Dual decomposition methods and parallel computing
|
|
- Jean-Christophe Paul
- il y a 8 ans
- Total affichages :
Transcription
1 Dual decomposition methods and parallel computing Jonas Koko LIMOS UMR 6158 Université Blaise Pascal - CNRS Dijon 29/06/2015 Jonas Koko (LIMOS) Dual decomposition methods Dijon 29/06/ / 18
2 Plan 1 Un exemple de décomposition en EDP 2 Décomposition des fonctions partiellement séparables 3 Algorithme parallèle 4 Résultats numériques Jonas Koko (LIMOS) Dual decomposition methods Dijon 29/06/ / 18
3 Un exemple de décomposition en EDP Dilemme du calcul parallèle Paralléliser les méthodes existantes ou paralléliser les problèmes? Adapter des anciennes méthodes ou créer de méthodes adaptées aux nouvelles architectures? Jonas Koko (LIMOS) Dual decomposition methods Dijon 29/06/ / 18
4 Un exemple de décomposition en EDP Décomposition de domaine en EDP Problème initial min J(u) = u 2 dx fudx u V Ω Ω Partitionnement : Ω = Ω 1 Ω n min J(u) = J 1 (u 1 ) + + J m (u m ) u ij = u i u j = 0, i j. Lagrangien : L (u, λ) = i [ Ji (u i ) + (λ ij, u i u j ) ] j i Jonas Koko (LIMOS) Dual decomposition methods Dijon 29/06/ / 18
5 Un exemple de décomposition en EDP Algorithme Uzawa gradient conjugué Elimination de u : λ u i (λ) Problème dual quadratique max λ J (λ) Maximisation de la fonctionnelle duale. Le calcul de J (λ) nécessite la résolution (en parallel) de ui L (u, λ) = 0, i = 1,..., m Jonas Koko (LIMOS) Dual decomposition methods Dijon 29/06/ / 18
6 Un exemple de décomposition en EDP Lagrangien augmenté ADMM Lagrangien augmenté min J(u) = J 1 (u 1 ) + + J m (u m ) u i p ij = 0, u j p ij = 0, i j. L r (u, p, λ) = J(u) + {(λ ij, u i p ij ) + (λ ij, u i p ij ) + r } 2 [ u i p ij 2 + u j p ij 2 ] Méthodes basées sur le Lagrangien augmenté : u k+1 = arg min u L r (u, p k, λ k ) p k+1 = arg min p L r (u k+1, p, λ k ) λ k+1 = λ k + r(u k+1 p k+1 ) Jonas Koko (LIMOS) Dual decomposition methods Dijon 29/06/ / 18
7 Fonctions partiellement séparables Quelques méthodes existantes Evaluation parallèle du gradient (Mangasarian 1995, Conforti et al. 1992) Méthodes de décomposition (Conforti et al. 1997) Méthodes multi-pas et multi-direction (Phua et al. 2005, Pardines et al. 2006) Coordinate descent (Richtarik et al. 2014) Jonas Koko (LIMOS) Dual decomposition methods Dijon 29/06/ / 18
8 Fonctions partiellement séparables Problème d optimisation semi-séparable (P 0 ) min x R n f (x) = f 1(x 1 ) + f 2 (x 2 ) x 1, x 2 sous-vecteurs de x, x i = n i, n 1 + n 2 > n f i : R n i R, de classe C 2 Exemple : Fonction de Rosenbrock f (x) = 100(x1 2 x 2) 2 + (x 1 1) (x2 2 x 3) 2 + (x 2 1) 2 f 1 (x 1, x 2 ) = 100(x1 2 x 2) 2 + (x 1 1) 2 f 2 (x 2, x 3 ) = 100(x2 2 x 3) 2 + (x 2 1) 2 x 1 = (x 1, x 2 ), x 2 = (x 2, x 3 ) x 1 x 2 = (x 2 ) Jonas Koko (LIMOS) Dual decomposition methods Dijon 29/06/ / 18
9 Fonctions partiellement séparables Problème d optimisation semi-séparable (P 0 ) min x R n f (x) = f 1(x 1 ) + f 2 (x 2 ) x 1, x 2 sous-vecteurs de x, x i = n i, n 1 + n 2 > n f i : R n i R, de classe C 2 Exemple : Fonction de Rosenbrock f (x) = 100(x1 2 x 2) 2 + (x 1 1) (x2 2 x 3) 2 + (x 2 1) 2 f 1 (x 1, x 2 ) = 100(x1 2 x 2) 2 + (x 1 1) 2 f 2 (x 2, x 3 ) = 100(x2 2 x 3) 2 + (x 2 1) 2 x 1 = (x 1, x 2 ), x 2 = (x 2, x 3 ) x 1 x 2 = (x 2 ) Jonas Koko (LIMOS) Dual decomposition methods Dijon 29/06/ / 18
10 Décomposition x 12 = x 21 = x 1 x 2 Convention : Fonctions partiellement séparables x 1 = [ x11 x 12 ] x 2 = [ x21 x 22 Problème d optimisation avec contraintes : min f 1 (x 1 ) + f 2 (x 2 ) (P 1 ) x 12 x 21 = 0, (x 1, x 2 ) R n 1 R n 2. ] Variable auxiliaire : y 12 (P 2 ) min f 1 (x 1 ) + f 2 (x 2 ) x 12 y 12 = 0, x 21 y 12 = 0, (x 1, x 2, y 12 ) R n 1 R n 2 R n 12 Jonas Koko (LIMOS) Dual decomposition methods Dijon 29/06/ / 18
11 Décomposition x 12 = x 21 = x 1 x 2 Convention : Fonctions partiellement séparables x 1 = [ x11 x 12 ] x 2 = [ x21 x 22 Problème d optimisation avec contraintes : min f 1 (x 1 ) + f 2 (x 2 ) (P 1 ) x 12 x 21 = 0, (x 1, x 2 ) R n 1 R n 2. ] Variable auxiliaire : y 12 (P 2 ) min f 1 (x 1 ) + f 2 (x 2 ) x 12 y 12 = 0, x 21 y 12 = 0, (x 1, x 2, y 12 ) R n 1 R n 2 R n 12 Jonas Koko (LIMOS) Dual decomposition methods Dijon 29/06/ / 18
12 Fonctions partiellement séparables Lagrangien augmenté λ = (λ 12, λ 21 ) R 2n 12 L r (x, y, λ) = f 1 (x 1 ) + f 2 (x 2 ) + λ 12 (x 12 y 12 ) + λ 21 (x 21 y 12 ) + r 2 x 12 y r 2 x 21 y 12 2 Equations de point-selle : [ ] 0 f 1 (x 1 ) + r(x 12 y 12 ) + λ 12 [ ] r(x21 y f 2 (x 2 ) + 12 ) + λ 21 0 = 0 = 0 r(x 12 y 12 ) r(x 21 y 12 ) λ 12 λ 21 = 0 x 12 y 12 = 0, x 21 y 12 = 0. Jonas Koko (LIMOS) Dual decomposition methods Dijon 29/06/ / 18
13 Fonctions partiellement séparables Lagrangien augmenté λ = (λ 12, λ 21 ) R 2n 12 L r (x, y, λ) = f 1 (x 1 ) + f 2 (x 2 ) + λ 12 (x 12 y 12 ) + λ 21 (x 21 y 12 ) + r 2 x 12 y r 2 x 21 y 12 2 Equations de point-selle : [ ] 0 f 1 (x 1 ) + r(x 12 y 12 ) + λ 12 [ ] r(x21 y f 2 (x 2 ) + 12 ) + λ 21 0 = 0 = 0 r(x 12 y 12 ) r(x 21 y 12 ) λ 12 λ 21 = 0 x 12 y 12 = 0, x 21 y 12 = 0. Jonas Koko (LIMOS) Dual decomposition methods Dijon 29/06/ / 18
14 Algorithme parallèle Algorithme du Lagrangien augmenté (classique) k = 0. λ 0, r 0. k 0. λ k connu Optimisation sans contrainte (x k+1, y k+1 ) = arg min L r (x, y, λ k ) Mise à jour des multiplicateurs λ k+1 ij = λ k ij + r k (x k ij y k ij ), i j Mettre à jour les pénalités Jonas Koko (LIMOS) Dual decomposition methods Dijon 29/06/ / 18
15 Algorithme parallèle Relaxation par blocs/ Directions alternées 1 Cas convexe k = 0. y 0, λ 0 donnés k 0. Calculer successivement x k+1, y k+1 et λ k+1 Résoudre simultanément (i.e. en parallèle) x k+1 i = arg min x i L r (x i, y k, λ k ), i = 1,, n Calculer la variable auxilaire y k+1 ij = 1 2 (xk+1 ij +x k+1 ij )+ 1 2r (λk ij +λk ij ), i, j = 1, 2, i j Mise à jour multiplicateurs λ k+1 ij = λ k + r(x k+1 i y k+1 ij ) Jonas Koko (LIMOS) Dual decomposition methods Dijon 29/06/ / 18
16 Algorithme parallèle Relaxation par blocs/ Directions alternées 2 Cas non convexe k = 0. y 0, λ 0 donnés k 0. Calculer successivement x k+1, y k+1 et λ k+1 Repeter m fois 1 Résoudre simultanément (i.e. en parallèle) x k+1 i = arg min xi L r (x i, y k, λ k ), i = 1,, n 2 Calculer la variable auxilaire y k+1 ij Mise à jour multiplicateurs = 1 2 (xk+1 ij + x k+1 ij ) + 1 2r (λk ij + λ k ij ), λ k+1 ij = λ k + r(x k+1 i y k+1 ij ) Jonas Koko (LIMOS) Dual decomposition methods Dijon 29/06/ / 18
17 Résultats numériques Environnement de calcul Machine Cluster Linux 176 coeurs Solveur L-BFGS (Zhu et al. 1994) ; Langage Fortran 95 + MPI Jonas Koko (LIMOS) Dual decomposition methods Dijon 29/06/ / 18
18 Résultats numériques Quadratic tridiagonal (convex) function f (x) = (x 1) 2 + Paramètres : r = 10, n = 10 6 n i(2x i x i 1 ) 2 i=2 Jonas Koko (LIMOS) Dual decomposition methods Dijon 29/06/ / 18
19 Résultats numériques Rosenbrock (non convex) function f (x) = n i=2 Paramètres : r = 10, m = 5, n = [ 100(x 2 i 1 x i) 2 + (x i 1 1) 2] Jonas Koko (LIMOS) Dual decomposition methods Dijon 29/06/ / 18
20 Résultats numériques Perspectives Choix automatiques de r et m BFGS+L-BFGS? Extension au cas non semi-séparable? Nesterov parallèle? Jonas Koko (LIMOS) Dual decomposition methods Dijon 29/06/ / 18
21 Quelques références Résultats numériques P. Le Tallec and R. Glowinski Augmented Lagrangian and Operator-Splitting Methods. SIAM, P. Richtarik and M. Takac, Parallel coordinate descent for big data optimization, Mathematical Programming, 2015 J. Koko,Parallel Uzawa methods for large-scale minimization of partially separable functions, Journal Optimization Theory and Applications, Jonas Koko (LIMOS) Dual decomposition methods Dijon 29/06/ / 18
Optimisation et programmation mathématique. Professeur Michel de Mathelin. Cours intégré : 20 h
Télécom Physique Strasbourg Master IRIV Optimisation et programmation mathématique Professeur Michel de Mathelin Cours intégré : 20 h Programme du cours d optimisation Introduction Chapitre I: Rappels
Plus en détail1 Introduction et modèle mathématique
Optimisation parallèle et mathématiques financières Optimisation parallèle et mathématiques financières Pierre Spiteri 1 IRIT ENSEEIHT, UMR CNRS 5505 2 rue Charles Camichel, B.P. 7122 F-31 071 Toulouse,
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 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 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 détailchapitre 4 Nombres de Catalan
chapitre 4 Nombres de Catalan I Dénitions Dénition 1 La suite de Catalan (C n ) n est la suite dénie par C 0 = 1 et, pour tout n N, C n+1 = C k C n k. Exemple 2 On trouve rapidement C 0 = 1, C 1 = 1, C
Plus en détailSonia Cafieri. Thémes de Recherche. Formation. Lieu et date de naissance: Naples, Italie, 4 juillet, 1979
Sonia Cafieri Lieu et date de naissance: Naples, Italie, 4 juillet, 1979 Nationalité: Italienne Résidence: Via Rossini 77, I-81100, Caserta, Italie Adresse postale: LIX, École Polytechnique, F-91128, Palaiseau,
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 détailMultiprogrammation parallèle générique des méthodes de décomposition de domaine
Multiprogrammation parallèle générique des méthodes de décomposition de domaine Andréa Schwertner-Charão To cite this version: Andréa Schwertner-Charão. Multiprogrammation parallèle générique des méthodes
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 - 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 détailLimitations of the Playstation 3 for High Performance Cluster Computing
Introduction Plan Limitations of the Playstation 3 for High Performance Cluster Computing July 2007 Introduction Plan Introduction Intérêts de la PS3 : rapide et puissante bon marché L utiliser pour faire
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 détailObjectifs. Clustering. Principe. Applications. Applications. Cartes de crédits. Remarques. Biologie, Génomique
Objectifs Clustering On ne sait pas ce qu on veut trouver : on laisse l algorithme nous proposer un modèle. On pense qu il existe des similarités entre les exemples. Qui se ressemble s assemble p. /55
Plus en détailCONCOURS D ENTREE A L ECOLE DE 2007 CONCOURS EXTERNE. Cinquième épreuve d admissibilité STATISTIQUE. (durée : cinq heures)
CONCOURS D ENTREE A L ECOLE DE 2007 CONCOURS EXTERNE Cinquième épreuve d admissibilité STATISTIQUE (durée : cinq heures) Une composition portant sur la statistique. SUJET Cette épreuve est composée d un
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 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 détailSujet 4: Programmation stochastique propriétés de fonction de recours
Sujet 4: Programmation stochastique propriétés de fonction de recours MSE3313: Optimisation Stochastiqe Andrew J. Miller Dernière mise au jour: October 19, 2011 Dans ce sujet... 1 Propriétés de la fonction
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 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 détailHappy birthday ZSet High performance computing dans ZSet
Happy birthday ZSet High performance computing dans ZSet F. Feyel & P. Gosselet Architectures SMP NUMA memory memory memory Distribué memory memory 2 memory memory Hybride memory memory memory memory memory
Plus en détailARCHEOVISION. Centre de Ressources Numériques 3D. UMR 5607 du CNRS. R. Vergnieux IR-CNRS
ARCHEOVISION Centre de Ressources Numériques 3D R. Vergnieux IR-CNRS UMR 5607 du CNRS Archéovision CNRS Caroline Delevoie (AI cnrs Coordination - 2D) Bruno Dutailly (IE cnrs Dev. 3D) Robert Vergnieux (IR
Plus en détailFonctions de plusieurs variables : dérivés partielles, diérentielle. Fonctions composées. Fonctions de classe C 1. Exemples
45 Fonctions de plusieurs variables : dérivés partielles, diérentielle. Fonctions composées. Fonctions de classe C 1. Exemples Les espaces vectoriels considérés sont réels, non réduits au vecteur nul et
Plus en détailSujet proposé par Yves M. LEROY. Cet examen se compose d un exercice et de deux problèmes. Ces trois parties sont indépendantes.
Promotion X 004 COURS D ANALYSE DES STRUCTURES MÉCANIQUES PAR LA MÉTHODE DES ELEMENTS FINIS (MEC 568) contrôle non classant (7 mars 007, heures) Documents autorisés : polycopié ; documents et notes de
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 détailCalcul Haute Performance & Données
Calcul Haute Performance & Données Plan de l exposé CALMIP : news Evolution Matérielle Evolution des systèmes de calcul (CALMIP) Evolution Applicative Modélisation et Calcul haute performance Calcul haute
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 1 : Introduction Ordinateurs - Langages de haut niveau - Application
Université de Provence Licence Math-Info Première Année V. Phan Luong Algorithmique et Programmation en Python Cours 1 : Introduction Ordinateurs - Langages de haut niveau - Application 1 Ordinateur Un
Plus en détailMasses de données. 1. Introduction 2. Problématiques 3. Socle de formation (non présenté) 4. Liens avec Formation INSA
Masses de données 1. Introduction 2. Problématiques 3. Socle de formation (non présenté) 4. Liens avec Formation INSA Rédacteurs : Mjo Huguet / N. Jozefowiez 1. Introduction : Besoins Informations et Aide
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 détailDifférentiabilité ; Fonctions de plusieurs variables réelles
Différentiabilité ; Fonctions de plusieurs variables réelles Denis Vekemans R n est muni de l une des trois normes usuelles. 1,. 2 ou.. x 1 = i i n Toutes les normes de R n sont équivalentes. x i ; x 2
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 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 détailParallélisation de l algorithme des k-médoïdes. Application au clustering de courbes.
Parallélisation de l algorithme des k-médoïdes. Application au clustering de courbes. Benjamin Auder 1 & Jairo Cugliari 2 1 Laboratoire LMO. Université Paris-Sud. Bât 425. 91405 Orsay Cedex, France. benjamin.auder@math.u-psud.fr
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 détailResolution limit in community detection
Introduction Plan 2006 Introduction Plan Introduction Introduction Plan Introduction Point de départ : un graphe et des sous-graphes. But : quantifier le fait que les sous-graphes choisis sont des modules.
Plus en détailProgrammation parallèle et distribuée (Master 1 Info 2015-2016)
Programmation parallèle et distribuée (Master 1 Info 2015-2016) Hadoop MapReduce et HDFS Note bibliographique : ce cours est largement inspiré par le cours de Benjamin Renaut (Tokidev SAS) Introduction
Plus en détailEvaluation de fonctions de matrices et algorithmes pararéels
Evaluation de fonctions de matrices et algorithmes pararéels L. Badea (Bucarest), J.-P. Chehab (Amiens), M. Petcu (Poitiers) 7 juin 2012 Table des matières 1 Motivations et effet déclencheur 2 1.1 Motivations....................................
Plus en détailMaster de Recherche première année. Programme de cours 2008-2011
Master de Recherche première année Mention : Mathématiques et Applications Spécialité : Mathématiques fondamentales et appliquées Responsable : Xue Ping WANG Programme de cours 2008-2011 Module M1 : Analyse
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 détail4ème Période 2013/2014 du 27/01/2014 au 28/02/2014
8 9 9h50 10h10 11 12 13h30 15h20 15h40 17h30 18 19 20 FILIERE 1 INGENIERIE du LOGICIEL (MODL) R. AUFRERE Sem 5 SalleA111 L. MALATERRE Sem 9 O. LUDCHER Sem 5 Salle A113 R. AUFRERE Sem 5 Salle A113 TP M.
Plus en détailOptimisation multi-critère pour l allocation de ressources sur Clouds distribués avec prise en compte de l énergie
Optimisation multi-critère pour l allocation de ressources sur Clouds distribués avec prise en compte de l énergie 1 Présenté par: Yacine KESSACI Encadrement : N. MELAB E-G. TALBI 31/05/2011 Plan 2 Motivation
Plus en détailEntraînement au concours ACM-ICPC
Entraînement au concours ACM-ICPC Concours ACM-ICPC : format et stratégies Page 1 / 16 Plan Présentation Stratégies de base Page 2 / 16 Qu est-ce que c est? ACM-ICPC : International Collegiate Programming
Plus en détailMedia planning TV et optimisation : du statique au (très) dynamique
Media planning TV et optimisation : du statique au (très) dynamique Thierry Benoist Frédéric Gardi www.innovation24.fr 1/18 Qui sommes-nous? Groupe industriel diversifié présent dans la construction, les
Plus en détailAsynchronisme : Cadres continu et discret
N d ordre : 151 Année 2006 HABILITATION À DIRIGER DES RECHERCHES UNIVERSITÉ DE FRANCHE-COMTÉ Spécialité Informatique présentée par Sylvain CONTASSOT-VIVIER Docteur en Informatique Sujet Asynchronisme :
Plus en détailCapacité d un canal Second Théorème de Shannon. Théorie de l information 1/34
Capacité d un canal Second Théorème de Shannon Théorie de l information 1/34 Plan du cours 1. Canaux discrets sans mémoire, exemples ; 2. Capacité ; 3. Canaux symétriques ; 4. Codage de canal ; 5. Second
Plus en détailMonitoring continu et gestion optimale des performances énergétiques des bâtiments
Monitoring continu et gestion optimale des performances énergétiques des bâtiments Alexandre Nassiopoulos et al. Journée d inauguration de Sense-City, 23/03/2015 Croissance de la demande énergétique et
Plus en détailLa Licence Mathématiques et Economie-MASS Université de Sciences Sociales de Toulouse 1
La Licence Mathématiques et Economie-MASS Université de Sciences Sociales de Toulouse 1 La licence Mathématiques et Economie-MASS de l Université des Sciences Sociales de Toulouse propose sur les trois
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 détailLES MÉTHODES DE POINT INTÉRIEUR 1
Chapitre XIII LES MÉTHODES DE POINT INTÉRIEUR 1 XIII.1 Introduction Nous débutons par un rappel de la formulation standard d un problème d optimisation 2 linéaire et donnons un bref aperçu des différences
Plus en détailExercice : la frontière des portefeuilles optimaux sans actif certain
Exercice : la frontière des portefeuilles optimaux sans actif certain Philippe Bernard Ingénierie Economique & Financière Université Paris-Dauphine Février 0 On considère un univers de titres constitué
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 détailFrancisco José Silva Álvarez
Francisco José Silva Álvarez Né le 22 Juillet 1982 Nationalité chilienne Célibataire. Coordonnées professionnelles Dipartimento di Matematica Guido Castelnuovo, Università La Sapienza Piazzale Aldo Moro,
Plus en détailChp. 4. Minimisation d une fonction d une variable
Chp. 4. Minimisation d une fonction d une variable Avertissement! Dans tout ce chapître, I désigne un intervalle de IR. 4.1 Fonctions convexes d une variable Définition 9 Une fonction ϕ, partout définie
Plus en détailThéorie des Jeux Et ses Applications
Théorie des Jeux Et ses Applications De la Guerre Froide au Poker Clément Sire Laboratoire de Physique Théorique CNRS & Université Paul Sabatier www.lpt.ups-tlse.fr Quelques Définitions de la Théorie des
Plus en détailMAIDESC - KO 21 Novembre 2013 Etienne Wey Alexandre Boilley
MAIDESC - KO 21 Novembre 2013 Etienne Wey Alexandre Boilley S.A. créée en 1984 à Sophia Antipolis avec ARMINES comme actionnaire principal Activité majeure centrée autour des logiciels de simulation de
Plus en détailAlgorithmique I. Augustin.Lux@imag.fr Roger.Mohr@imag.fr Maud.Marchal@imag.fr. Algorithmique I 20-09-06 p.1/??
Algorithmique I Augustin.Lux@imag.fr Roger.Mohr@imag.fr Maud.Marchal@imag.fr Télécom 2006/07 Algorithmique I 20-09-06 p.1/?? Organisation en Algorithmique 2 séances par semaine pendant 8 semaines. Enseignement
Plus en détailIRL : Simulation distribuée pour les systèmes embarqués
IRL : Simulation distribuée pour les systèmes embarqués Yassine El Khadiri, 2 ème année Ensimag, Grenoble INP Matthieu Moy, Verimag Denis Becker, Verimag 19 mai 2015 1 Table des matières 1 MPI et la sérialisation
Plus en détailIntroduction aux Bases de Données Relationnelles Conclusion - 1
Pratique d un : MySQL Objectifs des bases de données Où en sommes nous? Finalement, qu est-ce qu un? Modèle relationnel Algèbre relationnelle Conclusion SQL Conception et rétro-conception Protection de
Plus en détailMaster Sciences, Technologies, Santé Mention Ingénierie Mathématique Spécialité Calcul Scientifique
Master Sciences, Technologies, Santé Mention Ingénierie Mathématique Spécialité Calcul Scientifique Master degree in Mathematical Engineering Advanced Scientific Computing Contexte Demande croissante d
Plus en détailExamen optimisation Centrale Marseille (2008) et SupGalilee (2008)
Examen optimisation Centrale Marseille (28) et SupGalilee (28) Olivier Latte, Jean-Michel Innocent, Isabelle Terrasse, Emmanuel Audusse, Francois Cuvelier duree 4 h Tout resultat enonce dans le texte peut
Plus en détailThomas Loubrieu (Ifremer) Small to Big Data. http://wwz.ifremer.fr/bigdata. 26 Novembre 2013, Ifremer, Brest
Thomas Loubrieu (Ifremer) Small to Big Data 26 Novembre 2013, Ifremer, Brest http://wwz.ifremer.fr/bigdata Small to Big data IFREMER/IDM/ISI T. Loubrieu Résumé A partir d'expériences en gestion de données
Plus en détailFormation Excel, Niveau initiation, module 1 DUREE DE LA FORMATION OBJECTIFS DE LA FORMATION
Niveau initiation, module 1 Acquérir une philosophie de travail dans un tableur, Acquérir les bons réfl exes tableur, Familiarisation avec le vocabulaire, Créer, Enregistrer et présenter un tableau. Notions
Plus en détailArrêt sur image. La simulation numérique au programme de l industrie
Arrêt sur image La simulation numérique au programme de l industrie Bartosz Dobrzelecki, Oliver Fritz, Peter Lofgren, JÖrg Ostrowski, Ola Widlund L une des grandes vertus de la simulation sur ordinateur
Plus en détailÉconometrie non paramétrique I. Estimation d une densité
Économetrie non paramétrique I. Estimation d une densité Stéphane Adjemian Université d Évry Janvier 2004 1 1 Introduction 1.1 Pourquoi estimer une densité? Étudier la distribution des richesses... Proposer
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 détailLa programmation à mémoire adaptative ou l évolution des algorithmes évolutifs
La programmation à mémoire adaptative ou l évolution des algorithmes évolutifs Éric D. Taillard 1 Luca M. Gambardella 1 Michel Gendreau 2 Jean-Yves Potvin 2 1 IDSIA, Corso Elvezia 36, CH-6900 Lugano. E-mail
Plus en détailMlle Yasmin A. RÍOS SOLÍS
Thèse de DOCTORAT de l UNIVERSITÉ PARIS VI - PIERRE ET MARIE CURIE Spécialité : INFORMATIQUE présentée par : Mlle Yasmin A. RÍOS SOLÍS pour obtenir le grade de DOCTEUR de l UNIVERSITÉ PARIS VI Sujet de
Plus en détailÉdIteur officiel et fournisseur de ServIceS professionnels du LogIcIeL open Source ScILab
ÉdIteur officiel et fournisseur de ServIceS professionnels du LogIcIeL open Source ScILab notre compétence d'éditeur à votre service créée en juin 2010, Scilab enterprises propose services et support autour
Plus en détailC f tracée ci- contre est la représentation graphique d une
TLES1 DEVOIR A LA MAISON N 7 La courbe C f tracée ci- contre est la représentation graphique d une fonction f définie et dérivable sur R. On note f ' la fonction dérivée de f. La tangente T à la courbe
Plus en détailTraitement bas-niveau
Plan Introduction L approche contour (frontière) Introduction Objectifs Les traitements ont pour but d extraire l information utile et pertinente contenue dans l image en regard de l application considérée.
Plus en détailINTRODUCTION À L ANALYSE FACTORIELLE DES CORRESPONDANCES
INTRODUCTION À L ANALYSE FACTORIELLE DES CORRESPONDANCES Dominique LAFFLY Maître de Conférences, Université de Pau Laboratoire Société Environnement Territoire UMR 5603 du CNRS et Université de Pau Domaine
Plus en détailMéthode des éléments-finis par l exemple
par l exemple Daniel Choï 1 LMNO Groupe Mécanique Modélisation Mathématique et Numérique Université de Caen, Bld Maréchal Juin, 14032 Caen Cedex, France Version Avril 2010 1. daniel.choi@unicaen.fr Ce
Plus en détailQuelques algorithmes simples dont l analyse n est pas si simple
Quelques algorithmes simples dont l analyse n est pas si simple Michel Habib habib@liafa.jussieu.fr http://www.liafa.jussieu.fr/~habib Algorithmique Avancée M1 Bioinformatique, Octobre 2008 Plan Histoire
Plus en détailLa classification automatique de données quantitatives
La classification automatique de données quantitatives 1 Introduction Parmi les méthodes de statistique exploratoire multidimensionnelle, dont l objectif est d extraire d une masse de données des informations
Plus en détailRésolution du RCPSP avec production et consommation de ressources : modèles PLNE basés sur les événements
«Évaluation et optimisation des systèmes innovants de production de biens et de services» Résolution du RCPSP avec production et consommation de ressources : modèles PLNE basés sur les événements Oumar
Plus en détailAnalyse de la Commande Prédictive Floue : Algorithmes et Méthodologies de Solution
République Algérienne Démocratique et Populaire MINISÈTRE DE L ENSEIGNEMENT SUPÉRIEUR ET DE LA RECHERCHE SCIENTIFIQUE MÉMOIRE DE MAGISTÈRE Présenté à L UNIVERSITÉ MENTOURI CONSTANTINE FACULTÉ DES SCIENCES
Plus en détail1 Installer des packages
10 mai 2014 Fabricɛ Dɛssaint Inra - UMR Agroécologie, Dijon 10 mai 2014 R est un système d analyse statistique et graphique, qui est distribué librement et dont le développement et la distribution sont
Plus en détailNotes du cours MTH1101 Calcul I Partie II: fonctions de plusieurs variables
Notes du cours MTH1101 Calcul I Partie II: fonctions de plusieurs variables Guy Desaulniers Département de mathématiques et de génie industriel École Polytechnique de Montréal Automne 2014 Table des matières
Plus en détailProjet : Recalage par maximisation de l information mutuelle
École Polytechnique de Montréal Automne 25, 12 décembre 25 Projet : Recalage par maximisation de l information mutuelle GBM613, Application médicales de l informatique Nom Matricule Groupe Herve Lombaert
Plus en détailFIMA, 7 juillet 2005
F. Corset 1 S. 2 1 LabSAD Université Pierre Mendes France 2 Département de Mathématiques Université de Franche-Comté FIMA, 7 juillet 2005 Plan de l exposé plus court chemin Origine du problème Modélisation
Plus en détailIntroduction à l analyse numérique : exemple du cloud computing
Introduction à l analyse numérique : exemple du cloud computing Tony FEVRIER Aujourd hui! Table des matières 1 Equations aux dérivées partielles et modélisation Equation différentielle et modélisation
Plus en détailÉquations non linéaires
Équations non linéaires Objectif : trouver les zéros de fonctions (ou systèmes) non linéaires, c-à-d les valeurs α R telles que f(α) = 0. y f(x) α 1 α 2 α 3 x Equations non lineaires p. 1/49 Exemples et
Plus en détailUne dérivation du paradigme de réécriture de multiensembles pour l'architecture de processeur graphique GPU
Une dérivation du paradigme de réécriture de multiensembles pour l'architecture de processeur graphique GPU Gabriel Antoine Louis Paillard Ce travail a eu le soutien de la CAPES, agence brésilienne pour
Plus en détailContexte. Pour cela, elles doivent être très compliquées, c est-à-dire elles doivent être très différentes des fonctions simples,
Non-linéarité Contexte Pour permettre aux algorithmes de cryptographie d être sûrs, les fonctions booléennes qu ils utilisent ne doivent pas être inversées facilement. Pour cela, elles doivent être très
Plus en détailIntroduction à l optimisation de forme et application à la mécanique des fluides
Laboratoire Jacques-Louis LIONS Introduction à l optimisation de forme et application à la mécanique des fluides Master 2 - Année universitaire 2014-2015 Pascal FREY et Yannick PRIVAT Laboratoire Jacques-Louis
Plus en détailMercredi 26 mars 2014
Mercredi 26 mars 2014 8h30 9h30 : Accueil, 9h30 10h15 : 10h15 11h 00: Systèmes dynamiques de second ordre en théorie des jeux Rida Laraki CNRS, Lamsade et Polytechnique (Université Paris Dauphine) Session
Plus en détailLes clusters Linux. 4 août 2004 Benoît des Ligneris, Ph. D. benoit.des.ligneris@revolutionlinux.com. white-paper-cluster_fr.sxw, Version 74 Page 1
Les clusters Linux 4 août 2004 Benoît des Ligneris, Ph. D. benoit.des.ligneris@revolutionlinux.com white-paper-cluster_fr.sxw, Version 74 Page 1 Table des matières Introduction....2 Haute performance (High
Plus en détailT. Gasc 1,2,3, F. De Vuyst 1, R. Motte 3, M. Peybernes 4, R. Poncet 5
Modélisation de la performance et optimisation d un algorithme hydrodynamique de type Lagrange-Projection sur processeurs multi-cœurs T. Gasc 1,2,3, F. De Vuyst 1, R. Motte 3, M. Peybernes 4, R. Poncet
Plus en détailExcel Avancé. Plan. Outils de résolution. Interactivité dans les feuilles. Outils de simulation. La valeur cible Le solveur
Excel Avancé Plan Outils de résolution La valeur cible Le solveur Interactivité dans les feuilles Fonctions de recherche (ex: RechercheV) Utilisation de la barre d outils «Formulaires» Outils de simulation
Plus en détailInteraction Fluide-Structure pour les corps élancés
Interaction Fluide-Structure pour les corps élancés DE NAYER GUILLAUME a, LEROYER ALBAN a, VISONNEAU MICHEL a, BOYER FRÉDÉRIC b a: Laboratoire de Mécanique des Fluides (LMF) UMR-CNRS 698, Ecole Centrale
Plus en détailRapport d activité. Mathieu Souchaud Juin 2007
Rapport d activité Mathieu Souchaud Juin 2007 Ce document fait la synthèse des réalisations accomplies durant les sept premiers mois de ma mission (de novembre 2006 à juin 2007) au sein de l équipe ScAlApplix
Plus en détailPrincipe de symétrisation pour la construction d un test adaptatif
Principe de symétrisation pour la construction d un test adaptatif Cécile Durot 1 & Yves Rozenholc 2 1 UFR SEGMI, Université Paris Ouest Nanterre La Défense, France, cecile.durot@gmail.com 2 Université
Plus en détailLe théorème des deux fonds et la gestion indicielle
Le théorème des deux fonds et la gestion indicielle Philippe Bernard Ingénierie Economique& Financière Université Paris-Dauphine mars 2013 Les premiers fonds indiciels futent lancés aux Etats-Unis par
Plus en détailProblèmes d ordonnancement dans les systèmes de production. Journée Automatique et Optimisation Université de Paris 12 20 Mars 2003
Problèmes d ordonnancement dans les systèmes de production Michel Gourgand Université Blaise Pascal Clermont Ferrand LIMOS CNRS UMR 6158 1 Le LIMOS Laboratoire d Informatique, de Modélisation et d Optimisation
Plus en détailHistorique. Architecture. Contribution. Conclusion. Définitions et buts La veille stratégique Le multidimensionnel Les classifications
L intelligence économique outil stratégique pour l entreprise Professeur Bernard DOUSSET dousset@irit.fr http://atlas.irit.fr Institut de Recherche en Informatique de Toulouse (IRIT) Equipe Systèmes d
Plus en détailLes travaux doivent être remis sous forme papier.
Physique mathématique II Calendrier: Date Pondération/note nale Matériel couvert ExercicesSérie 1 : 25 septembre 2014 5% RH&B: Ch. 3 ExercicesSérie 2 : 23 octobre 2014 5% RH&B: Ch. 12-13 Examen 1 : 24
Plus en détailProgrammation parallèle et distribuée
Programmation parallèle et distribuée (GIF-4104/7104) 5a - (hiver 2014) Marc Parizeau, Département de génie électrique et de génie informatique Plan Mégadonnées («big data») Architecture Hadoop distribution
Plus en détailRicco Rakotomalala http://eric.univ-lyon2.fr/~ricco/cours/cours_programmation_r.html. R.R. Université Lyon 2
Ricco Rakotomalala http://eric.univ-lyon2.fr/~ricco/cours/cours_programmation_r.html 1 Plan de présentation 1. L écosystème Hadoop 2. Principe de programmation MapReduce 3. Programmation des fonctions
Plus en détailFaceBook aime les Maths!
FaceBook aime les Maths! Michel Rigo http://www.discmath.ulg.ac.be/ http://orbi.ulg.ac.be/ Réseaux Visualizing my Twitter Network by number of followers. Michael Atkisson http://woknowing.wordpress.com/
Plus en détail