Le problème du Bin Packing(remplissage de sacs) p.1/65
|
|
|
- Charles Benoît
- il y a 7 ans
- Total affichages :
Transcription
1 Le problème du Bin Packing (remplissage de sacs) Johanne Cohen Laboratoire LORIA Le problème du Bin Packing(remplissage de sacs) p.1/65
2 Objectif de la présentation METTRE un ensemble d éléments fixés dans des sacs de même capacité en utilisant le moins possible de sacs. Le problème du Bin Packing(remplissage de sacs) p.2/65
3 Plan 1. Présentation du problème. 2. Algorithme glouton d approximation. 3. Inapproximation. 4. Remarque sur le codage des données. Le problème du Bin Packing(remplissage de sacs) p.3/65
4 Petit rappel sur la compléxité: Définition: Un problème de décision Π = (D Π, Y Π ) correspond à un ensemble d instance D Π et à un sous-ensemble Y Π D Π d instances positives. REMARQUE: Problème de décision problème de construction. Le problème du Bin Packing(remplissage de sacs) p.4/65
5 Énoncé du problème Bin Packing: INSTANCE: un ensemble B de boites QUESTION: une fonction taille w : B N un entier c un entier k Existe-t-il un rangement R des boites de B dans k sacs de capacité c? Remarque: Un rangement R est une application B [1...k] tel que 1. R(b) = j signifie que la boite b est placée dans le sac j. 2. j [1...k], b B R(b)=j w(b) c Le problème du Bin Packing(remplissage de sacs) p.5/65
6 Definition de la classe NP Définition: Une relation binaire R(x, y) est polynomiale si il existe un polynome P oly tel que étant donnée x et y, on peut determiner si R(x, y) = 1 en temps P oly( x ) Définition: Un problème de décision Π = (D Π, Y Π ) est dans NP si et seulement si il existe une relation binaire R(x, y) est polynomiale tel que x D Π, x Y Π si et seulement si y tel que R(x, y) = 1 Le problème du Bin Packing(remplissage de sacs) p.6/65
7 Exemple d un problème dans NP. Le problème Bin packing est dans NP car: x = une instance de Bin packing y = un rangement. R(x, y): D Π ens_de_rangement {0, 1} vérifie en temps polynomiale que le rangement y est correct par rapport à l ínstance x. Rappel: Un problème de décision Π = (D Π, Y Π ) est dans NP si et seulement si il existe une relation binaire R(x, y) est polynomiale tel que x D Π, x Y Π si et seulement si y tel que R(x, y) = 1 Le problème du Bin Packing(remplissage de sacs) p.7/65
8 Définition: Transformation polynômiale Un problème P b1 est plus simple qu un problème P b2 (noté P b1 P b2) : s il existe une fonction f : D P b1 D P b2 qui se calcule en temps polynômial telle que x Y P b1 ssi f(x) Y P b2 Le problème du Bin Packing(remplissage de sacs) p.8/65
9 Résultats à venir. 1. Le problème du bin Packing est NP-complet. 2. Un algorithme glouton est une 2-approximation. 3. Il n existe pas d algorithmes polynômiaux. d approximation pour le problème Bin Packing ayant un rapport de 3/2 ɛ. Le problème du Bin Packing(remplissage de sacs) p.9/65
10 Complexité Théorème 1: Preuve: Le problème du Bin Packing est NP-complet. 1. Problème est dans NP. 2. Réduction avec le problème Partition: INSTANCE: un ensemble S = {s 1,..., s m } QUESTION: une fonction de poids W : S N Existe-t-il une partition de S en 2 sous-ens S 1 et S 2 s S 1 W(s) = s S 2 W(s) Le problème du Bin Packing(remplissage de sacs) p.10/65
11 Complexité Théorème 1: Preuve: Le problème du bin Packing est NP-complet. 1. Problème est dans NP. 2. Réduction avec le problème Partition: INSTANCE: un ensemble S = {s 1,..., s m } QUESTION: une fonction de poids W : S N Existe-t-il une partition de S en 2 sous-ens S 1 et S 2 s S 1 W(s) = s S 2 W(s) Le problème du Bin Packing(remplissage de sacs) p.11/65
12 Complexité Théorème 1: Preuve: Le problème du bin Packing est NP-complet. 1. Problème est dans NP. 2. Réduction avec le problème Partition: Définissons la transformation polynômial F F(S, W) = B = S s S, w(s) = W(s) c = k = 2 P s S W(s) 2 Le problème du Bin Packing(remplissage de sacs) p.11/65
13 Illustration de la transformation Partition Bin Packing S = {a 1, a 2, a 3, a 4, a 5 } B = {a 1, a 2, a 3, a 4, a 5 } W(a 1, a 2, a 3, a 4, a 5 )= {6, 7, 2, 4, 1} w (a 1, a 2, a 3, a 4, a 5 )= {6, 7, 2, 4, 1 c = 10, k = 2 Réponse: oui car Réponse: oui car S 1 = {a 1, a 4 } a 1 a 4 S 2 = {a 2, a 3, a 5 } a 2 a 3 a 5 Le problème du Bin Packing(remplissage de sacs) p.12/65
14 Plan 1. Présentation du problème. 2. Algorithme glouton d approximation. 3. Inapproximation. 4. Remarque sur le codage des données. Le problème du Bin Packing(remplissage de sacs) p.13/65
15 Comment résoudre un pb. NP-complet? Difficulté à trouver un algorithme polynomiale si le problème est NP-complet. Existance de 2 approches de résolutions: peut convenir 1. un algo. exponentiel si la taille de l ínstance est petite. 2. un algo. polynomial trouvant une solution presque optimale. Le problème du Bin Packing(remplissage de sacs) p.14/65
16 Petit rappel sur la compléxité: Un problème d optimisation combinatoire de minimisation Π est défini de la facon suivante: D Π : un ensemble d instances. S Π (I): un ensemble fini non-vide de solutions pour chaque instance I de D Π une fonction d évaluation m Π Pour chaque instance I de D Π, et pour chaque candidat σ S Π (I) : m Π (I, σ) est la valeur de la solution (un rationnel). Le problème du Bin Packing(remplissage de sacs) p.15/65
17 Petit rappel sur la compléxité: Si le problème Π est un problème de minimisation, alors la solution optimale pour l instance I de D Π est la ou une solution σ S Π (I) tel que σ S Π (I), m Π (I, σ ) m Π (I, σ) Notons OP T Π (I) = m Π (I, σ ) Un algorithme A est un algorithme d optimisation de Π si pour toute instance I de D Π, A retourne un σ S Π (I) optimal. Notons dans ce cas A(I) = m Π (I, σ) pour le σ retourné. Le problème du Bin Packing(remplissage de sacs) p.16/65
18 Rapport d approximation. Soit Π un prob. de minimisation. Soit I une instance de D Π Le rapport d un algorithme A est R A (I) = A(I) OP T Π (I). Le rapport d approximation absolu R A pour un algorithme d approximation est défini: R A = inf{r 1 : R A (I) r, I D Π } Le problème du Bin Packing(remplissage de sacs) p.17/65
19 L algorithme Next Fit. ENTRÉE: SORTIE: un entier k ALGORITHME: 1. j = 1 un ens. B = {b 1,..., b n } de boites, une fonction w : B N, un entier c 2. Pour i allant de 1 à n faire (a) Si b i peut être mis dans S j, S j S j {b i } (b) Sinon i. j j + 1 ii. S j {b i } 3. retourner j Le problème du Bin Packing(remplissage de sacs) p.18/65
20 Illustration de l algo. Next Fit. INSTANCE: deux entiers α, et n tel que n = 4α, un ens. B = {b 1,..., b n } de boites, une fonction w tel que w(b) = {α, 1, α, 1,..., α, 1} c = 2α Le problème du Bin Packing(remplissage de sacs) p.19/65
21 Illustration de l algo. Next Fit. INSTANCE: c = 2α SOLUTION OPTIMALE: α + 1 deux entiers α, et n tel que n = 4α, un ens. B = {b 1,..., b n } de boites, une fonction w tel que w(b) = {α, 1, α, 1,..., α, 1} α sacs Le problème du Bin Packing(remplissage de sacs) p.19/65
22 Illustration de l algo. Next Fit. deux entiers α, et n tel que n = 4α, un ens. B = {b 1,..., b n } de boites, INSTANCE: une fonction w tel que w(b) = {α, 1, α, 1,..., α, 1} c = 2α SOLUTION OPTIMALE: α + 1 ET SOLUTION FOURNI PAR L ALGO: 2α 1boite de cap 1 1 boite de cap α 2α sacs Le problème du Bin Packing(remplissage de sacs) p.19/65
23 cteur d approximation de l algo. Next Fit Théorème 2: L algorithme Next Fit retourne une solution à un facteur 2 de l optimal. Preuve: Notons β = b B OP T β/c w(b) et k la valeur retournée par l algo. Considérons i tel que b i S j et b i+1 S j+1 il existe α tel que α l i, b l S j i l=α w(b) c et c < i+1 l=α w(b) 2c Globalement, kc < 2 i+1 l=α w(b) donc k 2β/c 2OP T Le problème du Bin Packing(remplissage de sacs) p.20/65
24 L algorithme First Fit Decreasing. ENTRÉE: SORTIE: un entier k ALGORITHME: un ens. B de boites, une fonction w : B N un entier c 1. Trier B = {b 1,..., b n } dans l ordre décroissant en fct de w 2. k := 1, S 1 := 3. Pour i allant de 1 à n faire (a) Si b i peut être mis dans un sac S j avec j k, insérer (b) Sinon i. créer un nouveau sac S k+1 (S k+1 := ) ii. insérer b i dans S k+1 et réactualiser k (k := k + 1) 4. Retourner k Le problème du Bin Packing(remplissage de sacs) p.21/65
25 Illustration de l algorithme EXEMPLE: c = 10, w(b 1 ) = 7, w(b 2 ) = 6, w(b 3 ) = w(b 4 ) = 3, w(b 5 ) = w(b 6 ) = 2. S 1 b1 b 3 S 2 b2 b 4 S 3 b 5 b 6 k=1 Le problème du Bin Packing(remplissage de sacs) p.22/65
26 Illustration de l algorithme EXEMPLE: c = 10, w(b 1 ) = 7, w(b 2 ) = 6, w(b 3 ) = w(b 4 ) = 3, w(b 5 ) = w(b 6 ) = 2. S 1 b 1 b 3 S 2 b 2 b 4 S 3 b 5 b 6 k=1 Le problème du Bin Packing(remplissage de sacs) p.22/65
27 Illustration de l algorithme EXEMPLE: c = 10, w(b 1 ) = 7, w(b 2 ) = 6, w(b 3 ) = w(b 4 ) = 3, w(b 5 ) = w(b 6 ) = 2. S 1 b 1 b 3 S 2 b 2 b 4 S 3 b 5 b 6 k=2 Le problème du Bin Packing(remplissage de sacs) p.22/65
28 Illustration de l algorithme EXEMPLE: c = 10, w(b 1 ) = 7, w(b 2 ) = 6, w(b 3 ) = w(b 4 ) = 3, w(b 5 ) = w(b 6 ) = 2. S 1 b 1 b 3 S 2 b 2 b 4 S 3 b 5 b6 k=2 Le problème du Bin Packing(remplissage de sacs) p.22/65
29 Illustration de l algorithme EXEMPLE: c = 10, w(b 1 ) = 7, w(b 2 ) = 6, w(b 3 ) = w(b 4 ) = 3, w(b 5 ) = w(b 6 ) = 2. S 1 b 1 b 3 S 2 b 2 b 4 S 3 b b 5 6 k=3 Le problème du Bin Packing(remplissage de sacs) p.22/65
30 Illustration de l algorithme EXEMPLE: c = 10, w(b 1 ) = 7, w(b 2 ) = 6, w(b 3 ) = w(b 4 ) = 3, w(b 5 ) = w(b 6 ) = 2. S 1 b 1 b 3 S 2 b 2 b 4 S 3 b b 5 6 k=3 Le problème du Bin Packing(remplissage de sacs) p.22/65
31 Facteur d approximation Théorème 3: L algorithme First Fit Decreasing retourne une solution à un facteur 2 de l optimal. REMARQUE Proposition 1: OP T ( n i=1 w(b i))/c. Car la borne inférieure correspond à une solution où tous les sacs sont pleins. Le problème du Bin Packing(remplissage de sacs) p.23/65
32 Facteur d approximation Théorème 3: L algorithme First Fit Decreasing retourne une solution à un facteur 2 de l optimal. Preuve: CAS 1 OÙ w(b n ) c/2: l algorithme glouton est optimal. S 1 b 1 b 3 S 2 b 2 S 3 b 4 1 élément par sac. EXEMPLE: c = 10, w(b 1 ) = 8, w(b 2 ) = 7, w(b 3 ) = 5, w(b 4 ) = 5 Le problème du Bin Packing(remplissage de sacs) p.24/65
33 Facteur d approximation Théorème 3: L algorithme First Fit Decreasing retourne une solution à un facteur 2 de l optimal. Preuve: CAS 1 OÙ w(b n ) c/2: l algorithme glouton est optimal. S 1 b1 S 2 b2 S 3 b 3 1 élément par sac. EXEMPLE: c = 10, w(b 1 ) = 8, w(b 2 ) = 7, w(b 3 ) = 5, w(b 4 ) = 5 Le problème du Bin Packing(remplissage de sacs) p.24/65
34 Facteur d approximation Théorème 3: L algorithme First Fit Decreasing retourne une solution à un facteur 2 de l optimal. Preuve: CAS 1 OÙ w(b n ) c/2: l algorithme glouton est optimal. S 1 b1 S 2 b2 S 3 b 3 Au plus 2 éléments par sac. EXEMPLE: c = 10, w(b 1 ) = 8, w(b 2 ) = 7, w(b 3 ) = 5, w(b 4 ) = 5 Le problème du Bin Packing(remplissage de sacs) p.24/65
35 Facteur d approximation Théorème 3: L algorithme First Fit Decreasing retourne une solution à un facteur 2 de l optimal. Preuve: CAS 1 OÙ w(b n ) c/2: l algorithme glouton est optimal. S 1 b1 S 2 b2 S 3 b 3 b 4 Au plus 2 éléments par sac. EXEMPLE: c = 10, w(b 1 ) = 8, w(b 2 ) = 7, w(b 3 ) = 5, w(b 4 ) = 5 Le problème du Bin Packing(remplissage de sacs) p.24/65
36 Suite de la preuve. Théorème 3: L algorithme First Fit Decreasing retourne une solution à un facteur 2 de l optimal. CAS 2 OÙ w(b n ) < c/2: Soit b j la boite pour laquelle le sac k a été crée. 1. capacité des k 1 premiers sacs remplis ( = c(k 1)) = place vide (P) + place occupée (O) (a) P < (k 1)w(b j ) (b) O < n i=1,i j w(b i) 2. c(k 1) < n i=1 w(b i) + w(b j )(k 1) < OP T c + (k 1)c/2 Considèrons uniquement le cas où (w(b j ) < c/2) 3. k 1 < 2OP T k 2OP T Le problème du Bin Packing(remplissage de sacs) p.25/65
37 Considérons l exemple deux entiers α, et n tel que n = 5α, un ens. B = {b 1,..., b n } de boites, une fonction w tel que i, 1 iαw(b i ) = 1/2 + ɛ, INSTANCE: i, 1 i α, w(b i ) = 1/2 + ɛ, i, α + 1 i 2α, w(b i ) = 1/4 + 2ɛ, i, 2α + 1 i 3α, w(b i ) = 1/4 + ɛ, i, 3α + 1 i 5α, w(b i ) = 1/4 2ɛ, c = 2α SOLUTION OPTIMALE: = 3 2 α SOLUTION FOURNI PAR L ALGO: = 11 6 α Le problème du Bin Packing(remplissage de sacs) p.26/65
38 Plusieurs questions se posent alors Peut-on améliorer la borne inférieure de la prop.1? 2. Peut-on mieux évaluer le rapport d approximation de l algorithme First Fit Decreasing? 3. Peut-on trouver un algorithme ayant un meilleur rapport d approx.? Le problème du Bin Packing(remplissage de sacs) p.27/65
39 Plusieurs questions se posent alors Peut-on améliorer la borne inférieure de la prop.1?non 2. Peut-on mieux évaluer le rapport d approximation de l algorithme First Fit Decreasing? 3. Peut-on trouver un algorithme ayant un meilleur rapport d approx.? Solution optimale 4 Solution obtenue par l algorithme a1 a a6 a a 6 a a a a a a a c = 8, w(a 1 ) = w(a 2 ) = w(a 3 ) = 2, w(a 4 ) = w(a 5 ) = 3, w(a 6 ) = 4 Le problème du Bin Packing(remplissage de sacs) p.27/65
40 Plusieurs questions se posent alors Peut-on améliorer la borne inférieure de la prop.1?non 2. Peut-on mieux évaluer le rapport d approximation de l algorithme First Fit Decreasing?peut-être mais il est au moins égal à 3/2. 3. Peut-on trouver un algorithme ayant un meilleur rapport d approx.? Solution optimale 4 Solution obtenue par l algorithme a1 a a6 a a 6 a a a a a a a c = 8, w(a 1 ) = w(a 2 ) = w(a 3 ) = 2, w(a 4 ) Le = problème w(a du Bin 5 Packing(remplissage ) = 3, de sacs) p.27/65
41 Plan 1. Présentation du problème. 2. Algorithme glouton d approximation. 3. Inapproximation. 4. Remarque sur le codage des données. Le problème du Bin Packing(remplissage de sacs) p.28/65
42 éfinition de gap-introducting reduction. Soit Π un problème de minimisation. Une gap-introducting réduction à partir de 3-SAT vers Π corresponds à 2 paramètres f et α. La réduction transforme une instance de 3-SAT, φ en une de Π noté x telle que Si φ est satisfiable, OP T (x) f(x) Si φ n est pas satisfiable, OP T (x) > α( x )f(x) REMARQUE: La réduction montre qu il n existe pas d algorithme d approximation de rapport α( x ) si P N P Le problème du Bin Packing(remplissage de sacs) p.29/65
43 Explication de la remarque. La réductionr montre qu il n existe pas d algorithme d approximation de rapport α( x ) si P NP 1. Soit A un algo. poly. d approx. de rapport r α( x ) pour Π. 2. Construisons un algorithme A pour 3-SAT (a) x R(φ) (b) a(x) A(x) (c) Si a(x) α( x )f(x), retourner VRAI (d) Sinon a(x) > α( x )f(x) retourner FAUX. 3. Algo. A polynomial = contradiction avec P NP Le problème du Bin Packing(remplissage de sacs) p.30/65
44 Illustration Par réduction, OPT(x) si φ satisfiable OPT(x) si φ non satifiable 0 f(x) α( x )f(x) Si A(x) α( x )f(x), alors φ est satisfiable, car OPT(x) A(x) 0 f(x) α( x )f(x) Si A(x) > α( x )f(x), alors φ n est pas satisfiable, car OPT(x) A(x) 0 f(x) α( x )f(x) Le problème du Bin Packing(remplissage de sacs) p.31/65
45 Définition du problème Partition. INSTANCE: un ensemble S = {s 1,..., s m } QUESTION: une fonction de poids W : S N Existe-t-il une partition de S en 2 sous-ens S 1 et S 2 s S 1 W(s) = s S 2 W(s) Le problème du Bin Packing(remplissage de sacs) p.32/65
46 Transformation OBJECTIF: Transformer 1 instance de Partition en 1 instance du Bin Packing. Transformation F(S, W) = B = S s S, w(s) = W(s) c = Proposition 1: Soit I une instance du problème partition. Soit I = F(I) (instance du problème bin packing). la solution de I P s S W(s) 2 = 2 si I = (S, W) possède une partition, 3 sinon Le problème du Bin Packing(remplissage de sacs) p.33/65
47 Le problème du Bin Packing(remplissage de sacs) p.34/65 Preuve Transformation F(S, W) = B = S s S, w(s) = W(s) c = Proposition 1: Soit I une instance du problème partition. Soit I = F(I) (instance du problème bin packing). la solution de I Preuve: P s S W(s) 2 = 2 si I = (S, W) possède une partition, 3 sinon 1. Si S peut se partitionner équitable en 2 sous ensembles, alors dans I, 1 sac = 1 partition. 2. Sinon, il faut au moins 3 sacs.
48 Résultat d inapproximabilité. Théorème 3: Si P NP, il n existe pas d algorithme polynomiale d approximation pour le problème Bin Packing ayant un rapport inferieure à 3/2 ɛ. Preuve: par l absurde. Soit A un algo. poly. d approx. pour Bin Packing ayant un rapport α 3/2 ɛ. Construisons un algorithme A qui résoud le problème partition à partir de A.... Le problème du Bin Packing(remplissage de sacs) p.35/65
49 Algorithme A. ENTRÉE: SORTIE: ALGORITHME: un ens. S, une fonction W un booleen 1. I = F(I) 2. Appliquer l algo. A sur l instance I. 3. Si le nombre de sacs est 3, retourner faux, 4. sinon, retourner vrai. Complexité:? Le problème du Bin Packing(remplissage de sacs) p.36/65
50 Algorithme A. ENTRÉE: SORTIE: ALGORITHME: un ens. S, une fonction W un booleen 1. I = F(I) 2. Appliquer l algo. A sur l instance I. 3. Si le nombre de sacs est 3, retourner faux, 4. sinon, retourner vrai. Complexité: dépendant de la complexité de A et de F Le problème du Bin Packing(remplissage de sacs) p.36/65
51 Algorithme A. ENTRÉE: SORTIE: ALGORITHME: un ens. S, une fonction W un booleen 1. I = F(I) 2. Appliquer l algo. A sur l instance I. 3. Si le nombre de sacs est 3, retourner faux, 4. sinon, retourner vrai. Complexité: polynomiale Le problème du Bin Packing(remplissage de sacs) p.36/65
52 Résultat d inapproximabilité. Théorème 3: Si P NP, il n existe pas d algorithme polynomiale d approximation pour le problème Bin Packing ayant un rapport inferieure à 3/2 ɛ. Preuve: par l absurde. Soit A un algo. poly. d appro. pour Bin Packing ayant un rapport α 3/2 ɛ. A est un algo. polynomial Si A(I ) (3/2 ɛ)op T (I ) alors, si OP T (I ) < 3 alors A(I) (3/2 ɛ)2 si OP T (I ) 3 alors 3 A(I) Le problème du Bin Packing(remplissage de sacs) p.37/65
53 Résultat d inapproximabilité. Théorème 3: Si P NP, il n existe pas d algorithme polynomiale d approximation pour le problème Bin Packing ayant un rapport inferieure à 3/2 ɛ. Preuve: par l absurde. Soit A un algo. poly. d appro. pour Bin Packing ayant un rapport α 3/2 ɛ. A est un algo. polynomial résolvant le prob. partition à partir de A. Contradiction avec l hypothèse que P NP. Le problème du Bin Packing(remplissage de sacs) p.38/65
54 Son appartenance à la classe PTAS? Une conséquense du théorème pécédent: Théorème 3: Si P NP, le problème Bin Packing n appartient pas à la classe PTAS. RAPPEL: Soit P un problème dans NPO. Un algorithme A est un schéma d approximation en un temps polynomial pour P si pour n importe quelle instance x de P, et pour n importe rationnel r > 1, alors A ayant comme entré (x, r) retourne une solution ayant un rapport inferieure à r. en un temps polynomial en x. Le problème du Bin Packing(remplissage de sacs) p.39/65
55 Plan 1. Présentation du problème. 2. Algorithme glouton d approximation. 3. Inapproximation. 4. Remarque sur le codage des données. Le problème du Bin Packing(remplissage de sacs) p.40/65
56 lgo. résouvant le prob. Bin packing (k = 2 ENTRÉE: un entier c SORTIE: un booléen ALGORITHME DYNAMIQUE: un ens. B de boites, une fonction w : B N Soit T : n c c un tableau booléen initialisé à F. T [i, w 1, w 2 ] = V signifie qu il existe un rangement des i premieres boites telle que 1. les boites du sac 1 occupe w 1 de capacité. 2. les boites du sac 2 occupe w 2 de capacité. T [i, w 1, w 2 ] = V ssi T [i 1, w 1 w(b i ), w 2 ] = V ou T [i 1, w 1, w 2 w(b i )] = V Le problème du Bin Packing(remplissage de sacs) p.41/65
57 Le problème du Bin Packing(remplissage de sacs) p.42/65 4. Retourner vrai si T [n,, ] = V sinon faux. lgo. résouvant le prob. Bin packing (k = 2 ENTRÉE: un entier c SORTIE: un booléen ALGORITHME: un ens. B de boites, une fonction w : B N 1. Soit T : n c c un tableau booléen initialisé partout à F. 2. T [1, w(b 1 ), 0] := T [1, 0, w(b 1 )] := V 3. Pour i allant de 2 à n faire (a) Pour j, k allant de 0 à c faire i. Si T [i 1, j, k] == V alors T [i, j + w(b i ), k] := V si j + w(b i ) c T [i, j, k + w(b i )] := V si k + w(b i ) c
58 Le problème du Bin Packing(remplissage de sacs) p.43/65 4. Retourner vrai si T [n,, ] = V sinon faux. Complexité de l algorithme. ENTRÉE: un entier c SORTIE: un booléen ALGORITHME: un ens. B de boites, une fonction w : B N 1. Soit T : n c c un tableau initialisé à F. 2. T [1, w(b 1 ), 0] := T [1, 0, w(b 1 )] := V ; 3. Pour i allant de 2 à n faire (a) Pour j, k allant de 0 à c faire i. Si T [i 1, j, k] == V alors T [i, j + w(b i ), k] := V si j + w(b i ) c T [i, j, k + w(b i )] := V si k + w(b i ) c
59 Le problème du Bin Packing(remplissage de sacs) p.43/65 4. Retourner vrai si T [n,, ] = V sinon faux. Complexité de l algorithme. ENTRÉE: un entier c SORTIE: un booléen ALGORITHME: un ens. B de boites, une fonction w : B N 1. Soit T : n c c un tableau initialisé à F. 0(n c 2 ) op. 2. T [1, w(b 1 ), 0] := T [1, 0, w(b 1 )] := V ; 0(1) opérations. 3. Pour i allant de 2 à n faire (a) Pour j, k allant de 0 à c faire i. Si T [i 1, j, k] == V alors T [i, j + w(b i ), k] := V si j + w(b i ) c T [i, j, k + w(b i )] := V si k + w(b i ) c
60 Le problème du Bin Packing(remplissage de sacs) p.43/65 4. Retourner vrai si T [n,, ] = V sinon faux. Complexité de l algorithme. ENTRÉE: un entier c SORTIE: un booléen ALGORITHME: un ens. B de boites, une fonction w : B N 1. Soit T : n c c un tableau initialisé à F. 0(n c 2 ) op. 2. T [1, w(b 1 ), 0] := T [1, 0, w(b 1 )] := V ; 0(1) opérations. 3. Pour i allant de 2 à n faire (a) Pour j, k allant de 0 à c faire i. Si T [i 1, j, k] == V alors 0(1) opérations. T [i, j + w(b i ), k] := V si j + w(b i ) c T [i, j, k + w(b i )] := V si k + w(b i ) c
61 Le problème du Bin Packing(remplissage de sacs) p.43/65 4. Retourner vrai si T [n,, ] = V sinon faux. Complexité de l algorithme. ENTRÉE: un entier c SORTIE: un booléen ALGORITHME: un ens. B de boites, une fonction w : B N 1. Soit T : n c c un tableau initialisé à F. 0(n c 2 ) op. 2. T [1, w(b 1 ), 0] := T [1, 0, w(b 1 )] := V ; 0(1) opérations. 3. Pour i allant de 2 à n faire (a) Pour j, k allant de 0 à c faire 0(c 2 ) opérations. i. Si T [i 1, j, k] == V alors 0(1) opérations. T [i, j + w(b i ), k] := V si j + w(b i ) c T [i, j, k + w(b i )] := V si k + w(b i ) c
62 Le problème du Bin Packing(remplissage de sacs) p.43/65 4. Retourner vrai si T [n,, ] = V sinon faux. Complexité de l algorithme. ENTRÉE: un entier c SORTIE: un booléen ALGORITHME: un ens. B de boites, une fonction w : B N 1. Soit T : n c c un tableau initialisé à F. 0(n c 2 ) op. 2. T [1, w(b 1 ), 0] := T [1, 0, w(b 1 )] := V ; 0(1) opérations. 3. Pour i allant de 2 à n faire0(n c 2 ) opérations. (a) Pour j, k allant de 0 à c faire 0(c 2 ) opérations. i. Si T [i 1, j, k] == V alors 0(1) opérations. T [i, j + w(b i ), k] := V si j + w(b i ) c T [i, j, k + w(b i )] := V si k + w(b i ) c
63 4. Retourner vrai si T [n,, ] = V sinon faux. 0(n c 2 Le problème du Bin Packing(remplissage de sacs) p.43/65 ) op. Complexité de l algorithme. ENTRÉE: un entier c SORTIE: un booléen ALGORITHME: un ens. B de boites, une fonction w : B N 1. Soit T : n c c un tableau initialisé à F. 0(n c 2 ) op. 2. T [1, w(b 1 ), 0] := T [1, 0, w(b 1 )] := V ; 0(1) opérations. 3. Pour i allant de 2 à n faire0(n c 2 ) opérations. (a) Pour j, k allant de 0 à c faire 0(c 2 ) opérations. i. Si T [i 1, j, k] == V alors 0(1) opérations. T [i, j + w(b i ), k] := V si j + w(b i ) c T [i, j, k + w(b i )] := V si k + w(b i ) c
64 Illustration de l algorithme. w(a 1 ) = w(a 2 ) = w(a 3 ) = 2, w(a 4 ) = w(a 5 ) = 3, w(a 6 ) = 1 c = 8 8 T[1,*,*] = Le problème du Bin Packing(remplissage de sacs) p.44/65
65 Illustration de l algorithme. w(a 1 ) = w(a 2 ) = w(a 3 ) = 2, w(a 4 ) = w(a 5 ) = 3, w(a 6 ) = 1 c = 8 8 T[2,*,*] = Le problème du Bin Packing(remplissage de sacs) p.44/65
66 Illustration de l algorithme. w(a 1 ) = w(a 2 ) = w(a 3 ) = 2, w(a 4 ) = w(a 5 ) = 3, w(a 6 ) = 1 c = 8 8 T[3,*,*] = Le problème du Bin Packing(remplissage de sacs) p.44/65
67 Illustration de l algorithme. w(a 1 ) = w(a 2 ) = w(a 3 ) = 2, w(a 4 ) = w(a 5 ) = 3, w(a 6 ) = 1 c = 8 8 T[4,*,*] = Le problème du Bin Packing(remplissage de sacs) p.44/65
68 Illustration de l algorithme. w(a 1 ) = w(a 2 ) = w(a 3 ) = 2, w(a 4 ) = w(a 5 ) = 3, w(a 6 ) = 1 c = 8 8 T[5,*,*] = Le problème du Bin Packing(remplissage de sacs) p.44/65
69 Illustration de l algorithme. w(a 1 ) = w(a 2 ) = w(a 3 ) = 2, w(a 4 ) = w(a 5 ) = 3, w(a 6 ) = 1 c = 8 8 T[6,*,*] = Le problème du Bin Packing(remplissage de sacs) p.44/65
70 En résumé Il existe un algorithme qui effectue 0(n c 2 ) opérations et qui résout le problème de décision Bin Packing: INSTANCE: un ensemble B de boites QUESTION: une fonction capacité w : B N un entier c et un entier k = 2 Existe-t-il un rangement des boites de B dans k sacs de capacité c? Le problème du Bin Packing(remplissage de sacs) p.45/65
71 En résumé Il existe un algorithme qui effectue 0(n c 2 ) opérations et qui résout le problème de décision Bin Packing: INSTANCE: un ensemble B de boites QUESTION: une fonction capacité w : B N un entier c et un entier k = 2 Existe-t-il un rangement des boites de B dans k sacs de capacité c? Est-il polynômial? Le problème du Bin Packing(remplissage de sacs) p.45/65
72 Comment coder les entiers? ntiers: n 1. codage en binaire : n = log n. 2. codage exceptionnellement en unaire: n = n. Représentation décimal binaire unaire Le problème du Bin Packing(remplissage de sacs) p.46/65
73 En résumé Il existe un algorithme qui effectue 0(n c 2 ) opérations et qui résout le problème Bin Packing (avec k=2). EST-IL POLYNÔMIAL? 1. Évaluation de la taille de l instance: Le problème du Bin Packing(remplissage de sacs) p.47/65
74 En résumé Il existe un algorithme qui effectue 0(n c 2 ) opérations et qui résout le problème Bin Packing (avec k=2). EST-IL POLYNÔMIAL? 1. Évaluation de la taille de l instance: INSTANCE: un ensemble B de boites une fonction capacité w : B N un entier c et un entier k = 2 (a) Si entier codé en binaire : I = O(n log 2 c) (b) Si entier codé en unaire : I = O(n c) Le problème du Bin Packing(remplissage de sacs) p.47/65
75 En résumé Il existe un algorithme qui effectue 0(n c 2 ) opérations et qui résout le problème Bin Packing (avec k=2). EST-IL POLYNÔMIAL? 1. Évaluation de la taille de l instance: (a) Si entier codé en binaire : I = O(n log 2 c) (b) Si entier codé en unaire : I = O(n c) 2. Évaluation de O(n c 2 ) : Le problème du Bin Packing(remplissage de sacs) p.47/65
76 En résumé Il existe un algorithme qui effectue 0(n c 2 ) opérations et qui résout le problème Bin Packing (avec k=2). EST-IL POLYNÔMIAL? 1. Évaluation de la taille de l instance: (a) Si entier codé en binaire : I = O(n log 2 c) (b) Si entier codé en unaire : I = O(n c) 2. O(n c 2 ) = O(c I ) O( I 2 ) codage unaire O(c e I ) codage binaire Le problème du Bin Packing(remplissage de sacs) p.47/65
77 En résumé Il existe un algorithme qui effectue 0(n c 2 ) opérations et qui résout le problème Bin Packing (avec k=2). EST-IL POLYNÔMIAL? 1. Évaluation de la taille de l instance: (a) Si entier codé en binaire : I = O(n log 2 c) (b) Si entier codé en unaire : I = O(n c) 2. O(n c 2 ) = O(c I ) O( I 2 ) codage unaire O(c e I ) codage binaire 3. Il est polynômial si les entiers sont codés en unaire. Mais pas polynômial si le codage binaire des entiers. Le problème du Bin Packing(remplissage de sacs) p.47/65
78 Plan 1. Présentation du problème. 2. Algorithme glouton d approximation. 3. Inapproximation. 4. Remarque sur le codage des données. 5. Divers. Le problème du Bin Packing(remplissage de sacs) p.48/65
79 Algo. d approx. sur le bin packing SQUELETTE DE L ALGORITHME 1. Elimininer les boites de petites tailles. 2. Regrouper les boites telles que le nombre de types de boites soit constant 3. Trouver l optimal pour l instance restreinte. 4. Dégrouper les boites. 5. Inserer les boites de petites tailles Le problème du Bin Packing(remplissage de sacs) p.49/65
80 Algo. sur un ens restreint d instances. Proposition 1: Soit un rational 1 δ > 0 fixé, soit K un entier positif fixé. Considérons une restriction du problème bin packing 1. dans laquelle un élément est de taille au plus δ c avec c la capacité d un sac. 2. et dans laquelle le nombre d éléments distincts est K. Il existe un algorithme polynômial tel que résoud optimalement ce problème restreint. NOTATION: le problème de bin packing (K, δ)-restreint. Le problème du Bin Packing(remplissage de sacs) p.50/65
81 Preuve de la Proposition 1. Soit I une instance du problème (K, δ)-restreint. 1. Une instance peut être défini par un entier c et par un vecteur I = (s 1 : n 1, s 2 : n 2,..., s K : n K ) n i : nombre de boites de type s i. c est la capacité d un sac. 2. Exemple d une instance (3, 3/8)-restreinte. Une instance définit par I = (3 : 4, 5 : 2, 7 : 1) et c = 8 Cette instance contient 3 types d éléments 4 éléments de taille 3 2 éléments de taille 5 1 élément de taille 7 Le problème du Bin Packing(remplissage de sacs) p.51/65
82 Preuve de la Proposition 1. Soit I une instance du problème (K, δ)-restreint. 1. Une instance peut être défini par un entier c et par un vecteur I = (s 1 : n 1, s 2 : n 2,..., s K : n K ) n i : nombre de boites de type s i. c est la capacité d un sac. 2. Un type de sac peut être défini par un vecteur d entiers t = (t1, t 2,..., t K ) tel que Ce sac contient t i boites de type s i. K i=1 t i s i c i : 1 i K, δ c s i Le problème du Bin Packing(remplissage de sacs) p.52/65
83 Preuve: Type de sac 1. Un type de sac peut être défini par un vecteur d entiers t = (t1, t 2,..., t K ) tel que Ce sac contient t i boites de type s i. K i=1 t i s i c i : 1 i K, δ c s i 2. remarque pour chaque t, i : 1 i K, 1 s i δ c K i=1 t i 1 δ K i=1 t i 1 δ K i=1 t i s i c 1 δ Le problème du Bin Packing(remplissage de sacs) p.53/65
84 Preuve de la Proposition Remarque: pour chaque t : K i=1 t i 1 δ. 2. Donc le nombre q de manière pour choisir K entiers tel que la somme est inferieure ou égal à 1/δ est: q = ( K + 1/δ 1/δ ) 3. Inst. (3, 3/8)-restreinte: I = (3 : 4, 5 : 2, 7 : 1) et c = 8 ( ) 5 K = 3, 1/δ = 2, donc q = = 10 2 En fait, il existe 6 types de sacs possibles: (0, 0, 0),(0, 0, 1),(0, 1, 0),(1, 0, 0),(1, 1, 0),(2, 0, 0) Le problème du Bin Packing(remplissage de sacs) p.54/65
85 Preuve de la Proposition q (nb de types de sacs) dépends de K et de δ 2. Une solution acceptable y = (y 1,..., y q ) où y i représente un sac du type i. 0 y i n avec n nombre d éléments ( boîtes). 3. Nombre de solutions acceptables borné par O(n q ) avec n = nbre de boîtes 4. Algorithme= Enumérer toutes les solutions possibles et selectionner l optimale. Compléxité: O(n q p(n)) avec p un polynome en n Le problème du Bin Packing(remplissage de sacs) p.55/65
86 Algo. d approximation. 1. Soit I une telle instance telle que B = {b 1,..., b n } est trié dans l ordre décroissant en fct de w. 2. α n, m = n α, partionner les n boîtes en m + 1 groupes G i avec G i = { b (i 1)α+1,..., b iα } et G m+1 = {b mα+1,..., b n }. 3. Instance J = Instance I modifiée: tous les éléments d un même groupe i, 2 i m + 1 a la capacité la plus grande de ce groupe dans I. 4. J possède m types différents de boîtes. 5. Application de l algorithme optimal sur J. Le problème du Bin Packing(remplissage de sacs) p.56/65
87 Exemple: grouper Soit x = ((9, 9, 8, 7, 6, 6, 5, 4, 3, 3, 3), c) et α = 3 Transformer l instance x en une instance restreinte x g : instance de départ x = ((9, 9, 8, 7, 6, 6, 5, 4, 3, 3, 3), c) G 1 = {9, 9, 8} G 2 = {7, 6, 6} G 3 = {5, 4, 3} G 4 = {3, 3} lissage G 2 = {7, 7, 7} G 3 = {5, 5, 5} G 4 = {3, 3} instance restreinte: x g = ((7, 7, 7, 5, 5, 5, 3, 3), c) Le problème du Bin Packing(remplissage de sacs) p.57/65
88 omparaison entre l optimal de I et de J. 1. Chaque rangement de I peut être remplacé par un rangement de J: Le problème du Bin Packing(remplissage de sacs) p.58/65
89 omparaison entre l optimal de I et de J. 1. Chaque rangement de I peut être remplacé par un rangement de J: si b G i est rangé dans le sac j pour l instance I, alors, il existe une boite b G i+1 est rangé dans le sac j pour l instance J Instance I x=((9,9,8,7,6,6,5,4,3,3,3),12) Instance J x =((7,7,7,5,5,5,3,3),12) g Le problème du Bin Packing(remplissage de sacs) p.58/65 3
90 omparaison entre l optimal de I et de J. 1. Chaque rangement de I peut être remplacé par un rangement de J: m (J) m (I) 2. Chaque rangement de J peut être transformé en un rangement de I plus α sacs: Le problème du Bin Packing(remplissage de sacs) p.58/65
91 omparaison entre l optimal de I et de J. 2. Chaque rangement de J peut être transformé en un rangement de I plus α sacs: Instance J x g=((7,7,7,5,5,5,3,3),12) Instance I x=((9,9,8,7,6,6,5,4,3,3,3),12) Le problème du Bin Packing(remplissage de sacs) p.58/65
92 omparaison entre l optimal de I et de J. Donc: m (J) m (I) m (J) + α Le problème du Bin Packing(remplissage de sacs) p.58/65
93 Traitement des petites boîtes. 1. Soit I une instance du bin packing, et δ (0, 1/2] 2. I δ = Instance obtenue par élimination des boites de capacité < δ c. 3. Soit R un rangement optimal de I δ utilisant M sacs. 4. Utilisation l approche FIRST FIT pour construire un rangement R pour I. Le problème du Bin Packing(remplissage de sacs) p.59/65
94 Traitement des petites boîtes. 1. Soit I une instance du bin packing, et δ (0, 1/2] 2. I δ = Instance obtenue par élimination des boites de capacité < δ c. 3. Soit R un rangement optimal de I δ utilisant M sacs. 4. Utilisation l approche FIRST FIT pour construire un rangement R pour I. QUESTION: Comment évaluation du nombre de sacs crées par l algorithme FIRST FIT? Le problème du Bin Packing(remplissage de sacs) p.59/65
95 2 cas possibles. 1. Aucun sac a été créé par l algorithme FIRST FIT: R utilise M sacs. 2. Sinon Soit M le nbre de sacs créé par cette procédure: (a) Tous les sacs de M M excepté 1 a une place vide au plus δc. (b) Donc (1 δ)(m + M 1) n i=1 w(b i) c m (I) (M + M ) 1 1 δ m (I) + 1 (1 + 2δ)m (I) + 1 Le problème du Bin Packing(remplissage de sacs) p.60/65
96 2 cas possibles. 1. Aucun sac a été créé par l algorithme FIRST FIT: R utilise M sacs. 2. Sinon Soit M le nbre de sacs créé par cette procédure: (a) Tous les sacs de M M excepté 1 a une place vide au plus δc. (b) Donc (M + M ) (1 + 2δ)m (I) + 1 (c) En conclusion, la solution est calculée en tps polynomial tel que le nombre de sacs est majoré par max(m, (1 + 2δ)m (I) + 1) Le problème du Bin Packing(remplissage de sacs) p.60/65
97 Algorithme ENTRÉE: 1 instance I: n boites, entier c, rational 1 < r < 2. SORTIE: une solution tel que la mesure rop T + 1 ALGORITHME: 1. δ (r 1)/2 2. J I\ {de boîtes de cap. < δc} 3. α (r 1) 2 n avec n de nbre de boîtes de J J : instance obtenue par groupement par α boîtes de J 5. Trouver la solution optimale pour J 6. Inserer les α première boites dans α nouveaux sacs 7. Appliquer Algo First Fit pour inserer les petites boites. 8. retourner le rangement obtenu. Le problème du Bin Packing(remplissage de sacs) p.61/65
98 Conclusion Théorème 4: L algorithme précedent est un schéma d approximation en temps polynomiale asymptotiquement. PREUVE Le problème du Bin Packing(remplissage de sacs) p.62/65
99 Conclusion Théorème 4: L algorithme précedent est un schéma d approximation en temps polynomiale asymptotiquement. PREUVE Algorithme polynomiale Le problème du Bin Packing(remplissage de sacs) p.62/65
100 Conclusion Théorème 4: L algorithme précedent est un schéma d approximation en temps polynomiale asymptotiquement. PREUVE Algorithme polynomiale : Construire les nouvellles instances J et J : O(n). calculer l optimal de J : O(n q p(n)) q dépend de r p est un polynome. Le problème du Bin Packing(remplissage de sacs) p.62/65
101 Conclusion Théorème 4: L algorithme précedent est un schéma d approximation en temps polynomiale asymptotiquement. PREUVE Algorithme polynomiale Qualité de la solution notée m(i): Le problème du Bin Packing(remplissage de sacs) p.62/65
102 Conclusion: Evaluation de la qualité. 1. au départ, instance I et δ = (r 1)/2 2. J Elimininer les boites de petites tailles (< δc). 3. J Regrouper les boites en α = (r 1) 2 n boites + lissage. 4. Trouver l optimal pour l instance restreinte J. 5. Adapter la sol. pour J. 6. Inserer les boites de petites tailles 2 Le problème du Bin Packing(remplissage de sacs) p.63/65
103 Conclusion: Evaluation de la qualité. 1. au départ, instance I et δ = (r 1)/2 2. J Elimininer les boites de petites tailles (< δc). m (J) m (I) 3. J Regrouper les boites en α = (r 1) 2 n boites + lissage. 4. Trouver l optimal pour l instance restreinte J. m (J ) 5. Adapter la sol. pour J.m(J) = m (J ) + α 6. Inserer les boites de petites tailles 2 Le problème du Bin Packing(remplissage de sacs) p.63/65
104 Conclusion: Evaluation de la qualité. 1. au départ, instance I et δ = (r 1)/2 2. J Elimininer les boites de petites tailles (< δc). m (J) m (I) 3. J Regrouper les boites en α = (r 1) 2 n boites + lissage. 4. Trouver l optimal pour l instance restreinte J. m (J ) 5. Adapter la sol. pour J.m(J) = m (J ) + α 6. Inserer les boites de petites tailles m(i) = max(m(j), (1 + 2δ)m (I) + 1) 2 Le problème du Bin Packing(remplissage de sacs) p.63/65
105 Conclusion: Evaluation de la qualité. 1. m(j) = m (J ) + α avec α = (r 1) 2 n 2. tous les éléments de J ont une capacité > δc avec δ = (r 1)/2. Donc δn m (J) car δ c n c 2 P b J w(b) c m (J) 3. α (r 1)2 n (r 1) δn + 1 (r 1)m (J) α (r 1)m (J) Donc m(j) r m (J) + 1 Le problème du Bin Packing(remplissage de sacs) p.64/65
106 Conclusion: Evaluation de la qualité. Théorème 4: L algorithme précedent est un schéma d approximation en temps polynomiale asymptotiquement. PREUVE: Qualité de la solution notée m(i)? 1. m(i) = max(m(j), (1 + 2δ)m (I) + 1) avec δ = (r 1)/2. 2. m(j) r m (J) m(i) max(r m (J) + 1, (1 + 2δ)m (I) + 1) 4. m(i) max(r m (J) + 1, rm (I) + 1) avec r = 2δ m(i) rm (I) + 1 avec m (J) m (I) Le problème du Bin Packing(remplissage de sacs) p.65/65
La 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
PROBLEMES 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.
Cours 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
Souad 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
ALGORITHMIQUE II NOTION DE COMPLEXITE. SMI AlgoII
ALGORITHMIQUE II NOTION DE COMPLEXITE 1 2 Comment choisir entre différents algorithmes pour résoudre un même problème? Plusieurs critères de choix : Exactitude Simplicité Efficacité (but de ce chapitre)
Programmation 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
Chapitre 7. Récurrences
Chapitre 7 Récurrences 333 Plan 1. Introduction 2. Applications 3. Classification des récurrences 4. Résolution de récurrences 5. Résumé et comparaisons Lectures conseillées : I MCS, chapitre 20. I Rosen,
Quelques tests de primalité
Quelques tests de primalité J.-M. Couveignes (merci à T. Ezome et R. Lercier) Institut de Mathématiques de Bordeaux & INRIA Bordeaux Sud-Ouest Jean-Marc.Couveignes@u-bordeaux.fr École de printemps C2 Mars
Objectifs du cours d aujourd hui. Informatique II : Cours d introduction à l informatique et à la programmation objet. Complexité d un problème (2)
Objectifs du cours d aujourd hui Informatique II : Cours d introduction à l informatique et à la programmation objet Complexité des problèmes Introduire la notion de complexité d un problème Présenter
Image d un intervalle par une fonction continue
DOCUMENT 27 Image d un intervalle par une fonction continue La continuité d une fonction en un point est une propriété locale : une fonction est continue en un point x 0 si et seulement si sa restriction
Feuille TD n 1 Exercices d algorithmique éléments de correction
Master Sciences, Technologies, Santé Mention Mathématiques, spécialité Enseignement des mathématiques Algorithmique et graphes, thèmes du second degré Feuille TD n 1 Exercices d algorithmique éléments
Optimisation 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
Optimisation 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
Exercices - 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)
Capacité 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
Nouvelles 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
Continuité en un point
DOCUMENT 4 Continuité en un point En général, D f désigne l ensemble de définition de la fonction f et on supposera toujours que cet ensemble est inclus dans R. Toutes les fonctions considérées sont à
Polynômes à plusieurs variables. Résultant
Polynômes à plusieurs variables. Résultant Christophe Ritzenthaler 1 Relations coefficients-racines. Polynômes symétriques Issu de [MS] et de [Goz]. Soit A un anneau intègre. Définition 1.1. Soit a A \
Journées Télécom-UPS «Le numérique pour tous» David A. Madore. david.madore@enst.fr. 29 mai 2015
et et Journées Télécom-UPS «Le numérique pour tous» David A. Madore Télécom ParisTech david.madore@enst.fr 29 mai 2015 1/31 et 2/31 : définition Un réseau de R m est un sous-groupe (additif) discret L
Baccalauréat S Antilles-Guyane 11 septembre 2014 Corrigé
Baccalauréat S ntilles-guyane 11 septembre 14 Corrigé EXERCICE 1 6 points Commun à tous les candidats Une entreprise de jouets en peluche souhaite commercialiser un nouveau produit et à cette fin, effectue
INITIATION AU LANGAGE C SUR PIC DE MICROSHIP
COURS PROGRAMMATION INITIATION AU LANGAGE C SUR MICROCONTROLEUR PIC page 1 / 7 INITIATION AU LANGAGE C SUR PIC DE MICROSHIP I. Historique du langage C 1972 : naissance du C dans les laboratoires BELL par
Complexité. Licence Informatique - Semestre 2 - Algorithmique et Programmation
Complexité Objectifs des calculs de complexité : - pouvoir prévoir le temps d'exécution d'un algorithme - pouvoir comparer deux algorithmes réalisant le même traitement Exemples : - si on lance le calcul
Nombres premiers. Comment reconnaître un nombre premier? Mais...
Introduction Nombres premiers Nombres premiers Rutger Noot IRMA Université de Strasbourg et CNRS Le 19 janvier 2011 IREM Strasbourg Definition Un nombre premier est un entier naturel p > 1 ayant exactement
La 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
Nouvelles 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,
Programmation 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.
Chp. 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
Problèmes arithmétiques issus de la cryptographie reposant sur les réseaux
Problèmes arithmétiques issus de la cryptographie reposant sur les réseaux Damien Stehlé LIP CNRS/ENSL/INRIA/UCBL/U. Lyon Perpignan, Février 2011 Damien Stehlé Problèmes arithmétiques issus de la cryptographie
1 de 46. Algorithmique. Trouver et Trier. Florent Hivert. Mél : Florent.Hivert@lri.fr Page personnelle : http://www.lri.fr/ hivert
1 de 46 Algorithmique Trouver et Trier Florent Hivert Mél : Florent.Hivert@lri.fr Page personnelle : http://www.lri.fr/ hivert 2 de 46 Algorithmes et structures de données La plupart des bons algorithmes
Probabilités. Rappel : trois exemples. Exemple 2 : On dispose d un dé truqué. On sait que : p(1) = p(2) =1/6 ; p(3) = 1/3 p(4) = p(5) =1/12
Probabilités. I - Rappel : trois exemples. Exemple 1 : Dans une classe de 25 élèves, il y a 16 filles. Tous les élèves sont blonds ou bruns. Parmi les filles, 6 sont blondes. Parmi les garçons, 3 sont
Application 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
Optimisation 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
Calculabilité Cours 3 : Problèmes non-calculables. http://www.irisa.fr/lande/pichardie/l3/log/
Calculabilité Cours 3 : Problèmes non-calculables http://www.irisa.fr/lande/pichardie/l3/log/ Problèmes et classes de décidabilité Problèmes et classes de décidabilité Nous nous intéressons aux problèmes
Pourquoi 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
UEO11 COURS/TD 1. nombres entiers et réels codés en mémoire centrale. Caractères alphabétiques et caractères spéciaux.
UEO11 COURS/TD 1 Contenu du semestre Cours et TDs sont intégrés L objectif de ce cours équivalent a 6h de cours, 10h de TD et 8h de TP est le suivant : - initiation à l algorithmique - notions de bases
Simulation de variables aléatoires
Chapter 1 Simulation de variables aléatoires Références: [F] Fishman, A first course in Monte Carlo, chap 3. [B] Bouleau, Probabilités de l ingénieur, chap 4. [R] Rubinstein, Simulation and Monte Carlo
Limites finies en un point
8 Limites finies en un point Pour ce chapitre, sauf précision contraire, I désigne une partie non vide de R et f une fonction définie sur I et à valeurs réelles ou complees. Là encore, les fonctions usuelles,
Algèbre 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
Résolution 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
Probabilités sur un univers fini
[http://mp.cpgedupuydelome.fr] édité le 7 août 204 Enoncés Probabilités sur un univers fini Evènements et langage ensembliste A quelle condition sur (a, b, c, d) ]0, [ 4 existe-t-il une probabilité P sur
Sujet 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
Quelques 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
Espérance conditionnelle
Espérance conditionnelle Samy Tindel Nancy-Université Master 1 - Nancy Samy T. (IECN) M1 - Espérance conditionnelle Nancy-Université 1 / 58 Plan 1 Définition 2 Exemples 3 Propriétés de l espérance conditionnelle
ARBRES BINAIRES DE RECHERCHE
ARBRES BINAIRES DE RECHERCHE Table de symboles Recherche : opération fondamentale données : éléments avec clés Type abstrait d une table de symboles (symbol table) ou dictionnaire Objets : ensembles d
4. Les structures de données statiques
4. Les structures de données statiques 4.1 Tableaux à une dimension 4.1.1 Introduction Imaginons que dans un programme, nous ayons besoin simultanément de 25 valeurs (par exemple, des notes pour calculer
CHAPITRE V SYSTEMES DIFFERENTIELS LINEAIRES A COEFFICIENTS CONSTANTS DU PREMIER ORDRE. EQUATIONS DIFFERENTIELLES.
CHAPITRE V SYSTEMES DIFFERENTIELS LINEAIRES A COEFFICIENTS CONSTANTS DU PREMIER ORDRE EQUATIONS DIFFERENTIELLES Le but de ce chapitre est la résolution des deux types de systèmes différentiels linéaires
CORRECTION EXERCICES ALGORITHME 1
CORRECTION 1 Mr KHATORY (GIM 1 A) 1 Ecrire un algorithme permettant de résoudre une équation du second degré. Afficher les solutions! 2 2 b b 4ac ax bx c 0; solution: x 2a Solution: ALGORITHME seconddegré
aux différences est appelé équation aux différences d ordre n en forme normale.
MODÉLISATION ET SIMULATION EQUATIONS AUX DIFFÉRENCES (I/II) 1. Rappels théoriques : résolution d équations aux différences 1.1. Équations aux différences. Définition. Soit x k = x(k) X l état scalaire
Équations 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
Programmation 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
Rappels 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............................
Logiciel de Base. I. Représentation des nombres
Logiciel de Base (A1-06/07) Léon Mugwaneza ESIL/Dépt. Informatique (bureau A118) mugwaneza@univmed.fr I. Représentation des nombres Codage et représentation de l'information Information externe formats
De 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
Algorithmes de recherche
Algorithmes de recherche 1 Résolution de problèmes par recherche On représente un problème par un espace d'états (arbre/graphe). Chaque état est une conguration possible du problème. Résoudre le problème
3. Caractéristiques et fonctions d une v.a.
3. Caractéristiques et fonctions d une v.a. MTH2302D S. Le Digabel, École Polytechnique de Montréal H2015 (v2) MTH2302D: fonctions d une v.a. 1/32 Plan 1. Caractéristiques d une distribution 2. Fonctions
Exercices Alternatifs. Quelqu un aurait-il vu passer un polynôme?
Exercices Alternatifs Quelqu un aurait-il vu passer un polynôme? c 2004 Frédéric Le Roux, François Béguin (copyleft LDL : Licence pour Documents Libres). Sources et figures: polynome-lagrange/. Version
Exercices Alternatifs. Quelqu un aurait-il vu passer un polynôme?
Exercices Alternatifs Quelqu un aurait-il vu passer un polynôme? c 2004 Frédéric Le Roux, François Béguin (copyleft LDL : Licence pour Documents Libres). Sources et figures: polynome-lagrange/. Version
Continuité d une fonction de plusieurs variables
Chapitre 2 Continuité d une fonction de plusieurs variables Maintenant qu on a défini la notion de limite pour des suites dans R n, la notion de continuité s étend sans problème à des fonctions de plusieurs
Corrigé des TD 1 à 5
Corrigé des TD 1 à 5 1 Premier Contact 1.1 Somme des n premiers entiers 1 (* Somme des n premiers entiers *) 2 program somme_entiers; n, i, somme: integer; 8 (* saisie du nombre n *) write( Saisissez un
3. Conditionnement P (B)
Conditionnement 16 3. Conditionnement Dans cette section, nous allons rappeler un certain nombre de définitions et de propriétés liées au problème du conditionnement, c est à dire à la prise en compte
Définition 0,752 = 0,7 + 0,05 + 0,002 SYSTÈMES DE NUMÉRATION POSITIONNELS = 7 10 1 + 5 10 2 + 2 10 3
8 Systèmes de numération INTRODUCTION SYSTÈMES DE NUMÉRATION POSITIONNELS Dans un système positionnel, le nombre de symboles est fixe On représente par un symbole chaque chiffre inférieur à la base, incluant
1 Recherche en table par balayage
1 Recherche en table par balayage 1.1 Problème de la recherche en table Une table désigne une liste ou un tableau d éléments. Le problème de la recherche en table est celui de la recherche d un élément
Année 2014/15 2. 1 er septembre 2014. 2. Version de Anca Muscholl, issue du poly de Marc Zeitoun. 1/143
Modèles de calcul Année 2014/15 2 M1, Univ. Bordeaux http://www.labri.fr/perso/anca/mc.html 1 er septembre 2014 2. Version de Anca Muscholl, issue du poly de Marc Zeitoun. 1/143 Modalités du cours 12 cours,
6. Hachage. Accès aux données d'une table avec un temps constant Utilisation d'une fonction pour le calcul d'adresses
6. Hachage Accès aux données d'une table avec un temps constant Utilisation d'une fonction pour le calcul d'adresses PLAN Définition Fonctions de Hachage Méthodes de résolution de collisions Estimation
I. Polynômes de Tchebychev
Première épreuve CCP filière MP I. Polynômes de Tchebychev ( ) 1.a) Tout réel θ vérifie cos(nθ) = Re ((cos θ + i sin θ) n ) = Re Cn k (cos θ) n k i k (sin θ) k Or i k est réel quand k est pair et imaginaire
Cours 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
Objets Combinatoires élementaires
Objets Combinatoires élementaires 0-0 Permutations Arrangements Permutations pour un multi-ensemble mots sous-ensemble à k éléments (Problème du choix) Compositions LE2I 04 1 Permutations Supposons que
Sur certaines séries entières particulières
ACTA ARITHMETICA XCII. 2) Sur certaines séries entières particulières par Hubert Delange Orsay). Introduction. Dans un exposé à la Conférence Internationale de Théorie des Nombres organisée à Zakopane
Programmation C. Apprendre à développer des programmes simples dans le langage C
Programmation C Apprendre à développer des programmes simples dans le langage C Notes de cours sont disponibles sur http://astro.u-strasbg.fr/scyon/stusm (attention les majuscules sont importantes) Modalités
Chapitre 2 Le problème de l unicité des solutions
Université Joseph Fourier UE MAT 127 Mathématiques année 2011-2012 Chapitre 2 Le problème de l unicité des solutions Ce que nous verrons dans ce chapitre : un exemple d équation différentielle y = f(y)
Optimisation for Cloud Computing and Big Data
1 / 31 Optimisation for Cloud Computing and Big Data Olivier Beaumont, Lionel Eyraud-Dubois 2 / 31 Le Cloud, qu est-ce que c est? C est récent Amazon qui commence (2006) avec AWS Dropbox, Google App Engine
Exemples 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
Représentation des Nombres
Chapitre 5 Représentation des Nombres 5. Representation des entiers 5.. Principe des représentations en base b Base L entier écrit 344 correspond a 3 mille + 4 cent + dix + 4. Plus généralement a n a n...
L ALGORITHMIQUE. Algorithme
L ALGORITHMIQUE Inspirée par l informatique, cette démarche permet de résoudre beaucoup de problèmes. Quelques algorithmes ont été vus en 3 ième et cette année, au cours de leçons, nous verrons quelques
Le prototype de la fonction main()
Le prototype de la fonction main() 1. Introduction...1 2. Paramètres et type de retour de la fonction main()...1 3. Exemple 1...2 4. La fonction exit() du C...2 5. Détecter le code de retour d un programme
Continuité 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
LES TYPES DE DONNÉES DU LANGAGE PASCAL
LES TYPES DE DONNÉES DU LANGAGE PASCAL 75 LES TYPES DE DONNÉES DU LANGAGE PASCAL CHAPITRE 4 OBJECTIFS PRÉSENTER LES NOTIONS D ÉTIQUETTE, DE CONS- TANTE ET DE IABLE DANS LE CONTEXTE DU LAN- GAGE PASCAL.
Extrait du poly de Stage de Grésillon 1, août 2010
MINI-COURS SUR LES POLYNÔMES À UNE VARIABLE Extrait du poly de Stage de Grésillon 1, août 2010 Table des matières I Opérations sur les polynômes 3 II Division euclidienne et racines 5 1 Division euclidienne
Séminaire TEST. 1 Présentation du sujet. October 18th, 2013
Séminaire ES Andrés SÁNCHEZ PÉREZ October 8th, 03 Présentation du sujet Le problème de régression non-paramétrique se pose de la façon suivante : Supposons que l on dispose de n couples indépendantes de
Les devoirs en Première STMG
Les devoirs en Première STMG O. Lader Table des matières Devoir sur table 1 : Proportions et inclusions....................... 2 Devoir sur table 1 : Proportions et inclusions (corrigé)..................
Programmation 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
Optimisation 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
Théorème du point fixe - Théorème de l inversion locale
Chapitre 7 Théorème du point fixe - Théorème de l inversion locale Dans ce chapitre et le suivant, on montre deux applications importantes de la notion de différentiabilité : le théorème de l inversion
Arithmétique 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,
Commun à tous les candidats
EXERCICE 3 (9 points ) Commun à tous les candidats On s intéresse à des courbes servant de modèle à la distribution de la masse salariale d une entreprise. Les fonctions f associées définies sur l intervalle
Logique : ENSIIE 1A - contrôle final
1 Logique : ENSIIE 1A - contrôle final - CORRIGÉ Mardi 11 mai 2010 - Sans documents - Sans calculatrice ni ordinateur Durée : 1h30 Les exercices sont indépendants. Exercice 1 (Logique du premier ordre
Comparaison de fonctions Développements limités. Chapitre 10
PCSI - 4/5 www.ericreynaud.fr Chapitre Points importants 3 Questions de cours 6 Eercices corrigés Plan du cours 4 Eercices types 7 Devoir maison 5 Eercices Chap Et s il ne fallait retenir que si points?
UE Programmation Impérative Licence 2ème Année 2014 2015
UE Programmation Impérative Licence 2 ème Année 2014 2015 Informations pratiques Équipe Pédagogique Florence Cloppet Neilze Dorta Nicolas Loménie prenom.nom@mi.parisdescartes.fr 2 Programmation Impérative
Correction du baccalauréat S Liban juin 2007
Correction du baccalauréat S Liban juin 07 Exercice. a. Signe de lnx lnx) : on fait un tableau de signes : x 0 e + ln x 0 + + lnx + + 0 lnx lnx) 0 + 0 b. On afx) gx) lnx lnx) lnx lnx). On déduit du tableau
Cours 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
Principe 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
Communications 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
Introduction à l étude des Corps Finis
Introduction à l étude des Corps Finis Robert Rolland (Résumé) 1 Introduction La structure de corps fini intervient dans divers domaines des mathématiques, en particulier dans la théorie de Galois sur
Filtrage stochastique non linéaire par la théorie de représentation des martingales
Filtrage stochastique non linéaire par la théorie de représentation des martingales Adriana Climescu-Haulica Laboratoire de Modélisation et Calcul Institut d Informatique et Mathématiques Appliquées de
Cours de mathématiques
DEUG MIAS premier niveau Cours de mathématiques année 2003/2004 Guillaume Legendre (version révisée du 3 avril 2015) Table des matières 1 Éléments de logique 1 1.1 Assertions...............................................
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
Suites numériques 4. 1 Autres recettes pour calculer les limites
Suites numériques 4 1 Autres recettes pour calculer les limites La propriété suivante permet de calculer certaines limites comme on verra dans les exemples qui suivent. Propriété 1. Si u n l et fx) est
CHOIX OPTIMAL DU CONSOMMATEUR. A - Propriétés et détermination du choix optimal
III CHOIX OPTIMAL DU CONSOMMATEUR A - Propriétés et détermination du choix optimal La demande du consommateur sur la droite de budget Résolution graphique Règle (d or) pour déterminer la demande quand
Algorithmique 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
Moments des variables aléatoires réelles
Chapter 6 Moments des variables aléatoires réelles Sommaire 6.1 Espérance des variables aléatoires réelles................................ 46 6.1.1 Définition et calcul........................................