République Algérienne Démocratique et populaire. Ministre d enseignement supérieure et de la recherche scientifique
|
|
- Cécile Laperrière
- il y a 6 ans
- Total affichages :
Transcription
1 République Algérienne Démocratique et populaire Ministre d enseignement supérieure et de la recherche scientifique Université de la science &de la technologie Mohamed Boudiaf Faculté : science& technologie Département : informatique Option : MASTER 2 RFIA 2011/2012 Module : Optimisation avancée Présenter par : Melle MOUMEN Nesrine Professeur : Mr BENYETTOU M
2 SOMMAIRE 1\Introduction \Définition de la RT Principe de base 2 Mémoire 2 Exception aux interdictions.2 3\L algorithme de la RT en générale.. 3 4\Caractéristiques de l algorithme...3 5\Critère d arrêt dans la RT. 3 6\Comportement de l algorithme tabou.. 4 7\ Diverses améliorations de la RT \Avantages et inconvénients de la RT. 5 9\Domaines concernés par la RT \Exemple application de la RT sur la fable des randonneurs \ Conclusion \Bibliographie..9 1
3 1\Introduction : L objectif de ce rapport est d illustrer la richesse des algorithmes d optimisation pour résoudre des problèmes difficiles issus de la recherche opérationnelle de l ingénierie ou de l intelligence artificielle pour lesquels on ne connaît pas de méthode classique plus efficace. Il existe un grand nombre de méthodes différentes, allant de la simple recherche locale à des algorithmes complexes de recherche globale et chacune peut s adaptée a un problème. Tendance dans les années 70 : techniques d amélioration des solutions par recherche local : une nouvelle heuristique apparaît, le Recuit Simulé. L origine de la RT remonte à 1977, mais elle n est proposée qu au milieu des années 80 par Fred Glover précisément en Par la suite : algorithmes génétiques, colonies de fourmis, 2\Définition de la RT : Méthode heuristique de recherche locale utilisée pour résoudre des problèmes complexes et/ou de très grande taille (souvent NP-durs). La RT a plusieurs applications en programmation non linéaire (PNL). Révolution de cette méthode par rapport aux autres: permet de surmonter le problème des optima locaux par l utilisation de listes taboues (principe de mémoire). C est une méthode à mémoire adaptative : Mémoire à court terme : diversification. Mémoire à long terme : intensification. Cette méthode est généralement meilleure en temps d exécution. Principe de base : Poursuivre la recherche de solutions même lorsqu un optimum local est rencontré, En permettant des déplacements qui n améliorent pas la solution. En utilisant le principe de mémoire pour éviter les retours en arrière (mouvements cycliques). Mémoire : Elle est représentée par une liste taboue qui contient les mouvements qui sont temporairement interdits. Mouvements interdits ou solutions interdites. Son rôle évolue au cours de la résolution: diversification (exploration de l espace des solutions) vers intensification. Exception aux interdictions : Il est possible de violer une interdiction lorsqu un mouvement interdit permet d obtenir la meilleure solution enregistrée jusqu à maintenant. 2
4 3\L algorithme de la RT en générale : 4\Caractéristiques de l algorithme: Voici l'explication des différentes variables du schéma : s0 : solution initiale s* : meilleure solution jusqu'à présent. s' et s : nouvelle solutions du voisinage de s* f(x) : fonction objectif à minimiser. f*= f(s*) : valeur de la meilleure solution. 5\Critère d arrêt dans la RT : On peut arrêter la recherche à tout moment contrairement au recuit simulé Des critères d arrêt possibles sont : - Si une solution prouvée optimale a été trouvée. - Si une limite a été atteinte en ce qui concerne : Le nombre d itérations ; Le temps de calcul. - Si la recherche semble stagner : nombre d itérations sans amélioration de la meilleure configuration trouvée. Dans la recherche avec tabou, on cherche «normalement» le meilleur mouvement non tabou. Cependant, cette manière de procéder peut se révéler trop coûteuse. Pour y remédier, on peut se limiter à engendrer seulement un sous-ensemble des voisins (Ou mouvements). On parle de liste de candidats : 3
5 Construction de la liste de candidats : - Les candidats de la liste peuvent être engendrés de manière aléatoire. - Une autre approche consiste à sélectionner les voisins qui semblent les plus prometteurs selon un critère quelconque. 6\Comportement de l algorithme tabou : Si la liste taboue est courte : - Il y a moins d interdictions (mouvements tabous). - La recherche épouse mieux les optima locaux rencontrés. - L algorithme tend à parcourir de moins grandes distances dans l espace de recherche. Il explore moins l espace de recherche. - Le risque de cycles est plus grand. Si la liste taboue est longue : - Il y a avantage d interdictions (mouvements tabous). - La recherche risque de manquer de nombreux optima locaux sur son chemin. - L algorithme tend à parcourir de plus grandes distances dans l espace de recherche. Il explore davantage l espace de recherche. - Le risque de cycles est réduit. Le comportement de l algorithme dépend : - De la longueur de la liste taboue. - Mais aussi de la taille de la liste de candidats (si on en utilise une). Dans le cas où une liste de candidats est utilisée : - Les meilleurs mouvements risquent de ne pas appartenir à la liste. Il y a donc deux «forces» qui conjuguent leurs effets pour ressortir des optima locaux : la liste taboue et la liste de candidats. - Plus la liste de candidats est petite, moins la liste taboue a besoin d être grande. 7\Diverses améliorations de la RT: La liste taboue peut s avérer trop contraignante lors de la recherche d une solution. Le mécanisme d aspiration permet de lever ponctuellement le statut tabou afin d atteindre des solutions inédites. L intensification : est l une des stratégies qui permet de mémorisé les meilleures solutions rencontrées (ou leur configuration) et les utilise afin d améliorer la recherche. La diversification : cherche à utiliser des mouvements encore jamais réalisés afin d explorer des régions nouvelles de l espace de recherche en mémorisant bien sur les solutions les plus visitées. bien sûr, les deux stratégies sont complémentaires. Sélection du meilleur voisin : Best Fit : le voisinage est exploré en entier. First Fit : une partie du voisinage est explorée. Utilisation d une table de calculs : pour éviter de calculer entièrement le coût de chaque voisin, à chaque itération on mémorise dans une table les modifications au coût de la solution courante associées à chacun des mouvements possibles. 4
6 8\Avantages et inconvénients de la RT : Avantage : Grande efficacité: tabou bat tout! Fonctionnement simple à comprendre. Inconvénients : Paramètres peu intuitifs. Demande en ressources importantes si la liste des tabous est trop imposante. Aucune démonstration de la convergence. 9\Domaines concernés par la RT : Problèmes de transport. Planification et ordonnancement. Optimisation de graphes. Télécommunications. Logique et intelligence artificielle. Création d horaires. Optimisation de structures. Techniques spécialisées. 10\Exemple application de la RT sur la fable des randonneurs : Un randonneur malchanceux, est perdu dans une région montagneuse. Toutefois, il sait qu une équipe de secours passe régulièrement par le point situé à la plus basse altitude dans la région. Ainsi, il doit se rendre à ce point pour attendre les secours. Comment s y prendra-t-il? Il ne connaît pas l altitude de ce point et, à cause du brouillard, il ne voit pas autour de lui. Donc, arrivé à un croisement, il doit s engager dans une direction pour voir si le chemin monte ou descend. Tout d abord, il commence par descendre tant qu il peut, en choisissant le chemin de plus grande pente à chaque croisement. Voir figure 01 Puis, lorsqu il n y a plus de sentier menant vers le bas, il décide de suivre le chemin qui remonte avec la plus faible pente car il est conscient qu il peut se trouver à un minimum local. Voir figure 02 Toutefois, dès qu il remonte, il redescend vers le point où il était. Cette stratégie ne fonctionne pas. Par conséquent, il décide de s interdire de faire marche arrière en mémorisant la direction d où il vient. Il est à noter que sa mémoire ne lui permet de mémoriser que les deux dernières directions prohibées. Voir figure 03 Figure01 Figure02 Figure 03 5
7 Cette nouvelle stratégie lui permet d explorer des minimums locaux et d en ressortir. À un moment donné, il arrive à un point où il décèle une forte pente descendante vers le sud. Toutefois, les directions mémorisées lui interdisent d aller vers le sud car cette direction est prohibée. Il décide d ignorer cette interdiction et emprunte ce chemin. Voir figure 04 Cette décision fut bénéfique: il arriva au point de plus basse altitude et attendit les secours qui ne tardèrent à arriver. Voir figure 05 Figure 04 Figure 05 Définition des variables : Voir figure 06 i : la solution actuelle. i : la prochaine solution atteinte (solution voisine). N(i): l espace de solutions voisines à i (l ensemble des i ). m : mouvement de i à i. i globale : la solution optimale globale qui minimise la fonction objectif f( ). i* : la solution optimale actuelle. Figure 06 6
8 Définition des termes des mouvements a appliqué dans l algorithme: Mouvement non améliorateur: un mouvement qui nous sortirait d un minimum local i* en nous amenant à une solution voisine i pire que l actuelle. La méthode taboue permet un mouvement non améliorateur, comme le permet le recuit simulé. La différence entre les 2méthodes est que la RT choisira le meilleur i dans N(i), l ensemble des solutions voisines. Voir figure 07 Mouvement tabou: un mouvement non souhaitable, comme si on redescendait à un minimum local d où on vient juste de s échapper. Le mouvement est considéré tabou pour un nombre prédéterminé d itérations. k représente l index des itérations (l itération actuelle). Voir la figure 08 Figure 07 Figure 08 T : liste des mouvements tabous. Il peut exister plusieurs listes simultanément. Les éléments de la liste sont t (i,m). Une liste T avec trop d éléments peut devenir très restrictive. Il a été observé que trop de contraintes (tabous) forcent le programme à visiter des solutions voisines peu alléchantes à la prochaine itération. Une liste T contenant trop peu d éléments peut s avérer inutile et mener à des mouvements cycliques. a (i,m) :critères d aspiration. Déterminent quand il est avantageux d entreprendre m, malgré son statut tabou. L algorithme de la RT appliqué sur l exemple du randonneur : Étape 1: choisir une solution initiale i dans S (l ensemble des solutions) Appliquer i* = i et k = 0 Étape 2: appliquer k = k+1 et générer un sous-ensemble de solutions en N (i,k) pour que: les mouvements tabous ne soient pas choisis. un des critères d aspiration a (i,m) soit applicable. Étape 3: choisir la meilleure solution i parmi l ensemble de solutions voisines N (i,k) Appliquer i = meilleur i Étape 4: si f(i) <= f (i*), alors nous avons trouvé une meilleure solution Appliquer i* = i Étape 5: mettre à jour la liste T et les critères d aspiration Étape 6: si une condition d arrêt est atteinte, stop. Sinon, retour à Étape 2. Ex: arrêt après 22 itérations (k = 22). 7
9 Amélioration : La recherche de la solution optimale peut être améliorée. choix stratégique de la solution initiale i. Ceci donnera une «bonne» valeur de f (i*) Intensification : La recherche est menée dans un voisinage N(i) de S, l ensemble des solutions. Une haute priorité est donnée aux solutions f(i ) qui ressemblent à la solution actuelle f(i). Le résultat est donc une intensification de la recherche dans un certain secteur, dans un voisinage choisi: Voir la figure 09 Diversification : Figure 09 : intensification La recherche est éloignée du voisinage N(i) actuelle de l ensemble des solutions. Une haute priorité est donnée aux solutions f(i ) d une autre région que celle actuellement sous exploration. Voir la figure 10 Le résultat : chercher ailleurs Figure 10 : diversification L intensification et la diversification sont présentées comme des modifications à la fonction objective. Donc: f = f + intensification + diversification Il est à noter que l intensification et diversification se manifestent pendant quelques itérations k seulement, ensuite il y a alternance. 8
10 11\Conclusion : Incorpore de la mémoire dans la stratégie de recherche. Permet les mouvements non-améliorateurs. Offre des économies de temps de résolution pour des programmes de grosse taille. Ne génère pas toujours la solution optimale (heuristique) mais parfois retourne de très bons résultats sur certains types de problèmes. Une liste taboue trop longue peut être restrictive. Par contre, une liste trop courte risque de s avérer inutile. Les méthodes exactes, notamment celles d énumération intelligente, ne sont plus utilisables lorsque le problème devient trop important. Les méta-heuristiques sont alors indispensables pour obtenir de bonnes solutions dans la pratique. De nombreux résultats ont été obtenus pour prouver l efficacité de cette approche. Cependant, ces méthodes interdisent souvent de comprendre pourquoi une bonne solution a pu être découverte. Même l algorithme tabou de base est souvent d une efficacité remarquable. Algorithmes faciles à mettre en œuvre. 12\Bibliographie : Article de Joseph Ayas & Marc André Viau «la recherche tabou» Livre de Lapetoule KévinLes algorithmes métaheuristiques Juin 06 F/RR 2182.pdf+recherche+tabou.pdf&cd=15&hl=fr&ct=clnk&client=firefox-a piers/roadef2005.pdf+recherche+tabou.pdf&hl=fr&pid=bl&srcid=adgeesiacz9k9ln6wbmo Lw6P7koNedpJ_9W5HF1AtWdUEOqWJZqN2aWAtOr3zl2wvytxYpekQ0QI1tATnjzOVr1EjGaue Qvu11fr_I_uE0sISId4482oNoAsRadWqraOcM9s1OoFiVD&sig=AHIEtbRkqyXGMQU_0veKKqt Vh_KalU2Vkg mne2004/presentations/mth6414_recherche_tabou.pdf+recherche+tabou.pdf&hl=fr&pid=bl&src id=adgeesjllrktepspg7hv6ehm7xq87com13sglpr2x5573bhmfsyy5dlevgo1- pad98yd21ls_ekw1mgohfibk1us5nagovk13qiqeqo1lgq-ieu_ti- UxnvPA2EvFqThUq2GnO8bkRH7&sig=AHIEtbQnqWTU2426yAYBfn9BpBJII2v7HA 9
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 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 détailSystème immunitaire artificiel
République Algérienne Démocratique et Populaire Ministère de l Enseignement Supérieure Université des Sciences et de la Technologie D Oran Mohammed Boudiaf (USTO) Faculté des Sciences Département d Informatique
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 détailObjectifs du cours d aujourd hui. Informatique II : Cours d introduction à l informatique et à la programmation objet. Complexité d un problème (2)
Objectifs du cours d aujourd hui Informatique II : Cours d introduction à l informatique et à la programmation objet Complexité des problèmes Introduire la notion de complexité d un problème Présenter
Plus en détailBaccalauréat ES Polynésie (spécialité) 10 septembre 2014 Corrigé
Baccalauréat ES Polynésie (spécialité) 10 septembre 2014 Corrigé A. P. M. E. P. Exercice 1 5 points 1. Réponse d. : 1 e Le coefficient directeur de la tangente est négatif et n est manifestement pas 2e
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 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 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 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 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 détailOptimisation non linéaire Irène Charon, Olivier Hudry École nationale supérieure des télécommunications
Optimisation non linéaire Irène Charon, Olivier Hudry École nationale supérieure des télécommunications A. Optimisation sans contrainte.... Généralités.... Condition nécessaire et condition suffisante
Plus en 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 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 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 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 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 détailMegaStore Manager ... Simulation de gestion d un hypermarché. Manuel du Participant
MegaStore Manager Simulation de gestion d un hypermarché.......... Manuel du Participant 1. Introduction 1.1. La simulation de gestion Vous allez participer à une simulation de gestion. Cette activité
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 détailCours de Master Recherche
Cours de Master Recherche Spécialité CODE : Résolution de problèmes combinatoires Christine Solnon LIRIS, UMR 5205 CNRS / Université Lyon 1 2007 Rappel du plan du cours 16 heures de cours 1 - Introduction
Plus en 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 détailBaccalauréat ES/L Amérique du Sud 21 novembre 2013
Baccalauréat ES/L Amérique du Sud 21 novembre 2013 A. P. M. E. P. EXERCICE 1 Commun à tous les candidats 5 points Une entreprise informatique produit et vend des clés USB. La vente de ces clés est réalisée
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 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 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 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 détailL utilisation d un réseau de neurones pour optimiser la gestion d un firewall
L utilisation d un réseau de neurones pour optimiser la gestion d un firewall Réza Assadi et Karim Khattar École Polytechnique de Montréal Le 1 mai 2002 Résumé Les réseaux de neurones sont utilisés dans
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 détailGUIDE PRATIQUE déplacements professionnels temporaires en France et à l étranger
GUIDE PRATIQUE déplacements professionnels temporaires en France et à l étranger SOMMAIRE GUIDE PRATIQUE déplacements professionnels temporaires en France et à l étranger o o o o o o o o o o o o
Plus en détailCoup de Projecteur sur les Réseaux de Neurones
Coup de Projecteur sur les Réseaux de Neurones Les réseaux de neurones peuvent être utilisés pour des problèmes de prévision ou de classification. La représentation la plus populaire est le réseau multicouche
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 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 détailRésolution d équations non linéaires
Analyse Numérique Résolution d équations non linéaires Said EL HAJJI et Touria GHEMIRES Université Mohammed V - Agdal. Faculté des Sciences Département de Mathématiques. Laboratoire de Mathématiques, Informatique
Plus en détailChapitre 2 Le problème de l unicité des solutions
Université Joseph Fourier UE MAT 127 Mathématiques année 2011-2012 Chapitre 2 Le problème de l unicité des solutions Ce que nous verrons dans ce chapitre : un exemple d équation différentielle y = f(y)
Plus en détailProgrammation Linéaire - Cours 1
Programmation Linéaire - Cours 1 P. Pesneau pierre.pesneau@math.u-bordeaux1.fr Université Bordeaux 1 Bât A33 - Bur 265 Ouvrages de référence V. Chvátal - Linear Programming, W.H.Freeman, New York, 1983.
Plus en détail6. Hachage. Accès aux données d'une table avec un temps constant Utilisation d'une fonction pour le calcul d'adresses
6. Hachage Accès aux données d'une table avec un temps constant Utilisation d'une fonction pour le calcul d'adresses PLAN Définition Fonctions de Hachage Méthodes de résolution de collisions Estimation
Plus en détailFeuille TD n 1 Exercices d algorithmique éléments de correction
Master Sciences, Technologies, Santé Mention Mathématiques, spécialité Enseignement des mathématiques Algorithmique et graphes, thèmes du second degré Feuille TD n 1 Exercices d algorithmique éléments
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 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 détailÉquations non linéaires
Équations non linéaires Objectif : trouver les zéros de fonctions (ou systèmes) non linéaires, c-à-d les valeurs α R telles que f(α) = 0. y f(x) α 1 α 2 α 3 x Equations non lineaires p. 1/49 Exemples et
Plus en détailL ANALYSE EN COMPOSANTES PRINCIPALES (A.C.P.) Pierre-Louis GONZALEZ
L ANALYSE EN COMPOSANTES PRINCIPALES (A.C.P.) Pierre-Louis GONZALEZ INTRODUCTION Données : n individus observés sur p variables quantitatives. L A.C.P. permet d eplorer les liaisons entre variables et
Plus en 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 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 détailFORMATION CONTINUE SUR L UTILISATION D EXCEL DANS L ENSEIGNEMENT Expérience de l E.N.S de Tétouan (Maroc)
87 FORMATION CONTINUE SUR L UTILISATION D EXCEL DANS L ENSEIGNEMENT Expérience de l E.N.S de Tétouan (Maroc) Dans le cadre de la réforme pédagogique et de l intérêt que porte le Ministère de l Éducation
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 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 détailLES DIFFERENTS PAS EN STEP. Variantes
LES DIFFERENTS PAS EN STEP Type de pas Pas en temps sans changement de pied directeur Pas en temps avec changement de pied directeur Pas en 8 temps sans changement de pied directeur Pas en 8 temps avec
Plus en détailAlgorithmique et structures de données I
Algorithmique et structures de données I Riadh Ben Messaoud Université 7 novembre à Carthage Faculté des Sciences Économiques et de Gestion de Nabeul 1ère année Licence Fondamentale IAG 1ère année Licence
Plus en détailChapitre 3. Mesures stationnaires. et théorèmes de convergence
Chapitre 3 Mesures stationnaires et théorèmes de convergence Christiane Cocozza-Thivent, Université de Marne-la-Vallée p.1 I. Mesures stationnaires Christiane Cocozza-Thivent, Université de Marne-la-Vallée
Plus en détailOPTIMISATION À UNE VARIABLE
OPTIMISATION À UNE VARIABLE Sommaire 1. Optimum locaux d'une fonction... 1 1.1. Maximum local... 1 1.2. Minimum local... 1 1.3. Points stationnaires et points critiques... 2 1.4. Recherche d'un optimum
Plus en détailMathématique et Automatique : de la boucle ouverte à la boucle fermée. Maïtine bergounioux Laboratoire MAPMO - UMR 6628 Université d'orléans
Mathématique et Automatique : de la boucle ouverte à la boucle fermée Maïtine bergounioux Laboratoire MAPMO - UMR 6628 Université d'orléans Maitine.Bergounioux@labomath.univ-orleans.fr Plan 1. Un peu de
Plus en détailAnticipation active un nouveau régulateur de vitesse assisté par GPS économise du carburant
PRESS info P11Z01FR / Per-Erik Nordström 2 décembre 2011 Anticipation active un nouveau régulateur de vitesse assisté par GPS économise du carburant Scania innove avec un nouveau système avancé de régulation
Plus en détailOptimisation Discrète
Prof F Eisenbrand EPFL - DISOPT Optimisation Discrète Adrian Bock Semestre de printemps 2011 Série 7 7 avril 2011 Exercice 1 i Considérer le programme linéaire max{c T x : Ax b} avec c R n, A R m n et
Plus en détailAnalyse stochastique de la CRM à ordre partiel dans le cadre des essais cliniques de phase I
Analyse stochastique de la CRM à ordre partiel dans le cadre des essais cliniques de phase I Roxane Duroux 1 Cadre de l étude Cette étude s inscrit dans le cadre de recherche de doses pour des essais cliniques
Plus en détail= constante et cette constante est a.
Le problème Lorsqu on sait que f(x 1 ) = y 1 et que f(x 2 ) = y 2, comment trouver l expression de f(x 1 )? On sait qu une fonction affine a une expression de la forme f(x) = ax + b, le problème est donc
Plus en détailAVERTISSEMENT. D'autre part, toute contrefaçon, plagiat, reproduction encourt une poursuite pénale. LIENS
AVERTISSEMENT Ce document est le fruit d'un long travail approuvé par le jury de soutenance et mis à disposition de l'ensemble de la communauté universitaire élargie. Il est soumis à la propriété intellectuelle
Plus en détailChp. 4. Minimisation d une fonction d une variable
Chp. 4. Minimisation d une fonction d une variable Avertissement! Dans tout ce chapître, I désigne un intervalle de IR. 4.1 Fonctions convexes d une variable Définition 9 Une fonction ϕ, partout définie
Plus en 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 détailcinq chez votre partenaire de Livre blanc pour les gestionnaires du secteur de la vente au détail au Canada
cinq chez votre partenaire de service PDV cr itèr es à r e che rche r après-vente Livre blanc pour les gestionnaires du secteur de la vente au détail au Canada Facteur 1 Repousser les limites Une équipe
Plus en détail4. Les services et prestations internes
4. Les services et prestations internes Parc aquatique Deux jolies piscines dont une chauffée, une pataugeoire, un jacuzzi et un toboggan le tout encadré d'un magnifique espace solarium avec bains de soleil.
Plus en détailCHAPITRE 5. Stratégies Mixtes
CHAPITRE 5 Stratégies Mixtes Un des problèmes inhérents au concept d équilibre de Nash en stratégies pures est que pour certains jeux, de tels équilibres n existent pas. P.ex.le jeu de Pierre, Papier,
Plus en détailContrainte de flot pour RCPSP avec temps de transfert
Contrainte de flot et x-rcpsc T 1 Contrainte de flot pour RCPSP avec temps de transfert PS temp, s ij Cmax BENOIST Thierry BOUYGUES/e-Lab DIAMANTINI Maurice ENSTA/LMA Contrainte de flot et x-rcpsc T Présentation
Plus en 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 détaila et b étant deux nombres relatifs donnés, une fonction affine est une fonction qui a un nombre x associe le nombre ax + b
I Définition d une fonction affine Faire l activité 1 «une nouvelle fonction» 1. définition générale a et b étant deux nombres relatifs donnés, une fonction affine est une fonction qui a un nombre x associe
Plus en détailIntelligence Artificielle et Systèmes Multi-Agents. Badr Benmammar bbm@badr-benmammar.com
Intelligence Artificielle et Systèmes Multi-Agents Badr Benmammar bbm@badr-benmammar.com Plan La première partie : L intelligence artificielle (IA) Définition de l intelligence artificielle (IA) Domaines
Plus en détailLe théorème de Perron-Frobenius, les chaines de Markov et un célèbre moteur de recherche
Le théorème de Perron-Frobenius, les chaines de Markov et un célèbre moteur de recherche Bachir Bekka Février 2007 Le théorème de Perron-Frobenius a d importantes applications en probabilités (chaines
Plus en détailDr YAO Kouassi Patrick www.yaopatrick.e-monsite.com
Notion de Bases de données et Gestion de données biologiques Dr YAO Kouassi Patrick www.yaopatrick.e-monsite.com Notion de base de données Une base de données est une collection de données interdépendantes
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 détailContinuité et dérivabilité d une fonction
DERNIÈRE IMPRESSIN LE 7 novembre 014 à 10:3 Continuité et dérivabilité d une fonction Table des matières 1 Continuité d une fonction 1.1 Limite finie en un point.......................... 1. Continuité
Plus en détailPASS ARAN. Maison du Valier - Gite Eylie 9 h 25 mn Dénivelée +1642m -1582 m
PASS ARAN Maison du Valier - Gite Eylie 9 h 25 mn Dénivelée +1642m -1582 m Maison du Valier 950m 0h Tél 05 61 01 01 01 Suivre vers le Nord le GR 10 (balisage rouge et blanc) qui remonte au parking pour
Plus en détailLivre blanc. Au cœur de Diskeeper 2010 avec IntelliWrite
Livre blanc Au cœur de Diskeeper 2010 avec IntelliWrite AU CŒUR DE DISKEEPER 2010 AVEC INTELLIWRITE Table des matières PRÉSENTATION DE LA TECHNOLOGIE INTELLIWRITE 1 TEST DE PERFORMANCE D INTELLIWRITE 2
Plus en détailFrancis BISSON (06 794 819) Kenny CÔTÉ (06 836 427) Pierre-Luc ROGER (06 801 883) IFT702 Planification en intelligence artificielle
Francis BISSON (06 794 819) Kenny CÔTÉ (06 836 427) Pierre-Luc ROGER (06 801 883) PLANIFICATION DE TÂCHES DANS MS PROJECT IFT702 Planification en intelligence artificielle Présenté à M. Froduald KABANZA
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 détail$SSOLFDWLRQGXNULJHDJHSRXUOD FDOLEUDWLRQPRWHXU
$SSOLFDWLRQGXNULJHDJHSRXUOD FDOLEUDWLRQPRWHXU Fabien FIGUERES fabien.figueres@mpsa.com 0RWVFOpV : Krigeage, plans d expériences space-filling, points de validations, calibration moteur. 5pVXPp Dans le
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 détailLE PROBLEME DU PLUS COURT CHEMIN
LE PROBLEME DU PLUS COURT CHEMIN Dans cette leçon nous définissons le modèle de plus court chemin, présentons des exemples d'application et proposons un algorithme de résolution dans le cas où les longueurs
Plus en détailProgrammation parallèle et distribuée
Programmation parallèle et distribuée (GIF-4104/7104) 5a - (hiver 2015) Marc Parizeau, Département de génie électrique et de génie informatique Plan Données massives («big data») Architecture Hadoop distribution
Plus en détailLa programmation linéaire : une introduction. Qu est-ce qu un programme linéaire? Terminologie. Écriture mathématique
La programmation linéaire : une introduction Qu est-ce qu un programme linéaire? Qu est-ce qu un programme linéaire? Exemples : allocation de ressources problème de recouvrement Hypothèses de la programmation
Plus en 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 détailCours de Systèmes d Exploitation
Licence d informatique Synchronisation et Communication inter-processus Hafid Bourzoufi Université de Valenciennes - ISTV Introduction Les processus concurrents s exécutant dans le système d exploitation
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 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 détailCommunications collectives et ordonnancement en régime permanent pour plates-formes hétérogènes
Loris MARCHAL Laboratoire de l Informatique du Parallélisme Équipe Graal Communications collectives et ordonnancement en régime permanent pour plates-formes hétérogènes Thèse réalisée sous la direction
Plus en détailLES GENERATEURS DE NOMBRES ALEATOIRES
LES GENERATEURS DE NOMBRES ALEATOIRES 1 Ce travail a deux objectifs : ====================================================================== 1. Comprendre ce que font les générateurs de nombres aléatoires
Plus en détailGrandes lignes ASTRÉE. Logiciels critiques. Outils de certification classiques. Inspection manuelle. Definition. Test
Grandes lignes Analyseur Statique de logiciels Temps RÉel Embarqués École Polytechnique École Normale Supérieure Mercredi 18 juillet 2005 1 Présentation d 2 Cadre théorique de l interprétation abstraite
Plus en détailNombre de marches Nombre de facons de les monter 3 3 11 144 4 5 12 233 5 8 13 377 6 13 14 610 7 21 15 987 8 34 16 1597 9 55 17 2584 10 89
Soit un escalier à n marches. On note u_n le nombre de façons de monter ces n marches. Par exemple d'après l'énoncé, u_3=3. Pour monter n marches, il faut d'abord monter la première. Soit on la monte seule,
Plus en détailNIMEGUE V3. Fiche technique 3.07 : Sauvegarde / Restauration manuelle
NIMEGUE V3 Fiche technique 3.07 : Sauvegarde / Restauration manuelle Version au 2 mai 2011 Toute donnée mémorisée sur un ordinateur, quelque soit le support, peut-être supprimée/effacée suite à un dysfonctionnement
Plus en détailRevue d article : Dynamic Replica Placement for Scalable Content Delivery
Revue d article : Dynamic Replica Placement for Scalable Content Delivery Marc Riner - INSA Lyon - DEA DISIC Introduction Cet article [1] présente une technique innovante de placement de réplicats et de
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 détailChapitre 6. Fonction réelle d une variable réelle
Chapitre 6 Fonction réelle d une variable réelle 6. Généralités et plan d étude Une application de I dans R est une correspondance entre les éléments de I et ceu de R telle que tout élément de I admette
Plus en détailChristophe CANDILLIER Cours de DataMining mars 2004 Page 1
Christophe CANDILLIER Cours de DataMining mars 2004 age 1 1. Introduction 2. rocessus du DataMining 3. Analyse des données en DataMining 4. Analyse en Ligne OLA 5. Logiciels 6. Bibliographie Christophe
Plus en détailDATE DU CONCOURS: SAMEDI 18 OCTOBRE
République Algérienne Démocratique et Populaire Ministère de l Enseignement Supérieur et de la Recherche Scientifique Université des Sciences et de la Technologie d Oran BOUDIAF Vice-Rectorat chargé de
Plus en détailQuelques algorithmes simples dont l analyse n est pas si simple
Quelques algorithmes simples dont l analyse n est pas si simple Michel Habib habib@liafa.jussieu.fr http://www.liafa.jussieu.fr/~habib Algorithmique Avancée M1 Bioinformatique, Octobre 2008 Plan Histoire
Plus en détailInitiation à l algorithmique
Informatique S1 Initiation à l algorithmique procédures et fonctions 2. Appel d une fonction Jacques TISSEAU Ecole Nationale d Ingénieurs de Brest Technopôle Brest-Iroise CS 73862-29238 Brest cedex 3 -
Plus en détailCommun à tous les candidats
EXERCICE 3 (9 points ) Commun à tous les candidats On s intéresse à des courbes servant de modèle à la distribution de la masse salariale d une entreprise. Les fonctions f associées définies sur l intervalle
Plus en détailParallélisme et Répartition
Parallélisme et Répartition Master Info Françoise Baude Université de Nice Sophia-Antipolis UFR Sciences Département Informatique baude@unice.fr web du cours : deptinfo.unice.fr/~baude Septembre 2009 Chapitre
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 détailDIRECTION GENERALE DES ETRANGERS EN FRANCE DOSSIER DE PRESSE. Le projet de loi relatif au droit des étrangers
DIRECTION GENERALE DES ETRANGERS EN FRANCE DOSSIER DE PRESSE Le projet de loi relatif au droit des étrangers Juillet 2014 Les chiffres de l immigration 200.000 étrangers hors UE sont accueillis chaque
Plus en détailLe trading haute fréquence vu de l AMF. Arnaud Oseredczuck, chef du service de la surveillance des marchés
Le trading haute fréquence vu de l AMF Arnaud Oseredczuck, chef du service de la surveillance des marchés Introduction - Trading haute fréquence : définitions Conceptuellement, il convient de distinguer
Plus en détail