Entreprises)
UNIVERSITÉ DE LORRAINE Master MIAGE (Méthodes s Appliquées à la Gestion des Entreprises) 1 Description générale L UFR Mathématiques et propose le Master avec trois spécialisations en deuxième année : ACSI
Plus en détailIntroduction à la théorie des graphes. Solutions des exercices
CAHIERS DE LA CRM Introduction à la théorie des graphes Solutions des exercices Didier Müller CAHIER N O 6 COMMISSION ROMANDE DE MATHÉMATIQUE 1 Graphes non orientés Exercice 1 On obtient le graphe biparti
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 détailEnjeux mathématiques et Statistiques du Big Data
Enjeux mathématiques et Statistiques du Big Data Mathilde Mougeot LPMA/Université Paris Diderot, mathilde.mougeot@univ-paris-diderot.fr Mathématique en Mouvements, Paris, IHP, 6 Juin 2015 M. Mougeot (Paris
Plus en détailSoit la fonction affine qui, pour représentant le nombre de mois écoulés, renvoie la somme économisée.
ANALYSE 5 points Exercice 1 : Léonie souhaite acheter un lecteur MP3. Le prix affiché (49 ) dépasse largement la somme dont elle dispose. Elle décide donc d économiser régulièrement. Elle a relevé qu elle
Plus en détail