Une approche d'optimisation robuste pour l'ordonnancement de projet sous contraintes de ressources avec durées incertaines
|
|
- Ange Laviolette
- il y a 7 ans
- Total affichages :
Transcription
1 Une approche d'optimisation robuste pour l'ordonnancement de projet sous contraintes de ressources avec durées incertaines 1 LAAS-CNRS, Université de Toulouse, France 2 Research group ORSTAT, Faculty of Business and Economics, K.U.Leuven, Leuven, Belgium Recherche en partie nancée par le programme ANR Blanc Projet ROBOCOOP - ANR-08-BLAN
2 1 Optimisation robuste Ordonnancement de projet sous contraintes de ressources L'ordonnancement de projet robuste Diculté du problème et enjeux 2 Restriction aux scénarios extrêmes Bornes inférieures et supérieures des regrets maximaux PLNE pour l'évaluation du regret maximal 3
3 Optimisation robuste Ordonnancement de projet sous contraintes de ressources L'ordonnancement de projet robuste Diculté du problème et enjeux Optimisation combinatoire robuste Optimisation combinatoire et scénarios d'incertitude Soit le problème d'optimisation combinatoire min x X {0,1} n cx. supposons que c est incertain avec c C, ensemble des scénarios d'incertitude. Coût Minimax ou regret minimax L'optimisation combinatoire robuste consiste à Minimiser le pire des cas sur les scénarios min x X max c C cx Minimiser le plus grand regret absolu sur les scénarios min x X max c C (cx min y Y cy) Minimiser le plus grand regret relatif sur les scénarios min x X max c C (cx min y Y cy) min y Y cy
4 Optimisation robuste Ordonnancement de projet sous contraintes de ressources L'ordonnancement de projet robuste Diculté du problème et enjeux Ordonnancement de projet sous contraintes de ressources Dénitions V = {0, 1,..., n, n + 1}, ensemble des tâches (projet) avec 0 tâche ctive de début et n + 1 tâche ctive de n, p i durée de la tâche i V, R ensemble de ressources, b k, disponibilité de la ressource k R, b ik demande de la tâche i en ressource k R, E contraintes de successions entre tâches S i début de la tâche i (à déterminer) RCPSP (Resource-Constrained Project Scheduling Problem) : Minimiser la durée totale du projet en respectant les contraintes de succession et les disponibilités des ressources.
5 Optimisation robuste Ordonnancement de projet sous contraintes de ressources L'ordonnancement de projet robuste Diculté du problème et enjeux Formulation conceptuelle du RCPSP Décision : Détermination des dates de début des tâches (S R n+2 ) Soit S ensemble (inni) des ordonnancements réalisables = ensemble des vecteurs S R n+2 vériant S j S i + p i (i, j) E (1) s j t<s j +p i b ik B k t 0, k R (2) S j 0 i V (3) Formulation 1 (directe) (RCPSP) min S S S n+1
6 Optimisation robuste Ordonnancement de projet sous contraintes de ressources L'ordonnancement de projet robuste Diculté du problème et enjeux Le RCPSP comme un problème d'optimisation combinatoire Décision : Sélection d'un ordre strict X V 2 (ensemble de couples de tâches représentant des successions additionnelles) réalisable Un ordre strict X V 2 est dit réalisable si S(X ) S avec S(X ) = {S 0 S j S i + p i, (i, j) E X }, l'ensemble des dates de début respectant l'ordre strict. Soit X l'ensemble des ordres stricts réalisables. Soit C max (X ) la longueur du plus long chemin dans G(V, E X ) dans lequel les arcs sont valués par les durées des tâches. Formulation 2 (optimisation combinatoire) (RCPSP) min X X C max (X )
7 Optimisation robuste Ordonnancement de projet sous contraintes de ressources L'ordonnancement de projet robuste Diculté du problème et enjeux Durées incertaines et ordres stricts On suppose une incertitude sur les durées p i P i avec P i ensemble continu (intervalle) ou discret. On note C max (X, p) la longueur du plus long chemin dans G(V, X E) dans lequel les arcs sont valués par les durées des tâches. Par dénition, un ordre strict réalisable reste réalisable pour tout scénario de durées. Un ordre strict dénit une politique de décision sous incertitude de durées
8 Optimisation robuste Ordonnancement de projet sous contraintes de ressources L'ordonnancement de projet robuste Diculté du problème et enjeux Ordonnancement de projet robuste sous contraintes de ressources Le regret absolu d'un ordre strict X pour un scénario de durées p est donné par RA(X, p) = (C max (X, p) min Y X C max (Y, p)) Ordonnancement de projet à minimax regret absolu (AR RCPSP) min X X max p P RA(X, p) Le regret relatif d'un ordre strict X pour un scénario de durées p est donné par RR(X, p) = (Cmax(X,p) min Y X C max(y,p)) min Y X C max(y,p) Ordonnancement de projet à minimax regret relatif (RR RCPSP) min X X max p P RR(X, p)
9 Optimisation robuste Ordonnancement de projet sous contraintes de ressources L'ordonnancement de projet robuste Diculté du problème et enjeux Diculté du problème et enjeux Complexité Étant donné un ordre strict X et un scénario de durées p, calculer le regret absolu RA(X, p) ou relatif RR(X, p) est NP-dicile (résolution d'un RCPSP). Enjeux : Calculer des bornes supérieures et inférieures du regret? Proposer une méthode de résolution utilisable en pratique?
10 Restriction aux scénarios extrêmes Bornes inférieures et supérieures des regrets maximaux PLNE pour l'évaluation du regret maximal Regret maximal absolu : restriction aux scénarios extrêmes si P i est un ensemble continu ou discret, il possède un élément minimum pi min et un élément maximal pi max. un scénario p est extrême si p i = pi min toute tâche i V. Théorème ou p i = p max i pour Étant donné un ordre strict X, le regret absolu maximal est atteint sur un scénario extrême.
11 Regret maximal relatif et scénarios extrêmes Restriction aux scénarios extrêmes Bornes inférieures et supérieures des regrets maximaux PLNE pour l'évaluation du regret maximal Contrexemple pour le regret relatif soit n = 2 et P 1 = {2, 3, 6} et P 2 = {1, 3, 5}, pas de contrainte de succession, pas de contrainte de ressource. Pour tout scénario, le makespan optimal est C max(p) = max(p 1, p 2 ). Soit X = {(1, 2)}. C max (X, p) = p 1 + p 2. Le regret absolu de X pour un scénario p est RA(X, p) = p 1 + p 2 max(p 1, p 2 ) de maximum atteint pour p 1 = 6 et p 2 = 5. Le regret relatif de X pour un scénario p est RR(X, p) = p 1+p 2 max(p 1,p 2 ) 1 de maximum unique atteint pour p 1 = p 2 = 3
12 Restriction aux scénarios extrêmes Bornes inférieures et supérieures des regrets maximaux PLNE pour l'évaluation du regret maximal Bornes inférieures des regrets maximaux Soit Y un ordre strict. ra(x, Y ) = max p P (C max (X, p) C max (Y, p)) rr(x, Y ) = max p P C max(x,p) C max(y,p) C max(y,p) ra(x, Y ) (rr(x, Y )) est la plus grande diérence absolue (relative) entre les longueurs des plus longs chemins dans G(V, E X ) et G(V, E Y ). Bornes inférieures des regrets absolu et relatif Si Y est un ordre strict réalisable, alors max p P RA(X, p) ra(x, Y ) et max p P RR(X, p) rr(x, Y )
13 Restriction aux scénarios extrêmes Bornes inférieures et supérieures des regrets maximaux PLNE pour l'évaluation du regret maximal Bornes supérieures des regrets maximaux Un ordre strict nécessaire Y est un ordre strict non nécessairement réalisable mais tel que pour tout scénario p P, C max (Y, p) est une borne inférieure de C max(p). Un ordre strict nécessaire trivial est donné par Y =. Bornes supérieures des regrets absolu et relatif Si Y est un ordre strict nécessaire, alors max p P RA(X, p) ra(x, Y ) et max p P RR(X, p) rr(x, Y ) Problème ouvert : complexité du calcul de ra(x, Y ) et rr(x, Y ).
14 Restriction aux scénarios extrêmes Bornes inférieures et supérieures des regrets maximaux PLNE pour l'évaluation du regret maximal PLNE pour l'évaluation du regret absolu maximal Détermination simultanée de la durée optimale pour le regret et de la solution optimale du RCPSP Variable a i {0, 1} de sélection de la durée minimale ou maximale Variables de ot continues φ min ij [0, a i ] et φ max ij [0, 1 a i ] pour le calcul du plus long chemin dans G(V, E X ). Variables de dates de début S i pour le calcul de la solution optimale du RCPSP pour la durée p Variables y i,j {0, 1} pour le calcul de l'ordre strict optimal pour la durée p Variables continues de ots d'unités de ressource f ijk pour les conditions de réalisabilité de l'ordre strict RCPSP multi-mode à fonction objectif composite (mais linéaire)
15 Restriction aux scénarios extrêmes Bornes inférieures et supérieures des regrets maximaux PLNE pour l'évaluation du regret maximal Extrait du PLNE pour l'évaluation du regret absolu maximal RA (X ) = max (i,j) E X sous les contraintes : φ min ij + φ max ij = (i,j) E X (j,i) E X φ min 0j + φ max 0j = (0,j) E X (j,n+1) E X φ max ij a i, (i,j) E X (i,j) E X p min i φ min ij + p max i φ max ij S n+1 φ min ji + φ max ji i V \ {0, n + 1} φ min j,n+1 + φmax j,n+1 = 1 φ min ij 1 a i i V \ {0, n + 1} φ min ij, φ max ij 0 (i, j) E X S j S i + (1 a i )p min i + a i p max i M(1 y ij ) (i, j) E S 0 = 0 a i {0, 1} a 0 = a n+1 = 0 Y X i V
16 Formulation du AR-RCPSP par considération explicite des scénarios La minimisation du plus grand regret absolu peut être formulée en considérant explicitement tous les scénarios p 1,..., p h,..., p P : ρ = min ρ ρ S h n+1 C max(p h ) p h P S h j S h i + p h i M(1 x ij ) (i, j) V V, i j, p h P S h i 0 i V, p h P X X La considération d'un sous ensemble de scenarios P P conduit à une borne inférieure du plus grand regret minimal. Nous proposons une méthode itérative pour la résolution du AR-RCPSP, basée sur la relaxation des scénarios, faisant progressivement croître la borne inférieure.
17 Un premier algorithme de relaxation des scenarios 1: Choisir un scénario p 1 (par exemple p min ) et résoudre le RCPSP. P {p 1 }. h 1. 2: Résoudre le AR-RCPSP avec P et obtenir une borne inférieure BI et un ordre strict X. 3: Si BI = BS alors Stop. 4: Sinon Calculer le regret maximal de X en résolvant le RCPSP multi-mode, mettre à jour la borne supérieure BS, récupérer le scénario p h+1 et le makespan optimal C max(p h+1 ). h h : Si BI = BS alors Stop. 6: Sinon retour à l'étape 2. Converge en au plus 2 n itérations. (voir aussi Assavapokee et al. (COR 35(6), , 2008)) pour une approche générale en optimisation robuste)
18 Algorithme de relaxation des scenarios (variante) 1: Choisir un scénario p 1 (par exemple p min ) et résoudre le RCPSP. P {p 1 }. h 1. 2: Résoudre le AR-RCPSP avec P et obtenir une borne inférieure BI et un ordre strict X. 3: Si BI = BS alors Stop. 4: Sinon chercher une solution du RCPSP multimode d'objectif plus grand que BI, et récupérer le scénario de durée p h+1. h h : Si une solution a été trouvée, Calculer le makespan optimal C max(p h+1 ) et retour à l'étape 2. 6: Sinon Stop. Avantages : Le RCPSP multi-mode n'a pas a être résolu à l'optimalité (on cherche seulement un regret plus grand que la borne inférieure) Inconvénient : On doit résoudre un RCPSP à chaque itération.
19 Expériences numériques Deux exemples i p min i p max i b i1 b i2 Γ i , b k 7 4 i p min p max b i i i1 b i2 b i3 b i4 Γ i , 8, , 6, , 5, b k
20 Résultats L'algorithme 1 résout l'exemple 1 en 9 itérations et 9,3 secondes et l'exemple 2 en 7 itérations et 2801 secondes. L'algotithme 2 résout l'exemple 1 en 9 itérations et 4,8 secondes et l'exemple 2 en 13 itérations et 1843 secondes. La variante proposée divise par deux le temps requis par l'algorithme inspiré d'assavapokee et al.
21 Conclusion Dénition du problème de RCPSP robuste basé sur la représentation des solutions par ordres stricts. Résultats pour la résolution du problème de minimax regret pour le RCPSP avec durées incertaines : propriétés structurelles et amélioration d'approches d'optimisation robuste générales. Vers une approche pratique en ordonnancement robuste... Améliorer les calculs de bornes inférieures et supérieures, utiliser des méthodes d'ordonnancement basées sur les contraintes. Nécessité de considérer des approches moins conservatives (Bertsimas et Sim, Math Prog, 2004,...). http ://robocoop.li.univ-tours.fr
Annexe 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 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 détailOrdonnancement. N: nains de jardin. X: peinture extérieure. E: électricité T: toit. M: murs. F: fondations CHAPTER 1
CHAPTER 1 Ordonnancement 1.1. Étude de cas Ordonnancement de tâches avec contraintes de précédences 1.1.1. Exemple : construction d'une maison. Exercice. On veut construire une maison, ce qui consiste
Plus en 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 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 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 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 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 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 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 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 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 détailPROBLEMES D'ORDONNANCEMENT AVEC RESSOURCES
Leçon 11 PROBLEMES D'ORDONNANCEMENT AVEC RESSOURCES Dans cette leçon, nous retrouvons le problème d ordonnancement déjà vu mais en ajoutant la prise en compte de contraintes portant sur les ressources.
Plus en 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 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 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 détailAlgorithmes d'apprentissage
Algorithmes d'apprentissage 1 Agents qui apprennent à partir d'exemples La problématique : prise de décision automatisée à partir d'un ensemble d'exemples Diagnostic médical Réponse à une demande de prêt
Plus en 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 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 détailConception d'un réseau de transport d'électricité
La Fédération Française des Jeux Mathématiques et la Société de Calcul Mathématique SA avec l'appui de Réseau de Transport d'electricité Conception d'un réseau de transport d'électricité Auteurs : Florian
Plus en 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 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 détailUne méthode heuristique pour l ordonnancement de projets avec contraintes de ressources et chevauchement d activités
Une méthode heuristique pour l ordonnancement de projets avec contraintes de ressources et chevauchement d activités Lucas Grèze Robert Pellerin Patrice Leclaire Nathalie Perrier Mai 2012 CIRRELT-2012-18
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 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 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 détailSommaire. Introduction.2. 1. Définition..2. 2. Historique.2. 3. Domaine d application.2. 4.Les Travaux réalisés sur les domaines d application.
Sommaire Introduction.2 1. Définition..2 2. Historique.2 3. Domaine d application.2 4.Les Travaux réalisés sur les domaines d application.3 5.Algorithme 4 6.Exemple d application 5 7. Avantage et inconvénient..6
Plus en 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 détailLE PROBLEME DU PLUS COURT CHEMIN
LE PROBLEME DU PLUS COURT CHEMIN Dans cette leçon nous définissons le modèle de plus court chemin, présentons des exemples d'application et proposons un algorithme de résolution dans le cas où les longueurs
Plus en détailALGORITHME GENETIQUE ET MODELE DE SIMULATION POUR L'ORDONNANCEMENT D'UN ATELIER DISCONTINU DE CHIMIE
ALGORITHME GENETIQUE ET MODELE DE SIMULATION POUR L'ORDONNANCEMENT D'UN ATELIER DISCONTINU DE CHIMIE P. Baudet, C. Azzaro-Pantel, S. Domenech et L. Pibouleau Laboratoire de Génie Chimique - URA 192 du
Plus en 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 détailMinimisation de la somme des retards dans un jobshop flexible
Minimisation de la somme des retards dans un jobshop flexible Nozha ZRIBI, Imed KACEM, Abdelkader EL KAMEL, Pierre BORNE LAGIS Ecole Centrale de Lille, BP 48, 5965 Villeneuve d Ascq Cedex, France ISTIT
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 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 détailCouples de variables aléatoires discrètes
Couples de variables aléatoires discrètes ECE Lycée Carnot mai Dans ce dernier chapitre de probabilités de l'année, nous allons introduire l'étude de couples de variables aléatoires, c'est-à-dire l'étude
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 détailINFO-F-425 Modèles mathématiques et algorithmes pour l ordonnancement. Bernard Fortz
INFO-F-425 Modèles mathématiques et algorithmes pour l ordonnancement Bernard Fortz 2008-2009 Table des matières 1 Définition et classification des problèmes d ordonnancement 2 1.1 Introduction....................................
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 détailTable des matières. 1 Programmation linéaire 1
Table des matières 1 Programmation linéaire 1 2 La théorie des graphes 3 2.1 Dénitions et premières exemples................... 6 2.2 Représentation non graphique d'un graphe.............. 9 2.2.1 Représentation
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 détailLe théorème de Perron-Frobenius, les chaines de Markov et un célèbre moteur de recherche
Le théorème de Perron-Frobenius, les chaines de Markov et un célèbre moteur de recherche Bachir Bekka Février 2007 Le théorème de Perron-Frobenius a d importantes applications en probabilités (chaines
Plus en détailAVERTISSEMENT. D'autre part, toute contrefaçon, plagiat, reproduction encourt une poursuite pénale. LIENS
AVERTISSEMENT Ce document est le fruit d'un long travail approuvé par le jury de soutenance et mis à disposition de l'ensemble de la communauté universitaire élargie. Il est soumis à la propriété intellectuelle
Plus en détailAtelier Transversal AT11. Activité «Fourmis» Pierre Chauvet. pierre.chauvet@uco.fr
Atelier Transversal AT11 Activité «Fourmis» Pierre Chauvet pierre.chauvet@uco.fr Ant : un algorithme inspiré de l éthologie L éthologie Etude scientifique des comportements animaux, avec une perspective
Plus en détail21 mars 2012. Simulations et Méthodes de Monte Carlo. DADI Charles-Abner. Objectifs et intérêt de ce T.E.R. Générer l'aléatoire.
de 21 mars 2012 () 21 mars 2012 1 / 6 de 1 2 3 4 5 () 21 mars 2012 2 / 6 1 de 2 3 4 5 () 21 mars 2012 3 / 6 1 2 de 3 4 5 () 21 mars 2012 4 / 6 1 2 de 3 4 de 5 () 21 mars 2012 5 / 6 de 1 2 3 4 5 () 21 mars
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 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 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 détailRésolution d équations non linéaires
Analyse Numérique Résolution d équations non linéaires Said EL HAJJI et Touria GHEMIRES Université Mohammed V - Agdal. Faculté des Sciences Département de Mathématiques. Laboratoire de Mathématiques, Informatique
Plus en 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 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 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 détailRapport d'analyse des besoins
Projet ANR 2011 - BR4CP (Business Recommendation for Configurable products) Rapport d'analyse des besoins Janvier 2013 Rapport IRIT/RR--2013-17 FR Redacteur : 0. Lhomme Introduction...4 La configuration
Plus en détailProgrammation mathématique Discrète et Modèles Linéaires
Université Pierre et Marie Curie Master IAD Module PDML Programmation mathématique Discrète et Modèles Linéaires Pierre Fouilhoux pierre.fouilhoux@lip6.fr 29 septembre 2013 Table des matières I Programmation
Plus en détailIntroduction. I Étude rapide du réseau - Apprentissage. II Application à la reconnaissance des notes.
Introduction L'objectif de mon TIPE est la reconnaissance de sons ou de notes de musique à l'aide d'un réseau de neurones. Ce réseau doit être capable d'apprendre à distinguer les exemples présentés puis
Plus en détailProgrammation Visual Basic. Visite guidée d'un programme Visual Basic 6.0
UNIVERSITE DES SCIENCES SOCIALES DE TOULOUSE Licence Professionnelles LSi Master FC IGSI Programmation Visual Basic Visite guidée d'un programme Visual Basic 6.0 1. un exemple d'application a) créer dans
Plus en détailIntroduction à l approche bootstrap
Introduction à l approche bootstrap Irène Buvat U494 INSERM buvat@imedjussieufr 25 septembre 2000 Introduction à l approche bootstrap - Irène Buvat - 21/9/00-1 Plan du cours Qu est-ce que le bootstrap?
Plus en détailPourquoi l apprentissage?
Pourquoi l apprentissage? Les SE sont basés sur la possibilité d extraire la connaissance d un expert sous forme de règles. Dépend fortement de la capacité à extraire et formaliser ces connaissances. Apprentissage
Plus en 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 détailGestion réactive des opérations de maintien et d actualisation réglementaire et technologique des systèmes complexes.
Gestion réactive des opérations de maintien et d actualisation réglementaire et technologique des systèmes complexes. LE QUERE Yann, SEVAUX Marc, TRENTESAUX Damien, TAHON Christian Equipe Systèmes de Production
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 détailLES PROBLEMES D'ORDONNANCEMENT
LES PROBLEMES D'ORDONNANCEMENT GOTHA INTRODUCTION 1. PRESENTATION DES PROBLEMES D'ORDONNANCEMENT 1.1. DEFINITIONS ET TYPOLOGIE 1.2. MODELISATION PAR RESEAUX DE PETRI 1.3. TECHNOLOGIE DE GROUPE ET ORDONNANCEMENT
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 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 détailENSPS 3A ISAV Master ISTI AR. J. Gangloff
Commande prédictive ENSPS 3A ISAV Master ISTI AR J. Gangloff Plan 1.Introduction / Historique 2.Modélisation du système 3.Fonction de coût 4.Équations de prédiction 5.Commande optimale 6.Exemples 7.Réglage
Plus en détailI Stabilité, Commandabilité et Observabilité 11. 1 Introduction 13 1.1 Un exemple emprunté à la robotique... 13 1.2 Le plan... 18 1.3 Problème...
TABLE DES MATIÈRES 5 Table des matières I Stabilité, Commandabilité et Observabilité 11 1 Introduction 13 1.1 Un exemple emprunté à la robotique................... 13 1.2 Le plan...................................
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 détailLa NP-complétude. Johanne Cohen. PRISM/CNRS, Versailles, France.
La NP-complétude Johanne Cohen PRISM/CNRS, Versailles, France. Références 1. Algorithm Design, Jon Kleinberg, Eva Tardos, Addison-Wesley, 2006. 2. Computers and Intractability : A Guide to the Theory of
Plus en détailContinuité et dérivabilité d une fonction
DERNIÈRE IMPRESSIN LE 7 novembre 014 à 10:3 Continuité et dérivabilité d une fonction Table des matières 1 Continuité d une fonction 1.1 Limite finie en un point.......................... 1. Continuité
Plus en détailExo7. Matrice d une application linéaire. Corrections d Arnaud Bodin.
Exo7 Matrice d une application linéaire Corrections d Arnaud odin. Exercice Soit R muni de la base canonique = ( i, j). Soit f : R R la projection sur l axe des abscisses R i parallèlement à R( i + j).
Plus en 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 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 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 détailTrouver un vecteur le plus court dans un réseau euclidien
Trouver un vecteur le plus court dans un réseau euclidien Damien STEHLÉ http://perso.ens-lyon.fr/damien.stehle Travail en commun avec Guillaume HANROT (INRIA Lorraine) CNRS/LIP/INRIA/ÉNS Lyon/Université
Plus en détailAlgorithmes pour la planification de mouvements en robotique non-holonome
Algorithmes pour la planification de mouvements en robotique non-holonome Frédéric Jean Unité de Mathématiques Appliquées ENSTA Le 02 février 2006 Outline 1 2 3 Modélisation Géométrique d un Robot Robot
Plus en détailRapidMiner. Data Mining. 1 Introduction. 2 Prise en main. Master Maths Finances 2010/2011. 1.1 Présentation. 1.2 Ressources
Master Maths Finances 2010/2011 Data Mining janvier 2011 RapidMiner 1 Introduction 1.1 Présentation RapidMiner est un logiciel open source et gratuit dédié au data mining. Il contient de nombreux outils
Plus en détail1 Complément sur la projection du nuage des individus
TP 0 : Analyse en composantes principales (II) Le but de ce TP est d approfondir nos connaissances concernant l analyse en composantes principales (ACP). Pour cela, on reprend les notations du précédent
Plus en détailThéorie et codage de l information
Théorie et codage de l information Les codes linéaires - Chapitre 6 - Principe Définition d un code linéaire Soient p un nombre premier et s est un entier positif. Il existe un unique corps de taille q
Plus en 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 détailIncertitude et variabilité : la nécessité de les intégrer dans les modèles
Incertitude et variabilité : la nécessité de les intégrer dans les modèles M. L. Delignette-Muller Laboratoire de Biométrie et Biologie Evolutive VetAgro Sup - Université de Lyon - CNRS UMR 5558 24 novembre
Plus en détailL ANALYSE EN COMPOSANTES PRINCIPALES (A.C.P.) Pierre-Louis GONZALEZ
L ANALYSE EN COMPOSANTES PRINCIPALES (A.C.P.) Pierre-Louis GONZALEZ INTRODUCTION Données : n individus observés sur p variables quantitatives. L A.C.P. permet d eplorer les liaisons entre variables et
Plus en 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 détailRappels sur les suites - Algorithme
DERNIÈRE IMPRESSION LE 14 septembre 2015 à 12:36 Rappels sur les suites - Algorithme Table des matières 1 Suite : généralités 2 1.1 Déition................................. 2 1.2 Exemples de suites............................
Plus en détailCalcul de développements de Puiseux et application au calcul du groupe de monodromie d'une courbe algébrique plane
Calcul de développements de Puiseux et application au calcul du groupe de monodromie d'une courbe algébrique plane Poteaux Adrien XLIM-DMI, UMR-CNRS 6172 Université de Limoges Soutenance de thèse 15 octobre
Plus en 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 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 détailComment démontrer des formules sans effort? exposé de maîtrise
Comment démontrer des formules sans effort? exposé de maîtrise Marc Mezzarobba Sam Zoghaib Sujet proposé par François Loeser Résumé Nous exposons un ensemble de méthodes qui permettent d évaluer «en forme
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 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 détailEn vue de l'obtention du. Présentée et soutenue par Abir BEN HMIDA SAKLY Le 12/12/2009
THÈSE En vue de l'obtention du DOCTORAT DE L UNIVERSITÉ DE TOULOUSE Délivré par l'institut National des Sciences Appliquées de Toulouse Discipline ou spécialité : Systèmes Informatiques Présentée et soutenue
Plus en détailArchitecture des Systèmes d Information Architecture des Systèmes d Information
Plan... Tableaux et tris I3 - Algorithmique et programmation 1 Rappels Nicol Delestre 2 Tableaux à n dimensions 3 Initiation aux tris Tableaux - v2.0.1 1 / 27 Tableaux - v2.0.1 2 / 27 Rappels : tableau
Plus en détail2. RAPPEL DES TECHNIQUES DE CALCUL DANS R
2. RAPPEL DES TECHNIQUES DE CALCUL DANS R Dans la mesure où les résultats de ce chapitre devraient normalement être bien connus, il n'est rappelé que les formules les plus intéressantes; les justications
Plus en 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 détailCours d algorithmique pour la classe de 2nde
Cours d algorithmique pour la classe de 2nde F.Gaudon 10 août 2009 Table des matières 1 Avant la programmation 2 1.1 Qu est ce qu un algorithme?................................. 2 1.2 Qu est ce qu un langage
Plus en détailModel checking temporisé
Model checking temporisé Béatrice Bérard LAMSADE Université Paris-Dauphine & CNRS berard@lamsade.dauphine.fr ETR 07, 5 septembre 2007 1/44 Nécessité de vérifier des systèmes... 2/44 Nécessité de vérifier
Plus en détailFonctions de plusieurs variables
Module : Analyse 03 Chapitre 00 : Fonctions de plusieurs variables Généralités et Rappels des notions topologiques dans : Qu est- ce que?: Mathématiquement, n étant un entier non nul, on définit comme
Plus en détailEquilibrage de charge multi-critère pour les serveurs DNS(SEC)
Equilibrage de charge multi-critère pour les serveurs DNS(SEC) Stanislas Francfort, Stéphane Sénécal, Qinghui Xu, Daniel Migault 6 décembre 2010 Résumé Cet article présente le problème de répartition de
Plus en détailL analyse d images regroupe plusieurs disciplines que l on classe en deux catégories :
La vision nous permet de percevoir et d interpreter le monde qui nous entoure. La vision artificielle a pour but de reproduire certaines fonctionnalités de la vision humaine au travers de l analyse d images.
Plus en détailSTATISTIQUES. UE Modélisation pour la biologie
STATISTIQUES UE Modélisation pour la biologie 2011 Cadre Général n individus: 1, 2,..., n Y variable à expliquer : Y = (y 1, y 2,..., y n ), y i R Modèle: Y = Xθ + ε X matrice du plan d expériences θ paramètres
Plus en détailHela Boukef. To cite this version: HAL Id: tel-00577101 https://tel.archives-ouvertes.fr/tel-00577101
Sur l ordonnancement d ateliers job-shop flexibles et flow-shop en industries pharmaceutiques : optimisation par algorithmes génétiques et essaims particulaires Hela Boukef To cite this version: Hela Boukef.
Plus en détailRéalisabilité et extraction de programmes
Mercredi 9 mars 2005 Extraction de programme: qu'est-ce que c'est? Extraire à partir d'une preuve un entier x N tel que A(x). π x N A(x) (un témoin) (En fait, on n'extrait pas un entier, mais un programme
Plus en détail