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

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

Gestion d'un entrepôt

Gestion d'un entrepôt Gestion d'un entrepôt Épreuve pratique d'algorithmique et de programmation Concours commun des écoles normales supérieures Durée de l'épreuve: 3 heures 30 minutes Juin/Juillet 2010 ATTENTION! N oubliez

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

Structures de données non linéaires

Structures de données non linéaires Structures de données non linéaires I. Graphes Définition Un graphe (simple) orienté G est un couple (S, A), où : S est un ensemble dont les éléments sont appelés les sommets. A est un ensemble de couples

Plus en détail

Fonctionnement du serveur Z39.50

Fonctionnement du serveur Z39.50 Fonctionnement du serveur Z39.50 Table des matières 1 Configuration du serveur...2 1.1 Comportement du serveur...2 1.2 Configuration de la traduction z39.50 -> base de données...2 1.3 Configuration du

Plus en détail

est diagonale si tous ses coefficients en dehors de la diagonale sont nuls.

est diagonale si tous ses coefficients en dehors de la diagonale sont nuls. Diagonalisation des matrices http://www.math-info.univ-paris5.fr/~ycart/mc2/node2.html Sous-sections Matrices diagonales Valeurs propres et vecteurs propres Polynôme caractéristique Exemples Illustration

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

XTRADE TRADING CFD EN LIGNE. XTRADE - XFR Financial Ltd. est régulée par la CySEC, Licence CIF no 108/10

XTRADE TRADING CFD EN LIGNE. XTRADE - XFR Financial Ltd. est régulée par la CySEC, Licence CIF no 108/10 XTRADE TRADING CFD EN LIGNE POLITIQUE RELATIVE AU MEILLEUR INTÉRÊT ET AUX ORDRES D'EXÉCUTION 1. Introduction La présente Politique relative au meilleur intérêt et aux Ordres d'exécution ("la Politique")

Plus en détail

10' - LES ARBRES BINAIRES

10' - LES ARBRES BINAIRES Ch 10' - LES ARBRES BINAIRES On va restreindre les capacités des arbres en obligeant les nœuds à posséder au maximum deux sous-arbres. Ces nouveaux arbres seront plus faciles à maîtriser que les arbres

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

- Mobiliser les résultats sur le second degré dans le cadre de la résolution d un problème.

- Mobiliser les résultats sur le second degré dans le cadre de la résolution d un problème. Mathématiques - classe de 1ère des séries STI2D et STL. 1. Analyse On dote les élèves d outils mathématiques permettant de traiter des problèmes relevant de la modélisation de phénomènes continus ou discrets.

Plus en détail

INTRODUCTION AUX PROBLEMES COMBINATOIRES "DIFFICILES" : LE PROBLEME DU VOYAGEUR DE COMMERCE ET LE PROBLEME DE COLORATION D'UN GRAPHE

INTRODUCTION AUX PROBLEMES COMBINATOIRES DIFFICILES : LE PROBLEME DU VOYAGEUR DE COMMERCE ET LE PROBLEME DE COLORATION D'UN GRAPHE Leçon 10 INTRODUCTION AUX PROBLEMES COMBINATOIRES "DIFFICILES" : LE PROBLEME DU VOYAGEUR DE COMMERCE ET LE PROBLEME DE COLORATION D'UN GRAPHE Dans cette leçon, nous présentons deux problèmes très célèbres,

Plus en détail

Diagrammes de décisions binaires

Diagrammes de décisions binaires Diagrammes de décisions binaires Épreuve pratique d'algorithmique et de programmation Concours commun des écoles normales supérieures Durée de l'épreuve: 3 heures 30 minutes Juillet 2009 ATTENTION! N oubliez

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

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

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

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

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

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

Mathématiques financières

Mathématiques financières Mathématiques financières Arnaud Triay Table des matières 1 Introduction Position du problème.1 Pricing des options........................................... Formalisme..............................................

Plus en détail

Rapport de stage. Simulation d'algorithmes auto-stabilisants

Rapport de stage. Simulation d'algorithmes auto-stabilisants Université Joseph Fourier Département Licence Sciences & Technologies Rapport de stage Simulation d'algorithmes auto-stabilisants DIAKITE Moussa Laboratoire d'accueil : Verimag Directeur du laboratoire

Plus en détail

Description du module GENERATEUR rev.2 1. Rôle du module

Description du module GENERATEUR rev.2 1. Rôle du module Description du module GENERATEUR rev.2 1. Rôle du module Ce module doit implémenter un générateur de «points aléatoires» selon une répartition de densité donnée. Tout d abord, le générateur doit être initialisé

Plus en détail

ALGORITHME GENETIQUE ET MODELE DE SIMULATION POUR L'ORDONNANCEMENT D'UN ATELIER DISCONTINU DE CHIMIE

ALGORITHME GENETIQUE ET MODELE DE SIMULATION POUR L'ORDONNANCEMENT D'UN ATELIER DISCONTINU DE CHIMIE ALGORITHME GENETIQUE ET MODELE DE SIMULATION POUR L'ORDONNANCEMENT D'UN ATELIER DISCONTINU DE CHIMIE P. Baudet, C. Azzaro-Pantel, S. Domenech et L. Pibouleau Laboratoire de Génie Chimique - URA 192 du

Plus en détail

UEO11 COURS/TD 1. nombres entiers et réels codés en mémoire centrale. Caractères alphabétiques et caractères spéciaux.

UEO11 COURS/TD 1. nombres entiers et réels codés en mémoire centrale. Caractères alphabétiques et caractères spéciaux. UEO11 COURS/TD 1 Contenu du semestre Cours et TDs sont intégrés L objectif de ce cours équivalent a 6h de cours, 10h de TD et 8h de TP est le suivant : - initiation à l algorithmique - notions de bases

Plus en détail

Parcours d un arbre Arbres de recherche CHAPITRE 6. Arbres binaires. Karelle JULLIAN. MPSI, Option Info 2014/2015. Karelle JULLIAN

Parcours d un arbre Arbres de recherche CHAPITRE 6. Arbres binaires. Karelle JULLIAN. MPSI, Option Info 2014/2015. Karelle JULLIAN CHAPITRE 6 Arbres binaires Lycée Kléber MPSI, Option Info 2014/2015 1 Définitions 2 Parcours en largeur Parcours en profondeur Parcours préfixe, infixe, postfixe Reconstitution 3 Recherche Complexité Insertion

Plus en détail

TP n 2 Concepts de la programmation Objets Master 1 mention IL, semestre 2 Le type Abstrait Pile

TP n 2 Concepts de la programmation Objets Master 1 mention IL, semestre 2 Le type Abstrait Pile TP n 2 Concepts de la programmation Objets Master 1 mention IL, semestre 2 Le type Abstrait Pile Dans ce TP, vous apprendrez à définir le type abstrait Pile, à le programmer en Java à l aide d une interface

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

Examen final LOG3000 Hiver 2014

Examen final LOG3000 Hiver 2014 Examen final LOG3000 Hiver 2014 Lundi le 28 avril 2014. Durée : 13h30 à 16h00 (total 2h30). Local : A-532. Total des points : 20. Pondération de l'examen dans la note finale : 40%. Sans documentation.

Plus en détail

Série d exercices N 9 Arbres

Série d exercices N 9 Arbres Série d exercices N 9 Arbres Exercice 1 a) Ecrire une fonction ARBIN creerarbreentiers() qui permet de créer et de renvoyer l arbre d entiers suivant : b) Ecrire une fonction int feuilles(arbin a) qui

Plus en détail

Le programme de mathématiques Classes de première STI2D STL

Le programme de mathématiques Classes de première STI2D STL Journée de l inspection 15 avril 2011 - Lycée F. BUISSON 18 avril 2011 - Lycée J. ALGOUD 21 avril 2011 - Lycée L. ARMAND Le programme de mathématiques Classes de première STI2D STL Déroulement de la journée

Plus en détail

Chapitre IV Bases et dimension d un espace vectoriel

Chapitre IV Bases et dimension d un espace vectoriel Chapitre IV Bases et dimension d un espace vectoriel Objectif : Nous allons voir comment fabriquer des systèmes de coordonnées pour les vecteurs d un espace vectoriel général. Dans ce chapitre désigne

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

Exploration informée

Exploration informée Exploration informée Jerôme Champavère jerome.champavere @ lifl.fr http://www.grappa.univ-lille3.fr/~champavere/?page=enseignement Stratégies d'exploration informée Exploration «meilleur d'abord» Best-first

Plus en détail

RapidMiner. Data Mining. 1 Introduction. 2 Prise en main. Master Maths Finances 2010/2011. 1.1 Présentation. 1.2 Ressources

RapidMiner. Data Mining. 1 Introduction. 2 Prise en main. Master Maths Finances 2010/2011. 1.1 Présentation. 1.2 Ressources Master Maths Finances 2010/2011 Data Mining janvier 2011 RapidMiner 1 Introduction 1.1 Présentation RapidMiner est un logiciel open source et gratuit dédié au data mining. Il contient de nombreux outils

Plus en détail

1er livrable rapport projet génie logiciel a objets : Gestion de taches

1er livrable rapport projet génie logiciel a objets : Gestion de taches Bartholomé Anthony Année 2010-2011 Fejoua Btissam Université de Nantes Moueza Peter Tréguer Fabien M1 ALMA 1er livrable rapport projet génie logiciel a objets : Gestion de taches Introduction : Le but

Plus en détail

Fondements de l informatique: Examen Durée: 3h

Fondements de l informatique: Examen Durée: 3h École polytechnique X2013 INF412 Fondements de l informatique Fondements de l informatique: Examen Durée: 3h Sujet proposé par Olivier Bournez Version 3 (corrigé) L énoncé comporte 4 parties (sections),

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

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

Programmation Objet - Cours II

Programmation Objet - Cours II Programmation Objet - Cours II - Exercices - Page 1 Programmation Objet - Cours II Exercices Auteur : E.Thirion - Dernière mise à jour : 05/07/2015 Les exercices suivants sont en majorité des projets à

Plus en détail

Université Laval Faculté des sciences et de génie Département d'informatique et de génie logiciel IFT-3101. Travail pratique #2

Université Laval Faculté des sciences et de génie Département d'informatique et de génie logiciel IFT-3101. Travail pratique #2 Université Laval Faculté des sciences et de génie Département d'informatique et de génie logiciel IFT-3101 Danny Dubé Hiver 2014 Version : 11 avril Questions Travail pratique #2 Traduction orientée-syntaxe

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

Cours de Méthodes Déterministes en Finance (ENPC) Benoît Humez Société Générale Recherche Quantitative benoit.humez@sgcib.com

Cours de Méthodes Déterministes en Finance (ENPC) Benoît Humez Société Générale Recherche Quantitative benoit.humez@sgcib.com Cours de Méthodes Déterministes en Finance (ENPC) Benoît Humez Société Générale Recherche Quantitative benoit.humez@sgcib.com Points abordés Méthodes numériques employées en finance Approximations de prix

Plus en détail

PROBLEMES D'ORDONNANCEMENT AVEC RESSOURCES

PROBLEMES 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 détail

Retentissement de la réforme de l'ircantec 2008 sur la retraite des Praticiens Hospitaliers.

Retentissement de la réforme de l'ircantec 2008 sur la retraite des Praticiens Hospitaliers. Retentissement de la réforme de l'ircantec 2008 sur la retraite des Praticiens Hospitaliers. Dr Raphaël BRIOT ; Dr Jean GARRIC Syndicat National des Praticiens Hospitaliers d'anesthésie-réanimation RÉSUMÉ

Plus en détail

Algorithmes de recherche

Algorithmes de recherche Algorithmes de recherche 1 Résolution de problèmes par recherche On représente un problème par un espace d'états (arbre/graphe). Chaque état est une conguration possible du problème. Résoudre le problème

Plus en détail

Processus ponctuels. Olivier Scaillet. University of Geneva and Swiss Finance Institute

Processus ponctuels. Olivier Scaillet. University of Geneva and Swiss Finance Institute Processus ponctuels Olivier Scaillet University of Geneva and Swiss Finance Institute Outline 1 Processus ponctuels 2 Introduction On désire dans ce chapitre construire des modèles d'une distribution aléatoire

Plus en détail

modélisation solide et dessin technique

modélisation solide et dessin technique CHAPITRE 1 modélisation solide et dessin technique Les sciences graphiques regroupent un ensemble de techniques graphiques utilisées quotidiennement par les ingénieurs pour exprimer des idées, concevoir

Plus en détail

Notions de base sur SNMP

Notions de base sur SNMP Notions de base sur SNMP Quelques rappels sur SNMP SNMP est un protocole permettant a un Manager de dialoguer avec différents agents sur le réseau. L objectif de ces mécanismes est de pouvoir superviser

Plus en détail

Programmation de modèles à registres en Sophus

Programmation de modèles à registres en Sophus Programmation de modèles à registres en Sophus I/Avec des billes dans des boîtes Les modèles de Post et Wang peuvent être simulés par des boîtes quantiques, où un fermion (obligatoirement unique) peut

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

Ch.12 : Loi binomiale

Ch.12 : Loi binomiale 4 e - programme 2007 - mathématiques ch.12 - cours Page 1 sur 5 1 RÉPÉTITION D'EXPÉRIENCES INDÉPENDANTES Lancer plusieurs fois un dé et noter les résultats successifs. Ch.12 : Loi binomiale Prélever des

Plus en détail

PRISME ET RESEAU APPLICATION A LA MESURE DE LONGUEURS D'ONDE

PRISME ET RESEAU APPLICATION A LA MESURE DE LONGUEURS D'ONDE PRISME ET RESEAU APPLICATION A LA MESURE DE LONGUEURS D'ONDE PARTIE THEORIQUE A - RESEAUX 1 - Définition On appelle réseau plan le système constitué par un grand nombre de fentes fines, parallèles, égales

Plus en détail

Métaheuristique. Jérémy CHANUT Charles BALLARINI

Métaheuristique. Jérémy CHANUT Charles BALLARINI Métaheuristique Jérémy CHANUT Charles BALLARINI 15 octobre 2012 CHAPITRE 1 INTRODUCTION Ce projet consiste en la résolution du problème des composants électroniques par deux méthodes : Recuit simulé Algorithme

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

DÉCLARATION DES RISQUES

DÉCLARATION DES RISQUES DÉCLARATION DES RISQUES Tenant compte du fait que CM Marketing Associates Ltd accepte de conclure, à la base de gré à gré ( OTC ) des contrats financiers pour différences ( CFD ) et contrats de change

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

MATHÉMATIQUES CYCLE TERMINAL DE LA SÉRIE ÉCONOMIQUE ET SOCIALE ET DE LA SÉRIE LITTERAIRE CLASSE DE PREMIÈRE

MATHÉMATIQUES CYCLE TERMINAL DE LA SÉRIE ÉCONOMIQUE ET SOCIALE ET DE LA SÉRIE LITTERAIRE CLASSE DE PREMIÈRE Annexe MATHÉMATIQUES CYCLE TERMINAL DE LA SÉRIE ÉCONOMIQUE ET SOCIALE ET DE LA SÉRIE LITTERAIRE CLASSE DE PREMIÈRE L enseignement des mathématiques au collège et au lycée a pour but de donner à chaque

Plus en détail

À propos des matrices échelonnées

À propos des matrices échelonnées À propos des matrices échelonnées Antoine Ducros appendice au cours de Géométrie affine et euclidienne dispensé à l Université Paris 6 Année universitaire 2011-2012 Introduction Soit k un corps, soit E

Plus en détail

Algorithmes d'apprentissage

Algorithmes d'apprentissage Algorithmes d'apprentissage 1 Agents qui apprennent à partir d'exemples La problématique : prise de décision automatisée à partir d'un ensemble d'exemples Diagnostic médical Réponse à une demande de prêt

Plus en détail

Le diagramme des relations met en évidence les multiples relations entre les différents éléments, causes et effets d'un système.

Le diagramme des relations met en évidence les multiples relations entre les différents éléments, causes et effets d'un système. Sept outils du management (Les) Introduction Diagramme des relations Diagramme des affinités Diagramme en arbre Diagramme matriciel Diagramme des décisions d'action (PDPC) Diagramme sagittal (CPM) Analyse

Plus en détail

Placement de centres logistiques

Placement de centres logistiques Master 1 - Spécialité Androide Année 2014/2015 Module RP Résolution de Problèmes Projet Placement de centres logistiques On considère dans ce projet la résolution du problème de placement de centres logistiques

Plus en détail

Représentation et approximation de fonctions booléennes : Application à la génération de requêtes

Représentation et approximation de fonctions booléennes : Application à la génération de requêtes INSTITUT DE RECHERCHE EN INFORMATIQUE DE NANTES Représentation et approximation de fonctions booléennes : Application à la génération de requêtes LEBLET Jimmy encadré par QUAFAFOU Mohamed Institut de Recherche

Plus en détail

Annexe 4 Programmes des classes préparatoires aux Grandes Ecoles

Annexe 4 Programmes des classes préparatoires aux Grandes Ecoles Annexe 4 Programmes des classes préparatoires aux Grandes Ecoles Filière : scientifique Voie : Biologie, chimie, physique et sciences de la Terre (BCPST) Discipline : Informatique Première et seconde années

Plus en détail

Introduction. I Étude rapide du réseau - Apprentissage. II Application à la reconnaissance des notes.

Introduction. I Étude rapide du réseau - Apprentissage. II Application à la reconnaissance des notes. Introduction L'objectif de mon TIPE est la reconnaissance de sons ou de notes de musique à l'aide d'un réseau de neurones. Ce réseau doit être capable d'apprendre à distinguer les exemples présentés puis

Plus en détail

CHAMPION Matthieu Modèles de Marché en Visual Basic ESILV S04 S6. Sommaire... 1. Introduction... 2

CHAMPION Matthieu Modèles de Marché en Visual Basic ESILV S04 S6. Sommaire... 1. Introduction... 2 Sommaire Sommaire... 1 Introduction... 2 1 Trois différentes techniques de pricing... 3 1.1 Le modèle de Cox Ross Rubinstein... 3 1.2 Le modèle de Black & Scholes... 8 1.3 Méthode de Monte Carlo.... 1

Plus en détail

PROGRAMMATION 3A: ALGORITHMIQUE Arbres équilibrés

PROGRAMMATION 3A: ALGORITHMIQUE Arbres équilibrés PROGRAMMATION 3A: ALGORITHMIQUE Arbres équilibrés Introduction Conception: arbres 2-3-4 Définition et propriétés d'un arbre 2-3-4 Construction Implémentation: arbres bicolores Propriétés des arbres bicolores

Plus en détail

BANQUES DE DONNÉES PÉDAGOGIQUES

BANQUES DE DONNÉES PÉDAGOGIQUES 223 Daniel BURET, Jean-Claude BLANCHARD. HISTORIQUE L'EPI a entrepris en 1989 de créer des bases d'énoncés mathématiques destinées aux enseignants pour la production de documents et accompagnées d'un outil

Plus en détail

I Arbres binaires. Lycée Faidherbe 2014-2015. 1 Rappels 2 1.1 Définition... 2 1.2 Dénombrements... 2 1.3 Parcours... 3

I Arbres binaires. Lycée Faidherbe 2014-2015. 1 Rappels 2 1.1 Définition... 2 1.2 Dénombrements... 2 1.3 Parcours... 3 I Arbres binaires 2014-2015 Table des matières 1 Rappels 2 1.1 Définition................................................ 2 1.2 Dénombrements............................................ 2 1.3 Parcours.................................................

Plus en détail

Tutorat 3 de Mathématiques (2ème année)

Tutorat 3 de Mathématiques (2ème année) Tutorat 3 de Mathématiques (2ème année) Marches aléatoires et marchés financiers Groupe 4 tuteur : J. Bouttier 8 février 2010 Résumé Depuis la thèse de Bachelier, les marchés nanciers ont constitué un

Plus en détail

Comment déterminer le prix de vos produits et services?

Comment déterminer le prix de vos produits et services? Comment déterminer le prix de vos produits et services? http://www.proactive-marketing.fr Comment déterminer le prix de vos produits/services? Premier point Tout d'abord il faut savoir que nous sommes

Plus en détail

M2 TIIR (2013-2014) Bilel Derbel

M2 TIIR (2013-2014) Bilel Derbel M2 TIIR (2013-2014) Bilel Derbel Notre but est de concevoir une application générique sur grid5000 qui permet de déployer des calculs parallèles de façon transparente Plus précisément, nous nous plaçons

Plus en détail

Chapitre 4 : les stocks

Chapitre 4 : les stocks Chapitre 4 : les stocks Stocks et actifs Une entreprise achète généralement des biens pour les utiliser dans son processus de production, ce sont les matières premières et les fournitures, elle peut également

Plus en détail

TP 8 : Arbres binaires de recherche

TP 8 : Arbres binaires de recherche TP 8 : Arbres binaires de recherche Semaine du 17 Mars 2008 Exercice 1 Dénir une structure struct noeud_s permettant de coder un n ud d'un arbre binaire contenant une valeur entière. Ajouter des typedef

Plus en détail

Cours de mathématiques pour la Terminale S

Cours de mathématiques pour la Terminale S Cours de mathématiques pour la Terminale S Savoir-Faire par chapitre Florent Girod 1 Année scolaire 2015 / 2016 1. Externat Notre Dame - Grenoble Table des matières 1) Suites numériques.................................

Plus en détail

CH.5 MÉTHODES APPROCHÉES

CH.5 MÉTHODES APPROCHÉES CH.5 MÉTHODES APPROCHÉES 5.1 Les voisinages 5. Les méthodes de descentes 5. Le recuit simulé 5.4 La Méthode Tabou 5.5 Les algorithmes génétiques Opti-comb ch 5 1 5.1 Les voisinages Dans les problèmes de

Plus en détail

Introduction à la programmation orientée objet

Introduction à la programmation orientée objet 1. De la programmation par Goto à la programmation structurée Introduction à la programmation orientée objet 1.1. Branchement par Goto * Un simple test sur les valeurs des données: * Plus l'application

Plus en détail

t 100. = 8 ; le pourcentage de réduction est : 8 % 1 t Le pourcentage d'évolution (appelé aussi taux d'évolution) est le nombre :

t 100. = 8 ; le pourcentage de réduction est : 8 % 1 t Le pourcentage d'évolution (appelé aussi taux d'évolution) est le nombre : Terminale STSS 2 012 2 013 Pourcentages Synthèse 1) Définition : Calculer t % d'un nombre, c'est multiplier ce nombre par t 100. 2) Exemples de calcul : a) Calcul d un pourcentage : Un article coûtant

Plus en détail

Stratégies sur options et Pricer d'options

Stratégies sur options et Pricer d'options Stratégies sur options et Pricer d'options Définition Une option (ou Warrant) est un contrat qui confère à son porteur le droit d acheter ou de vendre un sous-jacent (action, obligation, indice synthétique,

Plus en détail

Formation STI2D Découverte de LabView 2011

Formation STI2D Découverte de LabView 2011 1 Présentation de Labview LabVIEW est un langage de programmation graphique destiné au développement d'applications d'instrumentation : acquisition par l'intermédiaire de cartes externes et restitution

Plus en détail

2. Fractions et pourcentages

2. Fractions et pourcentages FRACTIONS ET POURCENTAGES. Fractions et pourcentages.. Définitions Certaines divisions tombent justes. C'est par exemple le cas de la division 4 8 qui donne.. D'autres ne s'arrêtent jamais. C'est ce qui

Plus en détail

Annexe : La Programmation Informatique

Annexe : La Programmation Informatique GLOSSAIRE Table des matières La Programmation...2 Les langages de programmation...2 Java...2 La programmation orientée objet...2 Classe et Objet...3 API et Bibliothèque Logicielle...3 Environnement de

Plus en détail

Programmabilité du réseau avec l'infrastructure axée sur les applications (ACI) de Cisco

Programmabilité du réseau avec l'infrastructure axée sur les applications (ACI) de Cisco Livre blanc Programmabilité du réseau avec l'infrastructure axée sur les applications (ACI) de Cisco Présentation Ce document examine la prise en charge de la programmabilité sur l'infrastructure axée

Plus en détail

Table des matières I La programmation linéaire en variables continues 1 Présentation 3 1 Les bases de la programmation linéaire 5 1.1 Formulation d'un problème de programmation linéaire........... 5 1.2

Plus en détail

Guide de l'utilisateur NaviPlan : Calculatrices (Volume II sur VI)

Guide de l'utilisateur NaviPlan : Calculatrices (Volume II sur VI) Guide de l'utilisateur NaviPlan : Calculatrices (Volume II sur VI) Version canadienne - NaviPlan v15.0 Droits d'auteur et droits de marques de commerce Droit d'auteur 2013-2014 Advicent LP et ses filiales

Plus en détail

Bac Blanc Terminale ES - Février 2014 Épreuve de Mathématiques (durée 3 heures)

Bac Blanc Terminale ES - Février 2014 Épreuve de Mathématiques (durée 3 heures) Bac Blanc Terminale ES - Février 2014 Épreuve de Mathématiques (durée 3 heures) L attention des candidats est attirée sur le fait que la qualité de la rédaction, la clarté et la précision des raisonnements

Plus en détail

LE POINT SUR LES MATHÉMATIQUES DANS LES BTS RENTRÉE 2003

LE POINT SUR LES MATHÉMATIQUES DANS LES BTS RENTRÉE 2003 LE POINT SUR LES MATHÉMATIQUES DANS LES BTS RENTRÉE 00 ) LES PROGRAMMES a) Le cadre général L arrêté du 8 juin 00 comporte trois annexes, notamment l annexe donnant l intégralité des modules permettant

Plus en détail

ANNEXE 1 BTS AGENCEMENT DE L'ENVIRONNEMENT ARCHITECTURAL Programme de mathématiques

ANNEXE 1 BTS AGENCEMENT DE L'ENVIRONNEMENT ARCHITECTURAL Programme de mathématiques ANNEXE BTS AGENCEMENT DE L'ENVIRONNEMENT ARCHITECTURAL Programme de mathématiques L'enseignement des mathématiques dans les sections de techniciens supérieurs Agencement de l'environnement architectural

Plus en détail

Dénombrement Probabilité uniforme sur un ensemble fini

Dénombrement Probabilité uniforme sur un ensemble fini UPV - MathsL1S1 1 II Dénombrement Dénombrement Probabilité uniforme sur un ensemble fini I Dénombrement 1) Factorielles : Pour n entier 1, il y a : n! = n.(n - 1). (n - 2) 2.1 façons d aligner n objets

Plus en détail

Projet de traitement d'image - SI 381 reconstitution 3D d'intérieur à partir de photographies

Projet de traitement d'image - SI 381 reconstitution 3D d'intérieur à partir de photographies Projet de traitement d'image - SI 381 reconstitution 3D d'intérieur à partir de photographies Régis Boulet Charlie Demené Alexis Guyot Balthazar Neveu Guillaume Tartavel Sommaire Sommaire... 1 Structure

Plus en détail

Rapport de projet. Animation de diagrammes d'état - CHAMPION Adrien - ETIENNE Thibaut RIZZI Thibaut 1A - INFO - Groupe EF - G36.

Rapport de projet. Animation de diagrammes d'état - CHAMPION Adrien - ETIENNE Thibaut RIZZI Thibaut 1A - INFO - Groupe EF - G36. Rapport de projet Animation de diagrammes d'état - CHAMPION Adrien - ETIENNE Thibaut RIZZI Thibaut 1A - INFO - Groupe EF - G36 Juin 2008 2 Table des matières 1 Introduction...5 1.1 - Objectif...5 1.2 Choix

Plus en détail

Plus500CY Ltd. Politique d'exécution des ordres

Plus500CY Ltd. Politique d'exécution des ordres Plus500CY Ltd. Politique d'exécution des ordres Politique d'exécution des ordres Cette politique d'exécution des ordres fait partie des contrats de client, tel que défini dans l'accord d'utilisation. 1.

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

Modèle de calcul des paramètres économiques

Modèle de calcul des paramètres économiques Modèle de calcul des paramètres économiques selon norme SIA 480 Calcul de rentabilité pour les investissements dans le bâtiment Version 3.2 1. Introduction 1.1 Version Excel Le modèle de calcul a été développé

Plus en détail

Correction langage Java

Correction langage Java MINISTÈRE DE L ÉCOLOGIE, DU DÉVELOPPEMENT DURABLE, DES TRANSPORTS ET DU LOGEMENT EXAMEN PROFESSIONNEL DE VÉRIFICATION D APTIDUDE AUX FONCTIONS DE PROGRAMMEUR Session 2010 Correction langage Java Langage:

Plus en détail

Pondération du Panel suisse des ménages. PSM I Vague 6 PSM II Vague 1 PSM I et PSM II combinés. Description détaillée des tâches

Pondération du Panel suisse des ménages. PSM I Vague 6 PSM II Vague 1 PSM I et PSM II combinés. Description détaillée des tâches Pondération du Panel suisse des ménages PSM I Vague 6 PSM II Vague 1 PSM I et PSM II combinés Description détaillée des tâches Caroline Cauchon et Michel Latouche Statistique Canada 16 mars 2006 Tables

Plus en détail

BEP Systèmes Electroniques Industriels et Domestiques

BEP Systèmes Electroniques Industriels et Domestiques Fiche de procédure : Créer un réseau domestique sous Windows XP I) Préambule Cette fiche méthode a été créée avec l'objectif de donner aux débutants la possibilité de créer un réseau domestique sous Windows

Plus en détail

touscours.net Rapport de Synthèse Cycle en V, UP et SCRUM

touscours.net Rapport de Synthèse Cycle en V, UP et SCRUM Rapport de Synthèse Cycle en V, UP et SCRUM Réalisé par : BELLINI Quentin GNANAKULENTHIRAN Anitha GOVINDEN Johana MEZINE Ahcene TIMZOUERT Chabane 19/10/2011 www.sup-galilee.univ-paris13.fr Table des matières

Plus en détail