Algorithmes Evolutionnaires et Optimisation
|
|
- Simon Lefebvre
- il y a 7 ans
- Total affichages :
Transcription
1 Algorithmes Evolutionnaires et Optimisation Systèmes Artificiels Complexes Master 1 informatique Sébastien Verel verel@lisic.univ-littoral.fr Université du Littoral Côte d Opale Laboratoire LISIC Equipe CAMOME
2 Plan 1 Problèmes d optimisation 2 RL basées sur le gradient 3 RL à solution unique 4 Paysage de fitness 5 Algorithme évolutionnaire
3 Systèmes complexes Systèmes complexes et évolution Systèmes complexes : évolution et adaptation Algorithmes génétiques (Holland 1975) : Simuler l évolution des espèces... long (so) time after becomes Méthode d optimisation
4 Modélisation de Problèmes Résolution d un problème : Problème modélisation solution(s) Modélisation : simplification de la réalité (nombre de paramètres, bruit, défauts,...) petit sudoko (n = 3) Conception d un (bon) modèle : Connaissance experte du domaine Connaissance des méthodes de résolution (informatique)
5 Problème SAT Premier problème NP-difficile (Cook, 1971) n variables booléennes : {x 1, x 2,..., x n } littéral : l = x i ou l = x i m clauses (disjonction de littéraux) : {C 1, C 2,..., C m } k j littéraux par clause C j : {l 1,j, l 2,j,..., l kj,j} : C j = k j i=1 l i,j Trouver l affectation des variables telle la conjonction des clauses soit vraie : m j=1 C j (cas spécial, k-sat lorsque k j = k)
6 SAT / MAX - SAT Applications Vérification de circuits (model checking), logique, planification, informatique...
7 SAT / MAX - SAT Planification Planification Longueur du plan maximal n. Pour toute variable v et pour tout i {1,..., n}, on créé les variables v i : v i est vraie lorsque la variable d état v est vraies après l action i. Pour toute action a et pour tout i {1,..., n}, on créé les variables a i : a i est vraie lorsque l action i est a.
8 SAT / MAX - SAT Maximiser le nombre de clauses C j vérifiées f (x) = #{C j : C j (x) est vraie} x est une solution de SAT ssi f (x) = m
9 SAT Propriétés physiques Transition de phase suivant α = m N
10 Coloration de graphe Graphe G = (S, A) S ens. des sommets et A S 2 ens. des arcs Coloration α : S C avec C = {c 1,..., c k } Trouver une (k-)coloration telle que : si (s, t) A alors α(s) α(t) Applications : affection de fréquence en téléphonie mobile, emploi du temps, coloration des cartes...
11 Sodoku : coloration de graphe? Exercice Traduire le problème de sudoku en un problème de coloration de graphe.
12 Voyageur de commerce (TSP) Trouver le parcours le plus court passant par toutes les villes. n : nombre de villes d rs : distance entre les villes r et s.
13 Voyageur de commerce (TSP) Trouver le parcours le plus court passant par toutes les villes. n : nombre de villes d rs : distance entre les villes r et s. Exercice Exprimer la fonction à optimiser en fonction des paramètres du problème.
14 Quadratic Assignment Problem (QAP) Problème d affection quadratique (Exemple d aprés Taillard). Minimiser le flux total
15 Quadratic Assignment Problem (QAP) Minimiser le flux total n objets, n emplacements f ij : flot entre objects i et j, d rs : distance entre emplacement r et s Applications : répartition de batiments ou de servives, affectation des portes d aéroport, placement de modules logiques, claviers...
16 Vehicule Routing Problem (VRP) But : transporter des biens à des clients Véhicule à capacité limitée, fenêtre de temps, etc. Problème : Déterminer pour chaque véhicule leur trajet de manière à minimiser les coûts (temps, essence, etc.) Application : logistique du dernier kilomètre, etc.
17 Job Scheduling Problem Ensemble de taches J = {j 1, j 2, j 3,..., j p } temps d execution p(j i ) Réalisés sur m machines M = {M 1,..., M m } Applications : ordonnancement, emploi du temps,...
18 Paysages NK f (x) = 1 N N f i (x i ; x i1,..., x ik ) i=1 N nombre d acides animés K N 1 nombres d intéraction entre ac. animés deux types d ac. animé 0 ou 1 x k le k eme ac. animé d une chaine x {i 1,..., i K } {1,..., i 1, i + 1,..., N} f i : {0, 1} K+1 [0, 1] Application : modélisation de protéines
19 exemple N = 4 K = 2 x = 0110 x 1 x 2 x 4 f x 1x 2x 3 f x 2x 3x 4 f x 1x 2x 4 f f (x) = 1 4 ( f 1(010) + f 2 (011) + f 3 (110) + f 4 (010) ) = 1 4 ( ) = 0.3
20 Docking moléculaire Position relative qui minimise l énergie électrostatique ADN - protéine ou proteine - protéine (crédits S. Fiorucci, université de Nice Sophia Antipolis)
21 Optimization Inputs Search space : Set of all feasible solutions, Objective function : Quality criterium X f : X IR Goal Find the best solution according to the criterium x = argmax f
22 Optimization Inputs Search space : Set of all feasible solutions, Objective function : Quality criterium X f : X IR Goal Find the best solution according to the criterium x = argmax f But, sometime, the set of all best solutions, good approximation of the best solution, good robust solution...
23 Contexte Black box Scenario We have only {(x 0, f (x 0 )), (x 1, f (x 1 )),...} given by an oracle No information is either not available or needed on the definition of objective function Objective function given by a computation, or a simulation Objective function can be irregular, non differentiable, non continous, etc. Typologie des problèmes Espace de recherche très large dont les variables sont discrètes (cas NP-complet) : optimisation combinatoire Espace de recherche dont les variables sont continues : optimisation numérique
24 D abord un petit jeu Préparation : voir page web fr/~verel/teaching/13-14/m2-psycho/index.html But : Trouver le plus grand nombre en découvrant le minimum de cases
25 Votre stratégie Questions Pouvez-vous décrire votre stratégie? Quelles propriétés du problème utilisez-vous? Existe-t-il des problèmes plus difficiles que d autres?
26 Définitions Optimum global s Toutes les solutions ne sont pas meilleures : [ cas maximisation ] s S f (s) f (s ) "land1.2.dat"
27 Définitions Optimum local Toutes les solutions voisines ne sont pas meilleures : [ cas maximisation ] s V(s ) f (s) f (s ) "land1.2.dat"
28 Définitions Voisinage Ensemble de solutions définies comme proches Par exemple, V(s) = {s : distance(s, s ) d} s d
29 Définitions Voisinage Ensemble de solutions définies comme proches Par exemple, V(s) = {s : distance(s, s ) d} s d Et pour notre problème?
30 Définitions Voisinage Ensemble de solutions définies comme proches Par exemple, V(s) = {s : distance Hamming (s, s ) d}
31 Définitions Plateau Ensemble de solutions voisines de même qualité Plateau optimum local Plateau dont les solutions dans le voisinage ne sont pas meilleures
32 Exercice Exercice Pour chaque problème, Compter le nombre d optima globaux Compter le nombre d optima locaux
33 Problème
34 Problème
35 Problème
36 Problème
37 Correction : problème
38 Correction : problème
39 Correction : problème
40 Correction : Problème
41 Search algorithms Principle Enumeration of the search space A lot of ways to enumerate the search space Using random sampling : Monte Carlo technics Local search technics :
42 Retour à MAX-SAT Comment résoudre ce genre de problèmes? (x 1 x 2 ) ( x 2 x 3 ) (x 1 x 3 ) (x 4 x 2 x 3 ) (x 2 x 4 x 5 ) ( x 2 x 1 x 5 ) ( x 2 x 5 x 4 ) (x 1 x 3 x 4 )
43 Retour à MAX-SAT mathématiquement ou... Exhaustivement n = 20, n = 100,... Aléatoirement Construction de solution (plus tard) Méthodes exactes (plus tard) ou...
44 Heuristiques Heuristique Algorithme de résolution dont la conception repose sur l expérience du concepteur.
45 Heuristiques Heuristique Algorithme de résolution dont la conception repose sur l expérience du concepteur. Souvent : Pas de garantie d obtenir une solution optimale On désire toutefois : Le plus souvent possible une solution proche de l optimalité Le moins souvent possible un mauvaise solution (différent!) Une complexité raisonnable De la simplicité d implémentation (code light en version de base...)
46 Metaheuristiques Peu probable qu un algorithme puisse résoudre tout problème Métaheuristique Ensemble d heuristiques : regroupe des heuristiques dépendant de paramètres décrit une méthode de conception d heuristique de un aveu d impuissance à des techniques performantes d optimisation difficile
47 Metaheuristisques de recherche locale Algorithmes à population de solutions Algorithmes Evolutionnaires (EA) : Holland 1975 et même avant Algorithmes d essaims particulaires (PSO) : R. Ebenhart et J. Kennedy Algorithmes de fourmis (ACO) : Bonabeau 1999
48 Metaheuristisques de recherche locale Algorithmes à solution unique (Recherches aléatoire), Algorithmes de descente : Hill-Climber (HC), première-descente Recuit Simulé (SA) : Kirkpatrick et al 1983, Recherche Tabou (TS) : Glover , Iterated Local Search
49 Stochatic algorithms with unique solution (Local Search) S set of solutions (search space) f : S IR objective function V(s) set of neighbor s solutions of s
50 Recherche Locale (LS) S ensemble des solutions (espace de recherche), f : S IR fonction objectif à maximiser (ou coût à minimiser) V(s) ensemble des solutions voisines de s Algorithme d une Recherche Locale Choisir solution initiale s S while critère d arrêt non vérifié do choisir s V(s) if accept(s, s ) then s s end if end while
51 Un exemple très simple : OneMax Fonction d évaluation du One Max Pour toute chaîne binaire de longueur N, x {0, 1} N f (x) = N i=1 x i Par exemple, pour x = 01101, f (x) = 3 Taille de l espace de recherche S =
52 Un exemple très simple : OneMax Fonction d évaluation du One Max Pour toute chaîne binaire de longueur N, x {0, 1} N f (x) = N i=1 x i Par exemple, pour x = 01101, f (x) = 3 Taille de l espace de recherche S = 2 N
53 Résolution d un problème d optimisation combinatoire Inputs Espace de recherche : Function objectif : X = {0, 1} n f = onemax Goal Find the best solution according to the criterium x = argmax f
54 Recherche aléatoire sur l espace de recherche Algorithme de Recherche Aléatoire (sur l espace de recherche) Choisir solution initiale s S aléatoirement uniformément sur S. while false do... end while V =
55 Recherche aléatoire sur l espace de recherche Algorithme de Recherche Aléatoire (sur l espace de recherche) Choisir solution initiale s S aléatoirement uniformément sur S. V = S
56 Marche aléatoire Heuristique d exploration maximale Marche aléatoire Recherche locale aléatoire Choisir solution initiale s S while Nbr d éval. maxnbeval do Choisir s V(s) aléatoirement s s end while Algorithme inutilisable en pratique Algorithme de comparaison Opérateur local de base de nombreuses métaheuristiques
57 Voisinage des chaines binaires Distance de Hamming Nombre de différence entre 2 chaînes. Voisinage de x {0, 1} N
58 Voisinage des chaines binaires Distance de Hamming Nombre de différence entre 2 chaînes. Voisinage de x {0, 1} N V(x) : ensemble des chaînes binaires à une distance 1 de x. On modifie 1 seul bit
59 Voisinage des chaines binaires Distance de Hamming Nombre de différence entre 2 chaînes. Voisinage de x {0, 1} N V(x) : ensemble des chaînes binaires à une distance 1 de x. On modifie 1 seul bit Pour x = 01101, V(x) = {
60 Voisinage des chaines binaires Distance de Hamming Nombre de différence entre 2 chaînes. Voisinage de x {0, 1} N V(x) : ensemble des chaînes binaires à une distance 1 de x. On modifie 1 seul bit Pour x = 01101, V(x) = { 01100, 01111, 01001, 00101, }
61 Voisinage des chaines binaires Distance de Hamming Nombre de différence entre 2 chaînes. Voisinage de x {0, 1} N V(x) : ensemble des chaînes binaires à une distance 1 de x. On modifie 1 seul bit Pour x = 01101, V(x) = { 01100, 01111, 01001, 00101, } Taille du voisinage d une chaîne binaire de longueur :
62 Voisinage des chaines binaires Distance de Hamming Nombre de différence entre 2 chaînes. Voisinage de x {0, 1} N V(x) : ensemble des chaînes binaires à une distance 1 de x. On modifie 1 seul bit Pour x = 01101, V(x) = { 01100, 01111, 01001, 00101, } Taille du voisinage d une chaîne binaire de longueur : N
63 Hill-Climber (HC) (ou steepest-descent) Heuristique d exploitation maximale. Hill Climber (best-improvement) Choisir solution initiale s S while s is not optimum local do Choisir s V(s) telle que f (s ) est maximale if f (s ) is better than f (s) then s s end if end while Algorithme de comparaison Opérateur local de base de métaheuristique
64 Une variante : first-improvement Hill-climber First-improvement Choisir solution initiale s S while s is not optimum local ET nbr d éval. maxnbeval do Choisir s V(s) aléatoirement if f (s ) is better than f (s) then s s end if end while
65 Une variante : first-improvement Hill-climber First-improvement Choisir solution initiale s S while s is not optimum local ET nbr d éval. maxnbeval do Choisir s V(s) aléatoirement if f (s ) is better than f (s) then s s end if end while Quelle est l avantage de cet algorithme par rapport au Hill-Climber Best-improvement?
66 Stochatic algorithms with unique solution (Local Search) S set of solutions (search space) f : S IR objective function V(s) set of neighbor s solutions of s
67 Idée derrière la stratégie locale Pourquoi une stratégie locale de recherche basé sur un voisinage?
68 Idée derrière la stratégie locale Pourquoi une stratégie locale de recherche basé sur un voisinage?
69 Idée derrière la stratégie locale Pourquoi une stratégie locale de recherche basé sur un voisinage? Départ Arrivée Réduire la résolution du problème global à une suite de problèmes de petite taille Avantage : réduire la complexité
70 Idée derrière la stratégie locale Pourquoi une stratégie locale de recherche basé sur un voisinage? Optimum global Départ Arrivée Réduire la résolution du problème global à une suite de problèmes de petite taille Avantage : réduire la complexité Risque : ne pas aboutir à une solution optimale
71 Concevoir et implémenter une recherche locale Points critiques dans la conception S, codage des solutions f : S IR, bonne mesure de la qualité des solutions V, les voisins doivent être voisins par rapport à f Sélection du voisin, critère d acceptation Critère d arrêt (algorithme anytime, non) Introduction d une expertise particulière sur un problème Points critiques dans l implémentation Choix des structures de données (complexité) Evaluation incrémentale (complexité de l évaluation) Générateur aléatoire...
72 Points critiques Codage des solutions Voisinage Codage plus ou moins redondant, Introduction dans le codage de connaissances au problème, Complexité du codage, de l évaluation Taille (nombre de voisins) : V(s) Continuité : Pour tout s S et s V(s), Pr( f (s ) f (s) ɛ) est grande Probabilité d amélioration de la solution grande : Pr({s V(s) : f (s ) > f (s)}) Fonction évaluation (fitness) Fonction f doit être un guide vers l optimalité : Plus f (x) est grand, plus x est proche de l optimum. Fonction f ne doit pas être trompeuse
73 Marche aléatoire Heuristique d exploration maximale Recherche locale aléatoire Marche aléatoire Choisir solution initiale s S while Nbr d éval. maxnbeval do Choisir s V(s) aléatoirement s s end while Algorithme inutilisable en pratique Algorithme de comparaison Opérateur local de base de nombreuses métaheuristiques
74 Hill-Climber (HC) Heuristique d exploitation maximale. Hill Climber (best-improvement) Choisir solution initiale s S while s is not optimum local do Choisir s V(s) telle que f (s ) est maximale if f (s ) is better than f (s) then s s end if end while Algorithme de comparaison Opérateur local de base de métaheuristique
75 Hill-Climber (HC) Quel est l inconvénient majeur du Hill-Climbing?
76 Optimum local Optimum local Etant donné (S, f, V), f à maximiser. x est un optimum local ssi pour tout x V(x ), f (x) f (x ) Optimum local strict Etant donné (S, f, V), f à maximiser x est un optimum local ssi pour tout x V(x ), f (x) < f (x )
77 Hill-Climber (HC) Peut-on imaginer des situations où ce n est qu un inconvénient relatif?
78 Metaheuristics Random search / Hill Climbing Algorithm 1 Random walk Choisir solution initiale s S while Nbr d éval. maxnbeval do Choisir s V(s) aléatoirement s s end while Algorithm 2 Hill-climbing Choisir solution initiale s S while s is not optimum local do Choisir s V(s) telle que f (s ) est maximale if f (s ) is better than f (s) then s s end if end while
79 Metaheuristics Random search / Hill Climbing Random walk Hill-climbing Objective function Objective function local optimum local optimum search space search space maximal exploration, diversification Compromis Exploration / Exploitation maximal exploitation, intensification Escape from local optima, etc. = simulated annealing, tabu search, Iterated Local Searc
80 Recuit Simulé (Simulated Annealing) Utilisé depuis les années 80, Metropolis (1953) simulation du refroidissement de matériaux (Thermodynamique) Kirkpatrick et al (IBM 1983) utilisation pour la résolution de problème d optimisation. But : échapper aux optima locaux Principe : probabilité non nulle de sélection d une solution voisine dégradée
81 Recuit Simulé : analogie Système physique Energie Etats du système États de basse énergie Température Problème d optimisation fonction objectif solution bonne solution paramètre de contrôle Performance Optimum local Solutions
82 Recuit Simulé Choisir solution initiale s S et temperature initiale T repeat choisir aléatoirement s V(s), = f (s ) f (s) if > 0 then s s else u nombre aléatoire de [0, 1] if u < e T then s s end if end if update temperature T until Critère d arrêt vérifié
83 Recuit Simulé : remarques Si < 0 alors la probabilité exp( T ) est proche de 0 lorsque : la différence = f (s ) f (s) est grande la temperature est petite Conséquences : lorsque température grande (début de la recherche) : recherche aléatoire lorsque température petite (fin de la recherche) : Hill-Climbing
84 Recuit Simulé : température initiale Evaluer 0 = f (s 0 ) f (s 0) : Choisir n (grand si possible) solutions aléatoires initiales s 0 et une solution voisine s 0 calculer la moyenne de 0 sur l échantillon Température initiale T 0 telle que τ 0 = e 0 T 0 désiré : qualité médiocre (τ 0 = 0.50) : démarrage à haute température qualité bonne (τ 0 = 0.20) : démarrage à basse température
85 Recuit Simulé : décroissance de température décroissance suivant une loi géométrique T k+1 = αt k souvent 0.8 α < 1.0 Changement par pallier de température suivant l une des deux conditions : 12.N perturbations acceptées (mouvements de solution) 100.N perturbations tentées (mouvement ou non mouvement) où N est un paramètre qui décrit la taille du problème (nombre de villes, de variables...)
86 Recuit Simulé : Critère d arrêt Arrêt aprés 3 palliers successifs sans aucune acceptation.
87 Recuit Simulé : Remarques Toutes ces indications ne sont pas universelles : L analyse du problème et l expérience de concepteur permettent de les adapter Vérifier votre générateur aléatoire La qualité du résultat doit dépendre peu de l exécution de l algorithme Premières Applications : dans le placement de circuits électroniques
88 Recuit Simulé : Bibliographie E. Aarts, J. Korst : Simulated Annealing and Boltzmann machine John Wiley, New-York 1989 P. Siarry : La méthode du recuit simulé : théorie et application ESPCI - IDSET, 10 rue Vauquelin, Paris 1989
89 Recherche Tabou (Tabu Search) Introduite par Glover en 1986 : Future paths for Integer Programming and Links to Artificial Intelligence, Computers and Operations Research, 5 : , But : échapper aux optima locaux Principe : Introduction d une notion de mémoire dans la stratégie d exploration Interdiction de reprendre des solutions déjà (ou récemment) rencontrées
90 Recherche Tabou (Tabu Search) Choisir solution initiale s S Initialiser Tabou M repeat choisir s V(s) telle que : ( f (s ) meilleure solution de V(s) ET Critère d aspiration vérifié ) OU f (s ) meilleure solution de V(s) non taboue s s update Tabou M until Critère d arrêt vérifié
91 Recherche Tabou : mémoire des tabous Les tabous sont souvent des mouvements tabous pendant une durée exemple : problème maxsat avec n = 6 M = (0, 3, 0, 0, 0, 0) le deuxième bit ne peut être modifié pendant 3 itérations. M = (1, 2, 0, 0, 2, 5) seuls bits non tabou 3 et 4 Lorsqu un mouvement est effectué : interdiction pendant n itérations
92 Recherche Tabou : mémoire des tabous Lorsqu un mouvement est effectué : interdiction pendant n itérations Si n trop faible, tabou peu efficace Si n trop grand, les solutions sont à flanc de coteau. Stratégie de diversification
93 Recherche Tabou : Mémoire à long terme Statistique sur les mouvements : Repérer les mouvements trop utilisés (difficulté de recherche, optimum local...) Fréquence freq(m) d utilisation d un mouvement m : pénalisation du mouvement m par ajout d interdiction en fonction de freq(m).
94 Recherche Tabou : Critère d aspiration Enlever le caractère tabou d une solution : Lorsque la solution est la meilleure jamais rencontrée
95 Recherche Tabou : Bibliographie Glover et al : Tabu Search Kluwer Academic Publishers, 1997
96 Iterated Local Search Principe Une fois la solution courante dans un optimum local, Perturbation (grande modification) de la solution courante pour initier une nouvelle recherche locale à partir de celle-ci.
97 Iterated Local Search (ILS) Algorithme Choisir solution initiale s S s localsearch(s) repeat s perturbation(s) s localsearch(s ) Si accept(s, s ) Alors s s FinSi until Critère d arrêt vérifié
98 Paysage de fitness Origine Biologique (Wright 1930) : Modélisation évolution des espèces Utiliser pour modéliser des systèmes dynamiques : physique statistique, évolution moléculaire, écologie, etc
99 Optimisation combinatoire Paysage de fitness (S, V, f ) : S : ensemble de solutions potentielles, V : S 2 S : relation de voisinage, V(x) = {y y = op(x)} V(x) = {y d(y, x) 1} f : S IR : fonction à optimiser.
100 Intérêts du concept Relation entre description géométrique d un problème et dynamique de recherche Pertinence du choix de l opérateur Connaissance de la géométrie du problème conception de métaheuristiques adaptées
101 Paysage Multimodal Optimum local : aucune solution voisine de meilleure performance. Fitness paysage multimodal Difficulté liée au nombre Taille des bassins d attraction Estimation : Marche adaptative (s 0, s 1,...) où s i+1 V(s i ) f (s i ) < f (s i+1 ) Terminaison sur optimum local Longueur : indice de distance inter-optima
102 Paysage Rugueux performance rho(s) pas s pas s Autocorrélation lors d une marche aléatoire (Weinberger 1996) Longueur de corrélation τ = 1 ρ(1) τ petit : paysage rugueux τ grand : paysage lisse
103 Paysage Rugueux performance rho(s) pas s pas s Autocorrélation lors d une marche aléatoire (Weinberger 1996) Longueur de corrélation τ = 1 ρ(1) τ petit : paysage rugueux τ grand : paysage lisse conjecture (Stadler 92, Garcia 97) : M S / B(x, τ)
104 Paysage Neutre Théorie de la neutralité (Kimura 1960) Théorie de la mutation et de la dérive aléatoire Rôle prépondérant des mutations sans influence sur la performance Fitness Espace des genotypes Géométrie de plateaux Degré de neutralité Réseaux de neutralité (Schuster 1994, structure secondaire de l ARN)
105 Paysage Neutre Évolution artificielle Prise en compte depuis les années 80 en évolution artificielle : redondance (Goldberg 87) Fitness Espace des genotypes Présence dans : Programmation génétique Contrôleur de robot Conception de circuit (Cartesian GP) Étiquetage de graphe (MinLA)
106 Paysage neutre Optimisation combinatoire Plusieurs possibilités : Diminuer la neutralité : conjecture : redondance nuit aux performances Utiliser une métaheuristique adaptée : conjecture : neutralité est intrisèque Augmenter la neutralité par un choix de codage redondant : conjecture : éviter les optima locaux
107 Paysage neutre Optimisation combinatoire Plusieurs possibilités : Diminuer la neutralité : conjecture : redondance nuit aux performances Utiliser une métaheuristique adaptée : conjecture : neutralité est intrisèque Augmenter la neutralité par un choix de codage redondant : conjecture : éviter les optima locaux Meilleure description et connaissance des paysages neutres Concevoir de nouvelles métaheuristiques Évaluer la pertinence d un codage
108 Darwin
109 Darwin Charles Darwin (12 février avril 1882) On the Origin of Species by Means of Natural Selection, or the Preservation of Favoured Races in the Struggle for Life (1859)
110 Darwin Charles Darwin (12 février avril 1882) On the Origin of Species by Means of Natural Selection, or the Preservation of Favoured Races in the Struggle for Life (1859) Pouvez-vous définir l apport de Darwin?
111 Darwin in very short Avant Darwin : transformisme de Lamark Les espèces se complexifient sous l effet d une dynamique interne Darwin : Selection naturelle moteur de l évolution des espèces Comme il naît beaucoup plus d individus de chaque espèce qu il n en peut survivre, et que, par conséquent, il se produit souvent une lutte pour la vie, il s ensuit que tout être, s il varie, même légèrement, d une manière qui lui est profitable, dans les conditions complexes et quelquefois variables de la vie, aura une meilleure chance pour survivre et ainsi se retrouvera choisi d une façon naturelle. En raison du principe dominant de l hérédité, toute variété ainsi choisie aura tendance à se multiplier sous sa forme nouvelle et modifiée Après Darwin : Theorie synthétique (th. toujours en mouvement) Sélection naturelle et loi de l hérédité de Mendel (génétique des populations)
112 Evolutionary Algorithms (EA) from the artificial evolution Principe of evolutionary algorithms Les méthodes evolutionnaires retiennent les 2 principes de : Variations aléatoires Sélection des meilleurs solutions pour résoudre les problèmes d optimisation. EA beaucoup moins contraint que l évolution naturelle... Definition/classification of Evolutionary algorithms Algorithme d optimisation stochastique (ou metaheuristique) à population
113 Introduction aux algorithmes évolutionnaires (Evolutionary Algorithm) Cours introductif de l école d été en évolution artificielle site de l école d été : https: //sites.google.com/site/ecoleea2012/programme Marc Schoenauer, juin 2012 : site/ecoleea2012/schoenauer.pdf?attredirects=0
114 Algorithms framework EO, paradiseo (c++) : evolutionary algorithm, local search, multiobjective optimisationn parallelisation method openbeagle (c++) : less used than paradiseo ECJ (java) : nearly the same asparadiseo, but neither local search, neither parallelisation matlab, scilab : numerical optimisation (CMA-ES) Frontend GUIDE : graphic user interface to develop an EA with ECJ or EO
115 Exemples d application (titre papier de Gecco 2007) Genetically Generated Double-Level Fuzzy Controller with a Fuzzy Adjustment Strategy Evolving Distributed Agents for Managing Air Traffic A Genetic Algorithm for Dynamic Modelling and Prediction of Activity in Document Streams Multiobjective Network Design for Realistic Traffic Models Coupling EA and High-level Metrics for the Automatic Generation of Test Blocks for Peripheral Cores Real-Coded ECGA for Economic Dispatch Simultaneous Optimization of Production Planning and Inspection Planning for Flexible Manufacturing Systems Automated Red Teaming : A Proposed Framework for Military Application Graph-based Sequence Clustering through Multiobjective Evolutionary Algorithms for Web Recommender Systems
116 Exemples d application (titre papiers de Gecco 2007) Configuring an Evolutionary Tool for the Inventory and Transportation Problem Option Pricing Model Calibration using a Real-valued Quantum-inspired Evolutionary Algorithm Mining Breast Cancer Data with XCS Automated Synthesis of a Fixed-Length Loaded Symmetric Dipole Antenna Whose Gain Exceeds That of a Commercial Antenna and Matches the Theoretical Maximum...
117 Conclusions provisoires echecs : J ai essaye en boite noire, ca ne marche pas... J ai essaye sur un problème facile, c était ridiculement lent, compare à... Contextes recommandés : Problèmes non résolus fonctions chahutées, contraintes chahutées Plusieurs optima critères implicites, multi-critères Problèmes (très) mal posés validation de l utilisateur A coupler avec des méthodes locales avec mesure Choix crucial : la représentation et les opérateurs de variation
118 Main questions the choice of the representation and local search operators : to have the more regular neighborhood Exploration / exploitation tradeoff : use the local information and explore new part of the search space design of the search parameters : link to other problem
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
Plus en détailOrdonnancement en temps réel d un jobshop par métaheuristique hybride : étude comparative
Ordonnancement en temps réel d un jobshop par métaheuristique hybride : étude comparative Y. Houbad, M. Souier, A. Hassam, Z.Sari Laboratoire d automatique Tlemcen Faculté de technologie, Université Abou
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 détailCours des Méthodes de Résolution Exactes Heuristiques et Métaheuristiques
Université Mohammed V, Faculté des Sciences de Rabat Laboratoire de Recherche Mathématiques, Informatique et Applications Cours des Méthodes de Résolution Exactes Heuristiques et Métaheuristiques MASTER
Plus en détailUne application des algorithmes génétiques à l ordonnancement d atelier
Une application des algorithmes génétiques à l ordonnancement d atelier VACHER Jean-Philippe - GALINHO Thierry - MAMMERI Zoubir Laboratoire d Informatique du Havre Université du Havre 25, Rue Philippe
Plus en détailphysicien diplômé EPFZ originaire de France présentée acceptée sur proposition Thèse no. 7178
Thèse no. 7178 PROBLEMES D'OPTIMISATION DANS LES SYSTEMES DE CHAUFFAGE A DISTANCE présentée à l'ecole POLYTECHNIQUE FEDERALE DE ZURICH pour l'obtention du titre de Docteur es sciences naturelles par Alain
Plus en détailLES MÉTA-HEURISTIQUES : quelques conseils pour en faire bon usage
LES MÉTA-HEURISTIQUES : quelques conseils pour en faire bon usage Alain HERTZ Ecole Polytechnique - GERAD Département de mathématiques et de génie industriel CP 679, succ. Centre-ville, Montréal (QC) H3C
Plus en détailEditing and managing Systems engineering processes at Snecma
Editing and managing Systems engineering processes at Snecma Atego workshop 2014-04-03 Ce document et les informations qu il contient sont la propriété de Ils ne doivent pas être copiés ni communiqués
Plus en détailApproche d'évaluation pour les problèmes d'ordonnancement multicritères : Méthode d'agrégation avec direction de recherche dynamique
Approche d'évaluation pour les problèmes d'ordonnancement multicritères : Méthode d'agrégation avec direction de recherche dynamiue D. BERKOUNE 2, K. MESGHOUNI, B. RABENASOLO 2 LAGIS UMR CNRS 846, Ecole
Plus en détailOptimisation et programmation mathématique. Professeur Michel de Mathelin. Cours intégré : 20 h
Télécom Physique Strasbourg Master IRIV Optimisation et programmation mathématique Professeur Michel de Mathelin Cours intégré : 20 h Programme du cours d optimisation Introduction Chapitre I: Rappels
Plus en détailProblème à résoudre. min f(s) s.c. s S
Métaheuristiques Le mot métaheuristique est dérivé de la composition de deux mots grecs: - heuristique qui vient du verbe heuriskein (ευρισκειν) et qui signifie trouver - meta qui est un suffixe signifiant
Plus en détailGrégoire de Lassence. Copyright 2006, SAS Institute Inc. All rights reserved.
Grégoire de Lassence 1 Grégoire de Lassence Responsable Pédagogie et Recherche Département Académique Tel : +33 1 60 62 12 19 gregoire.delassence@fra.sas.com http://www.sas.com/france/academic SAS dans
Plus en détailCorrigé 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
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 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 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 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 détailMABioVis. Bio-informatique et la
MABioVis Modèles et Algorithmes pour la Bio-informatique et la Visualisation Visite ENS Cachan 5 janvier 2011 MABioVis G GUY MELANÇON (PR UFR Maths Info / EPI GRAVITE) (là, maintenant) - MABioVis DAVID
Plus en détailQualité du logiciel: Méthodes de test
Qualité du logiciel: Méthodes de test Matthieu Amiguet 2004 2005 Analyse statique de code Analyse statique de code Étudier le programme source sans exécution Généralement réalisée avant les tests d exécution
Plus en détailMinimisation de la somme des retards dans un jobshop flexible
Minimisation de la somme des retards dans un jobshop flexible Nozha ZRIBI, Imed KACEM, Abdelkader EL KAMEL, Pierre BORNE LAGIS Ecole Centrale de Lille, BP 48, 5965 Villeneuve d Ascq Cedex, France ISTIT
Plus en détailINSERTION TECHNIQUES FOR JOB SHOP SCHEDULING
INSERTION TECHNIQUES FOR JOB SHOP SCHEDULING ÉCOLE POLYTECHNIQUE FÉDÉRALE DE LAUSANNE POUR L'OBTENTION DU GRADE DE DOCTEUR ES SCIENCES PAR Tamas KIS Informaticien mathématicien diplômé de l'université
Plus en détailExamen Médian - 1 heure 30
NF01 - Automne 2014 Examen Médian - 1 heure 30 Polycopié papier autorisé, autres documents interdits Calculatrices, téléphones, traducteurs et ordinateurs interdits! Utilisez trois copies séparées, une
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 détailInstructions Mozilla Thunderbird Page 1
Instructions Mozilla Thunderbird Page 1 Instructions Mozilla Thunderbird Ce manuel est écrit pour les utilisateurs qui font déjà configurer un compte de courrier électronique dans Mozilla Thunderbird et
Plus en détailUn couplage métaheuristique / simulation appliqué au problème du job shop avec transport
Un couplage métaheuristique / simulation appliqué au problème du job shop avec transport LAURENT DEROUSSI 1, ICHEL GOURGAND 2 LIOS CNRS UR 6158 1 IUT de ontluçon, Avenue Aristide Briand B.P. 2235, 03101
Plus en détailSurveillance et maintenance prédictive : évaluation de la latence de fautes. Zineb SIMEU-ABAZI Univ. Joseph Fourier, LAG)
Surveillance et maintenance prédictive : évaluation de la latence de fautes Zineb SIMEU-ABAZI Univ. Joseph Fourier, LAG) SURVEILLANCE Analyser une situation et fournir des indicateurs! Détection de symptômes!
Plus en détailJean-Philippe Préaux http://www.i2m.univ-amu.fr/~preaux
Colonies de fourmis Comment procèdent les colonies de fourmi pour déterminer un chemin presque géodésique de la fourmilière à un stock de nourriture? Les premières fourmis se déplacent au hasard. Les fourmis
Plus en détailMonitoring continu et gestion optimale des performances énergétiques des bâtiments
Monitoring continu et gestion optimale des performances énergétiques des bâtiments Alexandre Nassiopoulos et al. Journée d inauguration de Sense-City, 23/03/2015 Croissance de la demande énergétique et
Plus en détailLa gestion des flux de trafic aérien en Europe : état de l art, problèmes et perspectives
La gestion des flux de trafic aérien en Europe : état de l art, problèmes et perspectives Marc Bisiaux Contexte: La gestion des flux aériens et des capacités de trafic aujourd hui. Le trafic aérien en
Plus en détailALGORITHME GENETIQUE ET MODELE DE SIMULATION POUR L'ORDONNANCEMENT D'UN ATELIER DISCONTINU DE CHIMIE
ALGORITHME GENETIQUE ET MODELE DE SIMULATION POUR L'ORDONNANCEMENT D'UN ATELIER DISCONTINU DE CHIMIE P. Baudet, C. Azzaro-Pantel, S. Domenech et L. Pibouleau Laboratoire de Génie Chimique - URA 192 du
Plus en détail4 Exemples de problèmes MapReduce incrémentaux
4 Exemples de problèmes MapReduce incrémentaux 1 / 32 Calcul des plus courtes distances à un noeud d un graphe Calcul des plus courts chemins entre toutes les paires de noeuds d un graphe Algorithme PageRank
Plus en détailFace Recognition Performance: Man vs. Machine
1 Face Recognition Performance: Man vs. Machine Andy Adler Systems and Computer Engineering Carleton University, Ottawa, Canada Are these the same person? 2 3 Same person? Yes I have just demonstrated
Plus en détailLa programmation à mémoire adaptative ou l évolution des algorithmes évolutifs
La programmation à mémoire adaptative ou l évolution des algorithmes évolutifs Éric D. Taillard 1 Luca M. Gambardella 1 Michel Gendreau 2 Jean-Yves Potvin 2 1 IDSIA, Corso Elvezia 36, CH-6900 Lugano. E-mail
Plus en détailProgrammation linéaire
1 Programmation linéaire 1. Le problème, un exemple. 2. Le cas b = 0 3. Théorème de dualité 4. L algorithme du simplexe 5. Problèmes équivalents 6. Complexité de l Algorithme 2 Position du problème Soit
Plus en détailOrdonnancement temps réel
Ordonnancement temps réel Laurent.Pautet@enst.fr Version 1.5 Problématique de l ordonnancement temps réel En fonctionnement normal, respecter les contraintes temporelles spécifiées par toutes les tâches
Plus en détailOnce the installation is complete, you can delete the temporary Zip files..
Sommaire Installation... 2 After the download... 2 From a CD... 2 Access codes... 2 DirectX Compatibility... 2 Using the program... 2 Structure... 4 Lier une structure à une autre... 4 Personnaliser une
Plus en détailAlgorithmes de recherche d itinéraires en transport multimodal
de recherche d itinéraires en transport multimodal Fallou GUEYE 14 Décembre 2010 Direction : Christian Artigues LAAS-CNRS Co-direction : Marie José Huguet LAAS-CNRS Encadrant industriel : Frédéric Schettini
Plus en détailEPREUVE OPTIONNELLE d INFORMATIQUE CORRIGE
EPREUVE OPTIONNELLE d INFORMATIQUE CORRIGE QCM Remarque : - A une question correspond au moins 1 réponse juste - Cocher la ou les bonnes réponses Barème : - Une bonne réponse = +1 - Pas de réponse = 0
Plus en détailModélisation multi-agents - Agents réactifs
Modélisation multi-agents - Agents réactifs Syma cursus CSI / SCIA Julien Saunier - julien.saunier@ifsttar.fr Sources www-lih.univlehavre.fr/~olivier/enseignement/masterrecherche/cours/ support/algofourmis.pdf
Plus en détailCONFERENCE PALISADE. Optimisation robuste d un plan d expériences par simulation Monte-Carlo Concepts de «Design Space» et de «Quality by Design»
CONFERENCE PALISADE Optimisation robuste d un plan d expériences par simulation Monte-Carlo Concepts de «Design Space» et de «Quality by Design» 1 SIGMA PLUS Logiciels, Formations et Etudes Statistiques
Plus en détailI. Programmation I. 1 Ecrire un programme en Scilab traduisant l organigramme montré ci-après (on pourra utiliser les annexes):
Master Chimie Fondamentale et Appliquée : spécialité «Ingénierie Chimique» Examen «Programmation, Simulation des procédés» avril 2008a Nom : Prénom : groupe TD : I. Programmation I. 1 Ecrire un programme
Plus en détailAnnexe 6. Notions d ordonnancement.
Annexe 6. Notions d ordonnancement. APP3 Optimisation Combinatoire: problèmes sur-contraints et ordonnancement. Mines-Nantes, option GIPAD, 2011-2012. Sophie.Demassey@mines-nantes.fr Résumé Ce document
Plus en détailHela Boukef. To cite this version: HAL Id: tel-00577101 https://tel.archives-ouvertes.fr/tel-00577101
Sur l ordonnancement d ateliers job-shop flexibles et flow-shop en industries pharmaceutiques : optimisation par algorithmes génétiques et essaims particulaires Hela Boukef To cite this version: Hela Boukef.
Plus en détailLaboratoire d Automatique et Productique Université de Batna, Algérie
Anale. Seria Informatică. Vol. IX fasc. 2 Annals. Computer Science Series. 9 th Tome st Fasc. 2 La sélection de paramètres d un système industriel par les colonies de fourmis Ouahab Kadri, L. Hayet Mouss,
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 détailExercices sur SQL server 2000
Exercices sur SQL server 2000 La diagramme de classe : Exercices sur SQL server 2000 Le modèle relationnel correspondant : 1 Créer les tables Clic-droit on Tables et choisir «New Table» Créer la table
Plus en détailTHÈSE DE DOCTORAT DE L UNIVERSITÉ PARIS 12-VAL DE MARNE UFR de Sciences et Technologie. par. Walid TFAILI. pour obtenir le grade de
THÈSE DE DOCTORAT DE L UNIVERSITÉ PARIS 12-VAL DE MARNE UFR de Sciences et Technologie par Walid TFAILI pour obtenir le grade de DOCTEUR EN SCIENCES Spécialité : SCIENCES DE L INGÉNIEUR Option : Optimisation
Plus en détailDifférentes opérateurs évolutionnaires de permutation: sélections, croisements et mutations
LABORATOIRE D INFORMATIQUE DE L UNIVERSITE DE FRANCHE-COMTE EA 4269 Différentes opérateurs évolutionnaires de permutation: sélections, croisements et mutations Mais HAJ-RACHID, Christelle BLOCH, Wahiba
Plus en détailInstitut français des sciences et technologies des transports, de l aménagement
Institut français des sciences et technologies des transports, de l aménagement et des réseaux Session 3 Big Data and IT in Transport: Applications, Implications, Limitations Jacques Ehrlich/IFSTTAR h/ifsttar
Plus en détailSommaire. Introduction.2. 1. Définition..2. 2. Historique.2. 3. Domaine d application.2. 4.Les Travaux réalisés sur les domaines d application.
Sommaire Introduction.2 1. Définition..2 2. Historique.2 3. Domaine d application.2 4.Les Travaux réalisés sur les domaines d application.3 5.Algorithme 4 6.Exemple d application 5 7. Avantage et inconvénient..6
Plus en détailIngénierie et gestion des connaissances
Master Web Intelligence ICM Option Informatique Ingénierie et gestion des connaissances Philippe BEAUNE Philippe.Beaune@emse.fr 18 novembre 2008 Passer en revue quelques idées fondatrices de l ingénierie
Plus en détailEchantillonnage Non uniforme
Echantillonnage Non uniforme Marie CHABERT IRIT/INP-ENSEEIHT/ ENSEEIHT/TéSASA Patrice MICHEL et Bernard LACAZE TéSA 1 Plan Introduction Echantillonnage uniforme Echantillonnage irrégulier Comparaison Cas
Plus en détailParis Airports - Web API Airports Path finding
Paris Airports - Web API Airports Path finding Hackathon A660 Version Version Date writer Comment 1.0 19/05/2015 Olivier MONGIN Document creation Rédacteur : Olivier.MONGIN@adp.fr Date : 19/05/2015 Approbateur
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 détailGénération de code binaire pour application multimedia : une approche au vol
Génération de binaire pour application multimedia : une approche au vol http://hpbcg.org/ Henri-Pierre Charles Université de Versailles Saint-Quentin en Yvelines 3 Octobre 2009 Présentation Présentation
Plus en détailPrincipe de symétrisation pour la construction d un test adaptatif
Principe de symétrisation pour la construction d un test adaptatif Cécile Durot 1 & Yves Rozenholc 2 1 UFR SEGMI, Université Paris Ouest Nanterre La Défense, France, cecile.durot@gmail.com 2 Université
Plus en détailApplication Form/ Formulaire de demande
Application Form/ Formulaire de demande Ecosystem Approaches to Health: Summer Workshop and Field school Approches écosystémiques de la santé: Atelier intensif et stage d été Please submit your application
Plus en détailLes colonies de fourmis : apprentissage coopératif pour le problème du voyageur de commerce
: apprentissage coopératif pour le problème du voyageur de commerce Alexandre Bargeton Benjamin Devèze Université Pierre et Marie Curie Présentation du projet ANIMAT 1 Comportements collectifs des insectes
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 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 détailBourses d excellence pour les masters orientés vers la recherche
Masters de Mathématiques à l'université Lille 1 Mathématiques Ingénierie Mathématique Mathématiques et Finances Bourses d excellence pour les masters orientés vers la recherche Mathématiques appliquées
Plus en détailNouvelles propositions pour la résolution exacte du problème de sac à dos bi-objectif unidimensionnel en variables binaires
Nouvelles propositions pour la résolution exacte du problème de sac à dos bi-objectif unidimensionnel en variables binaires Julien Jorge, Xavier Gandibleux Laboratoire d Informatique de Nantes Atlantique
Plus en détailBig Data et Graphes : Quelques pistes de recherche
Big Data et Graphes : Quelques pistes de recherche Hamamache Kheddouci http://liris.cnrs.fr/hamamache.kheddouci Laboratoire d'informatique en Image et Systèmes d'information LIRIS UMR 5205 CNRS/INSA de
Plus en détail1 Modélisation d être mauvais payeur
1 Modélisation d être mauvais payeur 1.1 Description Cet exercice est très largement inspiré d un document que M. Grégoire de Lassence de la société SAS m a transmis. Il est intitulé Guide de démarrage
Plus en détailCours Informatique Master STEP
Cours Informatique Master STEP Bases de la programmation: Compilateurs/logiciels Algorithmique et structure d'un programme Programmation en langage structuré (Fortran 90) Variables, expressions, instructions
Plus en détailDiscours du Ministre Tassarajen Pillay Chedumbrum. Ministre des Technologies de l'information et de la Communication (TIC) Worshop on Dot.
Discours du Ministre Tassarajen Pillay Chedumbrum Ministre des Technologies de l'information et de la Communication (TIC) Worshop on Dot.Mu Date: Jeudi 12 Avril 2012 L heure: 9h15 Venue: Conference Room,
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 détailEléments de statistique
Eléments de statistique L. Wehenkel Cours du 9/12/2014 Méthodes multivariées; applications & recherche Quelques méthodes d analyse multivariée NB: illustration sur base de la BD résultats de probas en
Plus en détailE-Biothon : Une plate-forme pour accélérer les recherches en biologie, santé et environnement.
E-Biothon : Une plate-forme pour accélérer les recherches en biologie, santé et environnement. N.Bard, S.Boin, F.Bothorel, P.Collinet, M.Daydé, B. Depardon, F. Desprez, M.Flé, A.Franc, J.-F. Gibrat, D.
Plus en détailMéthaheuristiques pour l optimisation combinatoire et l affectation sous contraintes
Méthaheuristiques pour l optimisation combinatoire et l affectation sous contraintes Jin-Kao Hao *, Philippe Galinier **, Michel Habib *** * LERIA, U.F.R. Sciences, Université d Angers, 2 bd Lavoisier,
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 détailSystème Immunitaire Artificiel Parallèle appliqué aux Flow Shop Hybride (FSH)
République Algérienne Démocratique et Populaire Ministère de l Enseignement Supérieur et de la Recherche Scientifique Université des Sciences et de la Technologie d Oran -Mohamed Boudiaf USTO-MB Faculté
Plus en détailRISK-BASED TRANSPORTATION PLANNING PRACTICE: OVERALL METIIODOLOGY AND A CASE EXAMPLE"' RESUME
RISK-BASED TRANSPORTATION PLANNING PRACTICE: OVERALL METIIODOLOGY AND A CASE EXAMPLE"' ERTUGRULALP BOVAR-CONCORD Etwiromnental, 2 Tippet Rd. Downsviel+) ON M3H 2V2 ABSTRACT We are faced with various types
Plus en détailLes simulations dans l enseignement des sondages Avec le logiciel GENESIS sous SAS et la bibliothèque Sondages sous R
Les simulations dans l enseignement des sondages Avec le logiciel GENESIS sous SAS et la bibliothèque Sondages sous R Yves Aragon, David Haziza & Anne Ruiz-Gazen GREMAQ, UMR CNRS 5604, Université des Sciences
Plus en détailCONTEC CO., LTD. Novembre 2010
La gamme CONTEC CONTEC CO., LTD. Novembre 2010 1 Agenda Introduction Data acquisition and control Data Communication Expansion chassis and accessory Distributed I/O and media converter Stainless steel
Plus en détailINSTITUT MARITIME DE PREVENTION. For improvement in health and security at work. Created in 1992 Under the aegis of State and the ENIM
INSTITUT MARITIME DE PREVENTION For improvement in health and security at work Created in 1992 Under the aegis of State and the ENIM Maritime fishing Shellfish-farming Sea transport 2005 Le pilier social
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 détailLe No.1 de l économie d énergie pour patinoires.
Le No.1 de l économie d énergie pour patinoires. Partner of REALice system Economie d énergie et une meilleure qualité de glace La 2ème génération améliorée du système REALice bien connu, est livré en
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 détailMapReduce. Malo Jaffré, Pablo Rauzy. 16 avril 2010 ENS. Malo Jaffré, Pablo Rauzy (ENS) MapReduce 16 avril 2010 1 / 15
MapReduce Malo Jaffré, Pablo Rauzy ENS 16 avril 2010 Malo Jaffré, Pablo Rauzy (ENS) MapReduce 16 avril 2010 1 / 15 Qu est ce que c est? Conceptuellement Données MapReduce est un framework de calcul distribué
Plus en détailTHÈSE. présentée à TÉLÉCOM PARISTECH. pour obtenir le grade de. DOCTEUR de TÉLÉCOM PARISTECH. Mention Informatique et Réseaux. par.
École Doctorale d Informatique, Télécommunications et Électronique de Paris THÈSE présentée à TÉLÉCOM PARISTECH pour obtenir le grade de DOCTEUR de TÉLÉCOM PARISTECH Mention Informatique et Réseaux par
Plus en détailDOCUMENT DE TRAVAIL 1998-021. Centre de recherche sur l aide à l évaluation et à la décision dans les organisations (CRAEDO)
Publié par : Published by : Publicación de la : Édition électronique : Electronic publishing : Edición electrónica : Disponible sur Internet : Available on Internet Disponible por Internet : Faculté des
Plus en détailReconstruction de bâtiments en 3D à partir de nuages de points LIDAR
Reconstruction de bâtiments en 3D à partir de nuages de points LIDAR Mickaël Bergem 25 juin 2014 Maillages et applications 1 Table des matières Introduction 3 1 La modélisation numérique de milieux urbains
Plus en détailMCMC et approximations en champ moyen pour les modèles de Markov
MCMC et approximations en champ moyen pour les modèles de Markov Gersende FORT LTCI CNRS - TELECOM ParisTech En collaboration avec Florence FORBES (Projet MISTIS, INRIA Rhône-Alpes). Basé sur l article:
Plus en détailPrésentation de la Grille EGEE
Présentation de la Grille EGEE Introduction aux grilles La grille EGEE Exemples d applications en physique des particules et en sciences de la vie Le cercle vertueux Conclusion Guy Wormser Directeur de
Plus en détailRecherche locale pour un problème d optimisation de tournées de véhicules avec gestion des stocks
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» Recherche
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 détailUtiliser une WebCam. Micro-ordinateurs, informations, idées, trucs et astuces
Micro-ordinateurs, informations, idées, trucs et astuces Utiliser une WebCam Auteur : François CHAUSSON Date : 8 février 2008 Référence : utiliser une WebCam.doc Préambule Voici quelques informations utiles
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 détailExercices types Algorithmique et simulation numérique Oral Mathématiques et algorithmique Banque PT
Exercices types Algorithmique et simulation numérique Oral Mathématiques et algorithmique Banque PT Ces exercices portent sur les items 2, 3 et 5 du programme d informatique des classes préparatoires,
Plus en détailEfficient Object Versioning for Object- Oriented Languages From Model to Language Integration
Efficient Object Versioning for Object- Oriented Languages From Model to Language Integration Pluquet Frédéric July, 3rd 2012 Etude de techniques efficaces de versionnement d objets pour les langages orientés
Plus en détailMonitoring elderly People by Means of Cameras
Nuadu project Technologies for Personal Hearth Seminar, June 4th, 2009 Monitoring elderly People by Means of Cameras Laurent LUCAT Laboratory of Embedded Vision Systems CEA LIST, Saclay, France 1 Summary
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 détailProjet SINF2275 «Data mining and decision making» Projet classification et credit scoring
Projet SINF2275 «Data mining and decision making» Projet classification et credit scoring Année académique 2006-2007 Professeurs : Marco Saerens Adresse : Université catholique de Louvain Information Systems
Plus en détailBIG Data et R: opportunités et perspectives
BIG Data et R: opportunités et perspectives Guati Rizlane 1 & Hicham Hajji 2 1 Ecole Nationale de Commerce et de Gestion de Casablanca, Maroc, rguati@gmail.com 2 Ecole des Sciences Géomatiques, IAV Rabat,
Plus en détailForthcoming Database
DISS.ETH NO. 15802 Forthcoming Database A Framework Approach for Data Visualization Applications A dissertation submitted to the SWISS FEDERAL INSTITUTE OF TECHNOLOGY ZURICH for the degree of Doctor of
Plus en détailTP: Représentation des signaux binaires. 1 Simulation d un message binaire - Codage en ligne
Objectifs : Ce TP est relatif aux différentes méthodes de codage d une information binaire, et à la transmission en bande de base de cette information. Les grandes lignes de ce TP sont l étude des méthodes
Plus en détailMon Service Public - Case study and Mapping to SAML/Liberty specifications. Gaël Gourmelen - France Telecom 23/04/2007
Mon Service Public - Case study and Mapping to SAML/Liberty specifications Gaël Gourmelen - France Telecom 23/04/2007 Agenda Brief presentation of the "Mon Service Public" project (main features) Detailed
Plus en détailIntroduction à MATLAB R
Introduction à MATLAB R Romain Tavenard 10 septembre 2009 MATLAB R est un environnement de calcul numérique propriétaire orienté vers le calcul matriciel. Il se compose d un langage de programmation, d
Plus en détailMise en place d un système de cabotage maritime au sud ouest de l Ocean Indien. 10 Septembre 2012
Mise en place d un système de cabotage maritime au sud ouest de l Ocean Indien 10 Septembre 2012 Les défis de la chaine de la logistique du transport maritime Danielle T.Y WONG Director Logistics Performance
Plus en détail