Ant Colony Optimisation.
|
|
- Jean-Noël Leroux
- il y a 7 ans
- Total affichages :
Transcription
1 Ant Colony Optimisation 1/77
2 Plan Fourragement fourmis Algorithmes fourmis Ant Colony Optimisation appliqué au TSP Généralisation ACO Analyse de l'algorithme 2/77
3 Fourragement ches les fourmis Mecanisme de recherche de nourriture chez fourmis 3/77
4 Fourragement ches les fourmis 4/77
5 Fourragement ches les fourmis 5/77
6 Fourragement ches les fourmis Mecanisme de recherche de nourriture chez fourmis Quand on observe des fourmis Lignes de fourmis Suivent un chemin Comment ce chemin est il construit? Question philosophe Touche à la notion d'emergence / holisme Organe / corps 6/77
7 Fourragement ches les fourmis Mecanisme de recherche de nourriture chez fourmis Quand on observe des fourmis Lignes de fourmis Suivent un chemin Comment ce chemin est il construit? Experiences éthologie 7/77
8 Double bridge experiment Deneubourg (1990) 8/77
9 Résultats observés (Deneubourg) Une colonie de fourmis Chemins de taille identique Interpretation? 9/77
10 Résultats observés (Deneubourg) Une colonie de fourmis Chemins de taille identique Interpretation? Brisure de symétrie Toutes les fourmis empruntent le meme chemin 10/77
11 Résultats observés (Deneubourg) Une colonie de fourmis Chemins de tailles différentes Interpretation? 11/77
12 Résultats observés (Deneubourg) Une colonie de fourmis Chemins de tailles différentes Interpretation? La colonie suit le chemin le plus court 12/77
13 Avec une fourmi Quand on dispose une seule fourmi Elle suit de manière indifférenciée un chemin Que les chemins ont la meme taille ou non Ou se trouve l'intelligence? Quell est la source de l'intelligence? 13/77
14 Avec une fourmi Quand on dispose une seule fourmi Elle suit de manière indifférenciée un chemin Que les chemins ont la meme taille ou non Ou se trouve l'intelligence? Quell est la source de l'intelligence? Une réponse Plutot que faire un système complexe Faire des individus simples en interaction 14/77
15 Stigmergie Principe fondamental de coordination Origine Grasse[59] et termites Adaptent leur comportement Localement Theraulaz, construction de nids 15/77
16 Stigmergie Principe fondamental de coordination Origine Grasse[59] et termites Adaptent leur comportement Localement Principe Environnement stocke mémoire du groupe Communication indirecte "le travail guide l'ouvrier" ==> solution complexité collective 16/77
17 Stigmergie Communication indirecte environnement 17/77
18 Stigmergie Communication indirecte environnement 18/77
19 Stigmergie Communication indirecte environnement 19/77
20 Stigmergie Communication indirecte environnement 20/77
21 Stigmergie Communication indirecte environnement 21/77
22 Stigmergie Communication indirecte environnement 22/77
23 Stigmergie Communication indirecte environnement 23/77
24 Fourragement fourmis Principe Fourmis déposent des phéromones + mécanisme evaporation Quand elles ramènent la nourriture Les phéromones se dissipent Boucle amplificatrice Certains chemins deviennent marqués Évaporation Les chemins les plus courts deviennent les plus marqués Ils attirent le plus de fourmis Ces chemins deviennent plus marqués 24/77
25 Fourragement fourmis Principe Fourmis déposent des phéromones + mécanisme evaporation Quand elles ramènent la nourriture Les phéromones se dissipent Boucle amplificatrice Certains chemins deviennent marqués Brisure de symétrie Évaporation Les chemins les plus courts deviennent les plus marqués de petites différences Ils attirent leamplification plus de fourmis Ces chemins deviennent plus marqués 25/77
26 Plan Fourragement fourmis Algorithmes fourmis Ant Colony Optimisation appliqué au TSP Généralisation ACO Analyse de l'algorithme 26/77
27 Algorithme fourmi Ant colony Optimisation Dorigo 1995 Principe Deplacer des fourmis virtuelles Créer des chemins Algorithme global Faire évoluer fourmis Decisions en fonction des phéromones vues Retour des fourmis Depot de phéromones 27/77
28 Algorithme fourmi - décision Prise de décision A partir des phéromones Les chemins plus ou moins marqués τij 28/77
29 Algorithme fourmi - décision Prise de décision Les chemins A partir des phéromones plus ou moins marqués τij Décision stochastique de la fourmi Suivre globalement plus marqué α p ij = β τij. ηij τ αil. ηβil l 29/77
30 Algorithme fourmi - décision Prise de décision Les chemins A partir des phéromones plus ou moins marqués τij Décision stochastique de la fourmi Suivre globalement plus marqué τij. ηij + eventuellement Liste taboue τ αil. ηβil Pour éviter revenir α p ij = β l 30/77
31 Algorithme fourmi - décision Pij Probabilité de suivre chemin ij Tauij Quantité de pheromone en ij Etaij Heuristique à ajouter p ij = α ij β ij τ.η τ l α il β il.η Interet a priori de suivre chemin Beta et alpha Rapport heuristique / passé Exploration vs exploitation Alpha == 0 --> dépend que des heuristiques Beta == 0 --> dépend que des pheromones 31/77
32 Algorithme fourmi MaJ Phéromones Mise à jour phéromones A partir de la fonction objectif Évaporation τ ij =(1 ρ) τ ij +g (s) A partir de l'objectif Une fois le chemin terminé Ajout aux chemins parcouru d'une quantité g(s) Mises à jour prend différentes formes Evaporation Rho désigne taux évaporation 32/77
33 Algorithme fourmi général Initialisation des pistes de phéromone ; Tant que critère d'arrêt non atteint : Déplacer les fourmis mise à jour des pistes de phéromone ; Fin de la boucle. 33/77
34 Dilemne exploration/exploitation Principe Fourmis explorent continuellement Elles exploitent avec phéromones Decouverte de nouveaux chemins Raffinement des chemins Comment? Collectivité permet exploration constante Tout en exploitant Système dynamique capable de s'adapter 34/77
35 Simulations algorithmes fourmis Regarder Plateforme madkit Plateforme netlogo Demonstration 35/77
36 Plan Fourragement fourmis Algorithmes fourmis Ant Colony Optimisation appliqué au TSP Généralisation ACO Analyse de l'algorithme 36/77
37 Algorithme fourmi et résolution de probleme Algorithme précédent Cherche plus court chemin Reproduit experiences biologiques Comment en faire un principe de résolution? Exemple TSP 37/77
38 Ant Colony Optimization ACO ACO webpage Ant Colony Optimisation (dorigo 1995) Quasiment devenu un champ disciplinaire Conférence sur les algorithmes Fourmis,... 38/77
39 ACO et voyageur de commerce Principe global Faire évoluer des fourmis sur le graphe Quand une fourmi finit cycle prise de décision Liste taboue villes visitées Renforcer chemins parcourus Avec g(s)=1 / distance Résultats Parmi les meilleurs observés /77
40 ACO et voyageur de commerce Question Quel est l'espace de recherche? Quel est l'espace de déplacement des fourmis? Comment généraliser le principe? 40/77
41 ACO et voyageur de commerce Question Quel est l'espace de recherche? On cherche une permutation Quel est l'espace de déplacement des fourmis? Comment généraliser le principe? 41/77
42 ACO et voyageur de commerce Question Quel est l'espace de recherche? Quel est l'espace de déplacement des fourmis? On cherche une permutation Pas dans l'espace des permutations Dans l'espace du graphe Comment généraliser le principe? 42/77
43 ACO et voyageur de commerce Question Quel est l'espace de recherche? Quel est l'espace de déplacement des fourmis? On cherche une permutation Pas dans l'espace des permutations Dans l'espace du graphe Comment généraliser le principe? Transforme un probleme statique en dynamique Construire un comportement qui génére une solution 43/77
44 ACO principe général fourmis construisent une solution de manière incrémentale A chaque instant, décision choisissent variable definissant pb Ex: ville suivante Une fois une solution construite Évaluent et mise à jour Ex : longueur du cycle 44/77
45 ACO construction dynamique Solution incrémentale Part de X0 Itération : Xi (u0,,uj-1) --> Xi+1 (u0,,uj-1,uj) Xi solution partielle de longueur i satisfiable Plusieurs choix possibles à chaque étape Pour chaque xi on définit U(xi) les actions possibles Vu comme un problème de décisions multiples Identique à problème de contrôle Trouver la commande a faire à chaque étape pour obtenir la solution optimale 45/77
46 ACO construction dynamique Part X0 vide 46/77
47 ACO construction dynamique Commandes possibles 47/77
48 ACO construction dynamique Choix d une commande 48/77
49 ACO construction dynamique Solution Partielle X1 49/77
50 ACO construction dynamique Commandes Possibles restantes 50/77
51 ACO construction dynamique 51/77
52 ACO controle dynamique En theorie un controleur dans chaque état État == historique des villes parcourues Explosion combinatoire Cela revient à tout tester 52/77
53 ACO controle dynamique, factorisation Gr G 53/77
54 ACO controle dynamique, factorisation Birattari2002 Factorisation fourmi markovienne Probabilité ne dépend que de la ville où on se trouve Gr G 54/77
55 Plan Fourragement fourmis Algorithmes fourmis Ant Colony Optimisation appliqué au TSP Analyse de l'algorithme 55/77
56 Pourquoi ca marche? Algorithmes fourmis Deux types de preuve graph based ant system and convergence (Gutjahr 2002) Ant colony optimization and stochastic gradient descent (Meuleau, Dorigo 2002) 56/77
57 Gutjahr 2002 Graph ant system En deux mots Mémorisation du meilleur chemin global visité Mise àjour uniquement sur le meilleur chemin Preuve Probabilité de prendre ce chemin augmente avec le temps Ce chemin sera donc pris à un instant Et le système se stabilise 57/77
58 Meuleau, Dorigo 2002 Principe ACO Transforme un probleme statique en probleme dynamique Idée Comprendre comment controleur est construit 58/77
59 Meuleau, Dorigo 2002 Phéromones Fourmis 59/77
60 Meuleau, Dorigo 2002 Phéromones probabilités Politique Individuelle Fourmis 60/77
61 Meuleau, Dorigo 2002 Phéromones probabilités Fourmis Politique Individuelle évoluer 61/77
62 Meuleau, Dorigo 2002 Phéromones probabilités Fourmis Politique Individuelle évoluer Chemin 62/77
63 Meuleau, Dorigo 2002 Phéromones probabilités Fourmis Politique Individuelle évoluer Chemin Distance 63/77
64 Meuleau, Dorigo 2002 Phéromones probabilités Fourmis Politique Individuelle évoluer Delta Phéromones Chemin Distance 64/77
65 Meuleau, Dorigo 2002 Phéromones probabilités Fourmis Politique Individuelle évoluer Delta Phéromones Chemin Distance 65/77
66 Meuleau, Dorigo 2002 Phéromones probabilités Fourmis Valeur Moyenne Politique Individuelle évoluer Plusieurs fourmis Chemin Distance 66/77
67 Meuleau, Dorigo 2002 Phéromones probabilités Fourmis Cherche à optimiser Valeur Moyenne Politique Individuelle évoluer Plusieurs fourmis Chemin Distance 67/77
68 Phéromones probabilités Fourmis Politique Individuelle évoluer Chemin Descente de gradient Valeur Moyenne Plusieurs fourmis Distance 68/77
69 Meuleau, Dorigo 2002 Phéromones probabilités Fourmis Estimer Gradient M Selon T Valeur Moyenne Politique Individuelle évoluer Plusieurs fourmis Chemin Distance 69/77
70 Meuleau, Dorigo 2002 Phéromones T probabilités De déplacer Selon M Fourmis Estimer Gradient M Selon T Valeur Moyenne Politique Individuelle évoluer Plusieurs fourmis Chemin Distance 70/77
71 Meuleau, Dorigo 2002 Phéromones T probabilités De déplacer Selon M Fourmis Estimer Gradient M Selon T Valeur Moyenne Politique Individuelle évoluer Plusieurs fourmis Chemin Distance 71/77
72 Meuleau, Dorigo 2002 Démarche Dans l espace des phéromones Optimiser la valeur moyenne Modifier phéromones Descente de gradient : Évaluer la variation de v en fonction de T(x,y) Bouger dans cette direction 72/77
73 Meuleau, Dorigo 2002 Ce qu on cherche à optimiser Erreur: = moyenne de 1/distnace Gradient De/dT(x,y)=E(Tx,y/distance ) sur chemin sachant T Tx,y = eligibility Evaluer ce gradient Monte carlo : forward : je lance fourmi Sur chemin, somme Tx,y/distance (estimation du gradient) Je modifie pheromones en fonction de cela 73/77
74 Plan Fourragement fourmis Algorithmes fourmis Ant Colony Optimisation appliqué au TSP Analyse de l'algorithme Exemple applications 74/77
75 Utilité des algorithmes fourmis Mise à jour dynamique Plein de questions sur l'adaptabilité Exemple Fourragement disparition de sources Recherche de nouvelles sources Routage dans les réseaux (antnet Di Caro, Dorigo) Reconnaissance d'images (ramos Digital image habitats) Etc... 75/77
76 Autres exemples 76/77
77 Autres exemples inspiration biologique PSO Particule swarm optimization Brood sorting Tri (lumer et faieta) Systèmes immunitaires artificiels Etc... 77/77
Optimisation 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 détailAtelier Transversal AT11. Activité «Fourmis» Pierre Chauvet. pierre.chauvet@uco.fr
Atelier Transversal AT11 Activité «Fourmis» Pierre Chauvet pierre.chauvet@uco.fr Ant : un algorithme inspiré de l éthologie L éthologie Etude scientifique des comportements animaux, avec une perspective
Plus en 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 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 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 détailSystèmes Multi-Agents : Modélisation et simulation informatique de comportements collectifs. Chapitre III
Systèmes Multi-gents : Modélisation et simulation informatique de comportements collectifs Chapitre III Différentes approches de Conception et applications Introduction Les différents concepts Cheminement
Plus en détailDeux stratégies parallèles de l'optimisation par colonie de fourmis
4 th International Conference: Sciences of Electronic, Technologies of Information and Telecommunications March 25-29, 2007 TUNISIA Deux stratégies parallèles de l'optimisation par colonie de fourmis HERNANE
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 détailSommaire. Introduction. I. Notions de routage a) Technologies actuelles b) Avantages et désavantages
Sommaire Introduction I. Notions de routage a) Technologies actuelles b) Avantages et désavantages II. Routage et fourmis a) Principe et avantages b) Structure du simulateur III.Implémentation a) Présentation
Plus en détailOptimisation multi-objectif par colonies de fourmis : cas des problèmes de sac à dos
Optimisation multi-objectif par colonies de fourmis : cas des problèmes de sac à dos Inès Alaya To cite this version: Inès Alaya. Optimisation multi-objectif par colonies de fourmis : cas des problèmes
Plus en détailComplexité et auto-organisation chez les insectes sociaux. Complexité et auto-organisation chez les insectes sociaux
Complexité et auto-organisation chez les insectes sociaux Guy Theraulaz Centre de Recherches sur la Cognition Animale CNRS, UMR 5169, Toulouse, France Marathon des Sciences XXIII ème Festival d Astronomie,
Plus en détailIntelligence des essaims (Swarm Intelligence)
Intelligence des essaims (Swarm Intelligence) Présentation Ghislain O Mahony 27 novembre 2006 Réunion Emergence 1 Les auteurs / caractéristiques ouvrage Les auteurs Eric Bonabeau Chef scientifique Icosystem
Plus en détailTHESE. Application des algorithmes de colonies de fourmis pour l optimisation et la classification des images
République Algérienne Démocratique et Populaire وزارة التعليم العالي و البحث العلمي Ministère de l'enseignement Supérieur et de la Recherche Scientifique UNIVERSITE DES SCIENCES ET DE LA TECHNOLOGIE d
Plus en détailDES FOURMIS POUR LIVRER DU MAZOUT
DES FOURMIS POUR LIVRER DU MAZOUT É. D. Taillard (1), G. Agazzi (2), L.-M. Gambardella (3) Résumé La livraison de certains biens peut engendrer des coûts non négligeables par rapport à la valeur de la
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 détailUne Approche Bio-mimétique pour la Segmentation d'images. Inspiration des Araignées Sociales
Une Approche Bio-mimétique pour la Segmentation d'images Inspiration des Araignées Sociales Safia Djemame 1, Mohammed Batouche 2 1 Département Informatique, Université Ferhat Abbes, Sétif 19000, Algérie
Plus en détailOptimisation Combinatoire (Méthodes approchées) II. Recherche Locale simple (Les bases)
Optimisation Combinatoire (Méthodes approchées) II. Recherche Locale simple (Les bases) Heuristique Constructive Itérativement, ajoute de nouvelles composantes à une solution partielle candidate Espace
Plus en détailVers une Optimisation de l Algorithme AntTreeStoch
Revue des Sciences et de la Technologie - RST- Volume 3 N 1 / janvier 2012 Vers une Optimisation de l Algorithme AntTreeStoch O. KADRI, H. MOUSS, A. ABDELHADI, R. MAHDAOUI Laboratoire d Automatique et
Plus en détailL intelligence collective des fourmis
L intelligence collective des fourmis Guy Théraulaz* Les comportements collectifs des fourmis ont toujours fasciné et émerveillé les naturalistes. Tout semble se passer comme si chaque colonie se comportait
Plus en détailDiverses techniques d'optimisation inspirées de la théorie de l'auto-organisation dans les systèmes biologiques
Diverses techniques d'optimisation inspirées de la théorie de l'auto-organisation dans les systèmes biologiques Johann Dréo, Patrick Siarry Université de Paris XII Val-de-Marne Laboratoire d'etude et de
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 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 détailAlgorithme des fourmis appliqué à la détection et au suivi de contours dans une image
IN52-IN54 A2008 Algorithme des fourmis appliqué à la détection et au suivi de contours dans une image Etudiants : Nicolas MONNERET Alexandre HAFFNER Sébastien DE MELO Responsable : Franck GECHTER Sommaire
Plus en détailReconnaissance automatique de la parole à l aide de colonies de fourmis
Reconnaissance automatique de la parole à l aide de colonies de fourmis Benjamin Lecouteux Didier Schwab Groupe d Étude en Traduction Automatique/Traitement Automatisé des Langues et de la Parole Laboratoire
Plus en détailSystèmes Multi-Agents «réactifs»
gents - gents réactifs Philosophie (1) Systèmes Multi-gents «réactifs» Guillaume Hutzler IIS (Informatique iologie Intégrative et Systèmes omplexes) LIS (Langage Interaction et Simulation) prenom.nom@ibisc.univ-evry.fr
Plus en détailDes fourmis réelles aux fourmis artificielles
Des fourmis réelles aux fourmis artificielles Deux exemples d approches biomimétiques de la résolution de problèmes en informatique. Nicolas Monmarché & Alain Lenoir Laboratoire d Informatique - Institut
Plus en détailUn modèle réactif pour l optimisation par colonies de fourmis : application à la satisfaction de contraintes
Actes JFPC 2009 Un modèle réactif pour l optimisation par colonies de fourmis : application à la satisfaction de contraintes Madjid Khichane 1,2, Patrick Albert 1 et Christine Solnon 2 1 ILOG An IBM Company
Plus en détail100 % 80 % 60 % 40 % 20 % 10 % 5 % 100 % 80 % 60 % 40 % 20 % 10 % 5 % 100 % 80 % 60 % 40 % 20 % 10 % 5 %
ONAEAU - 271 FINAL 14/04/00 10:48 Page 66 paire L intelligence en essaim ÉRI ONAEAU GU THÉRAULAZ S inspirant des fourmis et des insectes sociaux, des informaticiens ont créé des «agents» qui coopèrent
Plus en détailUNIVERSITÉ DU QUÉBEC MÉMOIRE PRÉSENTÉ À L'UNIVERSITÉ DU QUÉBEC À CHICOUTIMI COMME EXIGENCE PARTIELLE DE LA MAÎTRISE EN INFORMATIQUE
UNIVERSITÉ DU QUÉBEC MÉMOIRE PRÉSENTÉ À L'UNIVERSITÉ DU QUÉBEC À CHICOUTIMI COMME EXIGENCE PARTIELLE DE LA MAÎTRISE EN INFORMATIQUE OFFERTE EN VERTU D'UN PROTOCOLE D'ENTENTE AVEC L'UNIVERSITÉ DU QUÉBEC
Plus en détailAlgorithmes de recherche
Algorithmes de recherche 1 Résolution de problèmes par recherche On représente un problème par un espace d'états (arbre/graphe). Chaque état est une conguration possible du problème. Résoudre le problème
Plus en 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 détailCartes de communautés pour l adaptation interactive de profils dans un système de filtrage d information
Cartes de communautés pour l adaptation interactive de profils dans un système de filtrage d information An-Te Nguyen* Nathalie Denos* Catherine Berrut* * Laboratoire CLIPS-IMAG 385 rue de la Bibliothèque,
Plus en détailComportements Individuels Adaptatifs dans un Environnement Dynamique pour l'exploitation Collective de Ressource
Comportements Individuels Adaptatifs dans un Environnement Dynamique pour l'exploitation Collective de Ressource Intelligence Artificielle Située, Cerveau, corps et environnement, Drogoul A. & Meyer J-A.
Plus en détailDe la fourmi réelle à la fourmi artificielle
222222 De la fourmi réelle à la fourmi artificielle D. BELFADEL ET M. DIAF Faculté du Génie Electrique et de l informatique Université Mouloud MAMMERI de Tizi-Ouzou. 1. Introduction ous assistons, ces
Plus en détailEXPERIMENTATIONS DE METHODES PARALLELES DE RECHERCHE D INFORMATION SUR INTERNET
EXPERIMENTATIONS DE METHODES PARALLELES DE RECHERCHE D INFORMATION SUR INTERNET Fabien PICAROUGNE (*), Gilles VENTURINI(*), Christiane GUINOT(**) fabien.picarougne@univ-tours.fr, venturini@univ-tours.fr,
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 détailLes apports de l informatique. Aux autres disciplines
Les apports de l informatique Aux autres disciplines Le statut de technologie ou de sous-discipline est celui de l importation l et de la vulgarisation Le statut de science à part entière est lorsqu il
Plus en détailProjet L1, S2, 2015: Simulation de fourmis, Soutenance la semaine du 4 mai.
Projet L1, S2, 2015: Simulation de fourmis, Soutenance la semaine du 4 mai. 1 Introduction On considère une grille de 20 lignes 20 colonnes. Une case de la grille peut être vide, ou contenir une et une
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 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 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 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 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 détailRenPar'14 Hammamet, Tunisie 10-13 avril 2002
PARALLELISATION CO-EVOLUTIVE DE L OPTIMISATION PAR COLONIE DE FOURMIS POUR LA RESOLUTION D UN PROBLEME D ORDONNANCEMENT INDUSTRIEL Pierre Delisle (1), Marc Gravel (1), Caroline Gagné (1), Michaël Krajecki
Plus en détailOptimisation par Colonies de Fourmis Artificielles
Optimisation par Colonies de Fourmis Artificielles Tour d horizon Nicolas Monmarché Laboratoire d Informatique Université François Rabelais - Tours Yravals 07, Deuxième école d été sur L Évolution Artificielle
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 détailRobotique Collective : Implémentation d un comportement d agrégation stratégique inspiré de comportement des Cafards
Robotique Collective : Implémentation d un comportement d agrégation stratégique inspiré de comportement des Cafards Nehnouh Chakib, Debbat Fatima Département d Informatique Faculté des Sciences et Technologie
Plus en détailPropagation sur réseau statique et dynamique
Université de la Méditerranée UFR Sciences de Luminy Rapport de stage informatique pour le Master 2 de Physique, Parcours Physique Théorique et Mathématique, Physique des Particules et Astroparticules.
Plus en détailPrincipes d implémentation des métaheuristiques
Chapitre 2 Principes d implémentation des métaheuristiques Éric D. Taillard 1 2.1 Introduction Les métaheuristiques ont changé radicalement l élaboration d heuristiques : alors que l on commençait par
Plus en détailUNIVERSITÉ DU QUÉBEC EN ABITIBI-TÉMISCAMINGUE (UQAT) LABORATOIRE DE RECHERCHE TÉLÉBEC EN COMMUNICATIONS SOUTERRAINES (LRTCS)
UNIVERSITÉ DU QUÉBEC EN ABITIBI-TÉMISCAMINGUE (UQAT) LABORATOIRE DE RECHERCHE TÉLÉBEC EN COMMUNICATIONS SOUTERRAINES (LRTCS) ÉTUDE D'UN PROTOCOLE DE ROUTAGE À CONTRÔLE COLLABORA TIF ADAPTÉ AUX RÉSEAUX
Plus en détailTHÈSE. présentée à l Université d Avignon et des Pays de Vaucluse pour obtenir le diplôme de DOCTORAT
ACADÉMIE D AIX-MARSEILLE UNIVERSITÉ D AVIGNON ET DES PAYS DE VAUCLUSE THÈSE présentée à l Université d Avignon et des Pays de Vaucluse pour obtenir le diplôme de DOCTORAT SPÉCIALITÉ : Informatique École
Plus en détailLa classification automatique de données quantitatives
La classification automatique de données quantitatives 1 Introduction Parmi les méthodes de statistique exploratoire multidimensionnelle, dont l objectif est d extraire d une masse de données des informations
Plus en détailRésumé des communications des Intervenants
Enseignements de la 1ere semaine (du 01 au 07 décembre 2014) I. Titre du cours : Introduction au calcul stochastique pour la finance Intervenante : Prof. M hamed EDDAHBI Dans le calcul différentiel dit
Plus en détailDésambiguïsation lexicale par propagation de mesures sémantiques locales par algorithmes à colonies de fourmis
TALN 2011, Montpellier, 27 juin 1 er juillet 2011 Désambiguïsation lexicale par propagation de mesures sémantiques locales par algorithmes à colonies de fourmis Didier Schwab, Jérôme Goulian, Nathan Guillaume
Plus en détailEbauche Rapport finale
Ebauche Rapport finale Sommaire : 1 - Introduction au C.D.N. 2 - Définition de la problématique 3 - Etat de l'art : Présentatio de 3 Topologies streaming p2p 1) INTRODUCTION au C.D.N. La croissance rapide
Plus en détailMémoire. En vue de l obtention du diplôme de Magister en Informatique. Option : SIC (Systèmes d Information et de Connaissances)
République Algérienne Démocratique et Populaire Ministère de l Enseignement Supérieur et de la Recherche Scientifique E.S.I (Ecole nationale Supérieure d Informatique) (ex. INI) Mémoire En vue de l obtention
Plus en détailModélisation aléatoire en fiabilité des logiciels
collection Méthodes stochastiques appliquées dirigée par Nikolaos Limnios et Jacques Janssen La sûreté de fonctionnement des systèmes informatiques est aujourd hui un enjeu économique et sociétal majeur.
Plus en détailEfficacité énergétique des réseaux de cœur et d accès
Efficacité énergétique des réseaux de cœur et d accès David Coudert Joanna Mouliérac, Frédéric Giroire MASCOTTE I3S (CNRS/Université Nice Sophia-Antipolis) INRIA Sophia-Antipolis Méditerranée 1 Contexte
Plus en 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 détailContents. 1 Introduction Objectifs des systèmes bonus-malus Système bonus-malus à classes Système bonus-malus : Principes
Université Claude Bernard Lyon 1 Institut de Science Financière et d Assurances Système Bonus-Malus Introduction & Applications SCILAB Julien Tomas Institut de Science Financière et d Assurances Laboratoire
Plus en détailTABLE DES MATIÈRES. PRINCIPES D EXPÉRIMENTATION Planification des expériences et analyse de leurs résultats. Pierre Dagnelie
PRINCIPES D EXPÉRIMENTATION Planification des expériences et analyse de leurs résultats Pierre Dagnelie TABLE DES MATIÈRES 2012 Presses agronomiques de Gembloux pressesagro.gembloux@ulg.ac.be www.pressesagro.be
Plus en détailChapitre V : La gestion de la mémoire. Hiérarchie de mémoires Objectifs Méthodes d'allocation Simulation de mémoire virtuelle Le mapping
Chapitre V : La gestion de la mémoire Hiérarchie de mémoires Objectifs Méthodes d'allocation Simulation de mémoire virtuelle Le mapping Introduction Plusieurs dizaines de processus doivent se partager
Plus en détailAnalyse Combinatoire
Analyse Combinatoire 1) Équipes On dispose d un groupe de cinq personnes. a) Combien d équipes de trois personnes peut-on former? b) Combien d équipes avec un chef, un sous-chef et un adjoint? c) Combien
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 détailÉtat de l art : mesures de similarité sémantique locales et algorithmes globaux pour la désambiguïsation lexicale à base de connaissances
État de l art : mesures de similarité sémantique locales et algorithmes globaux pour la désambiguïsation lexicale à base de connaissances Andon Tchechmedjiev LIG-GETALP Laboratoire d Informatique de Grenoble-Groupe
Plus en détailConception de réseaux de télécommunications : optimisation et expérimentations
Conception de réseaux de télécommunications : optimisation et expérimentations Jean-François Lalande Directeurs de thèse: Jean-Claude Bermond - Michel Syska Université de Nice-Sophia Antipolis Mascotte,
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 détailCours d analyse numérique SMI-S4
ours d analyse numérique SMI-S4 Introduction L objet de l analyse numérique est de concevoir et d étudier des méthodes de résolution de certains problèmes mathématiques, en général issus de problèmes réels,
Plus en détailCHAPITRE I. Modélisation de processus et estimation des paramètres d un modèle
CHAPITRE I Modélisation de processus et estimation des paramètres d un modèle I. INTRODUCTION. Dans la première partie de ce chapitre, nous rappelons les notions de processus et de modèle, ainsi que divers
Plus en détailPourquoi l apprentissage?
Pourquoi l apprentissage? Les SE sont basés sur la possibilité d extraire la connaissance d un expert sous forme de règles. Dépend fortement de la capacité à extraire et formaliser ces connaissances. Apprentissage
Plus en détailRapport d'analyse des besoins
Projet ANR 2011 - BR4CP (Business Recommendation for Configurable products) Rapport d'analyse des besoins Janvier 2013 Rapport IRIT/RR--2013-17 FR Redacteur : 0. Lhomme Introduction...4 La configuration
Plus en détailSujet proposé par Yves M. LEROY. Cet examen se compose d un exercice et de deux problèmes. Ces trois parties sont indépendantes.
Promotion X 004 COURS D ANALYSE DES STRUCTURES MÉCANIQUES PAR LA MÉTHODE DES ELEMENTS FINIS (MEC 568) contrôle non classant (7 mars 007, heures) Documents autorisés : polycopié ; documents et notes de
Plus en détailOutils logiciels pour la combinaison de vérification fonctionnelle et d évaluation de performances au sein de CADP
Outils logiciels pour la combinaison de vérification fonctionnelle et d évaluation de performances au sein de CADP Christophe Joubert Séminaire VASY 2002 30 Octobre 2002 Aix les Bains Contexte du projet
Plus en détailCorrection TD algorithmique
Affectation Correction TD algorithmique Exercice 1 algo affect1b b 5 a b+1 b 2 Il vaut faire passer la notion de variable et la notion de stockage mémoire. Une variable n a donc pas d historique et à un
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 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 détailUNIVERSITÉ DU QUÉBEC À CHICOUTIMI UNIVERSITÉ DU QUÉBEC À MONTRÉAL
UNIVERSITÉ DU QUÉBEC À CHICOUTIMI UNIVERSITÉ DU QUÉBEC À MONTRÉAL MÉTAHEURISTIQUES HYBRIDES POUR LA RÉSOLUTION DU PROBLÈME D'ORDONNANCEMENT DE VOITURES DANS UNE CHAÎNE D'ASSEMBLAGE AUTOMOBILE MÉMOIRE PRÉSENTÉ
Plus en détailAgrégation des portefeuilles de contrats d assurance vie
Agrégation des portefeuilles de contrats d assurance vie Est-il optimal de regrouper les contrats en fonction de l âge, du genre, et de l ancienneté des assurés? Pierre-O. Goffard Université d été de l
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 détailLes clients puissance cube
LETTRE CONVERGENCE Les clients puissance cube L intelligence artificielle au service du marketing des services N 28 To get there. Together. A PROPOS DE BEARINGPOINT BearingPoint est un cabinet de conseil
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 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 détailQuatrième partie IV. Test. Test 15 février 2008 1 / 71
Quatrième partie IV Test Test 15 février 2008 1 / 71 Outline Introduction 1 Introduction 2 Analyse statique 3 Test dynamique Test fonctionnel et structurel Test structurel Test fonctionnel 4 Conclusion
Plus en détailSystemes d'exploitation des ordinateurs
! " #$ % $ &' ( $ plan_ch6_m1 Systemes d'exploitation des ordinateurs Conception de Systèmes de Gestion de la Mémoire Centrale Objectifs 1. Conception de systèmes paginés 2. Conception des systèmes segmentés
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 détailIntégration de la dimension sémantique dans les réseaux sociaux
Intégration de la dimension sémantique dans les réseaux sociaux Application : systèmes de recommandation Maria Malek LARIS-EISTI maria.malek@eisti.fr 1 Contexte : Recommandation dans les réseaux sociaux
Plus en détailL OUTIL NUMERIQUE CARACTERISTIQUES ET FONCTIONNALITES
L OUTIL NUMERIQUE CARACTERISTIQUES ET FONCTIONNALITES Aujourd hui, le numérique est partout. Il se retrouve principalement dans les nouvelles technologies, mais également dans l art, les livres, notre
Plus en détailOptimisation de la compression fractale D images basée sur les réseaux de neurones
Optimisation de la compression fractale D images basée sur les réseaux de neurones D r BOUKELIF Aoued Communication Networks,Architectures and Mutimedia laboratory University of S.B.A aoued@hotmail.com
Plus en détailSIMULATION DE DYNAMIQUES SPATIALES
SIMULATION DE DYNAMIQUES SPATIALES EXEMPLE DE LA DENSIFICATION DE LA POPULATION AUTOUR D AVIGNON Philippe Ellerkamp : U.M.R. 6012 - ESPACE, Université d Avignon E-Mail : philippe.ellerkamp@univ-avignon.fr
Plus en détailProposition d un modèle pour Ordonnancement d un Système Automatisé de Production Applications des algorithmes génétiques hybrides
Proposition d un modèle pour Ordonnancement d un Système Automatisé de Production Applications des algorithmes génétiques hybrides Djamila Bouhalouan 1, Nassima Aissani 1, Bouziane Beldjilali 2 1 Département
Plus en détailDéfinitions. Numéro à préciser. (Durée : )
Numéro à préciser (Durée : ) On étudie dans ce problème l ordre lexicographique pour les mots sur un alphabet fini et plusieurs constructions des cycles de De Bruijn. Les trois parties sont largement indépendantes.
Plus en détailCRT Nord - Centre de Ressources Technologiques Programmes de 5 ème : «HABITAT et OUVRAGES»
CRT Nord - Centre de Ressources Technologiques Programmes de 5 ème : «HABITAT et OUVRAGES» Equipes des professeurs de technologie : - Jean-Michel BOICHOT - Olivier CAURETTE - Guillaume DODEMAND - Matthieu
Plus en détail1. Smart Energy Management System (SEMS)
Stignergy SA Y-Parc Swiss Technopole Rue Galilée 7 CH 1400 Yverdon-les-Bains +41 76 223 53 15 +41 24 504 15 68 contact@stignergy.ch www.stignergy.ch 1. Smart Energy Management System (SEMS) La facturation
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 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 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 détailde calibration Master 2: Calibration de modèles: présentation et simulation d
Master 2: Calibration de modèles: présentation et simulation de quelques problèmes de calibration Plan de la présentation 1. Présentation de quelques modèles à calibrer 1a. Reconstruction d une courbe
Plus en détailI Stabilité, Commandabilité et Observabilité 11. 1 Introduction 13 1.1 Un exemple emprunté à la robotique... 13 1.2 Le plan... 18 1.3 Problème...
TABLE DES MATIÈRES 5 Table des matières I Stabilité, Commandabilité et Observabilité 11 1 Introduction 13 1.1 Un exemple emprunté à la robotique................... 13 1.2 Le plan...................................
Plus en détailFiltrage stochastique non linéaire par la théorie de représentation des martingales
Filtrage stochastique non linéaire par la théorie de représentation des martingales Adriana Climescu-Haulica Laboratoire de Modélisation et Calcul Institut d Informatique et Mathématiques Appliquées de
Plus en détail