Le problème d ordonnancement de projet multi-agent : un partage équitable du stress
|
|
- Marie-Ange Paquin
- il y a 7 ans
- Total affichages :
Transcription
1 Le problème d ordonnancement de projet multi-agent : un partage équitable du stress Thomas Lehaux/Cyril Briand LAAS-CNRS Projet ANR ROBOCOOP 23 février /02/10 - LAAS-CNRS - Lehaux/Briand - 1 sur 26 MAPSP : stress équitable
2 1 Introduction /02/10 - LAAS-CNRS - Lehaux/Briand - 2 sur 26 MAPSP : stress équitable
3 Introduction Projet ANR no. 08-BLAN appelé ROBOCOOP. Objectif : proposer des méthodes d ordonnancement robustes et coopératives. Définition Coopération : les agents sont autonomes et doivent négocier avec les autres pour construire leur organisation. À éviter : comportements égoïstes. 24/02/10 - LAAS-CNRS - Lehaux/Briand - 3 sur 26 MAPSP : stress équitable
4 Sommaire Introduction 1 Introduction /02/10 - LAAS-CNRS - Lehaux/Briand - 4 sur 26 MAPSP : stress équitable
5 Problème d ordonnancement au sens large. n activités V. r ressources R. m agents A. Fig. : Cas général. 24/02/10 - LAAS-CNRS - Lehaux/Briand - 5 sur 26 MAPSP : stress équitable
6 Problème : trouver un ordonnancement satisfaisant toutes les contraintes RCPSP multi-agent. Satisfaire les agents optimiser les Fonctions Objectifs Locales (LOFs). Optimiser une ou des Fonctions Objectifs Globales (GOFs). Dualité LOF / GOF. Problème d ordonnancement multi-objectif. 24/02/10 - LAAS-CNRS - Lehaux/Briand - 6 sur 26 MAPSP : stress équitable
7 Sommaire Introduction 1 Introduction /02/10 - LAAS-CNRS - Lehaux/Briand - 7 sur 26 MAPSP : stress équitable
8 Unique ressource partagée Fig. : Partage d une unique ressource (One-machine scheduling problem). 24/02/10 - LAAS-CNRS - Lehaux/Briand - 8 sur 26 MAPSP : stress équitable
9 Grille de calcul Introduction Fig. : Allocation de ressources multi-agent. 24/02/10 - LAAS-CNRS - Lehaux/Briand - 9 sur 26 MAPSP : stress équitable
10 Typage d agents Fig. : 2 types d agent : ressources et jobs. 24/02/10 - LAAS-CNRS - Lehaux/Briand - 10 sur 26 MAPSP : stress équitable
11 Pas de partage de ressources Fig. : Chaque agent possède ses propres ressources. 24/02/10 - LAAS-CNRS - Lehaux/Briand - 11 sur 26 MAPSP : stress équitable
12 Sommaire Introduction 1 Introduction /02/10 - LAAS-CNRS - Lehaux/Briand - 12 sur 26 MAPSP : stress équitable
13 : MAPSP. Ressources illimitées. n activités distribuées sur m agents (m n). Activités liées par des contraintes de précédence. Date maximale pour le projet : C max. 24/02/10 - LAAS-CNRS - Lehaux/Briand - 13 sur 26 MAPSP : stress équitable
14 Durée maximale autorisée Durée des activités incertaines modélisée par un intervalle : [p i, p i ] Les agents peuvent contrôler la durée de réalisation de leur(s) activité(s). Définition p i [p i, p i ] i V u : durée maximale qu un agent s impose pour réaliser la tâche i. La tâche i peut être réalisée en un temps plus court. 24/02/10 - LAAS-CNRS - Lehaux/Briand - 14 sur 26 MAPSP : stress équitable
15 Activités frontières Définition Si j gérée par A v a une contrainte de précédence avec i (i.e., (i, j) P), gérée par A u (u v), alors i est une activité frontière. Fig. : Activité frontière et communication. 24/02/10 - LAAS-CNRS - Lehaux/Briand - 15 sur 26 MAPSP : stress équitable
16 Risque et stress d un agent Risque d un agent i [0, C i C i ] : modélise l anticipation d un agent vis à vis de la fin d une activité frontière. Si l agent est trop optimiste ( i élevé), il y a un risque d incohérence. R u = max {(i,j) P i / Vu j V u} i : risque de l agent A u. Stress d un agent γ j = p j p j : stress d un agent pour réaliser la tâche j. S u = max j Vu γ j : stress global de l agent. 24/02/10 - LAAS-CNRS - Lehaux/Briand - 16 sur 26 MAPSP : stress équitable
17 PLNE Introduction min(r u, S u, max(s v S u ), max(r v R u )) s.c. R u j, j P avec j / V u et j 0 (1) S u p i p i, i P avec i V u et p i p i p i (2) C j C i i + p j, (i, j) P avec i V u, j / V u (3) C j C i + p j, (i, j) P avec i V u et j / V u (4) C i C i et i P (5) i C i C i, i P (6) 24/02/10 - LAAS-CNRS - Lehaux/Briand - 17 sur 26 MAPSP : stress équitable
18 Sommaire Introduction 1 Introduction /02/10 - LAAS-CNRS - Lehaux/Briand - 18 sur 26 MAPSP : stress équitable
19 Cas particulier traité Chaque agent ne gère qu une seule activité : n = m. On équilibre le stress des agents et le risque d incohérence : R u =, A i A et S u = γ, u A. On cherche à minimiser et γ. Résolution centralisée de ce problème en temps polynomial. Problème modélisé par un graphe potentiel-tâche. 24/02/10 - LAAS-CNRS - Lehaux/Briand - 19 sur 26 MAPSP : stress équitable
20 Sommaire Introduction 1 Introduction /02/10 - LAAS-CNRS - Lehaux/Briand - 20 sur 26 MAPSP : stress équitable
21 Jeu de test Introduction C max = 15 X = + γ On considère les différentes valeurs de δp i = p i p i pour définir les valeurs de X. i p i p i δp i X = 3 X = 2 X = 1 X = 0 24/02/10 - LAAS-CNRS - Lehaux/Briand - 21 sur 26 MAPSP : stress équitable
22 X = 3 Introduction Fig. : Chemin le plus long pour X = 3. C max = 15 C 3 = 11 24/02/10 - LAAS-CNRS - Lehaux/Briand - 22 sur 26 MAPSP : stress équitable
23 X = 2 Introduction Fig. : Chemin le plus long pour X = 2. C max = 15 C 3 = 11 C 2 = 13 24/02/10 - LAAS-CNRS - Lehaux/Briand - 23 sur 26 MAPSP : stress équitable
24 X = 1 Introduction Fig. : Chemin le plus long pour X = 1. C max = 15 C 3 = 11 C 2 = 13 C 1 = 16 = Le front de Pareto est caractérisé par + γ = 2. 24/02/10 - LAAS-CNRS - Lehaux/Briand - 24 sur 26 MAPSP : stress équitable
25 Perspectives Relativiser le stress : γ j = (p j p j ) (p j p j ). Gestion de plusieurs activités à la fois pour chaque agent. Valeurs différentes de et γ pour chaque agent. Ajout des contraintes de ressources. Résoudre le problème de façon distribuée. 24/02/10 - LAAS-CNRS - Lehaux/Briand - 25 sur 26 MAPSP : stress équitable
26 Merci de votre attention :) 24/02/10 - LAAS-CNRS - Lehaux/Briand - 26 sur 26 MAPSP : stress équitable
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 détailUN ALGORITHME COOPÉRATIF POUR UN PROBLÈME D ATELIER JOB SHOP MULTI-AGENT
8 e Conférence Internationale de MOdélisation et SIMulation - MOSIM 10-10 au 12 mai 2010 - Hammamet - Tunisie «Évaluation et optimisation des systèmes innovants de production de biens et de services» UN
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 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 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 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 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 détailOrdonnancement robuste et décision dans l'incertain
Ordonnancement robuste et décision dans l'incertain 4 ème Conférence Annuelle d Ingénierie Système «Efficacité des entreprises et satisfaction des clients» Centre de Congrès Pierre Baudis,TOULOUSE, 2-4
Plus en 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 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 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 détailOptimisation for Cloud Computing and Big Data
1 / 23 Optimisation for Cloud Computing and Big Data Olivier Beaumont, Lionel Eyraud-Dubois 2 / 23 Aujourd hui Problèmes de fiabilité on va oublier la dynamicité Placement de VMs en programmation par contraintes
Plus en détailThéorie des Graphes Cours 3: Forêts et Arbres II / Modélisation
IFIPS S7 - informatique Université Paris-Sud 11 1er semestre 2009/2010 Théorie des Graphes Cours 3: Forêts et Arbres II / 1 Forêts et arbres II Théorème 1.1. Les assertions suivantes sont équivalentes
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 détailSemestre HPC. Violaine Louvet. Institut Camille Jordan - CNRS louvet@math.univ-lyon1.fr. Labex MILyon, Printemps 2016
Semestre HPC Violaine Louvet Institut Camille Jordan - CNRS louvet@math.univ-lyon1.fr Labex MILyon, Printemps 2016 V. Louvet (ICJ) Semestre HPC Printemps 2016 1 / 9 Présentation du semestre Modélisation
Plus en détailAeon : Synthèse d Algorithmes d Ordonnancement à partir de Modèles de Haut Niveau
Actes JFPC 2009 Aeon : Synthèse d Algorithmes d Ordonnancement à partir de Modèles de Haut Niveau Jean-Noël Monette 1, Yves Deville 1 et Pascal Van Hentenryck 2 1 INGI, UCLouvain, 1348 Louvain-la-Neuve,
Plus en détailObjectifs 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
Plus en détailOptimisation multi-critère pour l allocation de ressources sur Clouds distribués avec prise en compte de l énergie
Optimisation multi-critère pour l allocation de ressources sur Clouds distribués avec prise en compte de l énergie 1 Présenté par: Yacine KESSACI Encadrement : N. MELAB E-G. TALBI 31/05/2011 Plan 2 Motivation
Plus en détailConvergence des programmes qualité Qualitéet Recherche UMR 6284 CNRS ISIT JEAN-YVES BOIRE
Convergence des programmes qualité Qualitéet Recherche UMR 6284 CNRS ISIT JEAN-YVES BOIRE 1 ANR et PHRC Responsabilitédes programmes TecSan, AAL (programme européen), SantéPublique et Déterminant sociaux
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 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 détailReprésenté par Eric Mamy A22 www.a22.fr présenté par CFR & CGL Consulting www.cgl-consulting.com
Représenté par Eric Mamy A22 www.a22.fr présenté par CFR & CGL Consulting www.cgl-consulting.com La Suite LOGIX La Suite LOGIX est un ensemble de produits pour le calcul et l optimisation complète des
Plus en détailThe job scheduling company
The job scheduling company 0 SOMMAIRE MANUEL DE PILOTAGE EVOLUTION VERS VISUAL TOM 5 1 MANUEL DE PILOTAGE - Objectifs Connaissance et maîtrise des limites de fonctionnement Connaissance précise des opérations
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 détail4.2 Unités d enseignement du M1
88 CHAPITRE 4. DESCRIPTION DES UNITÉS D ENSEIGNEMENT 4.2 Unités d enseignement du M1 Tous les cours sont de 6 ECTS. Modélisation, optimisation et complexité des algorithmes (code RCP106) Objectif : Présenter
Plus en 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 détailPropriétés des options sur actions
Propriétés des options sur actions Bornes supérieure et inférieure du premium / Parité call put 1 / 1 Taux d intérêt, capitalisation, actualisation Taux d intéret composés Du point de vue de l investisseur,
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 détailStratégie de recherche adaptative en programmation par contrainte
Université Paul Sabatier École Nationale de l Aviation Civile Master 2 Recherche Informatique et Télécommunication parcours Intelligence Artificielle Simon Marchal Stratégie de recherche adaptative en
Plus en détailContrôle stochastique d allocation de ressources dans le «cloud computing»
Contrôle stochastique d allocation de ressources dans le «cloud computing» Jacques Malenfant 1 Olga Melekhova 1, Xavier Dutreilh 1,3, Sergey Kirghizov 1, Isis Truck 2, Nicolas Rivierre 3 Travaux partiellement
Plus en détail7. Mobilité : Mises à disposition, détachements, disponibilités
PERSONNELS PERMANENTS BILAN SOCIAL 00. : Mises à disposition, détachements, disponibilités. Mises à disposition (MAD) et détachements.. Mises à disposition* Les personnels placés en position de mise à
Plus en détailTempérature corporelle d un castor (une petite introduction aux séries temporelles)
Température corporelle d un castor (une petite introduction aux séries temporelles) GMMA 106 GMMA 106 2014 2015 1 / 32 Cas d étude Temperature (C) 37.0 37.5 38.0 0 20 40 60 80 100 Figure 1: Temperature
Plus en détailEtude d un cas industriel : Optimisation de la modélisation de paramètre de production
Revue des Sciences et de la Technologie RST- Volume 4 N 1 /janvier 2013 Etude d un cas industriel : Optimisation de la modélisation de paramètre de production A.F. Bernate Lara 1, F. Entzmann 2, F. Yalaoui
Plus en détailTRAITEMENT DU SURENDETTEMENT. Évolutions résultant de la loi portant réforme du crédit à la consommation
Direction générale des activités fiduciaires et de place Direction de la surveillance des relations entre les particuliers et la sphère financière Service infobanque et surendettement TRAITEMENT DU SURENDETTEMENT
Plus en détailA GRASPxELS approach for the Job Shop with generic time-lags and new statistical determination of the parameters
A GRASPxELS approach for the Job Shop with generic time-lags and new statistical determination of the parameters Présenté par : Equipe de travail : Laboratoire : Maxime CHASSAING Philippe LACOMME, Nikolay
Plus en détailANALYSE DU BESOIN. L ANALYSE FONCTIONNELLE par Jean-Marie VIRELY & all (ENS Cachan) Cette présentation décrit l outil «Analyse du Besoin».
-- Cette présentation décrit l outil «Analyse du Besoin». AA-GC-CL-JMV Page mis à jour le oct 00 L'objectif L'Analyse du Besoin est une méthode qui permet de caractériser le besoin exprimé -- L objet est
Plus en détailPrésentation. Pour. Gilles ALAIS, Country Manager Barloworld Supply Chain Software France 20 Rue des Petits Hôtels, 75010 Paris
Présentation Pour Gilles ALAIS, Country Manager Barloworld Supply Chain Software France 20 Rue des Petits Hôtels, 75010 Paris Email: galais@barloworldscs.com Tel : + 33 1 73 03 04 10 / + 33 6 08 01 52
Plus en détailLe mensuel GRATUIT Du Supply Chain Management. Par Cathy POLGE Rédactrice en Chef SCMAG www. SupplyChainMagazine.fr
Le mensuel GRATUIT Du Supply Chain Management Par Cathy POLGE Rédactrice en Chef SCMAG www. SupplyChainMagazine.fr Une complexité croissante De multiples outils Les dernières tendances Des aléas à répétition
Plus en détailEric Sanlaville. Position et responsabilités. Cursus universitaire. Coordonnées professionnelles
Eric Sanlaville Né le 24 juin 1964 à Quimper (Finistère), marié, quatre enfants. Position et responsabilités Maître de conférences en Informatique à l Université Blaise Pascal de Clermont-Ferrand, UFR
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 détailConcurrence imparfaite
Concurrence imparfaite 1. Le monopole 2. Concurrence monopolistique 3. Hotelling et Salop 4. Concurrence à la Cournot 5. Concurrence à la Bertrand 6. Concurrence à la Stackelberg Monopole Un monopole,
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 détailTout le matériel (actif) qui sert à produire: boulons, capteurs, automates, vérins, câblage, éclairage, etc.
1 La maintenance 2 De quoi? Tout le matériel (actif) qui sert à produire: boulons, capteurs, automates, vérins, câblage, éclairage, etc. Pourquoi? Garder le matériel de production (les actifs) en état
Plus en détailProblème d ordonnancement de véhicules en variables booléennes
Problème d ordonnancement de véhicules en variables booléennes Freddy Hetman 2 juillet 2013 Faculté des sciences Jean Perrin Freddy Hetman () 2 juillet 2013 1 / 22 Sommaire 1 Introduction 2 Le problème
Plus en détailNetwork musical jammin
Network musical jammin Projet PC2R - 2015 Pour ce projet, nous allons réaliser une application permettant d effectuer des jams sessions en temps-réel entre des musiciens répartis à travers le monde. Le
Plus en détailEvaluation des performances de programmes parallèles haut niveau à base de squelettes
Evaluation des performances de programmes parallèles haut niveau à base de squelettes Enhancing the Performance Predictability of Grid Applications with Patterns and Process Algebras A. Benoit, M. Cole,
Plus en détailVotre partenaire idéal
Technologie Partenaire Votre partenaire idéal Avnet Supply Chain Solutions Nos partenaires 2 Avnet Supply Chain Solutions Votre partenaire idéal Confiez votre logistique à un spécialiste Dans l environnement
Plus en détailExcel Avancé. Plan. Outils de résolution. Interactivité dans les feuilles. Outils de simulation. La valeur cible Le solveur
Excel Avancé Plan Outils de résolution La valeur cible Le solveur Interactivité dans les feuilles Fonctions de recherche (ex: RechercheV) Utilisation de la barre d outils «Formulaires» Outils de simulation
Plus en détailLe géomarketing - Page 1 sur 7
Le géomarketing - Page 1 sur 7 LES DOSSIERS MADWATCH.net méthodes Le Géomarketing Novembre 2003 Nb de pages : 7 Le géomarketing - Page 2 sur 7 Créé dans les années 80, la plupart des applications du géomarketing
Plus en détailResolution limit in community detection
Introduction Plan 2006 Introduction Plan Introduction Introduction Plan Introduction Point de départ : un graphe et des sous-graphes. But : quantifier le fait que les sous-graphes choisis sont des modules.
Plus en détailTHÈSE. En vue de l obtention du DOCTORAT DE L UNIVERSITÉ DE TOULOUSE. Touria CHAFQANE BEN RAHHOU
THÈSE En vue de l obtention du DOCTORAT DE L UNIVERSITÉ DE TOULOUSE Délivré par : l Université Toulouse 3 Paul Sabatier (UT3 Paul Sabatier) Présentée et soutenue le 24/06/2013 par : Touria CHAFQANE BEN
Plus en détailModèles à Événements Discrets. Réseaux de Petri Stochastiques
Modèles à Événements Discrets Réseaux de Petri Stochastiques Table des matières 1 Chaînes de Markov Définition formelle Idée générale Discrete Time Markov Chains Continuous Time Markov Chains Propriétés
Plus en détailRé-ordonnancement adaptatif de messages dans un réseau ad hoc de véhicules
Ré-ordonnancement adaptatif de messages dans un réseau ad hoc de véhicules M. Shawky, K. Chaaban, P. Crubillé Heudiasyc UMR 6599 CNRS, Univ. Tech. De Compiègne 1 ADAS (Advanced Driving Aid System) Reactive
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 détailL art d ordonnancer. avec JobScheduler. François BAYART
L art d ordonnancer avec JobScheduler François BAYART 30 Octobre 2010 [1] 234567 introduction Introduction Qui suis-je? François Bayart consultant système en solution libre et propriétaire Redhat (1996),
Plus en détailConcepts clés associés aux outils logiciels, exemples
Chercheurs, les outils logiciels :: une voie originale pour valoriser votre expertise et et vos compétences!! Concepts clés associés aux outils logiciels, exemples Jeudi 2 octobre 2008 Gilles Bézard ICAM
Plus en détailModule Planification
1 Module Planification Interface MS Project 2 a) Charge atelier OF selon délai ou début de fabrication Export charge atelier sous Excel Capacité machine pour la période prédéfinie Date de début et fin
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 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 détailCompte-rendu re union Campus AAR 3 mars 2015
Compte-rendu re union Campus AAR 3 mars 2015 Table des matières Liste d actions... 2 I. Environnement d analyse : INA, Armadillo... 3 a. Connexion de l outil INA avec API Armadillo... 3 b. Outil d analyse
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 détailMonitoring continu et gestion optimale des performances énergétiques des bâtiments
Monitoring continu et gestion optimale des performances énergétiques des bâtiments Alexandre Nassiopoulos et al. Journée d inauguration de Sense-City, 23/03/2015 Croissance de la demande énergétique et
Plus en 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 détailDimensionnement Introduction
Dimensionnement Introduction Anthony Busson Dimensionnement Pourquoi dimensionner? Création d un système informatique ou réseau Problème de décision (taille des différents paramètres) Evaluer les performances
Plus en détailÉtude des Corrélations entre Paramètres Statiques et Dynamiques des Convertisseurs Analogique-Numérique en vue d optimiser leur Flot de Test
11 juillet 2003 Étude des Corrélations entre Paramètres Statiques et Dynamiques des Convertisseurs Analogique-Numérique en vue d optimiser leur Flot de Test Mariane Comte Plan 2 Introduction et objectif
Plus en détailEnquête APM sur le Gouvernement d entreprise dans les PME-PMI : quelques résultats et commentaires
Enquête APM sur le Gouvernement d entreprise dans les PME-PMI : quelques résultats et commentaires Pierre-Yves GOMEZ Professeur EMLYON Directeur de l Institut Français de Gouvernement des Entreprises (IFGE)
Plus en détail/// COMMUNIQUÉ DE PRESSE
22 avril 2015 /// www.id-logistics.com /// COMMUNIQUÉ DE PRESSE Poursuite de la croissance au 1 er trimestre 2015 Chiffre d affaires de 214,3M en hausse de 6,1% (5,1% à données comparables) Croissance
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 détailCours Optimisation Partie Optimisation Combinatoire. Année scolaire 2008-2009. Gérard Verfaillie ONERA/DCSD/CD, Toulouse Gerard.Verfaillie@onera.
Cours Optimisation Partie Optimisation Combinatoire 3ième année ISAE Année scolaire 2008-2009 Gérard Verfaillie ONERA/DCSD/CD, Toulouse Gerard.Verfaillie@onera.fr Septembre 2008 Résumé Ce document couvre
Plus en 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 détailOptimisation et Processus métier
Optimisation et Processus métier découvrez avec ILOG la solution d'optimisation leader du marché Didier Vidal vidaldid@fr.ibm.com Petit problème d optimisation 1 2000 1 Coûts de transport: 10 Euros par
Plus en détailAutonomie et fragilités de la recherche académique Financements sur projet et reconfigurations du travail scientifique
L irrésistible ascension du capitalisme académique 18-19 avril 2013 Autonomie et fragilités de la recherche académique Financements sur projet et reconfigurations du travail scientifique Julien Barrier
Plus en détailPatrons de Conception (Design Patterns)
Patrons de Conception (Design Patterns) Introduction 1 Motivation Il est difficile de développer des logiciels efficaces, robustes, extensibles et réutilisables Il est essentiel de comprendre les techniques
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 détailObject Removal by Exemplar-Based Inpainting
Object Removal by Exemplar-Based Inpainting Kévin Polisano A partir d un article de A. Criminisi, P. Pérez & H. K. Toyama 14/02/2013 Kévin Polisano Object Removal by Exemplar-Based Inpainting 14/02/2013
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 détailCharte d adhésion d un laboratoire au Mésocentre CIMENT
Charte d adhésion d un laboratoire au Mésocentre CIMENT (Calcul Intensif, Modélisation, Expérimentation Numérique et Technologique) https://ciment.ujf-grenoble.fr Version 1 / Janvier 2013 Préambule Ce
Plus en détailTP N 57. Déploiement et renouvellement d une constellation de satellites
TP N 57 Déploiement et renouvellement d une constellation de satellites L objet de ce TP est d optimiser la stratégie de déploiement et de renouvellement d une constellation de satellites ainsi que les
Plus en détailPrésentation livre Simulation for Supply Chain Management. Chapitre 1 - Supply Chain simulation: An Overview
Présentation livre Simulation for Supply Chain Management Chapitre 1 - Supply Chain simulation: An Overview G. Bel, C. Thierry et A. Thomas 1 Plan Gestion de chaînes logistiques et simulation Points de
Plus en détailils entretiennent entre eux des flux, ils partagent des perceptions sur l environnement
Les modèles de Flux Introduction L analyse systémique fournie une modélisation de l organisation échangeant et transformant des flux Cette modélisation du S.I. reste trop générale Il faut découper l organisation
Plus en détailLa relation IE-ERP est-elle possible?
La relation IE-ERP est-elle possible? Maîtriser l information et opérer des choix éclairés Ce n est pas si simple!... Francis MOATY Hassane MIMOUN IEMA.04 La décision Environnement incertain, risqué, changeant,
Plus en détailWEB15 IBM Software for Business Process Management. un offre complète et modulaire. Alain DARMON consultant avant-vente BPM alain.darmon@fr.ibm.
WEB15 IBM Software for Business Process Management un offre complète et modulaire Alain DARMON consultant avant-vente BPM alain.darmon@fr.ibm.com Claude Perrin ECM Client Technical Professional Manager
Plus en détailVers une approche Adaptative pour la Découverte et la Composition Dynamique des Services
69 Vers une approche Adaptative pour la Découverte et la Composition Dynamique des Services M. Bakhouya, J. Gaber et A. Koukam Laboratoire Systèmes et Transports SeT Université de Technologie de Belfort-Montbéliard
Plus en détailLagrange, où λ 1 est pour la contrainte sur µ p ).
Chapitre 1 Exercice 1 : Portefeuilles financiers Considérons trois types d actions qui sont négociées à la bourse et dont les rentabilités r 1, r 2 et r 3 sont des variables aléatoires d espérances µ i
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 détailEnsemble mobilisons nos énergies
Ensemble mobilisons nos énergies «Lancé en Juin 2005, SIRIUS est désormais un projet au cœur de notre entreprise, au service des ambitions et des objectifs qui s inscrivent dans le cadre de notre stratégie
Plus en détailPrudence, Epargne et Risques de Soins de Santé Christophe Courbage
Prudence, Epargne et Rique de Soin de Santé Chritophe Courbage ASSOCIATION DE GENÈVE Introduction Le compte d épargne anté (MSA), une nouvelle forme d intrument pour couvrir le dépene de anté en ca de
Plus en détailUNIVERSITÉ DE MONTRÉAL UN MODÈLE DE PLANIFICATION TACTIQUE AVEC CHEVAUCHEMENT
UNIVERSITÉ DE MONTRÉAL UN MODÈLE DE PLANIFICATION TACTIQUE AVEC CHEVAUCHEMENT GEORGES BAYDOUN DÉPARTEMENT DE MATHÉMATIQUES ET DE GÉNIE INDUSTRIEL ÉCOLE POLYTECHNIQUE DE MONTRÉAL MÉMOIRE PRÉSENTÉ EN VUE
Plus en détailLE DIPLOME DE MAGISTER
Département d Informatique MEMOIRE Présenté par DEDDOUCHE Yamina Pour obtenir LE DIPLOME DE MAGISTER Spécialité : Informatique Option : Informatique et Automatique Intitulé : Contribution à l Ordonnancement
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 détailLe S.I. - colonne vertébrale de la Supply Chain étendue : deux approches pour réussir votre projet
Le S.I. - colonne vertébrale de la Supply Chain étendue : deux approches pour réussir votre projet 27 mars 2014 1 28/03/2014 itelligence Deux approches pour réussir votre projet S.I. de Supply Chain étendue
Plus en détailAPPEL PUBLIC A L EPARGNE
FICHES PEDAGOGIQUES APPEL PUBLIC A L EPARGNE PAR LA COSUMAF APPEL PUBLIC A L EPARGNEL L Appel Public à l Epargne (APE) est une opération du marché financier qui permet à un émetteur (Etat, Collectivités
Plus en détailTAUX FIXE, TAUX INDEXE
Catégories d emprunts Mobiliser un emprunt, c est essentiellement choisir un taux, une durée, un profil d amortissement et une périodicité. Nous décrivons ci-dessous les différentes modalités qui s offrent
Plus en détailTravaux dirigés n 1. Programmation linéaire
Université de Reims Champagne Ardenne U.F.R. de Sciences Exactes et Naturelles MASTER 1 Informatique - 2014/2015 Pierre Delisle Travaux dirigés n 1 Programmation linéaire Exercice 1 (Résolution d'un programme
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 détailApprentissage Automatique
Apprentissage Automatique Introduction-I jean-francois.bonastre@univ-avignon.fr www.lia.univ-avignon.fr Définition? (Wikipedia) L'apprentissage automatique (machine-learning en anglais) est un des champs
Plus en détailTravaux soutenus par l ANR. Jean-François CAPURON (DGA) Bruno LEGEARD (Smartesting)
Travaux soutenus par l ANR Jean-François CAPURON (DGA) Bruno LEGEARD (Smartesting) 03 Avril 2012 1. Test de sécurité et génération de tests à partir de modèle 2. Le projet SecurTest à DGA Maîtrise de l
Plus en détailOUTILS EN INFORMATIQUE
OUTILS EN INFORMATIQUE Brice Mayag brice.mayag@dauphine.fr LAMSADE, Université Paris-Dauphine R.O. Excel brice.mayag@dauphine.fr (LAMSADE) OUTILS EN INFORMATIQUE R.O. Excel 1 / 35 Plan Présentation générale
Plus en 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 détail