Génération de stratégies de Trading par Programmation Génétique

Dimension: px
Commencer à balayer dès la page:

Download "Génération de stratégies de Trading par Programmation Génétique"

Transcription

1 Génération de stratégies de Trading par Programmation Génétique Résumé L'objectif de ce projet est de réaliser un générateur, ou optimiseur, de stratégies de trading, en se basant sur une technique de programmation génétique. Très semblable dans ses grandes lignes aux algorithmes génétiques, la programmation génétique dispose tout de même d'un redoutable avantage : la structure des individus qu'elle fait évoluer, au niveau génétique, n'est plus fixe. C'est en effet de cette structure que dépendent les performances des individus, et c'est ainsi cette structure que l'on cherche à faire évoluer de manière optimale en modélisant les principes de la sélection naturelle. La programmation génétique semble donc constituer un excellent outil d'optimisation, dont la liste des domaines d'application est infinie. Elle est tout particulièrement adaptée à la résolution de problèmes bien posés, mais pour lesquels la recherche de solution par une méthode plus classique n'est pas triviale du tout. L'un des objets récurrents de la programmation génétique s'avère ainsi être l'optimisation de fonctions mathématiques, et c'est à celui-ci que je m'intéresse dans ce projet. Ayant réalisé un environnement de simuation de marché financier pour pouvoir y évaluer différentes stratégies de trading, je me suis aperçu : D'une part que l'optimisation manuelle d'une stratégie reposant sur de nombreux paramètres est long, fastidieux, et très dépendant des caractéristiques de l'environnement. D'autre part qu'une grande classe de stratégies de trading peuvent se ramener à une structure de base commune, qui consiste à prendre les décisions (acheter / vendre) en effectuant des comparaisons simples entre trois indicateurs financiers. Ces indicateurs sont des fonctions mathématiques de l'historique des prix, et se prêtent ainsi facilement à l'optimisation par programmation génétique. 1

2 Table des matières Résumé...1 Environnement et position du problème...3 Caractéristiques du marché et hypothèses...3 Informations dont dispose la stratégie...3 Composants essentiels de l'environnement de simulation du marché...4 La Strategy...4 Le Valuer...5 Algorithme de programmation génétique...6 Rappels sur la programmation génétique...6 Paramètres de l'algorithme...7 Population initiale...7 Terminals...7 Primitives...8 Fonction d'évaluation...9 Evolution de la population...9 Implémentation...12 Structures de données...12 Algorithme...13 Conclusion...14 Bibliographie

3 Environnement et position du problème Dans cette partie nous détaillons le problème que l'on cherche à résoudre, la struture simplifiée de l'environnement de simulation qui permettra d'évaluer les solutions trouvées par l'algorithme génétique, les hypothèses qui sont effectuées pour restreindre le problème, et enfin les paramètres dont il dépend. Supposons ainsi que nous disposions d'un accès à un marché financier sur lequel nous puissions intervenir (i.e. acheter ou vendre des actifs) librement, et que l'on se focalise sur un actif particulier, dans l'espoir de tirer profit des variations de son cours. Par exemple sur le marché des échanges de devises, intéressons nous à l'évolution du taux de change Euro-Dollar. Une stratégie de trading largement adoptée sur ce type de marché, dont les caractéristiques essentielles seront résumées ci-dessous, consiste à supposer qu'avec le temps, une sorte de prix moyen s'établit, et qu'il est alors intéressant de vendre l'actif lorsque son cours est au-dessus du prix moyen constaté, et inversement de l'acheter lorsque le cours est en-dessous du prix moyen. De manière plus générale les variations du cours ne sont jamais uniformes bien longtemps et la classe de stratégies que nous étudions essaie lors de tirer avantage de cette non monotonité. Caractéristiques du marché et hypothèses Ce type de stratégie n'a d'intérêt que sur des marchés où, comme évoqué ci-dessus, l'intervention est quasiment libre, car si l'on n'est pas sûr de pouvoir exécuter un ordre au moment exact ou notre stratégie nous indique de le faire, celle-ci tombe alors à l'eau. En particulier, les hypothèses que nous ferons sur notre marché qui constituent une très légère exagération de la réalité du marché des échanges de devises sont les suivantes : Pas de frais de transaction. Marché ouvert 24/7. Seul les market orders (c'est-à-dire les ordres au prix actuel du marché) sont autorisés. Autrement dit, pas d'offre avec un prix limite. Marché parfaitement liquide : Pas de spread bid / ask (i.e. aucune différence entre le prix d'achat et le prix de vente). Profondeur de marché infinie (les ordres de l'agent n'ont aucune incidence sur le prix du marché, quelle que soit leur quantité). Un ordre placé est exécuté immédiatement s'il est conforme. Informations dont dispose la stratégie Nous supposerons que la seule information dont dispose la stratégie pour construire les ordres à exécuter est l'historique des prix de l'actif, échantillonné à intervalles réguliers. En effet, les agents intervenant sur un marché financier ont généralement accès à l'ensemble du carnet d'ordres placés et exécutés, et peuvent ainsi tenir compte des ordre placés avec un prix limite qui n'a pas été atteint, ou encore du volume des échanges. Mais les hypothèses simplificatrices que nous avons fait sur notre marché rendent ces informations peu pertinentes. 3

4 Enfin, il pourrait être intéressant que la stratégie ait accès au restant dans la session actuelle de trading, mais cet élément ne sera pas pris en compte dans un premier temps. Composants essentiels de l'environnement de simulation du marché Les stratégies de trading générées par l'algorithme de programmation génétique seront évaluées au sein d'un environnement modélisant un marché financier, paramétré pour mettre en oeuvre les caractéristiques du marché définies ci-dessus. Le fonctionnement de cet environnement n'est pas une question primordiale pour cet article portant principalement sur l'aspect programmation génétique, mais deux composants méritent tout de même d'être détaillés pour comprendre la mise en place ultérieure de l'algorithme de programmation génétique en lui-même. L'environnement est ainsi composé d'un système multi-agents. L'un d'entre eux, un peu particulier, représente le marché et est configuré de manière à présenter les caractéristiques précédemment citées. Les autres agents représentent les participants au marché financier, et communiquent avec ce dernier à l'aide d'un protocole spécifique (qui gagnerai toutefois à s'aligner sur le standard existant dans l'industrie financière). Ces derniers agents, les "Traders", exploitent deux composants essentiels pour définir les ordres (d'achat ou de vente) à exécuter. Ces composants sont présentés ci-dessous La Strategy Description Ce composant recueille les indicateurs construits à partir de l'historique du cours de l'actif, et les utilise pour déterminer les ordres à exécuter. Dans le cadre de ce projet (ainsi que dans beaucoup d'autres stratégies classiques), ce composant aura un fonctionnement à base de règles, fixes, qui porteront sur les indicateurs. Ce composant fonctionne ainsi au niveau symbolique, et ne sera pas optimisé dans le cadre de ce projet. Les règles choisies sont les suivantes : Vendre tout ce que l'on a lorsque l'indicateur I2 passe au dessus de l'indicateur I1 (pour rappel les indicateurs sont des fonctions de l'historique du prix de l'actif). Acheter pour tout notre argent lorsque l'indicateur I2 passe en dessous de l'indicateur I3. Paramètres et valeur de retour La stratégie dépend donc des indicateurs I1, I2, et I3, et renvoie, un ordre à exécuter (achat / vente + quantité), ou la valeur "null" si ni l'achat ni la vente n'est intéressant. 4

5 Le Valuer Description Coeur de notre problème, le Valuer donne une indication sur la valeur de l'actif. C'est lui qui calcul les indicateurs I1, I2, et I3, qui seront utilisés par la strategy, et c'est donc lui que nous allons optimiser par programmation génétique. Paramètres Le valuer est constitué de trois fonctions distinctes de l'historique du prix, nommées I1, I2, et I3, qui renvoient chacune un réel positif. 5

6 Algorithme de programmation génétique Rappels sur la programmation génétique Tout comme les algorithmes génétiques, la programmation génétique repose sur quelques grandes étapes dont la plupart sont indépendantes du problème. Puisque l'on cherche à obtenir un programme informatique optimal, il nous faut tout d'abord créer une Population intiale aléatoire de programmes. Les programmes sont représentés de manière fonctionelle, ce qui permet de les implémenter sous forme du structure de données arborescente. Il nous faut alors construire deux listes pour pouvoir générer ces arbres représentant les programmes : La liste des feuilles possibles pour construire l'arbre, aussi appelées Terminals. Cela correspond aux constantes du problème traité (et éventuellement des constantes générées aléatoirement). La liste des noeuds internes possibles pour construire l'arbre, représentant des fonctions utilisables pour résoudre le problème (autrement dit construire la fonction adéquate), aussi appelées Primitives. La création aléatoire de cette population initiale est controllée par un paramètre limitant la profondeur maximale de l'arbre représentant un individu, et un autre limitant le nombre d'individus dans la population.. Image 1: Exemple d'individu - Source : geneticprogramming.us Chaque individu représentant une solution potentielle au problème, l'étape suivante consiste à évaluer la qualité de la réponse apportée par chaque individu. La fonction qui prend les individus en entrée et retourne ses performance dans la résolution du problème sous forme numérique est appelée fonction d'évaluation. La dernière étape consiste à définir une méthode permettant de faire évoluer la population en s'inspirant des principes de la sélection naturelle, en combinant des opérations génétiques de type mutation et crossover sur les structures arborescentes représentant les individus. On espère ainsi qu'après de nombreuses évolutions, et avec une méthode efficace de sélection des meilleurs individus, dont le patrimoine génétique doit être conservé, on obtiendra des 6

7 programmes très efficaces dans la résolution du problème. Paramètres de l'algorithme Dans cette partie sont présentés la configuration et les paramètres choisis pour l'implémentation de l'algorithme de programmation génétique, relativement à chacune des étapes décrites ci-dessus. Population initiale Chaque individu n'est pas composé d'une fonction, ou structure arborescente, mais de trois, chacune ayant pour racine la fonction valeur absolue. Chaque individu représentera ainsi un lot d'indicateurs pour la Strategy d'un agent sur le marché financier. Les opérations génétiques décrites plus bas sont donc appliquées à chaque individu en considérant l'ensemble des noeuds de chacune des trois fonctions comme égaux. Avec la Strategy décrite précédemment, construite sur ces indicateurs, il existe une dépendance évidente entre ces indicateurs, d'où l'idée de laisser la sélection naturelle découvrir cette dépendance et créer des individus "efficaces". Terminals Constantes générées aléatoirement : Integer. Float. (Temps restant avant la fin de la session de Trading). 7

8 Primitives Fonctions Historique des prixs Argument : Nombre d'unités de temps écoulées depuis la date du prix recherché. On choisit un axe des temps inversé et commençant à 0, pour que la structure arborescente représentant le programme (figée à l'exception de quelques fonctions tenant compte de l'intégralité de l'historique) puisse prendre en compte les dernières données. Valeur de retour: Prix Identité Somme Différence Multiplication Division Valeur absolue (Exponentielle) (Logarithme) (Cosinus) Opérateurs sur les fonctions Ces opérateurs (implémentés sous forme de tags qui sont appliqués aux fonctions) permettent, à partir d'une fonction, de construire soit une nouvelle fonction qui dépend de la première, soit un Terminal. Taux d'accroissement Intégrale sur un sous-ensemble du domaine de définition Max de l'ensemble image Min de l'ensemble image Cardinal du domaine de définition (Produit de convolution) 8

9 Fonction d'évaluation La qualité de la réponse qu'apporte chaque individu à notre problème de trading sera mesurée par le bénéfice moyen qu'un agent réalise en utilisant les Indicateurs (que représente l'individu). Mais il nous faut alors définir les modalités de la session de Trading, c'est-à-dire la durée de celle-ci et la manière de générer le cours de l'actif. Dans un premier temps, afin de valider la méthode et de détecter des éventuelles erreurs dans l'implémentation ou anomalies par rapport au comportement attendu, le cours de l'actif sera représenté par une fonction déterministe, un cosinus dont les paramètres sont fixés et identiques pour chacune des générations. Une fois ce premier test réussi, on pourra représenter le cours de l'actif à l'aide d'un modèle stochastique adapté à la finance de marché, ou encore enregistrer des données provenant de marchés réels. Chaque individu sera alors évalué en tenant compte de la moyenne de ses performances sur plusieurs sessions de trading, ainsi que de sa performance minimale et maximale. Evolution de la population Selection et reproduction des individus La première méthode implémentée pour la sélection des individus dont le patrimoine génétique semble important et doit être conservé est la suivante : on garde la moitié des individus ayant obtenu la meilleur évaluation, puis ils sont rassemblés aléatoirement par couples, à partir desquels deux descendants sont construits par reproduction. La reproduction commence par un crossover (défini ci-dessous), qui permet d'obtenir deux descendants. Les descendants subissent alors chacun une mutation avec une faible probabilité. Cette méthode très grossière pourra être améliorée en convertissant l'évaluation des individus en un nombre entre 0 et 1 (1 représentant les meilleurs individu) et considérer ce nombre comme une probabilité de garder les individus. On sélectionne ainsi N/2 individus (avec N la taille de la population initiale) puis on effectue ensuite des reproductions au sein de la population restante, en autorisant plus d'enfants aux meilleurs individus, jusqu'à obtenir de nouveau une population de N individus. Crossover Les crossovers entre deux individus représentés par des structures arborescentes sont modélisés par l'échange d'un sous-arbre entre les deux parents, les racines des deux sous-arbres devant alors renvoyer des types compatibles. Cela restreint les choix possibles du point de crossover chez le deuxième parent une fois choisi aléatoirement celui du premier parent. On obtient alors deux enfants, correspondant aux deux parents dans lesquels un sous-arbre a été échangé. Il est par ailleurs envisageable d'essayer d'effectuer plusieurs crossovers à chaque reproduction, ce qui peut contribuer au brassage génétique et faire apparaître de nouveaux individus au patrimoine génétique intéressant. 9

10 Image 2: Schéma d'un crossover - Source : geneticprogramming.us Mutation Une fois les deux descendants obtenus par crossover des génotypes des parents, chacun va subir, avec une faible probabilité, une mutation. Ces mutations peuvent être de différentes natures le type de mutation effectivement appliqué à un individu étant choisi aléatoirement à l'exécution et les 3 types de mutation suivants sont actuellement implémentés : Mutation d'un sous-arbre : On remplace un sous-arbre de l'individu par un nouveau sousarbre généré aléatoirement. Image 3: Mutation d'un sous-arbre - Source : geneticprogramming.us 10

11 Mutation d'un noeud : On choisit aléatoirement un noeud dans l'arbre de l'individu (terminal ou primitive) et on le remplace par un nouveau noeud, compatible, choisi aléatoirement. Image 4: Mutation d'un noeud - Source : geneticprogramming.us Mutation constante : On effectue un changement définit à l'avance sur un noeud dont le type est supporté (actuellement une incrémentation ou décrémentation pour les Terminals). Image 5: Mutation constante - Source : geneticprogramming.us 11

12 Implémentation L'implmentation des algorithmes génétiques est souvent réalisée dans un langage de programmation fonctionnel car ce paradigme permet de représenter de manière naturelle les structures arborescentes, ou fonctions, que l'on fait évoluer. De même, un langage fonctionnel permet d'évaluer très simplement la valeur des fonctions construites à partir de la racine de l'arbre. Pour cette raison, les premières applications de la programmation génétique ont été réalisées en LISP. Cependant, il est tout à fait possible d'implémenter un algorithme de programmantion génétique dans un langage reposant sur un autre paradigme, notamment l'orienté objet, qui s'avère lui aussi très pratique pour créer et faire évoluer les fonctions, représentées sous formes d'arbres, auxquelles nous nous intéressons. Ainsi, afin d'assurer un maximum de compatibilité avec l'environnement de simulation de marché (réalisé en Java) et donc un minimum de temps de mise en oeuvre, l'algorithme de programmation génétique décrit dans cet article a lui aussi été réalisé en Java. Ci-dessous sont présentées les principales caractéristiques de l'implémentation réalisée, avec une rapide description des classes et méthodes essentielles, réparties dans deux grandes catégories. Structures de données Il nous a tout d'abord fallu implémenter les structures de données représentant les fonctions que nous voulons faire évoluer. Celles-ci étant construites de manière arborescente, une première classe, GPNode, représente un noeud quelconque dans l'arbre en mettant en place la notion de noeud parent, et d'évaluation de la valeur de retour du sous-arbre éventuel. On a ainsi la base d'une structure arborescente. Cette classe est ensuite spécialisée dans deux autres classes qui héritent d'elle : GPTerminal, qui représente une feuille de l'arbre en ajoutant à GPNode les méthodes adéquates. GPFunction, qui représente un noeud interne de l'arbre, autrement dit l'une des fonctions élémentaires disponibles pour construire les individus. Ces deux classes sont alors héritées à leur tour par des classes représentant les Terminals et Primitives de notre problème. Enfin, une classe un peu particulière nommée GPEvolvedThreeLevelsFunction, a pour attributs trois GPNodes chacun racine d'un arbre et représente les individus de notre population. En effet chaque individu doit être constitué de trois fonctions, qui servent d'indicateurs financiers. Ce sont donc les instances de GPEvolvedThreeLevelsFunction qui sont passée aux Valuers afin de tester la pertinence des combinaisons d'indicateurs qu'elles représentent. 12

13 Algorithme Les structures de données sont maintenant prêtes à être utilisée. Il nous faut ensuite implémenter les algorithmes capables de traiter ces structures, c'est-à-dire effectuer les opérations nécessaires à la programmation génétique, décrites dans les parties précédentes. Ces algorithmes sont tous implémentés au sein d'une classe GPAlgorithm, contenant notamment les méthodes de bases suivantes, essentielles à la mise en oeuvre des grandes étapes de la programmation génétique : initfill : Prend en entrée une instance de GPFunction et construit un arbre (valide) ayant pour racine la GPFunction fournie. crossover : Prend en entrée deux individus, effectue le crossover décrit dans la partie précédente, et renvoie les deux individus obtenus. mutate : Prend en entrée un individu et effectue l'une des mutations présentées. terminalstypesmatch : Prend deux GPNodes en entrée et renvoie un booléen indiquant si les types correspondent (si l'un des GPNodes est une GPFunction, c'est le type de sa valeur de retour qui est considéré). functionsargstypesmatch : Prend en entrée deux listes de GPNodes (représentant les arguments d'une GPFunction) et renvoie un booléen indiquant si les types correspondent. L'ordre des éléments dans les listes est pris en compte. Une fois ces fonctions de bases disponibles, il ne nous reste plus qu'à implémenter les fonctions de plus haut niveau suivantes, correspondant aux grandes étapes de la programmation génétique : createpopulation : Construit une liste de GPEvolvedThreeLevelsFunction en utilisant initfill ainsi que la liste des Terminals et Primitives du problème. reproduce : Construit deux nouveaux individus à partir de deux individus de la population, en utilisant crossover et éventuellement mutate. evolve : Permet de faire évoluer la population en sélectionnant les individus à garder puis en effectuant les reproductions. fitnessfunction : Lance une (ou plusieurs, cf. "Paramètres de l'algorithme Fonction d'évaluation) simulation de marché avec autant d'agents que d'individus dans la population. Le Valuer de chaque agent se voit attribuer pour fonction de calcul des indicateurs l'un des GPEvolvedThreeLevelsFunction de la population. 13

14 Conclusion La programmation génétique est particulièrement adaptée à la recherche de fonctions optimales pour un problème donné, si celui-ci est bien posé, même (et surtout, puisque c'est l'un de ses avantages principaux par rapport à d'autres techniques d'optimisation) lorsque l'espace de recherche est immense. Cette techique semble donc tout à fait adéquate pour la recherche de stratégies de trading, où l'obtention d'une stratégie optimale se ramène souvent à la recherche d'indicateurs pertinents, qui ne sont autres que des fonctions mathématiques de l'historique du marché. L'algorithme réalisé pour ce projet présente deux modifications par rapport aux applications classiques de la programmation génétique. D'une part les individus construits ne dépendent pas de Terminals classiques, ni même d'un nombre fini de Terminals, mais d'une fonction du temps, qui se construit donc progressivement à chaque fois que les individus sont plongés dans l'environnement où ils sont utilisés. On a ainsi dû introduire une Primitive originale, PriceHistory, qui fait interface avec cet environnement. D'autre part, chaque individu ne représente pas une fonction, mais trois. Ainsi, la sélection naturelle n'a pas ici l'unique rôle de découvrir une fonction tenant avantageusement compte des dépendances entre les Terminals; elle sert aussi à exploiter (après l'avoir découverte) la dépendance entre les trois fonctions composant chaque individu, cette dépendance provenant de la définition que nous avons donnée de notre stratégie de trading. Le temps imparti ne m'ayant malheureusement pas suffit pour effectuer des tests très poussés, il est encore impossible de conclure quant à l'efficacité de la démarche choisie et de l'implémentation réalisée, bien que des individus capables d'exploiter de manière quasi-optimale un historique (du prix) sinusoidal aient été construits. Enfin, le code source de la partie algorithme génétique du projet est accessible sur le site suivant : perso.telecom-paristech.fr/~sayag/ 14

15 Bibliographie «Home Page Genetic Programming Source at GeneticProgramming.us», Kevin Dolan, consulté le 10 juillet 2014, «genetic-programming.com-home-page», John R. Koza, consulté le 10 juillet 2014, «Genetic programming - Wikipedia, the free encyclopedia», consulté le 10 juillet 2014, «Genetic Programming with JGAP», Klaus Meffert, consulté le 10 juillet 2014, «Genetic Algorithms Emergence in Complex Systems», Jean-Louis Dessales, consulté en novembre 2013, 15

Projet informatique «Voyageur de commerce» Résolution approchée par algorithme génétique du problème du voyageur de commerce

Projet informatique «Voyageur de commerce» Résolution approchée par algorithme génétique du problème du voyageur de commerce Année 2007-2008 Projet informatique «Voyageur de commerce» Résolution approchée par algorithme génétique du problème du voyageur de commerce B. Monsuez Projet informatique «Voyageur de commerce» Résolution

Plus en détail

Algorithmique et Programmation Projets 2012/2013

Algorithmique et Programmation Projets 2012/2013 3 Dames 3. Objectif Il s agit d écrire un programme jouant aux Dames selon les règles. Le programme doit être le meilleur possible. Vous utiliserez pour cela l algorithme α β de recherche du meilleur coup

Plus en détail

A propos du calcul des rentabilités des actions et des rentabilités moyennes

A propos du calcul des rentabilités des actions et des rentabilités moyennes A propos du calcul des rentabilités des actions et des rentabilités moyennes On peut calculer les rentabilités de différentes façons, sous différentes hypothèses. Cette note n a d autre prétention que

Plus en détail

SUITES ET SÉRIES GÉOMÉTRIQUES

SUITES ET SÉRIES GÉOMÉTRIQUES SUITES ET SÉRIES GÉOMÉTRIQUES Sommaire 1. Suites géométriques... 2 2. Exercice... 6 3. Application des suites géométriques aux mathématiques financières... 7 4. Vocabulaire... 7 5. Exercices :... 8 6.

Plus en détail

Partie I : Automates et langages

Partie I : Automates et langages 2 Les calculatrices sont interdites. N.B. : Le candidat attachera la plus grande importance à la clarté, à la précision et à la concision de la rédaction. Si un candidat est amené à repérer ce qui peut

Plus en détail

Les méthodes d optimisation appliquées à la conception de convertisseurs électromécaniques. Elec 2311 : S7

Les méthodes d optimisation appliquées à la conception de convertisseurs électromécaniques. Elec 2311 : S7 Les méthodes d optimisation appliquées à la conception de convertisseurs électromécaniques Elec 2311 : S7 1 Plan du cours Qu est-ce l optimisation? Comment l optimisation s intègre dans la conception?

Plus en détail

Application 1- VBA : Test de comportements d'investissements

Application 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 détail

Introduction au Makefile

Introduction au Makefile Introduction au Makefile Nicolas Kielbasiewicz 3 mars 2009 Le développement d un programme et plus généralement d un logiciel demande au(x) programmeur(s) de gérer plusieurs fichiers, voire plusieurs langages.

Plus en détail

Hadoop / Big Data. Benjamin Renaut MBDS 2014-2015

Hadoop / Big Data. Benjamin Renaut <renaut.benjamin@tokidev.fr> MBDS 2014-2015 Hadoop / Big Data Benjamin Renaut MBDS 2014-2015 TP 1 - Correction Méthodologie Map/Reduce - programmation Hadoop. Rappel 1 La première partie du TP consistait à mettre en

Plus en détail

Programmation récursive

Programmation récursive Année 2004-2005 F. Lévy IUT De Villetaneuse Dép t informatique Cours d'algorithmique 2 éme Année Cours 8 Programmation récursive 1. Qu'est-ce que la programmation récursive Définition : la programmation

Plus en détail

L analyse boursière avec Scilab

L analyse boursière avec Scilab L analyse boursière avec Scilab Introduction La Bourse est le marché sur lequel se traitent les valeurs mobilières. Afin de protéger leurs investissements et optimiser leurs résultats, les investisseurs

Plus en détail

L approche Bases de données

L approche Bases de données L approche Bases de données Cours: BD. Avancées Année: 2005/2006 Par: Dr B. Belattar (Univ. Batna Algérie) I- : Mise à niveau 1 Cours: BDD. Année: 2013/2014 Ens. S. MEDILEH (Univ. El-Oued) L approche Base

Plus en détail

CONCOURS GÉNÉRAL DES LYCÉES SESSION DE 2009 COMPOSITION DE MATHÉMATIQUES. (Classe terminale S)

CONCOURS GÉNÉRAL DES LYCÉES SESSION DE 2009 COMPOSITION DE MATHÉMATIQUES. (Classe terminale S) MA 09 CONCOURS GÉNÉRAL DES LYCÉES SESSION DE 009 COMPOSITION DE MATHÉMATIQUES (Classe terminale S) DURÉE : 5 heures La calculatrice de poche est autorisée, conformément à la réglementation. La clarté et

Plus en détail

Représentation de la Connaissance. Complément Pratique 7 novembre 2006

Représentation de la Connaissance. Complément Pratique 7 novembre 2006 Représentation de la Connaissance Les jeux en Prolog Introduction Complément Pratique 7 novembre 2006 Nous nous intéressons aux jeux à deux joueurs pour lesquels la situation du jeu est connue des deux

Plus en détail

StatEnAction 2009/10/30 11:26 page 111 #127 CHAPITRE 10. Machines à sous

StatEnAction 2009/10/30 11:26 page 111 #127 CHAPITRE 10. Machines à sous StatEnAction 2009/0/30 :26 page #27 CHAPITRE 0 Machines à sous Résumé. On étudie un problème lié aux jeux de hasard. Il concerne les machines à sous et est appelé problème de prédiction de bandits à deux

Plus en détail

Option Informatique Arbres binaires équilibrés

Option Informatique Arbres binaires équilibrés Option Informatique Arbres binaires équilibrés Sujet novembre 2 Partie II : Algorithmique et programmation en CaML Cette partie doit être traitée par les étudiants qui ont utilisé le langage CaML dans

Plus en détail

Plan. Bases de données. Cours 5 : Optimisation des requêtes. Exemple pour la suite du cours. Principe d'évaluation d'une requête. Polytech Paris-Sud

Plan. Bases de données. Cours 5 : Optimisation des requêtes. Exemple pour la suite du cours. Principe d'évaluation d'une requête. Polytech Paris-Sud Plan ases de données Polytech Paris-Sud Apprentis 4 ème année Cours 5 : Optimisation des requêtes kn@lri.fr http://www.lri.fr/~kn 1 Rappels 2 Stockage 3 Indexation 4 Optimisation des opérateurs 5 Optimisation

Plus en détail

Machine de Turing. Informatique II Algorithmique 1

Machine de Turing. Informatique II Algorithmique 1 Machine de Turing Nous avons vu qu un programme peut être considéré comme la décomposition de la tâche à réaliser en une séquence d instructions élémentaires (manipulant des données élémentaires) compréhensibles

Plus en détail

Chapitre 5 Les Probablilités

Chapitre 5 Les Probablilités A) Introduction et Définitions 1) Introduction Chapitre 5 Les Probablilités De nombreuses actions provoquent des résultats qui sont dus en partie ou en totalité au hasard. Il est pourtant nécessaire de

Plus en détail

Développement itératif, évolutif et agile

Développement itératif, évolutif et agile Document Développement itératif, évolutif et agile Auteur Nicoleta SERGI Version 1.0 Date de sortie 23/11/2007 1. Processus Unifié Développement itératif, évolutif et agile Contrairement au cycle de vie

Plus en détail

Algorithmique. De la seconde à la terminale

Algorithmique. De la seconde à la terminale Algorithmique De la seconde à la terminale Le calendrier Rentrée 2009 : o En seconde : nouveau programme pour tous Rentrée 2010 : o En première : aménagements en ES et S Rentrée 2011 : o En première :

Plus en détail

Systèmes de transmission

Systèmes de transmission Systèmes de transmission Conception d une transmission série FABRE Maxime 2012 Introduction La transmission de données désigne le transport de quelque sorte d'information que ce soit, d'un endroit à un

Plus en détail

Simulation d un système d assurance automobile

Simulation d un système d assurance automobile Simulation d un système d assurance automobile DESSOUT / PLESEL / DACHI Plan 1 Introduction... 2 Méthodes et outils utilisés... 2.1 Chaines de Markov... 2.2 Méthode de Monte Carlo... 2.3 Méthode de rejet...

Plus en détail

Loi normale ou loi de Laplace-Gauss

Loi normale ou loi de Laplace-Gauss LivreSansTitre1.book Page 44 Mardi, 22. juin 2010 10:40 10 Loi normale ou loi de Laplace-Gauss I. Définition de la loi normale II. Tables de la loi normale centrée réduite S il y avait une seule loi de

Plus en détail

Marches, permutations et arbres binaires aléatoires

Marches, permutations et arbres binaires aléatoires Marches, permutations et arbres binaires aléatoires Épreuve pratique d algorithmique et de programmation Concours commun des Écoles Normales Supérieures Durée de l épreuve: 4 heures Cœfficient: 4 Juillet

Plus en détail

INTRODUCTION AU DATA MINING

INTRODUCTION AU DATA MINING INTRODUCTION AU DATA MINING 6 séances de 3 heures mai-juin 2006 EPF - 4 ème année - Option Ingénierie d Affaires et de Projets Bertrand LIAUDET Phase 4 : Modélisation non-supervisée - 5 : Règles d association

Plus en détail

UNIVERSITE SAAD DAHLAB DE BLIDA

UNIVERSITE SAAD DAHLAB DE BLIDA Chapitre 5 :. Introduction aux méthodes par séparation et évaluation Les méthodes arborescentes ( Branch and Bound Methods ) sont des méthodes exactes d'optimisation qui pratiquent une énumération intelligente

Plus en détail

Lycée Fénelon Sainte-Marie Préparation Science-Po/Prépa HEC

Lycée Fénelon Sainte-Marie Préparation Science-Po/Prépa HEC Lycée Fénelon Sainte-Marie Préparation Science-Po/Prépa HEC Dénombrement et probabilités Version du juillet 05 Enoncés Exercice - YouTube Sur YouTube, les vidéos sont identifiées à l aide d une chaîne

Plus en détail

Équations et inéquations du 1 er degré

Équations et inéquations du 1 er degré Équations et inéquations du 1 er degré I. Équation 1/ Vocabulaire (rappels) Un équation se présente sous la forme d'une égalité constituée de nombres, de lettres et de symboles mathématiques. Par exemple

Plus en détail

GESTIONNAIRE DE TOURNOI DE FOOTBALL

GESTIONNAIRE DE TOURNOI DE FOOTBALL GESTIONNAIRE DE TOURNOI DE FOOTBALL Remarque : Le programme n étant pas terminé.je détaillerai l intégralité du cahier des charges, et j expliquerai le raisonnement de chaque partie effectuée. 1/11 Table

Plus en détail

LE PROBLEME DU PLUS COURT CHEMIN

LE 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 détail

Introduction au langage SQL

Introduction au langage SQL Introduction au langage SQL Les bases de données relationnelles Le langage SQL est un langage universel destiné à travailler sur des bases de données relationnelles. Nous considérerons ici qu'une base

Plus en détail

Le problème des multiplications matricielles enchaînées peut être énoncé comme suit : étant

Le problème des multiplications matricielles enchaînées peut être énoncé comme suit : étant Licence informatique - L Année 0/0 Conception d algorithmes et applications (LI) COURS Résumé. Dans cette cinquième séance, nous continuons l exploration des algorithmes de type Programmation Dynamique.

Plus en détail

KIT DE SURVIE EN RECHERCHE D EXTREMA LIÉS

KIT DE SURVIE EN RECHERCHE D EXTREMA LIÉS KIT DE SURVIE EN RECHERCHE D EXTREMA LIÉS Remarques préliminaires : Ce court document n a nullement la prétention de présenter la question de la recherche d extrema liés avec toute la rigueur qui lui serait

Plus en détail

EXCEL PERFECTIONNEMENT CALCULS AVANCES

EXCEL PERFECTIONNEMENT CALCULS AVANCES TABLE DES MATIÈRES TABLE DES MATIÈRES... 1 CONVENTIONS UTILISÉES... 2 FORMATS... 3 Formats personnalisés... 3 ADRESSAGE DE CELLULES... 4 relatif & absolu Rappel... 4 FONCTIONS SI-ET-OU... 5 LA FONCTION

Plus en détail

Projet OpNet. Spécialité Réseaux 2003/2004 Yannick GRENZINGER Loic JAQUEMET

Projet OpNet. Spécialité Réseaux 2003/2004 Yannick GRENZINGER Loic JAQUEMET Projet OpNet Spécialité Réseaux 2003/2004 Yannick GRENZINGER Loic JAQUEMET 1Présentation...3 1.1Le besoin de mobilité...3 1.2Le protocole IP Mobile...4 1.3Opnet...5 1.4Le projet...6 2La réalisation du

Plus en détail

Poker. A rendre pour le 25 avril

Poker. A rendre pour le 25 avril Poker A rendre pour le 25 avril 0 Avant propos 0.1 Notation Les parties sans * sont obligatoires (ne rendez pas un projet qui ne contient pas toutes les fonctions sans *). Celles avec (*) sont moins faciles

Plus en détail

Université Paris Diderot Paris 7. TD n 2. Arbres Binaire de Recherche

Université Paris Diderot Paris 7. TD n 2. Arbres Binaire de Recherche Université Paris Diderot Paris L Informatique Algorithmique Année 00-0, er semestre TD n Arbres Binaire de Recherche Le type de donné arbre" sera utilisé pour indiquer l ensemble de toutes les Arbres Binaires

Plus en détail

Clément MILVILLE / Edouard SIMON. Projet CodeWar. Enseignant tuteur: Michaël Hauspie 1/17

Clément MILVILLE / Edouard SIMON. Projet CodeWar. Enseignant tuteur: Michaël Hauspie 1/17 Projet CodeWar Enseignant tuteur: Michaël Hauspie 1/17 2/17 Remerciements: Nous tenons à remercier tout particulièrement notre tuteur M. Michaël HAUSPIE pour son aide, ses conseils, ses avis et sa disponibilité

Plus en détail

Hedging delta et gamma neutre d un option digitale

Hedging delta et gamma neutre d un option digitale Hedging delta et gamma neutre d un option digitale Daniel Herlemont 1 Introduction L objectif de ce projet est d examiner la couverture delta-gamma neutre d un portefeuille d options digitales Asset-Or-Nothing

Plus en détail

Plateforme d'évaluation professionnelle. Manuel d utilisation de l interface de test d EvaLog

Plateforme d'évaluation professionnelle. Manuel d utilisation de l interface de test d EvaLog Plateforme d'évaluation professionnelle Manuel d utilisation de l interface de test d EvaLog Un produit de la société AlgoWin http://www.algowin.fr Version 1.0.1 du 18/01/2015 Table des matières Présentation

Plus en détail

Problème de contrôle optimal pour une chaîne de Markov

Problème de contrôle optimal pour une chaîne de Markov Problème de contrôle optimal pour une chaîne de Markov cours ENSTA MA206 Il s agit de résoudre un problème d arrêt optimal pour une chaîne de Markov à temps discret. Soit X n une chaîne de Markov à valeurs

Plus en détail

Chapitre 11. Séries de Fourier. Nous supposons connues les formules donnant les coefficients de Fourier d une fonction 2 - périodique :

Chapitre 11. Séries de Fourier. Nous supposons connues les formules donnant les coefficients de Fourier d une fonction 2 - périodique : Chapitre Chapitre. Séries de Fourier Nous supposons connues les formules donnant les coefficients de Fourier d une fonction - périodique : c c a0 f x dx c an f xcosnxdx c c bn f xsinn x dx c L objet de

Plus en détail

Programmation avancée en C

Programmation avancée en C Département Informatique Nom : Prénom : Année scolaire : 2007 2008 Date : 23 juin 2008 Module INF446 Session de juin Programmation avancée en C Contrôle de connaissance 1 de 45 minutes ÅERCI de répondre

Plus en détail

Fiche PanaMaths Calculs avec les fonctions sous Xcas

Fiche PanaMaths Calculs avec les fonctions sous Xcas Fiche PanaMaths Calculs avec les fonctions sous Xcas Cette fiche destinée aux élèves des classes de Terminale requiert un premier niveau de connaissance du logiciel Xcas. Définition d une fonction Fonctions

Plus en détail

Gestion électronique des procurations

Gestion électronique des procurations Gestion électronique des procurations Table des matières Généralités... 2 1. Approuver des procurations... 4 1.1 Section «Procurations à approuver»... 4 1.2 Section «Signaux»... 6 1.3 Messages particuliers...

Plus en détail

Programmation avancée

Programmation avancée Programmation avancée Chapitre 1 : Complexité et les ABR (arbres binaires de recherche) 1 1 IFSIC Université de Rennes-1 M2Crypto, octobre 2011 Plan du cours 1 2 3 4 5 6 7 8 9 10 Algorithmes Définition

Plus en détail

Arbres ordonnés, binaires, tassés, FAP, tri par FAP, tas, tri par tas

Arbres ordonnés, binaires, tassés, FAP, tri par FAP, tas, tri par tas Arbres ordonnés, binaires, tassés, FAP, tri par FAP, tas, tri par tas 1. Arbres ordonnés 1.1. Arbres ordonnés (Arbres O) On considère des arbres dont les nœuds sont étiquetés sur un ensemble muni d'un

Plus en détail

Problème: si les tableaux que l'on trie sont déjà à peu près triés, l'algorithme n'est pas efficace.

Problème: si les tableaux que l'on trie sont déjà à peu près triés, l'algorithme n'est pas efficace. Traonmilin Yann traonmil@enst.fr MOD Algorithmique Probabiliste 1. Deux exemples 1.1. Quicksort randomisé. Dans l'algorithme de tri classique Quicksort, le pivot est choisi au début du tableau puis on

Plus en détail

Chapitre I :Seuil de rentabilité. Encadré par: Dr. HOURIA ZAAM

Chapitre I :Seuil de rentabilité. Encadré par: Dr. HOURIA ZAAM Chapitre I :Seuil de rentabilité Encadré par: Dr. HOURIA ZAAM PLA N I- Introduction II- Charges 1- Charges variables 2- Charges fixes 3- Charges mixtes III- Le compte de résultat différentiel IV- Seuil

Plus en détail

Étapes du développement et de l utilisation d un modèle de simulation

Étapes du développement et de l utilisation d un modèle de simulation Étapes du développement et de l utilisation d un modèle de simulation Étapes du développement et de l utilisation d un modèle de simulation Formulation du problème Cueillette et analyse de données Conception

Plus en détail

Algorithmique IN102 TD 3

Algorithmique IN102 TD 3 Algorithmique IN10 TD 16 décembre 005 Exercice 1 Clairement, il existe des arbres de hauteur h à h + 1 éléments : il sut pour cela que leurs n uds internes aient au plus un ls non vide. On a alors un arbre

Plus en détail

Devoir maison Info 2 A rendre pour le 15 décembre au plus tard

Devoir maison Info 2 A rendre pour le 15 décembre au plus tard Devoir maison Info 2 A rendre pour le 15 décembre au plus tard Exercice 1 : Exécutez un algorithme Considérez l algorithme suivant. Variables A, B, C en Entier; Début Lire A; Lire B; TantQue B 0 C A; TantQue

Plus en détail

Licence de Sciences et Technologies. Fiche de cours 1 - Nombres réels.

Licence de Sciences et Technologies. Fiche de cours 1 - Nombres réels. Licence de Sciences et Technologies EM21 - Analyse Fiche de cours 1 - Nombres réels. On connaît les ensembles suivants, tous munis d une addition, d une multiplication, et d une relation d ordre compatibles

Plus en détail

Cahier des charges pour la conception des sujets pour l ECE en TS Évaluation des Compétences Expérimentales

Cahier des charges pour la conception des sujets pour l ECE en TS Évaluation des Compétences Expérimentales Cahier des charges pour la conception des sujets pour l ECE en TS Évaluation des Compétences Expérimentales Sommaire Définition et objectifs de l épreuve.. p1 Compétences à évaluer.. p2 Conception du sujet..

Plus en détail

Gestion du compte AWS et des utilisateurs

Gestion du compte AWS et des utilisateurs Chapitre 2 Gestion du compte AWS et des utilisateurs 1. Création d'un compte Gestion du compte AWS et des utilisateurs Avant de pouvoir profiter des services web Amazon, vous devez tout d'abord créer un

Plus en détail

Modèles à Événements Discrets. Réseaux de Petri Stochastiques

Modèles 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 détail

Points fixes de fonctions à domaine fini

Points fixes de fonctions à domaine fini ÉCOLE POLYTECHNIQUE ÉCOLE NORMALE SUPÉRIEURE DE CACHAN ÉCOLE SUPÉRIEURE DE PHYSIQUE ET DE CHIMIE INDUSTRIELLES CONCOURS D ADMISSION 2013 FILIÈRE MP HORS SPÉCIALITÉ INFO FILIÈRE PC COMPOSITION D INFORMATIQUE

Plus en détail

Rédigé par un élève de Terminale S à l'aide de ses livres de maths (Indice, Bordas), ses cours, toute sa peine, et son stress pour le bac! J.

Rédigé par un élève de Terminale S à l'aide de ses livres de maths (Indice, Bordas), ses cours, toute sa peine, et son stress pour le bac! J. Rédigé par un élève de Terminale S à l'aide de ses livres de maths (Indice, Bordas), ses cours, toute sa peine, et son stress pour le bac! J. FAIVRE s de cours exigibles au bac S en mathématiques Enseignement

Plus en détail

Applications linéaires

Applications linéaires Applications linéaires I) Applications linéaires - Généralités 1.1) Introduction L'idée d'application linéaire est intimement liée à celle d'espace vectoriel. Elle traduit la stabilité par combinaison

Plus en détail

LibreOffice Calc : introduction aux tableaux croisés dynamiques

LibreOffice Calc : introduction aux tableaux croisés dynamiques Fiche logiciel LibreOffice Calc 3.x Tableur Niveau LibreOffice Calc : introduction aux tableaux croisés dynamiques Un tableau croisé dynamique (appelé Pilote de données dans LibreOffice) est un tableau

Plus en détail

DEMANDE DE TRAVAUX PAR CODIFICATION D EXPERTISE. M. Lemaitre. Résumé

DEMANDE DE TRAVAUX PAR CODIFICATION D EXPERTISE. M. Lemaitre. Résumé DEMANDE DE TRAVAUX PAR CODIFICATION D EXPERTISE M. Lemaitre Résumé Cet article propose une solution permettant d optimiser le processus de demande d exécution de travaux de réfection de locaux tertiaires.

Plus en détail

9. Équations différentielles

9. Équations différentielles 63 9. Équations différentielles 9.1. Introduction Une équation différentielle est une relation entre une ou plusieurs fonctions inconnues et leurs dérivées. L'ordre d'une équation différentielle correspond

Plus en détail

Présentation. Les impressions

Présentation. Les impressions Présentation Ce chapitre regroupe de nombreuses fonctionnalités relatives aux impressions. En effet, il concerne les éditions sur papier, les aperçus à l'écran avant impression et la visualisation des

Plus en détail

Projet de cryptographie. Algorithme de cryptage de type Bluetooth

Projet de cryptographie. Algorithme de cryptage de type Bluetooth Projet de cryptographie Algorithme de cryptage de type Bluetooth Le but de ce projet est de créer une application qui crypte et décrypte des fichiers en utilisant le principe de cryptage du Bluetooth.

Plus en détail

Groupe Eyrolles, 2003, ISBN : 2-212-11317-X

Groupe Eyrolles, 2003, ISBN : 2-212-11317-X Groupe Eyrolles, 2003, ISBN : 2-212-11317-X 3 Création de pages dynamiques courantes Dans le chapitre précédent, nous avons installé et configuré tous les éléments indispensables à la mise en œuvre d une

Plus en détail

Définitions. Numéro à préciser. (Durée : )

Définitions. 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

GUIDE PRATIQUE COMPTABILITE CREANCIERS. Version 1.0 du 27 septembre 2013

GUIDE PRATIQUE COMPTABILITE CREANCIERS. Version 1.0 du 27 septembre 2013 GUIDE PRATIQUE COMPTABILITE CREANCIERS Version 1.0 du 27 septembre 2013 Table des matières 1. Introduction... 3 1.1. Les comptabilités auxiliaires... 3 2. Paramètres de bases... 3 2.1. Les conditions de

Plus en détail

Heuristique et métaheuristique. 8. Optimisation combinatoire et métaheuristiques. Optimisation combinatoire. Problème du voyageur de commerce

Heuristique et métaheuristique. 8. Optimisation combinatoire et métaheuristiques. Optimisation combinatoire. Problème du voyageur de commerce Heuristique et métaheuristique IFT1575 Modèles de recherche opérationnelle (RO) 8. Optimisation combinatoire et métaheuristiques Un algorithme heuristique permet d identifier au moins une solution réalisable

Plus en détail

La revalorisation des droits à la retraite avant leur liquidation différences entre les régimes de base et les régimes complémentaires

La revalorisation des droits à la retraite avant leur liquidation différences entre les régimes de base et les régimes complémentaires CONSEIL D ORIENTATION DES RETRAITES Séance plénière du 11 février 2015 à 9 h 30 «La revalorisation des pensions et des droits à la retraite : problématique et résultats de projection» Document N 5 Document

Plus en détail

pedigree d'un cheval Zoe ; son père est Tonnerre et sa mère Belle ; mère de Belle est Rose et père de Belle est Eclair jean jean marc paul luc

pedigree d'un cheval Zoe ; son père est Tonnerre et sa mère Belle ; mère de Belle est Rose et père de Belle est Eclair jean jean marc paul luc Chap. 3 Les arbres binaires Un arbre est un ensemble de nœuds, organisés de façon hiérarchique, à partir d'un nœud distingué, appelé racine. La structure d'arbre est l'une des plus importantes et des plus

Plus en détail

Développement du bois énergie : quel impact à terme sur le marché du bois en France?

Développement du bois énergie : quel impact à terme sur le marché du bois en France? Développement du bois énergie : quel impact à terme sur le marché du bois en France? Le développement du bois énergie va se traduire par une situation de concurrence entre les différents acteurs économiques

Plus en détail

Description du logiciel Smart-MED-Parks Article technique

Description du logiciel Smart-MED-Parks Article technique Introduction Description du logiciel Smart-MED-Parks Article technique Depuis le lancement du projet en février 2013, différentes actions ont été effectuées dans le but d'accroître la sensibilisation et

Plus en détail

Calculs préliminaires.

Calculs préliminaires. MINES-PONTS 005. Filière MP. MATHÉMATIQES 1. Corrigé de JL. Lamard jean-louis.lamard@prepas.org) Calculs préliminaires. Notons que si f H alors f)e / est bien intégrable sur R car continue positive et

Plus en détail

RÉSOLUTION DE SYSTÈMES À DEUX INCONNUES

RÉSOLUTION DE SYSTÈMES À DEUX INCONNUES RÉSOLUTION DE SYSTÈMES À DEUX INCONNUES Sommaire 1 Méthodes de résolution... 3 1.1. Méthode de Substitution... 3 1.2. Méthode des combinaisons linéaires... 6 La rubrique d'aide qui suit s'attardera aux

Plus en détail

LE PROBLEME DU FLOT MAXIMAL

LE PROBLEME DU FLOT MAXIMAL LE PROBLEME DU FLOT MAXIMAL I Exemple d introduction Deux châteaux d'eau alimentent 3 villes à travers un réseau de canalisations au sein duquel se trouvent également des stations de pompage. Les châteaux

Plus en détail

Correction de l épreuve intermédiaire de mai 2009.

Correction de l épreuve intermédiaire de mai 2009. Licence de Gestion. 3ème Année Année universitaire 8-9 Optimisation Appliquée C. Léonard Correction de l épreuve intermédiaire de mai 9. Exercice 1 Avec les notations du cours démontrer que la solution

Plus en détail

Sujet 17 : Exploitation de données financières de Google Finance en C#

Sujet 17 : Exploitation de données financières de Google Finance en C# Amsellem Ari Pour le 01/06/11 Ohayon Alexandre Gueguen Tristan Sujet 17 : Exploitation de données financières de Google Finance en C# Introduction : Il convient tout d abord de signaler que le titre de

Plus en détail

Analyse de la complexité algorithmique (1)

Analyse de la complexité algorithmique (1) Analyse de la complexité algorithmique (1) L analyse de la complexité telle que nous l avons vue jusqu à présent nous a essentiellement servi à déterminer si un problème est ou non facile (i.e. soluble

Plus en détail

Aide à la décision pour l'optimisation de la maintenance des stations de compression de gaz naturel

Aide à la décision pour l'optimisation de la maintenance des stations de compression de gaz naturel Aide à la décision pour l'optimisation de la maintenance des stations de compression de gaz naturel J. Blondel, L. Marle - CRIGEN A. Abdesselam GRTgaz F. Brissaud - DNV France Presentation Plan Objectifs

Plus en détail

Test de Poisson à 1 échantillon et à 2 échantillons

Test de Poisson à 1 échantillon et à 2 échantillons Test de Poisson à 1 échantillon et à 2 échantillons Sous-menus de Minitab 15 : Stat>Statistiques élémentaires>test de Poisson à 1 échantillon Stat>Statistiques élémentaires>test de Poisson à 2 échantillons

Plus en détail

LA PROGRAMMATION LINEAIRE : UN OUTIL DE MODELISATION

LA PROGRAMMATION LINEAIRE : UN OUTIL DE MODELISATION LA PROGRAMMATION LINEAIRE : UN OUTIL DE MODELISATION Dans les leçons précédentes, nous avons modélisé des problèmes en utilisant des graphes. Nous abordons dans cette leçon un autre type de modélisation.

Plus en détail

Thibault Denizet. Introduction à SSIS

Thibault Denizet. Introduction à SSIS Thibault Denizet Introduction à SSIS 2 SSIS - Introduction Sommaire 1 Introduction à SQL Server 2008 Integration services... 3 2 Rappel sur la Business Intelligence... 4 2.1 ETL (Extract, Transform, Load)...

Plus en détail

0- Le langage C++ 1- Du langage C au langage C++ 2- Quelques éléments sur le langage. 3- Organisation du cours

0- Le langage C++ 1- Du langage C au langage C++ 2- Quelques éléments sur le langage. 3- Organisation du cours 0- Le langage C++ 1- Du langage C au langage C++ 2- Quelques éléments sur le langage 3- Organisation du cours Le présent cours constitue une introduction pour situer le langage C++, beaucoup des concepts

Plus en détail

BUREAU D ETUDES INFORMATIQUE JOUEUR DE PUISSANCE 4

BUREAU D ETUDES INFORMATIQUE JOUEUR DE PUISSANCE 4 MIETLICKI Pascal 3 MIC C2 BUREAU D ETUDES INFORMATIQUE JOUEUR DE PUISSANCE 4 1. Mode Console... 2 2. Mode Graphique... 2 3. Architecture de notre logiciel... 3 4. Manuel d utilisation... 5 5. Aide au joueur...

Plus en détail

Méthode de Test. Pour WIKIROUTE. Rapport concernant les méthodes de tests à mettre en place pour assurer la fiabilité de notre projet annuel.

Méthode de Test. Pour WIKIROUTE. Rapport concernant les méthodes de tests à mettre en place pour assurer la fiabilité de notre projet annuel. Méthode de Test Pour WIKIROUTE Rapport concernant les méthodes de tests à mettre en place pour assurer la fiabilité de notre projet annuel. [Tapez le nom de l'auteur] 10/06/2009 Sommaire I. Introduction...

Plus en détail

Concours 2015 Épreuve d Informatique Filière : MP Durée de l épreuve : 3 heures. L utilisation d une calculatrice est autorisée.

Concours 2015 Épreuve d Informatique Filière : MP Durée de l épreuve : 3 heures. L utilisation d une calculatrice est autorisée. A 2015 INFO. MP École des Ponts ParisTech, SUPAERO (ISAE), ENSTA ParisTech, Télécom ParisTech, Mines ParisTech, Mines de Saint-étienne, Mines Nancy, Télécom Bretagne, ENSAE ParisTech (filière MP), École

Plus en détail

différence groupe-conseil en statistique

différence groupe-conseil en statistique Vais-je atteindre mon objectif cette année? Par Martin Carignan, associé chez Différence www.difference-gcs.com Contexte Les gestionnaires sont souvent évalués sur des résultats mesurés par des indicateurs

Plus en détail

M2 MPRO. Optimisation dans les Graphes 2014-2015

M2 MPRO. Optimisation dans les Graphes 2014-2015 M2 MPRO Optimisation dans les Graphes 2014-2015 Programmation linéaire et problèmes d'optimisation dans les graphes 1 Problèmes d'optimisation dans les graphes : quelles méthodes pour les résoudre? Théorie

Plus en détail

Bibliothèque de Traitement d Images en Niveaux de Gris

Bibliothèque de Traitement d Images en Niveaux de Gris TP Bibliothèque de Traitement d Images en Niveaux de Gris Étudiants : Besnier Alexandre Taforeau Julien Version 1.2 Janvier 2008 2008 Rapport TP - Version 1.2 i Table des matières Introduction 1 1 Objectif

Plus en détail

TP Méthodes Numériques

TP Méthodes Numériques ENSIMAG 1ère année, 2007-2008 TP Méthodes Numériques Objectifs Les objectifs de ce TP sont : de revenir sur les méthodes de résolution des équations différentielles vues en cours de MN ; d utiliser un

Plus en détail

choisir H 1 quand H 0 est vraie - fausse alarme

choisir H 1 quand H 0 est vraie - fausse alarme étection et Estimation GEL-64943 Hiver 5 Tests Neyman-Pearson Règles de Bayes: coûts connus min π R ( ) + ( π ) R ( ) { } Règles Minimax: coûts connus min max R ( ), R ( ) Règles Neyman Pearson: coûts

Plus en détail

Exercices : Probabilités

Exercices : Probabilités Exercices : Probabilités Partie : Probabilités Exercice Dans un univers, on donne deux événements et incompatibles tels que =0, et =0,7. Calculer,, et. Exercice Un dé (à faces) est truqué de la façon suivante

Plus en détail

Travaux pratiques. Compression en codage de Huffman. 1.3. Organisation d un projet de programmation

Travaux 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 détail

Surcharge et Redéfinition.

Surcharge et Redéfinition. Surcharge et Redéfinition. Surcharge et Redéfinition...1 La surcharge...1 Type déclaré et type réel....2 Algorithme de résolution de la surcharge....2 La redéfinition...4 Exécution de service...5 Exemple

Plus en détail

Test de sélection du 4 juin 2013

Test de sélection du 4 juin 2013 Test de sélection du 4 juin 2013 Vous étiez 270 candidat-e-s à ce test de sélection, et 62 d entre vous (23%) participeront au stage olympique de Montpellier, du 19 au 29 août 2013, dont 12 filles : la

Plus en détail

LES OUTILS D ALIMENTATION DU REFERENTIEL DE DB-MAIN

LES OUTILS D ALIMENTATION DU REFERENTIEL DE DB-MAIN LES OUTILS D ALIMENTATION DU REFERENTIEL DE DB-MAIN Les contenues de ce document sont la propriété exclusive de la société REVER. Ils ne sont transmis qu à titre d information et ne peuvent en aucun cas

Plus en détail

Méthodes de Monte-Carlo Simulation de grandeurs aléatoires

Méthodes de Monte-Carlo Simulation de grandeurs aléatoires Méthodes de Monte-Carlo Simulation de grandeurs aléatoires Master Modélisation et Simulation / ENSTA TD 1 2012-2013 Les méthodes dites de Monte-Carlo consistent en des simulations expérimentales de problèmes

Plus en détail

TUTORIEL : CREER UNE FICHE D EVALUATION AVEC CALCUL AUTOMATIQUE DE LA NOTE ET REFERENCE A UN BAREME.

TUTORIEL : CREER UNE FICHE D EVALUATION AVEC CALCUL AUTOMATIQUE DE LA NOTE ET REFERENCE A UN BAREME. TUTORIEL : CREER UNE FICHE D EVALUATION AVEC CALCUL AUTOMATIQUE DE LA NOTE ET REFERENCE A UN BAREME. Nous allons créer une fiche d évaluation BAC LGT en Pentabond avec une recherche d automatisation des

Plus en détail