Cours 4 Méthodes arborescentes et PLNE
|
|
- Oscar Lecours
- il y a 6 ans
- Total affichages :
Transcription
1 RCP4 Optimisation en Informatique Cours 4 Méthodes arborescentes et PLNE CNAM /3 Sourour Elloumi et Eric Soutif RCP4 Optimisation en Informatique Plan du cours Cours : Introduction Cours : Modélisation Cours 3 : Rappels de Programmation Linéaire (PL) Cours 4 : Méthodes arborescentes et PLNE Cours 5 : Métaheuristiques Cours 6 : Prétraitements
2 Définition PLNE 3 Programmation linéaire en nombres entiers (PLNE) : Programmation linéaire où certaines variables ne peuvent prendre que des valeurs entières Programmation pure (resp. mixte) en NE : la totalité (resp. un sous-ensemble) des variables sont entières Programmation - ou binaire : les variables entières ne peuvent être que ou Exemple 4 max x +.64x s.c.: 5x + 3x 5 3x x 4 x, x et entiers
3 Exemple - Suite 5 point optimal continu (.95, 4.9) objectif 5.68 point optimal entier (5, ) objectif 5 Définition PLNE 6 PL et PLNE sont TRÉS différentes Optimisation continue convexe / Optimisation discrète Suite de ce cours : Utilité de la PLNE Résolution des PLNE 3
4 7 Application : choix d usines et d entrepôts But : choisir de nouveaux emplacements pour construire des usines et des entrepôts Deux emplacements : Lyon et Toulouse On ne peut construire plus d un entrepôt On ne peut construire un entrepôt que dans une ville où l on a aussi une usine On connaît, pour chaque ville : Coefficient de rentabilité usine ou entrepôt Coût de construction usine ou entrepôt Le coût total de construction ne peut pas dépasser Objectif : maximiser la rentabilité Application : données 8 Rentabilité Coût Usine à L 9 6 Usine à T 5 3 Entrepôt à L 6 5 Entrepôt à T 4 4
5 Application : modèle 9 Variables de décision : x = si une usine est construite à Lyon et sinon x = si une usine est construite à Toulouse et sinon y = si un entrepôt est construit à Lyon et sinon y = si un entrepôt est construit à Toulouse et sinon Application : modèle Contraintes - On ne peut construire plus d un entrepôt y +y - On ne peut construire un entrepôt que dans une ville où l on a aussi une usine y x y x 3- Le coût total de construction ne peut pas dépasser 6x +3x +5y +y Objectif max 9x +5x +6y +4y 5
6 Application : résumé du modèle et mise en version minimisation min Z = 9 s.c.: y + y y x y x 6x + 3x x, x x 5x + 5y, y, y 6y + y 4y et entiers C est notre exemple de base Exemple de base: résolution par un solveur/modeleur (glpk-gmpl) #Exemple du cours #variables var x binary; var x binary; var y binary; var y binary; #fonction objectif minimize Z : -9*x - 5*x - 6*y - 4*y ; #contraintes subject to c: y + y <= ; c: y <= x; c3: y <= x; c4: 6*x +3*x +5*y +*y <= ; printf "------Début de la résolution -----\n"; solve; printf "------Fin de la résolution -----\n"; display Z; display x; display x; display y; display y; end; 6
7 3 Exemple de base: résolution par un solveur/modeleur (OPL-Cplex) Valeur optimale : Z* = -4 valeur de x : valeur de x : valeur de y : valeur de y : Langage de modélisation : OPL (Optimization Programming Language) Solveur : Cplex (IBM-Ilog) Résolution des PLNE 4 Nous allons voir comment résoudre les PLNE. Dans le cas particulier des problèmes purement binaires PL. Dans le cas général des PLNE 7
8 8 Résolution des PL- Exemple de base = et entiers,,, s.c.: min y y x x y y x x x y x y y y y y x x Z ère idée : énumération 6 Résolution des PL
9 Résolution des PL- Énumération 7 Idée : il existe un nombre fini de solutions. Enumérons-les! x x y y Z=!!! Z=-5!! Z=-9!!! Z=-4!!! Z=-9 Résolution des PL- Enumération 8 Pour n variables binaires, n cas possibles Pour n=, plus d un million Pour n=3, plus d un milliard Idée d énumération de tous les cas possibles impraticable en Optimisation Discrète en général 9
10 Résolution des PL 9 ème idée : encadrement de la valeur optimale Relaxation continue - exemple de base Relaxation continue = on «oublie» le caractère entier des variables On obtient un programme linéaire (continu) qu on sait résoudre, par exemple par la méthode du simplexe : Solution (x, x, y, y )=(5/6,,, ) Valeur optimale : Z = -33/ = -6.5
11 Relaxation continue: interprétation + Valeurs possibles de toutes les solutions admissibles, entières ou non -6,5 - Relaxation continue: interprétation Conclusion : la valeur optimale (en entier) -6.5 Propriété générale Pour un problème de maximisation : la valeur optimale en entier la valeur optimale en continu Pour un problème de minimisation : la valeur optimale en entier la valeur optimale en continu On dit que la valeur optimale de la relaxation continue est une borne supérieure (si objectif de maximisation) ou une borne inférieure (si objectif de minimisation) de la valeur optimale en entier
12 Exemple - Rappel (max) 3 point optimal continu (.95, 4.9) objectif 5.68 point optimal entier (5, ) objectif 5 Connaissance d une solution admissible 4 Question : quelle information a-t-on si l on dispose d une solution admissible?
13 5 Connaissance d une solution admissibleexemple de base Admettons que l on connaisse la solution (x, x, y, y ) = (,,, ) de valeur Z = -9 6 Connaissance d une solution admissibleexemple de base + Valeurs possibles de toutes les solutions admissibles, entières ou non -9 Valeurs possibles de toutes les solutions entières optimales -6,5-3
14 7 Connaissance d une solution admissibleexemple de base Conclusion : la valeur d une solution optimale est comprise entre -6.5 et -9 Propriété générale : Pour un problème de minimisation, val. optimale en continu val. optimale en entier val. d une solution admissible borne inférieure borne supérieure Pour un problème de maximisation, val. d une solution admissible val. optimale en entier val. optimale en continu 8 Algorithme Branch-and-Bound (Séparation et évaluation) pour résoudre un PLNE Ingrédients de base : encadrement de la valeur optimale (borne inférieure, borne supérieure) énumération limitée dans le but d obtenir un encadrement de plus en plus fin 4
15 B&B- Exemple de base 9 Dans la solution de la relaxation continue : (x, x, y, y )=(5/6,,, ), x n est pas entier. On va «brancher» selon les deux valeurs possibles de x : et B&B- Exemple de base 3 Solution courante : -9 S : toutes les solutions entières opt -6.5 x = x = S : toutes les solutions entières telles que x = S : toutes les solutions entières telles que x = 5
16 B&B- Exemple de base 3 Sous-ensemble S : x= min Z = 5x 6y 4 y s.c. : y + y y y x 3x + 5y + y x, y, y et entiers Solution de la relaxation continue : (x, y, y)=(,, ) et Z=-9, et c est une solution entière! B&B- Exemple de base 3 Solution courante : -9 S : toutes les solutions entières opt -6.5 x = x = S : toutes les solutions entières telles que x = opt= -9 S : toutes les solutions entières telles que x = 6
17 B&B- Exemple de base 33 Sous-ensemble S : x= min Z = 9 5x 6y 4 y s.c. : y + y y y x 3x + 5y + y 4 x, y, y et entiers Solution de la relaxation continue : (x, y, y)=(4/5,, 4/5) et Z=-6. B&B- Exemple de base 34 Solution courante : -9 S : toutes les solutions entières opt -6.5 x = x = S : toutes les solutions entières telles que x = Opt= -9 S : toutes les solutions entières telles que x = opt -6. 7
18 B&B- Exemple de base 35 Conclusion actuelle : Meilleure solution admissible connue (solution courante) de valeur -9 Meilleure borne inférieure connue : -6. La valeur optimale est donc comprise entre -9 et -6. Comment continuer? B&B- Exemple de base 36 Le noeud S peut être élagué car on connaît la valeur d une solution entière optimale dans cet ensemble (valeur solution courante relaxation continue) S : toutes les solutions entières telles que x = Opt= -9 8
19 B&B- Exemple de base 37 Pour le noeud S, on applique le même traitement que pour S S : toutes les solutions entières telles que x = opt -6. Solution de la relaxation continue : (x,x, y, y)= (,4/5,, 4/5) et Z=-6.. On va brancher sur x B&B- Exemple de base 38 Sous-ensemble S3 : x = et x = Solution de la relaxation continue : (x,x, y, y )= (,,4/5,) et Z=-3.8 Sous-ensemble S4 : x = et x = Solution de la relaxation continue : (x,x, y, y )= (,,,.5) et Z=-6 9
20 B&B- Exemple de base 39 S Solution courante : -9 opt -6.5 x = x = S Opt= -9 S opt -6. x = x = S3 opt -3.8 S4 opt -6 B&B- Exemple de base 4 Conclusion actuelle : Valeur meilleure solution connue : -9 Meilleure borne inférieure connue :-6 On ne peut élaguer ni S3 ni S4 On «repart» avec S4 qui a la plus petite borne inférieure. On branche sur y
21 B&B- Exemple de base 4 Sous-ensemble S5 : x =, x = et y = Solution de la relaxation continue : (x,x, y, y )= (,,,.5) et Z=-6 Sous-ensemble S6 : x =, x = et y = impossible. S6 peut donc être élagué B&B- Exemple de base 4 x = S Opt= -9 S opt S3 opt x = S opt - 6. x = x = S5 opt -6 Solution courante : -9 S4 opt - 6 y = y = S6 impossible
22 B&B- Exemple de base 43 Conclusion actuelle : Valeur meilleure solution connue : -9 Meilleure borne inférieure connue : -6 On peut repartir soit avec S3 soit avec S5, on repart avec S5, on branche sur y B&B- Exemple de base 44 Sous-ensemble S7 : x=, x=, y= et y= Solution unique entière et Z=-4 (<-9 donc Nouvelle solution courante) Sous-ensemble S8 : x=, x=, y= et y= impossible. S8 peut donc être élagué
23 45 B&B- Exemple de base x = S Opt= -9 S opt -6.5 x = S opt -6. Solution courante : -4 Peut être élagué car borne inférieure > à val. sol courante Peut être élagué car sol optimale connue S3 opt -3.8 S7 Opt= -4 x = x = S5 opt -6 y = y = S4 opt -6 y = y = S8 impossible S6 impossible B&B- Exemple de base 46 Conclusion : on peut s arrêter car tous les nœuds ont été élagués. On prouve ainsi que la solution de valeur -4 est optimale! 3
24 47 B&B- Exemple de base, gain par rapport à l énumération complète x x y y Z=!!! Z=-5 Z=-9!! Z=-9!!! Z=-4!!! Algorithme B&B (min)- Résumé 48 Initialisation Calculer une solution admissible de valeur Z* ou poser Z*=+ Résoudre la relaxation continue et mettre à jour éventuellement Z* (évaluation) Appliquer les tests d élagage Tant qu il reste des nœuds non élagués Choisir un nœud non élagué Brancher sur une des variables (séparation) Pour chacun des nouveaux nœuds, résoudre la relaxation continue et mettre à jour éventuellement Z* Appliquer les tests d élagage Fin tant que La solution courante Z* est optimale 4
25 Algorithme B&B (min)- Résumé- suite 49 Un nœud est élagué si: La relaxation continue n a pas de solution La valeur optimale de la relaxation continue Z* Solution entière de la relaxation continue Pas de solution admissible entière La mise en place de l algorithme nécessite de préciser : La règle de sélection : quel nœud non élagué choisir? La règle de branchement : sur quelle variable brancher? Algorithme B&B (min)- Résumé- suite 5 Dans le cas général des variables entières (non seulement -), on choisit une variable de valeur fractionnaire dans la solution optimale de la relaxation continue et on branche sur l arrondi supérieur et inférieur de cette valeur Exemple : x 5 =3.48 x 5 3 x
26 Détermination des solutions admissibles 5 Ce n est pas toujours facile (pb général NPcomplet) Il n existe pas de méthode générale rapide On peut se contenter de celles qu on trouve lors de la résolution des relaxations continues Il existe des algorithmes qui fonctionnent bien dans des cas particuliers, par exemple l arrondi Problème d efficacité 5 C est le nombre de nœuds explorés qui déterminera le temps de calcul. À chaque nœud, on résout un programme linéaire (continu) On ne peut pas prévoir à l avance le nombre maximal de nœuds qu il faudra explorer En règle générale, un programme linéaire continu se résout «vite» Un PLNE nécessite du temps 6
27 Efficacité- Exemple 53 n min Z = c jx j j= s.c. : n a jx j b j= n a jx j b j= x j variables binaires Problème avec n= variables données engendrées aléatoirement Relaxation continue :.3 secondes Résolution en entier : 43 secondes (54 nœuds) 54 Quelques implémentations classiques des B&B Méthode de Balas pour les PL : Ré-écrire z (à minimiser) de sorte que z n ait pas de coefficients négatifs et les variables soient triées en ordre croissant de ces coefficients (tout programme peut être exprimé de cette façon) Séparation : fixer une variable soit à soit à Si un sous-problème a un second-membre positif ou nul, on a déjà une solution réalisable (en fixant toutes les variables restant à ) et c est la solution optimale de ce (sous-)problème Parcourir l arbre en profondeur Plusieurs règles d élagage permettent de savoir qu un problème donné est infaisable ou ne peut donner une solution meilleure d une solution déjà trouvée. 7
28 55 Quelques implémentations classiques des B&B Méthode de Dakin pour les PLNE : Parcourir l'arbre en profondeur (ce qui a une bonne chance de produire une solution réalisable assez vite) Choisir à chaque itération le problème possédant la meilleure solution de son programme relaxé Séparer sur une nouvelle variable dont la valeur (dans la solution optimale du programme relaxé) est la plus proche d'un entier k. Cette variable a une fourchette de valeurs possibles, disons [min,max]. On construit deux nouveaux problèmes, un avec [min,k], et l'autre avec [k+,max] 8
Cours de Master Recherche
Cours de Master Recherche Spécialité CODE : Résolution de problèmes combinatoires Christine Solnon LIRIS, UMR 5205 CNRS / Université Lyon 1 2007 Rappel du plan du cours 16 heures de cours 1 - Introduction
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 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 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 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 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 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 détailTravaux pratiques. Compression en codage de Huffman. 1.3. Organisation d un projet de programmation
Université de Savoie Module ETRS711 Travaux pratiques Compression en codage de Huffman 1. Organisation du projet 1.1. Objectifs Le but de ce projet est d'écrire un programme permettant de compresser des
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 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 détailNouvelles propositions pour la résolution exacte du sac à dos multi-objectif unidimensionnel en variables binaires
Nouvelles propositions pour la résolution exacte du sac à dos multi-objectif unidimensionnel en variables binaires Julien Jorge julien.jorge@univ-nantes.fr Laboratoire d Informatique de Nantes Atlantique,
Plus en détailSujet 4: Programmation stochastique propriétés de fonction de recours
Sujet 4: Programmation stochastique propriétés de fonction de recours MSE3313: Optimisation Stochastiqe Andrew J. Miller Dernière mise au jour: October 19, 2011 Dans ce sujet... 1 Propriétés de la fonction
Plus en détailProgrammation linéaire
Programmation linéaire DIDIER MAQUIN Ecole Nationale Supérieure d Electricité et de Mécanique Institut National Polytechnique de Lorraine Mathématiques discrètes cours de 2ème année Programmation linéaire
Plus en 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 détailAlgorithmes d'apprentissage
Algorithmes d'apprentissage 1 Agents qui apprennent à partir d'exemples La problématique : prise de décision automatisée à partir d'un ensemble d'exemples Diagnostic médical Réponse à une demande de prêt
Plus en détailProgrammation mathématique Discrète et Modèles Linéaires
Université Pierre et Marie Curie Master IAD Module PDML Programmation mathématique Discrète et Modèles Linéaires Pierre Fouilhoux pierre.fouilhoux@lip6.fr 29 septembre 2013 Table des matières I Programmation
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 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 détailProgrammation linéaire et Optimisation. Didier Smets
Programmation linéaire et Optimisation Didier Smets Chapitre 1 Un problème d optimisation linéaire en dimension 2 On considère le cas d un fabricant d automobiles qui propose deux modèles à la vente, des
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 détailApplication 1- VBA : Test de comportements d'investissements
Application 1- VBA : Test de comportements d'investissements Notions mobilisées Chapitres 1 à 5 du cours - Exemple de récupération de cours en ligne 1ère approche des objets (feuilles et classeurs). Corps
Plus en détailLes structures de données. Rajae El Ouazzani
Les structures de données Rajae El Ouazzani Les arbres 2 1- Définition de l arborescence Une arborescence est une collection de nœuds reliés entre eux par des arcs. La collection peut être vide, cad l
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 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 détailProbabilités. Rappel : trois exemples. Exemple 2 : On dispose d un dé truqué. On sait que : p(1) = p(2) =1/6 ; p(3) = 1/3 p(4) = p(5) =1/12
Probabilités. I - Rappel : trois exemples. Exemple 1 : Dans une classe de 25 élèves, il y a 16 filles. Tous les élèves sont blonds ou bruns. Parmi les filles, 6 sont blondes. Parmi les garçons, 3 sont
Plus en détailUEO11 COURS/TD 1. nombres entiers et réels codés en mémoire centrale. Caractères alphabétiques et caractères spéciaux.
UEO11 COURS/TD 1 Contenu du semestre Cours et TDs sont intégrés L objectif de ce cours équivalent a 6h de cours, 10h de TD et 8h de TP est le suivant : - initiation à l algorithmique - notions de bases
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 détailCorrection du baccalauréat ES/L Métropole 20 juin 2014
Correction du baccalauréat ES/L Métropole 0 juin 014 Exercice 1 1. c.. c. 3. c. 4. d. 5. a. P A (B)=1 P A (B)=1 0,3=0,7 D après la formule des probabilités totales : P(B)=P(A B)+P(A B)=0,6 0,3+(1 0,6)
Plus en détailArbres binaires de décision
1 Arbres binaires de décision Résumé Arbres binaires de décision Méthodes de construction d arbres binaires de décision, modélisant une discrimination (classification trees) ou une régression (regression
Plus en détailExercices du Cours de la programmation linéaire donné par le Dr. Ali DERBALA
75. Un plombier connaît la disposition de trois tuyaux sous des dalles ( voir figure ci dessous ) et il lui suffit de découvrir une partie de chacun d eux pour pouvoir y poser les robinets. Il cherche
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 détailJade. Projet Intelligence Artificielle «Devine à quoi je pense»
Jade Projet Intelligence Artificielle «Devine à quoi je pense» Réalisé par Djénéba Djikiné, Alexandre Bernard et Julien Lafont EPSI CSII2-2011 TABLE DES MATIÈRES 1. Analyse du besoin a. Cahier des charges
Plus en détailProgrammation par contraintes. Laurent Beaudou
Programmation par contraintes Laurent Beaudou On se trouve où? Un problème, une solution : la solution est-elle une solution du problème? simulation, vérification 2 On se trouve où? Un problème, une solution
Plus en détailThéorie et codage de l information
Théorie et codage de l information Les codes linéaires - Chapitre 6 - Principe Définition d un code linéaire Soient p un nombre premier et s est un entier positif. Il existe un unique corps de taille q
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 détailCours de Recherche Opérationnelle IUT d Orsay. Nicolas M. THIÉRY. E-mail address: Nicolas.Thiery@u-psud.fr URL: http://nicolas.thiery.
Cours de Recherche Opérationnelle IUT d Orsay Nicolas M. THIÉRY E-mail address: Nicolas.Thiery@u-psud.fr URL: http://nicolas.thiery.name/ CHAPTER 1 Introduction à l optimisation 1.1. TD: Ordonnancement
Plus en 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 détailLe prototype de la fonction main()
Le prototype de la fonction main() 1. Introduction...1 2. Paramètres et type de retour de la fonction main()...1 3. Exemple 1...2 4. La fonction exit() du C...2 5. Détecter le code de retour d un programme
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 détailBien lire l énoncé 2 fois avant de continuer - Méthodes et/ou Explications Réponses. Antécédents d un nombre par une fonction
Antécédents d un nombre par une fonction 1) Par lecture graphique Méthode / Explications : Pour déterminer le ou les antécédents d un nombre a donné, on trace la droite (d) d équation. On lit les abscisses
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 détailCours de recherche opérationnelle I
1 Cours de recherche opérationnelle I Nadia Brauner Nadia.Brauner@imag.fr Grenoble, 2014-2015 Auteurs Ont participé à la rédaction de ce cours (par ordre d arrivée) Nadia Brauner Christophe Rapine Julien
Plus en détail1 de 46. Algorithmique. Trouver et Trier. Florent Hivert. Mél : Florent.Hivert@lri.fr Page personnelle : http://www.lri.fr/ hivert
1 de 46 Algorithmique Trouver et Trier Florent Hivert Mél : Florent.Hivert@lri.fr Page personnelle : http://www.lri.fr/ hivert 2 de 46 Algorithmes et structures de données La plupart des bons algorithmes
Plus en détailLagrange, où λ 1 est pour la contrainte sur µ p ).
Chapitre 1 Exercice 1 : Portefeuilles financiers Considérons trois types d actions qui sont négociées à la bourse et dont les rentabilités r 1, r 2 et r 3 sont des variables aléatoires d espérances µ i
Plus en détailchapitre 4 Nombres de Catalan
chapitre 4 Nombres de Catalan I Dénitions Dénition 1 La suite de Catalan (C n ) n est la suite dénie par C 0 = 1 et, pour tout n N, C n+1 = C k C n k. Exemple 2 On trouve rapidement C 0 = 1, C 1 = 1, C
Plus en détailLicence Sciences et Technologies Examen janvier 2010
Université de Provence Introduction à l Informatique Licence Sciences et Technologies Examen janvier 2010 Année 2009-10 Aucun document n est autorisé Les exercices peuvent être traités dans le désordre.
Plus en détailIntelligence Artificielle Planification
Intelligence Artificielle Planification Bruno Bouzy http://web.mi.parisdescartes.fr/~bouzy bruno.bouzy@parisdescartes.fr Licence 3 Informatique UFR Mathématiques et Informatique Université Paris Descartes
Plus en détailProgrammation linéaire
CHAPTER 1 Programmation linéaire 1.1. Qu'est-ce que la programmation linéaire 1.1.1. Exemple: le problème du régime de Polly [1, p.3]. Besoins journaliers: Énergie: 2000 kcal Protéines: 55g Calcium: 800
Plus en détailRECHERCHE OPERATIONNELLE
RECHERCHE OPERATIONNELLE 0. Introduction. Ce cours a été enseigné jusqu en 2002, en année de licence, à la MIAGE de NANCY. L objectif principal de ce cours est d acquérir une connaissance approfondie de
Plus en détailProjet d informatique M1BI : Compression et décompression de texte. 1 Généralités sur la compression/décompression de texte
Projet d informatique M1BI : Compression et décompression de texte Le but de ce projet est de coder un programme réalisant de la compression et décompression de texte. On se proposera de coder deux algorithmes
Plus en détailApplication de K-means à la définition du nombre de VM optimal dans un cloud
Application de K-means à la définition du nombre de VM optimal dans un cloud EGC 2012 : Atelier Fouille de données complexes : complexité liée aux données multiples et massives (31 janvier - 3 février
Plus en détailStratégie de recherche adaptative en programmation par contrainte
Université Paul Sabatier École Nationale de l Aviation Civile Master 2 Recherche Informatique et Télécommunication parcours Intelligence Artificielle Simon Marchal Stratégie de recherche adaptative en
Plus en 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 détailReprésentation des Nombres
Chapitre 5 Représentation des Nombres 5. Representation des entiers 5.. Principe des représentations en base b Base L entier écrit 344 correspond a 3 mille + 4 cent + dix + 4. Plus généralement a n a n...
Plus en détailQuantification Scalaire et Prédictive
Quantification Scalaire et Prédictive Marco Cagnazzo Département Traitement du Signal et des Images TELECOM ParisTech 7 Décembre 2012 M. Cagnazzo Quantification Scalaire et Prédictive 1/64 Plan Introduction
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 détailLES MÉTHODES DE POINT INTÉRIEUR 1
Chapitre XIII LES MÉTHODES DE POINT INTÉRIEUR 1 XIII.1 Introduction Nous débutons par un rappel de la formulation standard d un problème d optimisation 2 linéaire et donnons un bref aperçu des différences
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 détailBac Blanc Terminale ES - Février 2011 Épreuve de Mathématiques (durée 3 heures)
Bac Blanc Terminale ES - Février 2011 Épreuve de Mathématiques (durée 3 heures) Eercice 1 (5 points) pour les candidats n ayant pas choisi la spécialité MATH Le tableau suivant donne l évolution du chiffre
Plus en détailUE Programmation Impérative Licence 2ème Année 2014 2015
UE Programmation Impérative Licence 2 ème Année 2014 2015 Informations pratiques Équipe Pédagogique Florence Cloppet Neilze Dorta Nicolas Loménie prenom.nom@mi.parisdescartes.fr 2 Programmation Impérative
Plus en détailBaccalauréat ES/L Métropole La Réunion 13 septembre 2013 Corrigé
Baccalauréat S/L Métropole La Réunion 13 septembre 2013 Corrigé A. P. M.. P. XRCIC 1 Commun à tous les candidats Partie A 1. L arbre de probabilité correspondant aux données du problème est : 0,3 0,6 H
Plus en détailCours 1 : Qu est-ce que la programmation?
1/65 Introduction à la programmation Cours 1 : Qu est-ce que la programmation? Yann Régis-Gianas yrg@pps.univ-paris-diderot.fr Université Paris Diderot Paris 7 2/65 1. Sortez un appareil qui peut se rendre
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 détailObjectifs. Clustering. Principe. Applications. Applications. Cartes de crédits. Remarques. Biologie, Génomique
Objectifs Clustering On ne sait pas ce qu on veut trouver : on laisse l algorithme nous proposer un modèle. On pense qu il existe des similarités entre les exemples. Qui se ressemble s assemble p. /55
Plus en détailLa NP-complétude. Johanne Cohen. PRISM/CNRS, Versailles, France.
La NP-complétude Johanne Cohen PRISM/CNRS, Versailles, France. Références 1. Algorithm Design, Jon Kleinberg, Eva Tardos, Addison-Wesley, 2006. 2. Computers and Intractability : A Guide to the Theory of
Plus en détailThéorie des Jeux Et ses Applications
Théorie des Jeux Et ses Applications De la Guerre Froide au Poker Clément Sire Laboratoire de Physique Théorique CNRS & Université Paul Sabatier www.lpt.ups-tlse.fr Quelques Définitions de la Théorie des
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 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 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 détailArbres binaires de recherche
1 arbre des comparaisons 2 recherche dichotomique l'arbre est recalculé à chaque recherche 2 5 3 4 7 9 1 6 1 2 3 4 5 6 7 9 10 conserver la structure d'arbre au lieu de la reconstruire arbre binaire de
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 détail1 Année LMD-STSM Algorithmique et Programmation. Série de TD 2
Série de TD 2 Exercice 2.1 Quel résultat produit le programme suivant? Var val, double : entier ; Val := 231 ; Double := Val * 2 ; Ecrire (Val) ; Ecrire (Double) ;. Exercice 2.2 Ecrire un programme qui
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 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 détailCapacité d un canal Second Théorème de Shannon. Théorie de l information 1/34
Capacité d un canal Second Théorème de Shannon Théorie de l information 1/34 Plan du cours 1. Canaux discrets sans mémoire, exemples ; 2. Capacité ; 3. Canaux symétriques ; 4. Codage de canal ; 5. Second
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 détailINITIATION AU LANGAGE C SUR PIC DE MICROSHIP
COURS PROGRAMMATION INITIATION AU LANGAGE C SUR MICROCONTROLEUR PIC page 1 / 7 INITIATION AU LANGAGE C SUR PIC DE MICROSHIP I. Historique du langage C 1972 : naissance du C dans les laboratoires BELL par
Plus en détailCours Optimisation Partie Optimisation Combinatoire. Année scolaire 2008-2009. Gérard Verfaillie ONERA/DCSD/CD, Toulouse Gerard.Verfaillie@onera.
Cours Optimisation Partie Optimisation Combinatoire 3ième année ISAE Année scolaire 2008-2009 Gérard Verfaillie ONERA/DCSD/CD, Toulouse Gerard.Verfaillie@onera.fr Septembre 2008 Résumé Ce document couvre
Plus en détailARBRES BINAIRES DE RECHERCHE
ARBRES BINAIRES DE RECHERCHE Table de symboles Recherche : opération fondamentale données : éléments avec clés Type abstrait d une table de symboles (symbol table) ou dictionnaire Objets : ensembles d
Plus en détailFactorisation Factoriser en utilisant un facteur commun Fiche méthode
Factorisation Factoriser en utilisant un facteur commun Fiche méthode Rappel : Distributivité simple Soient les nombres, et. On a : Factoriser, c est transformer une somme ou une différence de termes en
Plus en détailImage d un intervalle par une fonction continue
DOCUMENT 27 Image d un intervalle par une fonction continue La continuité d une fonction en un point est une propriété locale : une fonction est continue en un point x 0 si et seulement si sa restriction
Plus en détailUtilisation du backtrack intelligent dans un branch-and-bound Application au problème d Open-Shop
Utilisation du backtrack intelligent dans un branch-and-bound Application au problème d Open-Shop Narendra Jussien et Christelle Guéret École des Mines de Nantes 4 rue Alfred Kastler BP 20722 F-44300 Nantes
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 détailBaccalauréat ES Pondichéry 7 avril 2014 Corrigé
Baccalauréat ES Pondichéry 7 avril 204 Corrigé EXERCICE 4 points Commun à tous les candidats. Proposition fausse. La tangente T, passant par les points A et B d abscisses distinctes, a pour coefficient
Plus en détailOptimisation des fonctions de plusieurs variables
Optimisation des fonctions de plusieurs variables Hervé Hocquard Université de Bordeaux, France 8 avril 2013 Extrema locaux et globaux Définition On étudie le comportement d une fonction de plusieurs variables
Plus en détailintroduction Chapitre 5 Récursivité Exemples mathématiques Fonction factorielle ø est un arbre (vide) Images récursives
introduction Chapitre 5 Images récursives http ://univ-tln.fr/~papini/sources/flocon.htm Récursivité http://www.poulain.org/fractales/index.html Image qui se contient elle-même 1 Exemples mathématiques
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 détailLes algorithmes de fouille de données
Février 2005 Les algorithmes de fouille de données DATAMINING Techniques appliquées à la vente, aux services client, interdictions. Cycle C Informatique Remerciements Je remercie les personnes, les universités
Plus en détailInformatique Générale
Informatique Générale Guillaume Hutzler Laboratoire IBISC (Informatique Biologie Intégrative et Systèmes Complexes) guillaume.hutzler@ibisc.univ-evry.fr Cours Dokeos 625 http://www.ens.univ-evry.fr/modx/dokeos.html
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 détailApprentissage par renforcement (1a/3)
Apprentissage par renforcement (1a/3) Bruno Bouzy 23 septembre 2014 Ce document est le chapitre «Apprentissage par renforcement» du cours d apprentissage automatique donné aux étudiants de Master MI, parcours
Plus en détailINFO-F-310 - Algorithmique 3 et Recherche Opérationnelle
INFO-F- - Algorithmique et Recherche Opérationnelle Yves De Smet Bernard Fortz - Table des matières I Introduction Aide à la décision et modèles mathématiques Quelques exemples de modèles mathématiques
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 détailLes arbres binaires de recherche
Institut Galilée Année 2010-2011 Algorithmique et arbres L2 TD 6 Les arbres binaires de recherche Type en C des arbres binaires (également utilisé pour les ABR) : typedef struct noeud_s { struct noeud_s
Plus en détailTRACER LE GRAPHE D'UNE FONCTION
TRACER LE GRAPHE D'UNE FONCTION Sommaire 1. Méthodologie : comment tracer le graphe d'une fonction... 1 En combinant les concepts de dérivée première et seconde, il est maintenant possible de tracer le
Plus en détailBig Data et Graphes : Quelques pistes de recherche
Big Data et Graphes : Quelques pistes de recherche Hamamache Kheddouci Laboratoire d'informatique en Image et Systèmes d'information LIRIS UMR 5205 CNRS/INSA de Lyon/Université Claude Bernard Lyon 1/Université
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 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 détailSeconde et première Exercices de révision sur les probabilités Corrigé
I_ L'univers. _ On lance simultanément deux dés indiscernables donc il n'y a pas d'ordre. Il y a répétition, les dbles. On note une issue en écrivant le plus grand chiffre puis le plus petit. 32 signifie
Plus en détailBaccalauréat S Antilles-Guyane 11 septembre 2014 Corrigé
Baccalauréat S ntilles-guyane 11 septembre 14 Corrigé EXERCICE 1 6 points Commun à tous les candidats Une entreprise de jouets en peluche souhaite commercialiser un nouveau produit et à cette fin, effectue
Plus en détail