PA Info et autres Promotion INF550. Conception et analyse d algorithmes Examen du mercredi 11 décembre heures
|
|
- Sévérine Soucy
- il y a 6 ans
- Total affichages :
Transcription
1 PA Info et autres Promotion 2011 INF550. Conception et analyse d algorithmes Examen du mercredi 11 décembre heures Documents autorisés : poly, transparents du cours, énoncés et corrigés de PC, notes manuscrites On vous demande d accorder une attention particulière à une rédaction soignée, qui sera un critère important dans l évaluation. Les différents exercice sont indépendants et peuvent être traités dans l ordre de votre choix. Aborder deux exercices peut suffire à avoir une bonne note. Séparation complète (Flots, algorithmes d approximation) On se donne un graphe non orienté G = (V, E), muni d une fonction de coût c(e) 0 pour chaque arête e E, et k sommets v 1,..., v k. Un séparateur complet des {v 1,..., v k } dans G est un ensemble d arêtes F tel que pour tout i j dans {1,..., k}, il n y a pas de chemin de v i à v j dans G \ F. Le coût d un séparateur F est la somme des coûts des arêtes qui le compose. Le problème de séparation complète optimale est de trouver un séparateur complet F de coût minimal parmi tous les séparateurs complets. 1. Étant donné un séparateur complet F, on note G i [F ] l ensemble des sommets accessibles depuis le sommet v i dans G \ F et F i le sous-ensemble de F constitué des arêtes ayant exactement une extrémité dans G i [F ]. Montrer que F i sépare v i des autres v j, j i, i.e. qu il n y a pas de chemin de v i à un v j avec j i dans G \ F i. Corrigé: Supposons qu il y ait un chemin de v i à v j dans G \ F i. Ce chemin doit sortir de la composante G i [F ], il contient donc une arête de F qui n a qu une extrémité dans G i [F ], ce qui contredit l hypothèse. 2. Soit E i un ensemble d arêtes qui sépare v i des autres v j et de coût minimum parmi les ensembles de ce type. Montrer qu on peut calculer un E i en temps polynomial. Quelle est la complexité de votre algorithme. Corrigé: On construit un réseau de transport dédoublant chaque arête de G en 2 arcs et en ajoutant un puits t lié aux s j, j i. La question est alors équivalente à déterminer la coupe de capacité minimale dans ce réseau. Pour la complexité, cf cours. 3. Déduire des questions précédentes un algorithme d approximation à un facteur 2 pour le problème de la séparation complète des sommets {v 1,..., v k }. Corrigé: On prend comme séparateur complet l union U des E i. Il s agit bien d un séparateur complet. Par minimalité du coût de E i, c(fi ) c(e i) de sorte que c(u) = i F i i i c(f i ). Or une arête de F ne peut appartenir au pire qu à 2 ensemble Fi donc c(u) 2( F ). Arbres de recherche optimisé pour 3-SAT (Complexité paramétrique) On rappelle que le problème 3-SAT porte sur les formules booléennes f en forme normale conjonctive, dont chaque clause contient au plus 3 litérals. On note n le nombre de variables de la formule et m le nombre de clauses, qu on suppose 2 à 2 distinctes. On étudie trois améliorations successives de l algorithme de recherche arborescente de complexité O (2 n ). (On rappelle que dans la notation O (2 n ) on néglige les termes polynomiaux en n et en m : f(n, m) = O (g(n)) s il existe un polynome P (n, m) tel que f(n, m)/g(n) P (n, m) pour tout n, m assez grands. Dans la suite on s efforcera de n utiliser que des algorithmes dont la complexité dépend polynomialement en m et donc on omet les dépendances en m.) 1
2 1. En raisonnant sur les affectations possibles des variables de la première clause, donner un algorithme dont la complexité T (n) satisfait la récurrence : T (n) T (n 1) + T (n 2) + T (n 3) + Poly(n). En déduire que l on peut résoudre 3-SAT en temps O (X n ) où X est la racine positive de l équation X 3 = X 2 + X + 1. Corrigé: Soit Φ = (x y z) Φ une 3-CNF. Si ni Φ [x] ni Φ [ xy] n est satisfiable, alors Φ est satisfiable ssi Φ [ xȳz] l est. On renvoie donc le OU (paresseux, tant qu à faire) de ces trois instances et on obtient la récurrence demandée, puisque tous les traitements (évaluation de la formule, gestion de la pile) se font en temps polynomial. On montre ensuite facilement par récurrence que T (n)/x n est bornée (poser U(n) := max k n T (n)/x n et écrire la récurrence), et donc que T (n) = O (X n ). 2. Soit Φ une formule en 3-CNF, et supposons qu il existe dans Φ une variable x telle que x et x apparaissent dans deux clauses différentes. Montrer que l on peut répondre au problème en quatre appels récursifs, dont deux sur une formule à (n 2) variables et deux sur une formule à (n 3) variables. En déduire un algorithme pour 3-SAT de complexité O (Y n ) où Y est la racine positive de Y 3 = 2Y + 2. Corrigé: Si x et x apparaissent dans Φ, alors quitte à réordonner les clauses, Φ est de la forme : Φ = (x y z) ( x u v) Φ. On résout donc le problème en appelant successivement Φ [xu], puis Φ [xūv] (noter ici que si x = V et u = F alors nécessairement v = V dans toute assignation satisfaisant Φ), puis Φ [ xy], puis Φ [ xȳz] (noter ici que si x = F et y = F alors nécessairement z = V dans toute assignation satisfaisant Φ). Pour obtenir un algorithme il reste à traiter le cas où x est une variable qui n apparaît que sous la forme x ou que sous la forme x dans Φ. Par simplicité de notation traitons le cas où c est seulement x qui apparaît. Dans ce cas, Φ est satisfiable ssi Φ[x] l est. L implication est triviale, et pour la réciproque, constater que si une assignation satisfait Φ, alors assigner la variable x à vrai ne peut infirmer aucune clause. La complexité T (n) de l algorithme satisfait : ( ) T (n) max T (n 1), 2T (n 3) + 2T (n 2), qui se résout comme en Soit A une assignation partielle des variables et Φ une formule. On dit que A est bonne (relativement à Φ) si toute clause de Φ dont une variable est affectée par A est satisfaite par A. Montrer que si A est bonne, alors Φ[A] est satisfiable si et seulement si Φ l est, et que si A n est pas bonne, alors Φ[A] contient une clause de taille 2. Corrigé: Clairement si Φ[A] est satisfiable, alors Φ l est. De plus si A est bonne et si B est une assignation satisfaisant Φ, alors l assignation obtenue à partir de B en réassignant les variables concernées comme dans A satisfait Φ. Cela démontre que si A est bonne, Φ sat Φ[A]. Si A n est pas bonne, par définition, dans Φ il existe une clause c contenant un littéral l qui est nié dans A, et telle que c ne disparaît pas dans Φ[A]. La longueur de c est dans Φ[A] a donc diminué, et est donc au plus En utilisant la propriété démontrée en 3., améliorer l algorithme proposé en 1., et donner un algorithme pour 3-SAT dont la complexité T (n) vérifie : ( ) T (n) max T (n 1), T 2 (n 1) + T 2 (n 2) + T 2 (n 3) + Poly(n), ( ) T 2 (n) max T (n 1), T 2 (n 1) + T 2 (n 2) + Poly(n), 2
3 où T 2 (n) désigne la complexité de l algorithme lorsqu il est appelé sur une formule contenant une clause de taille 2. En déduire que T (n) = O (Z n ), où Z est la solution positive de Z 2 = Z + 1, i.e. Z = Corrigé: Supposons que Φ ne contienne pas de 2-clause, et écrivons : Φ = (x y z) Φ. Si aucune des assignations {x}, { x, y} et { x, ȳ, x} ne sont bonnes pour Φ, on appelle successivement Φ [x], Φ [ xy], et Φ [ xȳz] comme en 1.. Notons que le coût de cet appel est T 2 (n 1) + T 2 (n 2) + T 2 (n 3) car chaque appel récursif s effectue sur une formule contenant une 2-clause, par 3. Si l une de ces assignations, disons A, est bonne, on se contente d appeler l algorithme sur Φ [A] et de renvoyer le résultat, car par 3. on sait que Φ [A] sat Φ. La complexité correspondante dans ce cas est au plus T (n 1). De la même façon, si Φ contient une 2-clause, écrivons (quitte à réordonner) : Φ = (x y) Φ. Si ni {x} ni { x, y} ne sont bonnes pour Φ, on appelle Φ [x] et Φ [ xy]. Le coût de cet appel est T 2 (n 1) + T 2 (n 2), là encore car 3. assure que les appels récursifs se font sur des formules contenant des 2-clauses. Sinon, on appelle simplement l algorithme sur Φ [A] où A {{x}, { x, y}} est une bonne affectation. Le coût de l appel est alors au plus T (n). On obtient alors clairement les deux inégalités données dans l énoncé. Borne inférieure pour Domination (Réduction et hypothèse forte de temps exponentiel) Le problème k-domination prend comme donnée un graphe G = (V, E) et un entier k et demande s il existe un ensemble X de k sommets tels que tout sommet de V ait un voisin dans X. 1. Étant donné un entier p et une formule booléenne f en forme normale conjonctive faite de m clauses C 1,..., C m sur n variables x 1,..., x n on construit un (gros) graphe G p,f de la façon suivante : Soit X 1... X p une partition des variables telle que X i n/p pour tout i. À chaque part X i on associe un sommet z i de G p,f. Pour tout i = 1,..., p : à chacune des 2 Xi assignations a possibles des variables de X i on associe un sommet u a, et on joint tous ces sommets deux à deux ainsi qu au sommet z i par des arêtes. À chaque clause C j de la formule on associe un sommet y j qu on joint aux assignations partielles qui la satisfont : autrement dit on met une arête entre y j et u a si la clause C j est satisfaite par l assignation partielle a. Montrer que le graphe G p,f admet un ensemble dominant de taille p si et seulement si la formule f est satisfiable. Corrigé: Si on dispose d une assignation qui satisfait f alors on place nos p sommets sur les p assignations partielles associées et on a un dominant. Si on a un ensemble dominant pour G p,f dont tous les sommets correspondent à des assignations partielles, on en déduit immédiatement une assignation qui satisfait f. Sinon, si l ensemble dominant contient le sommet z i on le remplace par n importe quel sommet de la i-ème clique. Finalement puisque les p sommets z i doivent être couverts et ne sont incidents à aucun des sommets y j il n est pas possible que ces sommets fassent partie de l ensemble dominant. 2. Peut on utiliser la construction précédente pour démontrer la NP-complétude du problème Domination? Corrigé: Non car le graphe est a priori de taille exponentielle en le nombre de variables. 3
4 3. Déduire de la construction de la question 1 que s il existe un algorithme de complexité O(n k ε ) pour le problème k-domination pour un certain couple k 2, ε 0 fixé, alors l hypothèse forte de temps exponentielle est fausse : cette hypothèse dit que pour tout ε > 0 il existe k tel qu aucun algorithme ne résout k-sat en temps O (2 (1 ε)n ) où n est le nombre de variables. Corrigé: Supposons avoir un algorithme qui résout le problème k-domination sur un graphe à n sommets en temps au plus c k n k ε pour tout k et n. Pour traiter le problème k-domination sur le graphe G k,f notre algorithme travaille en temps au plus c k (2 n/k + m + n) k ε c k (2n(1 ε/k) )P oly(m, n), et résout donc le problème SAT indépendamment de la longueur des clauses en temps O (2 (1 ε )n ) avec ε > 0. Simplification de graphes (complexité paramétrique, noyau) On rappelle qu une k-clique est un ensemble de k sommets liés deux à deux. On dira qu un graphe est une union de cliques si toutes ses composantes connexes sont des cliques. Étant donné un sommet x d un graphe G on note N G (y) le voisinage de y dans G, i.e. l ensemble formé de y et de ses voisins dans G. On considère le problème k-simplification suivant : peut on transformer un graphe en une union de cliques en faisant au plus k modifications, où une modification est soit la suppression soit l ajout d une arête. On appelle k-transformation du graphe G, une suite d au plus k modifications qui transforme G en union de cliques. 1. Considérons une k-transformation d un graphe G = (V, E) dont aucune composante connexe n est une clique, et soit G = (V, E ) le graphe résultant. Soit X l ensemble des sommets modifiés (i.e les sommets incidents à une arête supprimée ou ajoutée), Y l ensemble des sommets non modifiés (X Y = V, X Y = ). Montrer que X 2k et que G contient au plus 2k composantes. Corrigé: évident 2. Montrer que pour tout sommet y Y, N G (y) = N G (y) et que le voisinage de y dans G est une composante connexe de G. En déduire en particulier que si y 1 et y 2 de Y sont dans la même composante connexe de G alors N G (y 1 ) = N G (y 2 ). Corrigé: Ces propriétés sont évidentes puisque les composantes connexes de G sont des cliques et que les sommets non modifiés ont les mêmes voisins dans G et dans G. Un ensemble critique de G est un sous-ensemble U de sommets de G qui forment une clique et tel que deux éléments de U ont les mêmes voisins dans G, et maximal (i.e. strictement contenu dans aucun sous-ensemble U satisfaisant ces deux premières propriétés). 3. Montrer qu on peut déterminer en temps polynomial les ensembles critiques d un graphe. Indication : déterminer les cliques maximales d un graphe est difficile, il ne faut donc pas oublier qu on veut des ensembles de sommets qui ont les mêmes voisins. Corrigé: On remarque que deux sommets qui appartiennent à un même ensemble critique ont les mêmes voisins et sont liés par une arête : ils ont donc le même voisinage. Inversement deux éléments qui ont le même voisinage sont forcément liés par une arête : les ensembles critiques sont donc exactement les ensembles de sommets qui ont le même voisinage. Il suffit donc de partitionner les sommets en fonction de leur voisinage, ce qui se fait en temps polynomial par un tri (en fait on pourrait même le faire en temps linéaire en étant plus malin). 4. Montrer que si un ensemble critique X d un graphe G a cardinal l > k +1, on peut éliminer l k 1 sommets de G sans changer la réponse à k-simplification. Corrigé: Si X > k + 1 et X est critique alors les éléments de X forment une clique d élément qui ne peuvent être modifiés par une k-transformation : pour modifier l un d eux il faudrait modifier aussi tous les autres. On peut alors remplacer X par n importe quel sous-ensemble X de k + 1 sommets de X sans changer le fait que ces X forment un ensemble critique de sommet qui ne seront pas modifiés. 4
5 5. Donner un algorithme de prétraitement en temps polynomial qui réduit une instance de k-simplification à un noyau de taille au plus 2k(k + 2). Corrigé: On effectue les étapes suivantes : Éliminer les composantes connexes qui forment déjà des cliques. Déterminer les ensembles critiques et les réduire à k + 1 éléments. (On a vu qu on pouvait le faire en temps polynomial.) Observer que la k-simplification est alors impossible sauf s il reste au plus 2k composantes et au plus 2k éléments en dehors des ensembles critiques. On peut donc produire un noyau dont le nombre de sommets est au plus 2k(k + 1) + 2k. Équilibrage de charge (programmation linéaire, dualité, algorithmes online) On considère un problème d équilibrage de charge sur m machines {s 1,..., s m } pour une suite de tâches T = (t 1,..., t n ) à effectuer : l affectation de la tâche t i T à la machine s j induit une charge c(i, j) correspondant au temps d exécution de cette tâche sur cette machine ; la charge totale d une machine est la somme des temps correspondant aux tâches qui lui sont assignées ; le but est d affecter les tâches aux machines de façon à minimiser le maximum des charges totales des machines. On appelera valeur d une affectation ce maximum. La valeur de la meilleure affectation possible connaissant T est notée C (T ). On s intéresse à la version online du problème dans laquelle les tâches arrivent une à une et doivent être affectées immédiatement, sans possibilité de revenir en arrière. On suppose connu l ensemble des types de tâches susceptibles de devoir être traitées, seul le nombre de tâches de chaque type et l ordre dans lequel ces tâches seront proposées est inconnu. Le but de l exercice est de concevoir un algorithme online ayant un facteur de compétitivité borné pour ce problème. Supposons dans un premier temps qu on dispose d un algorithme online affecte(α), paramétré par un réel α > 0, et d une constante β 1, telle que pour tout α > 0, et toute séquence de taches T = (t 1,..., t n ), Si α < C (T ), l algorithme affecte(α) échoue lors du traitement de la kème tâche pour un certain k n, et renvoie une affectation des k 1 premières tâches de valeur au plus αβ. Si α C (T ), l algorithme affecte(α) construit une affectation des n tâches de valeur au plus αβ. 1. Montrer qu on peut utiliser l algorithme affecte(α) pour résoudre notre problème d affectation online avec un facteur de compétitivité de 4β. Corrigé: On commence avec α = min c(i, j) et chaque fois que l algorithme échoue on double α et on recommence avec la tâche courante et les suivantes. La dernière fois qu on appelle l algorithme, l affectation qu il renvoit aura une charge maximale α < 2βC (T ). Les affectations précédentes ont une charge bornée par les valeurs successives de α qui forment une suite géométrique de raison 2 terminant par βc (T ). Au final la charge cumulée est bornée par 4βC. Au vu de la question précédente le problème se ramène à concevoir l algorithme affecte(α). On suppose dorénavant α fixé et on normalise les données du problème : soit c(i, j) = c(i, j)/α et S i = {s j S c(i, j) < 1}. 2. Montrer que s il existe une affectation de valeur inférieure ou égale à α alors elle affecte la tâche t i à une machine de S i. Corrigé: Par construction si c(i, j) > 1 la charge induite par t i sur la machine s j dépasse α. À une suite de tâche T à traiter on associe le programme linéaire entier (P ) à n m variables suivant : maximiser : y i,j t i T s j S i 5
6 sous les contraintes : t i T, s j S, y i,j 1 s j S i c(i, j)y i,j 1 t i T,s j S i 3. Écrire le programme dual (on notera x j, j = 1,..., m et z i, i = 1,..., n les variables duales). Corrigé: minimiser : sous les contraintes : s j S x j + t i T t i T, s j S c(i, j)x j + z i 1 4. Montrer que si α C (T ) alors l optimum du problème linéaire (P ) est exactement n, et en déduire que dans ce cas il n existe pas de solution au problème dual de valeur strictement inférieure à n. Corrigé: Si α > C (T ) c est qu il existe une affectation des n tâches telle que toutes les contraintes soient satisfaites : l objectif y i,j vaut alors n. Par dualité faible l objectif du programme dual est alors au moins n. On considère maintenant l algorithme suivant : Initialisation : j, x j := 1/(2m), i, z i := 1, i, j, y i,j := 0. à chaque fois qu une nouvelle tâche t i arrive, 1. si S i = ou s il existe une machine x j avec x j > 1 échouer. 2. sinon (a) soit s l S i une machine minimisant c(i, l)x l, (b) Assigner la tâche t i à la machine s l, (c) Faire z i := 1 c(i, j)x l et y i,l := 1, (d) Faire x l := x l ( c(i, l)). 5. Montrer que la charge de chaque machine est au plus O(log m) à la fin de l exécution de l algorithme. (indication : on montrera qu on a toujours x j 3/2 et on liera la valeur finale de x j à la valeur de la charge finale sur la machine s j ) Corrigé: Au départ x j 1 et si x j > 1 au début d une boucle on échoue : comme c(i, j) < 1, x j augmente au plus d un facteur 3/2 lors de la dernière boucle. Maintenant si on note A j l ensemble des tâches affectées à la machine j, 3 2 x j 1 2m et on conclut en prenant le log. t i A j ( z i c(i, j)) 1 2m t i A j (3/2) c(i,j) 6. Montrer que si l algorithme échoue à l étape (1) alors le programme dual admet une solution de valeur strictement inférieure à n. Corrigé: On commence par vérifier qu au fur et à mesure de l exécution de la boucle les x j et z i forment toujours une solution faisable du programme dual : la contrainte est satisfaite au moment où on change un z i, et les x j ne font qu augmenter au cours de l exécution. 6
7 Lorqu on affecte la tâche t i à la machine s j, l objectif D du programme dual varie de 1 c(i, l)x l c(i, l)x l = c(i, l)x l or la quantité 1 2 c(i, l)x l est aussi exactement la variation de x l, de sorte qu on a D = 1 x l : m 1 m P = 2m + n (x l 1 m 2m ) = 1 + n x j. j=1 i=1 Maintenant s il existe un x j > 1 alors la solution du dual obtenue a une valeur strictement inférieure à n. 7. Conclure à l existence d un algorithme de facteur de compétitivité O(log m). Corrigé: On a constuit un algorithme tel que décrit à la question 1 avec c = cte log m, on obtient donc un facteur d approximation de 4cte log m = O(log m). j=1 7
Programmation 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 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 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 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 détailChapitre 5 : Flot maximal dans un graphe
Graphes et RO TELECOM Nancy A Chapitre 5 : Flot maximal dans un graphe J.-F. Scheid 1 Plan du chapitre I. Définitions 1 Graphe Graphe valué 3 Représentation d un graphe (matrice d incidence, matrice d
Plus en détailExercices - Polynômes : corrigé. Opérations sur les polynômes
Opérations sur les polynômes Exercice 1 - Carré - L1/Math Sup - Si P = Q est le carré d un polynôme, alors Q est nécessairement de degré, et son coefficient dominant est égal à 1. On peut donc écrire Q(X)
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 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 détailDe même, le périmètre P d un cercle de rayon 1 vaut P = 2π (par définition de π). Mais, on peut démontrer (difficilement!) que
Introduction. On suppose connus les ensembles N (des entiers naturels), Z des entiers relatifs et Q (des nombres rationnels). On s est rendu compte, depuis l antiquité, que l on ne peut pas tout mesurer
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 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 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 détailUniversité Paris-Dauphine DUMI2E 1ère année, 2009-2010. Applications
Université Paris-Dauphine DUMI2E 1ère année, 2009-2010 Applications 1 Introduction Une fonction f (plus précisément, une fonction réelle d une variable réelle) est une règle qui associe à tout réel x au
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 détailDualité dans les espaces de Lebesgue et mesures de Radon finies
Chapitre 6 Dualité dans les espaces de Lebesgue et mesures de Radon finies Nous allons maintenant revenir sur les espaces L p du Chapitre 4, à la lumière de certains résultats du Chapitre 5. Sauf mention
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 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 détailExercices - Fonctions de plusieurs variables : corrigé. Pour commencer
Pour commencer Exercice 1 - Ensembles de définition - Première année - 1. Le logarithme est défini si x + y > 0. On trouve donc le demi-plan supérieur délimité par la droite d équation x + y = 0.. 1 xy
Plus en détailIntroduction à la théorie des graphes. Solutions des exercices
CAHIERS DE LA CRM Introduction à la théorie des graphes Solutions des exercices Didier Müller CAHIER N O 6 COMMISSION ROMANDE DE MATHÉMATIQUE 1 Graphes non orientés Exercice 1 On obtient le graphe biparti
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 détailSimulation de variables aléatoires
Chapter 1 Simulation de variables aléatoires Références: [F] Fishman, A first course in Monte Carlo, chap 3. [B] Bouleau, Probabilités de l ingénieur, chap 4. [R] Rubinstein, Simulation and Monte Carlo
Plus en détailFonctions de plusieurs variables
Module : Analyse 03 Chapitre 00 : Fonctions de plusieurs variables Généralités et Rappels des notions topologiques dans : Qu est- ce que?: Mathématiquement, n étant un entier non nul, on définit comme
Plus en 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 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 détailIntégration et probabilités TD1 Espaces mesurés Corrigé
Intégration et probabilités TD1 Espaces mesurés Corrigé 2012-2013 1 Petites questions 1 Est-ce que l ensemble des ouverts de R est une tribu? Réponse : Non, car le complémentaire de ], 0[ n est pas ouvert.
Plus en détailLe produit semi-direct
Le produit semi-direct Préparation à l agrégation de mathématiques Université de Nice - Sophia Antipolis Antoine Ducros Octobre 2007 Ce texte est consacré, comme son titre l indique, au produit semi-direct.
Plus en détailNOMBRES COMPLEXES. Exercice 1 :
Exercice 1 : NOMBRES COMPLEXES On donne θ 0 un réel tel que : cos(θ 0 ) 5 et sin(θ 0 ) 1 5. Calculer le module et l'argument de chacun des nombres complexes suivants (en fonction de θ 0 ) : a i( )( )(1
Plus en détail* très facile ** facile *** difficulté moyenne **** difficile ***** très difficile I : Incontournable T : pour travailler et mémoriser le cours
Exo7 Continuité (étude globale). Diverses fonctions Exercices de Jean-Louis Rouget. Retrouver aussi cette fiche sur www.maths-france.fr * très facile ** facile *** difficulté moyenne **** difficile *****
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 détailCalcul matriciel. Définition 1 Une matrice de format (m,n) est un tableau rectangulaire de mn éléments, rangés en m lignes et n colonnes.
1 Définitions, notations Calcul matriciel Définition 1 Une matrice de format (m,n) est un tableau rectangulaire de mn éléments, rangés en m lignes et n colonnes. On utilise aussi la notation m n pour le
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 détailLimites finies en un point
8 Limites finies en un point Pour ce chapitre, sauf précision contraire, I désigne une partie non vide de R et f une fonction définie sur I et à valeurs réelles ou complees. Là encore, les fonctions usuelles,
Plus en détailFormes quadratiques. 1 Formes quadratiques et formes polaires associées. Imen BHOURI. 1.1 Définitions
Formes quadratiques Imen BHOURI 1 Ce cours s adresse aux étudiants de niveau deuxième année de Licence et à ceux qui préparent le capes. Il combine d une façon indissociable l étude des concepts bilinéaires
Plus en détailRésolution de systèmes linéaires par des méthodes directes
Résolution de systèmes linéaires par des méthodes directes J. Erhel Janvier 2014 1 Inverse d une matrice carrée et systèmes linéaires Ce paragraphe a pour objet les matrices carrées et les systèmes linéaires.
Plus en détailI. Polynômes de Tchebychev
Première épreuve CCP filière MP I. Polynômes de Tchebychev ( ) 1.a) Tout réel θ vérifie cos(nθ) = Re ((cos θ + i sin θ) n ) = Re Cn k (cos θ) n k i k (sin θ) k Or i k est réel quand k est pair et imaginaire
Plus en détailPlus courts chemins, programmation dynamique
1 Plus courts chemins, programmation dynamique 1. Plus courts chemins à partir d un sommet 2. Plus courts chemins entre tous les sommets 3. Semi-anneau 4. Programmation dynamique 5. Applications à la bio-informatique
Plus en détailPour l épreuve d algèbre, les calculatrices sont interdites.
Les pages qui suivent comportent, à titre d exemples, les questions d algèbre depuis juillet 003 jusqu à juillet 015, avec leurs solutions. Pour l épreuve d algèbre, les calculatrices sont interdites.
Plus en détailINF 232: Langages et Automates. Travaux Dirigés. Université Joseph Fourier, Université Grenoble 1 Licence Sciences et Technologies
INF 232: Langages et Automates Travaux Dirigés Université Joseph Fourier, Université Grenoble 1 Licence Sciences et Technologies Année Académique 2013-2014 Année Académique 2013-2014 UNIVERSITÉ JOSEPH
Plus en détailPremière partie. Préliminaires : noyaux itérés. MPSI B 6 juin 2015
Énoncé Soit V un espace vectoriel réel. L espace vectoriel des endomorphismes de V est désigné par L(V ). Lorsque f L(V ) et k N, on désigne par f 0 = Id V, f k = f k f la composée de f avec lui même k
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 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 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 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 détailProblèmes de Mathématiques Filtres et ultrafiltres
Énoncé Soit E un ensemble non vide. On dit qu un sous-ensemble F de P(E) est un filtre sur E si (P 0 ) F. (P 1 ) (X, Y ) F 2, X Y F. (P 2 ) X F, Y P(E) : X Y Y F. (P 3 ) / F. Première Partie 1. Que dire
Plus en détailSéminaire TEST. 1 Présentation du sujet. October 18th, 2013
Séminaire ES Andrés SÁNCHEZ PÉREZ October 8th, 03 Présentation du sujet Le problème de régression non-paramétrique se pose de la façon suivante : Supposons que l on dispose de n couples indépendantes de
Plus en détailProbabilités sur un univers fini
[http://mp.cpgedupuydelome.fr] édité le 7 août 204 Enoncés Probabilités sur un univers fini Evènements et langage ensembliste A quelle condition sur (a, b, c, d) ]0, [ 4 existe-t-il une probabilité P sur
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 détailTP1 Méthodes de Monte Carlo et techniques de réduction de variance, application au pricing d options
Université de Lorraine Modélisation Stochastique Master 2 IMOI 2014-2015 TP1 Méthodes de Monte Carlo et techniques de réduction de variance, application au pricing d options 1 Les options Le but de ce
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 détailFonctions de plusieurs variables, intégrales multiples, et intégrales dépendant d un paramètre
IUFM du Limousin 2009-10 PLC1 Mathématiques S. Vinatier Rappels de cours Fonctions de plusieurs variables, intégrales multiples, et intégrales dépendant d un paramètre 1 Fonctions de plusieurs variables
Plus en détailALGORITHMIQUE II NOTION DE COMPLEXITE. SMI AlgoII
ALGORITHMIQUE II NOTION DE COMPLEXITE 1 2 Comment choisir entre différents algorithmes pour résoudre un même problème? Plusieurs critères de choix : Exactitude Simplicité Efficacité (but de ce chapitre)
Plus en détailFONCTIONS DE PLUSIEURS VARIABLES (Outils Mathématiques 4)
FONCTIONS DE PLUSIEURS VARIABLES (Outils Mathématiques 4) Bernard Le Stum Université de Rennes 1 Version du 13 mars 2009 Table des matières 1 Fonctions partielles, courbes de niveau 1 2 Limites et continuité
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 détailComparaison de fonctions Développements limités. Chapitre 10
PCSI - 4/5 www.ericreynaud.fr Chapitre Points importants 3 Questions de cours 6 Eercices corrigés Plan du cours 4 Eercices types 7 Devoir maison 5 Eercices Chap Et s il ne fallait retenir que si points?
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 détailCCP PSI - 2010 Mathématiques 1 : un corrigé
CCP PSI - 00 Mathématiques : un corrigé Première partie. Définition d une structure euclidienne sur R n [X]... B est clairement symétrique et linéaire par rapport à sa seconde variable. De plus B(P, P
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 détailChapitre VI - Méthodes de factorisation
Université Pierre et Marie Curie Cours de cryptographie MM067-2012/13 Alain Kraus Chapitre VI - Méthodes de factorisation Le problème de la factorisation des grands entiers est a priori très difficile.
Plus en détailIntroduction à l étude des Corps Finis
Introduction à l étude des Corps Finis Robert Rolland (Résumé) 1 Introduction La structure de corps fini intervient dans divers domaines des mathématiques, en particulier dans la théorie de Galois sur
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 détailwww.h-k.fr/publications/objectif-agregation
«Sur C, tout est connexe!» www.h-k.fr/publications/objectif-agregation L idée de cette note est de montrer que, contrairement à ce qui se passe sur R, «sur C, tout est connexe». Cet abus de langage se
Plus en détailRappels et compléments, première partie : Nombres complexes et applications à la géométrie
Rappels et compléments, première partie : Nombres complexes et applications à la géométrie 1 Définition des nombres complexes On définit sur les couples de réels une loi d addition comme suit : (x; y)
Plus en détailMéthodes de quadrature. Polytech Paris-UPMC. - p. 1/48
Méthodes de Polytech Paris-UPMC - p. 1/48 Polynôme d interpolation de Preuve et polynôme de Calcul de l erreur d interpolation Étude de la formule d erreur Autres méthodes - p. 2/48 Polynôme d interpolation
Plus en détailLes indices à surplus constant
Les indices à surplus constant Une tentative de généralisation des indices à utilité constante On cherche ici en s inspirant des indices à utilité constante à définir un indice de prix de référence adapté
Plus en détailThéorème du point fixe - Théorème de l inversion locale
Chapitre 7 Théorème du point fixe - Théorème de l inversion locale Dans ce chapitre et le suivant, on montre deux applications importantes de la notion de différentiabilité : le théorème de l inversion
Plus en détailOptimisation for Cloud Computing and Big Data
1 / 23 Optimisation for Cloud Computing and Big Data Olivier Beaumont, Lionel Eyraud-Dubois 2 / 23 Aujourd hui Problèmes de fiabilité on va oublier la dynamicité Placement de VMs en programmation par contraintes
Plus en détailINTRODUCTION À L ANALYSE FACTORIELLE DES CORRESPONDANCES
INTRODUCTION À L ANALYSE FACTORIELLE DES CORRESPONDANCES Dominique LAFFLY Maître de Conférences, Université de Pau Laboratoire Société Environnement Territoire UMR 5603 du CNRS et Université de Pau Domaine
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 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 détailContexte. Pour cela, elles doivent être très compliquées, c est-à-dire elles doivent être très différentes des fonctions simples,
Non-linéarité Contexte Pour permettre aux algorithmes de cryptographie d être sûrs, les fonctions booléennes qu ils utilisent ne doivent pas être inversées facilement. Pour cela, elles doivent être très
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 détailAnalyse en Composantes Principales
Analyse en Composantes Principales Anne B Dufour Octobre 2013 Anne B Dufour () Analyse en Composantes Principales Octobre 2013 1 / 36 Introduction Introduction Soit X un tableau contenant p variables mesurées
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 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 détailOrdonnancement. N: nains de jardin. X: peinture extérieure. E: électricité T: toit. M: murs. F: fondations CHAPTER 1
CHAPTER 1 Ordonnancement 1.1. Étude de cas Ordonnancement de tâches avec contraintes de précédences 1.1.1. Exemple : construction d'une maison. Exercice. On veut construire une maison, ce qui consiste
Plus en détailChapitre 3. Quelques fonctions usuelles. 1 Fonctions logarithme et exponentielle. 1.1 La fonction logarithme
Chapitre 3 Quelques fonctions usuelles 1 Fonctions logarithme et eponentielle 1.1 La fonction logarithme Définition 1.1 La fonction 7! 1/ est continue sur ]0, +1[. Elle admet donc des primitives sur cet
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 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 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 détailThéorie des Graphes Cours 3: Forêts et Arbres II / Modélisation
IFIPS S7 - informatique Université Paris-Sud 11 1er semestre 2009/2010 Théorie des Graphes Cours 3: Forêts et Arbres II / 1 Forêts et arbres II Théorème 1.1. Les assertions suivantes sont équivalentes
Plus en 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 détailChapitre 1 : Évolution COURS
Chapitre 1 : Évolution COURS OBJECTIFS DU CHAPITRE Savoir déterminer le taux d évolution, le coefficient multiplicateur et l indice en base d une évolution. Connaître les liens entre ces notions et savoir
Plus en détailCours d Analyse. Fonctions de plusieurs variables
Cours d Analyse Fonctions de plusieurs variables Licence 1ère année 2007/2008 Nicolas Prioux Université de Marne-la-Vallée Table des matières 1 Notions de géométrie dans l espace et fonctions à deux variables........
Plus en détailÉPREUVE COMMUNE DE TIPE 2008 - Partie D
ÉPREUVE COMMUNE DE TIPE 2008 - Partie D TITRE : Les Fonctions de Hachage Temps de préparation :.. 2 h 15 minutes Temps de présentation devant le jury :.10 minutes Entretien avec le jury :..10 minutes GUIDE
Plus en détailIII- Raisonnement par récurrence
III- Raisonnement par récurrence Les raisonnements en mathématiques se font en général par une suite de déductions, du style : si alors, ou mieux encore si c est possible, par une suite d équivalences,
Plus en détailStructures algébriques
Structures algébriques 1. Lois de composition s Soit E un ensemble. Une loi de composition interne sur E est une application de E E dans E. Soient E et F deux ensembles. Une loi de composition externe
Plus en détailProbabilités conditionnelles Exercices corrigés
Terminale S Probabilités conditionnelles Exercices corrigés Exercice : (solution Une compagnie d assurance automobile fait un bilan des frais d intervention, parmi ses dossiers d accidents de la circulation.
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 détailEléments de Théorie des Graphes et Programmation Linéaire
INSTITUT NATIONAL POLYTECHNIQUE DE LORRAINE Ecole Nationale Supérieure d Electricité et de Mécanique Eléments de Théorie des Graphes et Programmation Linéaire Didier Maquin Professeur à l INPL Version
Plus en détailProblème 1 : applications du plan affine
Problème 1 : applications du plan affine Notations On désigne par GL 2 (R) l ensemble des matrices 2 2 inversibles à coefficients réels. Soit un plan affine P muni d un repère (O, I, J). Les coordonnées
Plus en détailThéorèmes de Point Fixe et Applications 1
Théorèmes de Point Fixe et Applications 1 Victor Ginsburgh Université Libre de Bruxelles et CORE, Louvain-la-Neuve Janvier 1999 Published in C. Jessua, C. Labrousse et D. Vitry, eds., Dictionnaire des
Plus en détail4. Martingales à temps discret
Martingales à temps discret 25 4. Martingales à temps discret 4.1. Généralités. On fixe un espace de probabilités filtré (Ω, (F n ) n, F, IP ). On pose que F contient ses ensembles négligeables mais les
Plus en détailFibonacci et les paquerettes
Fibonacci et les paquerettes JOLY Romain & RIVOAL Tanguy Introduction Quand on entend dire que l on peut trouver le nombre d or et la suite de Fibonacci dans les fleurs et les pommes de pin, on est au
Plus en détailCalcul différentiel sur R n Première partie
Calcul différentiel sur R n Première partie Université De Metz 2006-2007 1 Définitions générales On note L(R n, R m ) l espace vectoriel des applications linéaires de R n dans R m. Définition 1.1 (différentiabilité
Plus en détailExo7. Limites de fonctions. 1 Théorie. 2 Calculs
Eo7 Limites de fonctions Théorie Eercice Montrer que toute fonction périodique et non constante n admet pas de ite en + Montrer que toute fonction croissante et majorée admet une ite finie en + Indication
Plus en détailDérivées d ordres supérieurs. Application à l étude d extrema.
Chapitre 5 Dérivées d ordres supérieurs. Application à l étude d extrema. On s intéresse dans ce chapitre aux dérivées d ordre ou plus d une fonction de plusieurs variables. Comme pour une fonction d une
Plus en détailCorrection de l examen de la première session
de l examen de la première session Julian Tugaut, Franck Licini, Didier Vincent Si vous trouvez des erreurs de Français ou de mathématiques ou bien si vous avez des questions et/ou des suggestions, envoyez-moi
Plus en détail3. Conditionnement P (B)
Conditionnement 16 3. Conditionnement Dans cette section, nous allons rappeler un certain nombre de définitions et de propriétés liées au problème du conditionnement, c est à dire à la prise en compte
Plus en détailChapitre 7. Récurrences
Chapitre 7 Récurrences 333 Plan 1. Introduction 2. Applications 3. Classification des récurrences 4. Résolution de récurrences 5. Résumé et comparaisons Lectures conseillées : I MCS, chapitre 20. I Rosen,
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 détail