OPTIMISATION BIOBJECTIF D ORDONANNACEMENT ET DE MAINTENANCE D UN ATELIER FLOW-SHOP

Save this PDF as:
 WORD  PNG  TXT  JPG

Dimension: px
Commencer à balayer dès la page:

Download "OPTIMISATION BIOBJECTIF D ORDONANNACEMENT ET DE MAINTENANCE D UN ATELIER FLOW-SHOP"

Transcription

1 8 e Conférence Internatonale de MOdélsaton et SIMulaton - MOSIM au ma Hammamet - Tunse «Evaluaton et optmsaton des systèmes nnovants de producton de bens et de servces» OPTIMISATION BIOBJECTIF D ORDONANNACEMENT ET DE MAINTENANCE D UN ATELIER FLOW-SHOP F. HNAIEN ICD-LOSI / UTT Troyes rue Mare Cure, BP2060, Troyes Cedex - France F. YALAOUI ICD-LOSI / UTT Troyes rue Mare Cure, BP2060, Troyes Cedex - France RESUME : Nous consdérons smultanément le problème d ordonnancement de la producton et de planfcaton des tâches de mantenance d un ateler Flow-Shop à 2 machnes. Cette méthode permet aux décdeurs ndustrels de trouver des solutons de comproms entre les objectfs de producton et de la mantenance. Les modèles de fablté sont utlsés pour prendre en compte la planfcaton de la mantenance. Les modèles d ordonnancement sont ms en place par le responsable d ordonnancement pour achever les tâches de producton suvant un ou pluseurs crtères. Souvent les deux objectfs sont contradctores. Notre objectf est donc d optmser smultanément les deux crtères. Pour cela nous avons chos d étuder la mnmsaton de makespan «C max» pour le problème d ordonnancement et la mnmsaton des ndsponbltés d ateler au nveau de la mantenance. Nous examnons donc le cas F2/ /(C max, ndsponblté). Deux décsons sont prses à la fos : la recherche de melleure affectaton de n tâches sur les m machnes en vue de rédure au mnmum le C max et de trouver les dates de mantenance préventve afn de rédure au mnmum les ndsponbltés d ateler. Les nombres d actons de mantenance ans que les ntervalles de mantenance ne sont pas fxés à l'avance. Un algorthme génétque a été ms en place pour trouver le front de Pareto. MOTS-CLES : ordonnancement Flow-Shop, mantenance, makespan, b-objectf, ndsponblté, front de Pareto. 1 INTRODUCTION La majorté des études qu s ntéresse à l ordonnancement se place dans un envronnement détermnste et suppose la dsponblté totale des ressources. Cependant dans la réalté généralement ce n est pas le cas. En effet, les ressources matérelles et humanes peuvent être ndsponbles pour dfférentes rasons. Comme par exemple les pannes machnes ou les opératons de mantenance préventve mses en place par le servce mantenance. L ndsponblté des ressources perturbe et nflue sur l effcacté d ordonnancement. En contre parte les tâches de mantenance mses en place par le responsable de mantenance sont contrantes par le servce d ordonnancement. Ces deux décsons sont généralement contradctores. L optmsaton conjonte de la planfcaton de la mantenance préventve et d ordonnancement de la producton consste en fat à mettre en œuvre une coopératon entre l ordonnancement et la mantenance afn de trouver une soluton de gagnant/gagnant pour les deux servces. L ordonnancement de la producton a pour rôle de satsfare le beson de l entreprse et des clents fnaux. Les tâches de mantenances préventves évtent les arrêts brusques de la producton, coûtent nettement mons que les mantenances correctves et permettent d évter un retard de lvrason non programmé. Les tâches de mantenances sont contradctores aux objectfs de l ordonnancement. En effet, s le crtère à optmser, comme dans notre étude, est le temps d achèvement de tous les jobs sur les machnes (C max ), placer des créneaux horares pour effectuer des tâches de mantenance préventve accrot la valeur du crtère objectf. Dans la lttérature portant sur l optmsaton de l ordonnancement et la planfcaton de la mantenance, le servce d ordonnancement est généralement prortare sur la mantenance préventve. Les tâches de mantenance sont planfées séparément de l ordonnancement et sont généralement placées à des créneaux horares où elles ne perturbent pas l ordonnancement. Cette étude permet de confronter deux approches dfférentes ; l approche détermnste pour la modélsaton de l ordonnancement et l approche stochastque pour la modélsaton de la mantenance. L optmsaton de ces deux objectfs dot être mse en place par une méthode d optmsaton b-objectf. Cette nouvelle méthode d optmsaton nous permet de trouver tous les comproms entre ces deux objectfs contradctores. Ces comproms entre les deux objectfs permettent de donner plus de flexblté au nveau de décsons de deux servces et donc d évter un éventuel conflt entre eux.

2 MOSIM au ma Hammamet - Tunse L optmsaton b-objectf de la mantenance et de l ordonnancement trouve ans tout son ntérêt, étant donné que les deux objectfs sont complémentares et contradctores. Dans la lttérature actuelle, les machnes sont souvent consdérées parfates durant l ordonnancement. Lorsque le responsable de mantenance demande à effectuer des tâches de mantenance préventves, cela est généralement mal ressent par le responsable d ordonnancement et vu comme une perturbaton de la producton. Cette décson est généralement prse séparément du plan de l ordonnancement et ne s nsère que rarement dans son créneau horare prévu. Cependant, les nterventons de mantenance préventve offre une bonne dsponblté d ateler à court et long terme. En plus, une panne machne coûte nettement plus chère qu une mantenance préventve et engendre un retard de lvrason aux clents non planfé. Un manque de fablté peut donc engendrer des pertes nternes à l entreprse (des stocks mportant devant la machne en panne, des heures supplémentares pour paller l arrêt de machne et surtout des problèmes de sécurté) et des pertes externes telles que la perte des clents due à un retard de lvrason. Dans un tel contexte, l ordonnancement optmal de la producton et la planfcaton des tâches de mantenance ne dovent pas se fare séparément d où la nécessté d une optmsaton b-objectf de ces deux crtères. 2 ETAT DE L ART L ordonnancement tenant en compte l ndsponblté des machnes peut être classé en deux catégores : les approches détermnstes et les approches stochastques. Dans l approche détermnste, les ntervalles de temps des actons de mantenance préventve ans que leur nombre sont connus et fxés à l'avance. La majorté de la lttérature d ordonnancement avec mantenance adoptent cette approche souvent appelée "ordonnancement avec contrantes de dsponblté des machnes". Toutes les confguratons d'atelers connus ont été étudées par les chercheurs : une seule machne, machnes parallèles, Flow-Shop, Job-Shop, Open-Shop et les systèmes hybrdes. Compte tenu de nombre sgnfcatf d'artcles réalsés dans cette catégore, nous examnons seulement l état de l art concernant les atelers Flow Shop. Pour le cas des tâches préemptves, (Lee, 1997) a étudé le cas d ateler Flow-Shop à deux machnes et comme objectf la mnmsaton de C max. Les deux machnes subssent chacune une seule pérode d ndsponblté. L auteur a montré que le problème est NP-dffcle au sens fable quelque sot la machne concernée par l ndsponblté. (Lee, 1999) a étendu l étude où les machnes peuvent subr pluseurs pérodes ndsponbltés. L auteur a montré que l algorthme de Johnson permet de résoudre le problème d une manère optmale dans le cas où les ndsponbltés se produsent à deux dates dentques. Dans le cas, où les ndsponbltés se produsent à deux dates dfférentes et même s les durées des ndsponbltés sont égales, l auteur a montré que le problème est NPdffcle au sens fable. (Allaou et al., 2003 ) ont étudé la mnmsaton de C max d un ateler Flow Shop à deux machnes dans le cas où la premère machne subt une seule pérode d ndsponblté. Ils se sont ntéressés aux cas de tâches préemptves et non préemptves. Les auteurs ont proposé un algorthme de programmaton dynamque pour résoudre le problème. Pour le cas de tâches non préemptves, (Lee, 1999) a développé une heurstque lorsque la premère machne subt une ndsponblté. L auteur a montré auss que l algorthme de Johnson a une erreur relatve égale à 1 s la pérode d ndsponblté est mposée à la deuxème machne. Pour le cas de Flow Shop à plus de deux machnes. (Aggoune, 2001) a étudé le problème de mnmsaton de C max avec des pérodes d ndsponbltés. Les ndsponbltés sont supposées soent fxes et défnes a pror soent elles varent dans un ntervalle. L auteur a proposé une hybrdaton d un algorthme génétque et une recherche Tabou. A notre connassance l y a que (Aggoune, 2001) qu s est ntéressé au problème à plus de deux machnes et la majorté des études se sont restrentes au cas de deux machnes vu la dffculté du problème. Pour les lecteurs qu veulent approfondr l état de l art, (Kaab, 2004) présente un excellent état de l art sur le sujet. L ordonnancement avec contrantes de dsponblté des machnes pour le cas d ateler Flow-Shop a été étudé par pluseurs chercheurs. Cependant les travaux sont lmtés à des approches détermnstes, c'est-à-dre un nombre de tâches de mantenance connu et fxé à l avance où varable dans un ntervalle. Le cas d approche stochastque n est pas suffsamment étudé vue la dffculté de problème. Le cas d approche stochastque, le début de tâche de mantenance préventve est consdéré comme varable de décson comme l ordre des tâches de producton et l ordonnancement et la mantenance sont consdérés conjontement. Il y a peu d artcles qu s ntéressent à cette approche. (Kaab et al., 2003) ont étudé le cas de Flow-Shop de permutaton où les pérodes de mantenance dovent être effectués dans un ntervalle prédéfn. Cette étude a l'avantage de dmnuer le conflt entre les deux servces, mas ls favorsent la mantenance, au détrment de la producton. (Ruz et al., 2007) proposent une optmsaton conjonte d ordonnancement et mantenance pour le cas Flow-Shop de permutaton afn de mnmser le temps d'exécuton. Les auteurs ont utlsé des modèles de fablté pour détermner les pérodes de mantenance en

3 MOSIM au ma Hammamet - Tunse conservant un nveau mnmum de fablté au cours de l'horzon de planfcaton. Cependant, les pérodes de mantenance sont étables sans tenr compte des exgences de l ordonnancement. Elles sont fxées à l'avance pour chaque machne séparément. Jusqu à présent, nous pouvons noter que toutes ces études ne se sont ntéressées qu à l ordonnancement au détrment de mantenance. Dans (Kaab et al. 2003), la foncton objectf est une somme pondérée de deux crtères : la somme de retard total de producton et de retards et avances de mantenance. Les auteurs n'ont pas utlsé des modèles de fablté dans leur étude, mas ls sont les premers à avor essayé d'examner conjontement un crtère lé à l ordonnancement et un autre lé à la mantenance. Récemment (Berrch et al., 2007) ont étudé un modèle b-objectf du problème de machnes parallèles en utlsant des modèles de fablté pour prendre en consdératon l'aspect mantenance. Les deux crtères utlsés sont la mnmsaton d ndsponblté des machnes et la mnmsaton du temps d exécuton des tâches. Pour le crtère de la mantenance, c'est l ndsponblté de l'ensemble du système qu est optmsée au leu de fxer un seul de fablté pour chaque machne comme dans (Ruz et al., 2007). Deux algorthmes génétques ont été ms en place pour obtenr une approxmaton de Pareto optmal. Un algorthme génétque qu utlse la pondératon de deux objectf et un algorthme génétque de type NSGA II (Non domnated Sortng Genetc Algorthm). Les ntervalles de pérodes mantenance ans que leur nombre de tâches de mantenance pour chaque machne sont optmsés au cours du processus d'optmsaton globale ans que la séquence d ordonnancement. À notre connassance, l y a que cette étude de (Berrch et al., 2007) qu s ntéresse à l optmsaton bobjectf de l ordonnancement et de la mantenance en consdérant comme crtère de mantenance la mnmsaton d ndsponblté de système. Dans le présent paper, nous utlsons la même dée que (Berrcch et al., 2007) mas pour le cas d un ateler Flow-Shop de permutaton. Nous consdérons comme crtère d ordonnancement la mnmsaton de C max. Pour le crtère de mantenance nous consdérons le même crtère qu est la mnmsaton des ndsponbltés d ateler. 3 MODELISATION DU PROBLEME Cette secton décrt séparément le problème d ordonnancement et le problème de planfcaton de la mantenance préventve. Ensute on propose le modèle b-objectf qu présente les deux problèmes smultanément. De pont de vu ordonnancement, nous examnons le cas de F2/ /(C max, ndsponblté). Nous supposons que les tâches sont dsponbles au début de la producton et les préemptons ne sont pas autorsées. L algorthme de Johnson permet de résoudre le problème F2/ /C max d une manère optmale dans un temps polynomale. Du pont de vue mantenance, nous nous ntéressons à la mantenance préventve. Les actons de mantenance contrbuent à mantenr les outls de producton dans de bonnes condtons d'explotaton (elles augmentent la dsponblté de système) et mnmsent les coûts en évtant les pannes mprévues. Le problème de mantenance est donc de détermner les dates de mantenance pour chaque machne en mnmsant l'ndsponblté du système. La dsponblté A d une machne M est défne à un pont donné dans le temps t comme sut : A( t) P( M fonctonne à t) (1) Le contrare de la dsponblté est l ndsponblté A, elle est défne comme sut: A( t) 1 A( t) (2) La dsponblté d'une machne M (=1, 2) dépend de son taux de panne λ et de son taux de réparaton µ. Ic, on ne consdère que les machnes dont le taux de panne et le taux de réparaton sont constants. En d'autres termes, nous supposons que le temps de panne (resp. le temps de réparaton) d'une machne M est représenté par une lo de probablté à dstrbuton exponentelle ayant le paramètre taux de panne λ (resp. le paramètre taux de réparaton µ ). Nous supposons également que les actons de mantenance préventve sont utlsées pour restaurer la machne à "comme neuve". En tenant compte de ces hypothèses, à partr du premer nstant t = 0, la dsponblté d'une machne M à l nstant t est donnée par l'expresson suvante (Ebelng, 1997) et (Vllemeur, 1991) : A ( t) exp ( ) t (3) La dsponblté A (t) d une machne M est une foncton décrossante de temps t, par contre l'ndsponblté A( t) 1 A ( t) est une foncton crossante de temps. Ensute, s aucune acton de mantenance préventve n'est effectuée sur M, son ndsponblté va augmenter. S T est le temps d achèvement d'une acton de mantenance préventve sur la machne M, l'expresson de la dsponblté A (t) à l nstant t est donnée par l'expresson suvante : A ( t) ( ) Et (4)

4 MOSIM au ma Hammamet - Tunse Avec : E t exp ( )( t T ) La dsponblté du système dépend de la structure du système (parallèle, sére ou hybrde) ans que les caractérstques de ses composants. Pour le cas d un ateler Flow-Shop, chaque machne M a une foncton de dsponblté A (t). Le système est dsponble à l nstant t s toutes les machnes sont dsponbles à cette date. L équaton de la dsponblté du système A s (t) est donc la suvante : s A ( t) A ( t) (5) m 1 L ndsponblté de système est donc : m A ( t) 1 A ( t) (6) s 1 Le modèle proposé tent en compte les deux objectfs en même temps : la mnmsaton de C max et la mnmsaton d ndsponblté de système A s (t). Ans, deux décsons dovent être prses smultanément. La premère décson est de trouver la melleure affectaton de n tâches sur les m machnes afn de rédure au mnmum le C max. L'autre décson est de décder du moment d effectuer les actons de mantenance préventve afn de rédure au mnmum l'ndsponblté du système. Le nombre d'actons de mantenance, sur chaque machne n est pas fxé à l'avance. Ces deux objectfs contrbuent à la productvté du système mas ls sont contradctores. En effet, s les actons de mantenance sont accomples, l'ndsponblté du système va dmnuer, mas le C max va augmenter. Inversement, s nous ne pouvons pas effectuer les actons de mantenance, l'ndsponblté du système augmente, mas le C max dmnue. Sot c 2 le temps d achèvement de chaque tâche sur la machne 2 et Cmax le temps d achèvement maxmal de toutes les tâches (le makespan) : C 2 max max c 1,..., n Sot 0, t, t,..., t C t t. T j 1, j 2, j, j, n, j avec t 1, j, 2, j,..., n, j les temps de début des actons de mantenance préventve sur la machne j (j=1ou 2). Sot T={T j }, j=1, 2. [ 1, j s, j L'ndsponblté est une foncton crossante de t t s, t ] ( s 1,..., n ). Il est supposé que chaque machne revenne à l état neuf à la fn de chaque acton de mantenance. La valeur moyenne de chaque acton de mantenance est égale à 1/µ. Les deux objectfs à mnmser sont donc les suvants (7) et (8) : Mnmser le makespan : F Mn, (7) 1 C max Mnmser l ndsponblté de système : F Mn Max As ( ) tt 2 t Les deux fonctons objectf n'ont généralement pas la même soluton optmale (en fat, ls sont contradctores). Mnmser dans ce contexte sgnfe dentfer un ensemble de solutons de comproms. 4 OPTIMISATION En rason de l'exploson combnatore, l'énumératon explcte de l'espace de recherche tout enter devent mpossble quand la talle du problème est grande. Dans ce que sut, une méta-heurstque basée sur l'algorthme génétque AG améloré par la recherche locale a été suggérée. Cette procédure peut résoudre les problèmes à grande échelle. Les résultats expérmentaux montrent l'effcacté de l AG avec recherche locale dans une autre étude d optmsaton combnatore et l ajout de la recherche locale a perms d accélérer la convergence de l AG (Hnaen et al., 2009). L'dée de cet artcle est d'utlser cet AG embarqué dans une procédure paramétrée pour effectuer successvement et de manère ndépendante la recherche sur des dfférentes fonctons pondérées, menant à dfférents comproms entre les deux fonctons objectf. Une telle approche a été mentonnée par (Jaszkewcz, 2004) comme une alternatve concurrentelle à une pure métaheurstque d un problème mult-objectf. On peut donc utlser l'ag pour résoudre le problème suvant (9) : Pour 0,1 : (8) F Mn 1 ( 1 ) F2 (9) BS Fn Pour BS est une borne supéreure de la F 1 qu est utlsé pour normalser la foncton objectf. Les valeurs de F 2 sont déjà dans l'ntervalle [0,1]. L'ensemble des solutons qu sont dans la populaton fnale pour l'un des valeurs du consdérés sont conservés. Ensute, nous gardons les solutons non domnées au sens de Pareto (.e, l n'y a pas d'autres solutons dans l'ensemble qu est melleur sur les deux fonctons objectf). L algorthme consdéré dans notre étude prend les prncpes de base d un algorthme génétque. Toutefos, en rason de son comportement stochastque, un algorth-

5 MOSIM au ma Hammamet - Tunse me génétque peut souffrr d une convergence lente, et de l'nstablté des résultats. Donc, nous avons prs en consdératon cet aspect en proposant des procédures de recherche locale pour accélérer la convergence de l'algorthme. Ans, l'algorthme génétque proposé est classé dans la classe des algorthmes «Memetc» selon (Moscato et al., 2000). L algorthme proposé c est présenté dans la fgure 1. Les dfférentes étapes qu le composent sont présentées en détal par la sute. Algorthme génétque Foncton Sous-ensemble_Melleur (A, n) retourne S A, S n et s S, s A\ S, Ftness( s) Ftness(s) Fn Foncton Ensemble_ Populaton Populaton _Intale (N) Ensemble_ Optmum_Local O Pour dans 1,, Max_génératon // Sélecton de reproducton // Ensemble_Parents Sous-ensemble_Melleur (Ensemble_Populaton, N/2) //Opérateurs de reproducton // Ensemble_Fls Crosement (Ensemble_Parents) Ensemble_Fls Mutaton (Ensemble_Fls) // Recherche Locale // Melleure_Soluton Sous-ensemble_Melleur (Ensemble_Parents Ensemble_Fls \ Ensemble_ Optmum_Local,1) Melleure_Dans_Vosnage (Melleure_Soluton, Soluton_RL) S Soluton_RL = Melleure_Soluton Fn S Ensemble_ Optmum_Local Ensemble_ Optmum_Local { // Sélecton de Remplacement // Soluton_RL } Ensemble_Populaton Sous-ensemble_Melleur (Ensemble_Parents Fn Pour Fn Algorthme Ensemble_Fls { Soluton_RL \{ Melleure_Soluton }, N) Fgure 1 : Algorthme génétque Le AG commence par la créaton d une soluton de départ populaton ntale générée d une manère aléatore. Chaque soluton (chromosome) est évaluée et son coût (Ftness) est calculé. Le mécansme de producton permet de sélectonner les parents. Ensute, une nouvelle génératon est crée en utlsant les opérateurs de reproducton (crosement et mutaton). 4.1 Codage des solutons et foncton Ftness La premère étape d'un AG est de représenter convenablement les varables de décson du problème à trater. Dans notre cas d étude, les varables de décson du problème consdéré sont l ordre des tâches et la fréquence de mantenance préventve (varables de décson entères), donc chaque chromosome peut être codé avec un tableau de nombres enters. Les n premers gènes d'un chromosome représentent l ordonnancement et le (n+) ème gène suvant représentent les fréquences de mantenance (respectvement) sur les machnes j (j=1, 2). La longueur du chromosome est donc égale à n+m (n : nombre de tâches, m : nombre de machnes). Par conséquent, ce codage garantt que toutes les solutons du problème pussent être représentées. Cec reprend le même schéma que (Berrch et al., 2007) La fgure 2 présente un exemple des solutons pour le problème avec n = 5 et m= Tâches d ordonnancement Longueur du chromosome = Fréquence de mantenance Fgure 2 : Représentaton de chromosome Chaque chromosome de l algorthme génétque est évalué à travers une foncton appelée foncton Ftness. F Dans notre cas c est la foncton : 1 ( 1 ) F2 BS (vor équaton 9). La fréquence de mantenance f j est chose comme sut : f j = var ( max ( p ), 1/ λ j ), j=1 ou 2. 1,..., n j Avec var : est une valeur aléatore qu sut une lo unforme. Par la sute, nous utlserons les notatons suvantes : B j : la date de début d une tâche de producton sur la machne j, c j : la date de fn d une tâche de producton sur la machne j, T e : la date de début d une tâche de mantenance. Une tâche de mantenance est nsérée suvant les 4 stratéges suvantes : Stratége à temps : la mantenance est effectuée à une date prévue T e = [f j, 2f j, 3f j, ] ans la tâche de producton sera retardée. Stratége au plus tôt : la tâche de mantenance T e = [f j, T e +f j, ] s elle est perturbée par une tâche de producton elle sera avancée à B j (T e= B j ). Stratége au plus tard : la tâche de mantenance s elle est perturbée par une tâche de producton elle sera retardée à C j (T e= c j ). stratége ratonnelle : s c j -T e T e - B j la mantenance est avancée à la date B j, snon elle est retardée à c j.

6 MOSIM au ma Hammamet - Tunse 4.2 Sélecton La sélecton de reproducton et de remplacement garde les melleures solutons à travers leurs fonctons Ftness. Cette sélecton est donc éltste. Nous avons ms en place la sélecton est N/2 éltsme (N la talle de la populaton), elle consste à sélectonner les N/2 melleures solutons dans la populaton courante. Parent 1 Parent La sélecton de remplacement concerne l évoluton de la populaton d une génératon à une autre. La talle de la populaton est fxée à N. Donc seulement N melleures solutons sont gardées pour la populaton suvante. Elles sont choses parm les N+N/2 solutons (N parents de la populaton courante et N/2 enfants obtenus par la reproducton. Cette sélecton est donc éltste. Il est à noter que les ndvdus doublons sont supprmés à cette étape afn de mantenr une dversté suffsante de la populaton. 4.3 Opérateur de crosement L opérateur de crosement classque à un seul pont est ms en place pour combner les solutons de l ensemble des parents. L ensemble des N/2 parents sélectonnés est parttonné de manère aléatore en N/4 couples. Le pont de crosement est auss chos de manère aléatore à chaque génératon de l algorthme dans l ntervalle [1,, n+m]. Chaque couple subt une opératon de crosement avec une probablté de crosement. Les couples qu ne subssent pas une opératon de crosement sont mantenus. Chaque couple de parents : 1 1 n 1 2 n, f1, f2 Parent1 ( O,..., O,..., O, f, f ) et Parent2 ( O,..., O,..., O On note par O la tâche et par f j la fréquence de mantenance sur la machne j (j=1, 2). L opératon de crosement à un pont, les deux enfants : fls1 ( O fls1 1 fls2 1,..., O fls1 fls2,..., O fls1 fls1 fls1 n, f1, f2 ) fls2 fls 2 fls2 n, f1, f2 fls2 ( O,..., O,..., O ) sont obtenus comme sut (vor fgure 3): ) Fls 1 Fls Fgure 3 : Opérateur de crosement 4.4 Opérateur de mutaton Dans notre étude, chaque soluton peut subr une permutaton aléatore. On lançant une varable aléatore k entre 1 et n+m on peut avor deux types de mutaton. On peut avor une mutaton sur les gènes de 1 à n (les gènes correspondant à l ordonnancement) comme le montre la fgure 4. Dans ce cas, la mutaton concerne unquement deux gènes k 1 et k 2 (k 1 k 2 =1,, n+m) du chromosome. Les deux gènes sont sélectonnés aléatorement à chaque génératon par une smple dstrbuton unforme. Parent 1 Parent 2 k k Fgure 4 : Opérateur de mutaton Comme on peut avor une mutaton sur les gènes n+1 et n+2 (les gènes qu correspondent aux fréquences de mantenance) et dans ce cas le gène est régénéré aléatorement. 4.5 Recherche locale En plus des opérateurs de reproducton classques d un algorthme génétque qu sont décrts précédemment, l est souvent utle d'ntégrer une recherche locale afn d'accélérer la convergence de l algorthme. (Dolgu et al., 2007 ; Caumond et al., 2007, Hnaen et al., 2008). 10 Pour notre problème, on consdère la recherche de vosnage suvante : la procédure commence par une soluton, toutes les solutons avec une permutaton de vosn drect sont explorées. La melleure soluton parm cet ensemble de vosnage est alors chose (vor la fgure 5). Une nouvelle recherche locale est applquée à

7 MOSIM au ma Hammamet - Tunse la génératon suvante s à la melleure soluton dans la populaton s elle n est pas un optmum local. Compte tenu du temps de calcul non néglgeable utlsé pour évaluer la foncton Ftness d'une soluton, l applcaton d'une telle recherche locale sur chaque ndvdu de la populaton consommerat beaucoup de temps. Par conséquent, dans la présente étude, la recherche locale n est applquée, à chaque tératon, que sur la melleure soluton qu n'est pas un mnmum local. Foncton Melleure_Dans_Vosnage (Soluton_Intale, Soluton_Fnale ) Fn Foncton Melleure_Ftness Ftness (Soluton_Intale) temp Soluton_Intale Tant que (temp <> Soluton_Fnale) Pour dans 1,..., n-1 Fn Pour Fn Tant que Soluton Soluton_Intale Soluton [] Soluton [+1] S (Ftness (Soluton)< Melleure_Ftness) Fn S Soluton_Fnale Soluton Melleure_Ftness Ftness (Soluton) S (Soluton_Fnale= Soluton_Intale) Fn S temp Soluton_Fnale Fgure 5 : Procédure pour obtenr le melleur vosnage de la soluton 5 RESULTATS EXPERIMENTAUX 5.1 Condtons expérmentales L algorthme génétque décrt dans la secton 4 a été mplémenté en C++. Les tests ont été exécutés avec une fréquence de 4800 Mhz CPU et 4 GB de mémore. Après pluseurs tests prélmnares, les valeurs suvantes ont été choses emprquement comme paramètres de notre algorthme génétque : la talle de la populaton N est égale à 60 chromosomes. La probablté de crosement est égale à 0,80 et la probablté de mutaton est égale à 0,15. Le nombre de génératons «Max_génératon» (.e., le test arrêt est donné par Max_génératon) est égal à Les résultats concernent 10 nstances à chaque fos (pour chaque type, ç.- à.-d. 10 nstances dfférentes avec le même nombre de tâches). Le tableau 1 représente le nombre moyen (pour les nstances de même talle) des solutons non domnées obtenus en utlsant 20 valeurs dfférentes du. La méthode b-objectf consdérée, malgré qu elle est basque, ne manque pas de performance quand la talle du problème augmente. En plus, elle permet de mettre en évdence que pluseurs dfférents comproms sont obtenus pour un grand nombre d nstances. Ce comportement est llustré à la fgure 6, où les solutons obtenues pour une nstance sont présentées. Un ensemble de 11 dfférentes comproms ont été obtenues dans une large gamme d ndsponblté de système (de 11% à 29%). Indsponblté 0,3 0,25 0,2 0,15 0, CMAX Fgure6 : Exemple de compromse pour une run d une nstance de talle 80 Table 1: Nombre moyen de solutons non domnées (Nb_moy) obtenus avec l AG n Nb_moy n Nb_moy CONCLUSIONS Nous nous sommes ntéressés à l optmsaton conjonte de l ordonnancement et la mantenance pour le cas d un ateler Flow-Shop. Nous proposons une nouvelle méthode d optmsaton pour le cas d ateler Flow-shop. L optmsaton consdérée est b-objectf est non pas mono-objectf afn de trouver un comproms pour le servce d ordonnancement et le servce de mantenance. Nos varables de décson c est l ordre de tâches de producton sur les machnes et la date de mantenance préventve à chaque machne. Nous avons alors développé une méta-heurstque basée sur un algorthme génétque avec recherche locale pour détermner le frond de Paréto.

8 MOSIM au ma Hammamet - Tunse La méthode d optmsaton mse en place, malgré qu elle sot basque sa performance ne dmnue pas quand la talle du problème augmente. Dans notre future recherche, nous voulons étendre la résoluton par une autre méta-heurstque b-objectve telle que NSGA II (deb et al., 2002). Nous comptant auss étendre l étude pour le cas d un ateler Flow-Shop à plus de deux machnes. REFERENCES A. Berrch, L. Amodeo, F. Yalaou, E. Châtelet and M. Mezghche, B-objectve optmzaton algorthms for jont producton and mantenance schedulng: applcaton to the parallel machne problem. Journal of Intellgent Manufacturng. 20 (4). pp A. Jaszkewcz, Evaluaton of multple objectve metaheurstcs. In: Gandbleux X, SevauxM,S orensen K,T'KndtV, edtors. Metaheurstcs for multobjectve optmsaton. Lecture notes n economcs and mathematcal systems, 535, pp A. Vllemeur, Relablty, avalablty, mantanablty and safety assessment. USA: Wley. and producton Management, Porto, Portugal, ma J. Kaab, C. Varner, and N. Zerhoun. Odonnancement de la producton et de la mantenance : cas d un ateler de type flow shop a deux machnes. APII- JESA, 37: pp , décembre J. Kaab, thèse de doctorat. Contrbuton à l ordonnancement des actvtés de mantenance dans les systèmes de producton. Séptembre P. Moscato, Memetc algorthms. In P. Pardalos and M. Resende, edtors, Handbook of Appled Optmzaton, Oxford Unversty Press, Oxford. R. Aggoune Mnmzng the makespan for the flow shop schedulng problem wth avalablty constrants. In Operatonal Research Perpatetc Post-Graduate Programme, ORP3, Pars. R. Ruz, J. C. García-Daz, and C. Maroto, Consderng schedulng and preventve mantenance n the flowshop sequencng problem. Computers & Operatons Research, 34(11), pp C.Y. Lee, Mnmzng the makespan n twomachne flowshop schedulng problem wth an avalablty constrant. Operatons Research Letters, 20:pp C.Y. Lee, Two-machne flowshop schedulng problem wth avalablty constrants. European Journal of Operatonal research, 114: pp Deb K., Pratap A., Agarwal S., Meyarvan T., A fast and eltst mult-objectve genetc algorthm: NSGA-II. IEEE Transactons on Evolutonary Computaton. 6(2): pp C. E. Ebelng, An ntroducton to relablty and mantanablty engneerng. USA: McGraw-Hll. F. Hnaen, X. Delorme, and A. Dolgu, Multobjectve optmzaton for nventory control n twolevel assembly systems under uncertanty of lead tmes, Computers and Operatons Research (In Press, Avalable onlne 11 June 2009, Scence Drect) H. Allaou, A. Artba, F. Rane, and S.E. Elmaghraby, On the two machnes flow shop wth avalablty constrants. In Proceedngs for the Internatonal Conference on Industral Engneerng

UNE APPROCHE GENETIQUE POUR UN PROBLEME DE LOTISSEMENT ET DE SEQUENCEMENT SOUS ALEAS

UNE APPROCHE GENETIQUE POUR UN PROBLEME DE LOTISSEMENT ET DE SEQUENCEMENT SOUS ALEAS 8 e Conférence Internatonale de Modélsaton et SIMulaton - MOSIM 10-10 au 12 ma 2010 - Hammamet - Tunse Évaluaton et optmsaton des systèmes nnovants de producton de bens et de servces UNE APPROCHE GENETIQUE

Plus en détail

Un algorithme hybride pour la résolution du problème de collecte des déchets

Un algorithme hybride pour la résolution du problème de collecte des déchets Un algorthme hybrde pour la résoluton du problème de collecte des déchets J. Boukachour B. Dkhss A. El Hlal Alaou T. Lamoudan Laboratore CERENE, ISEL Qua Frssard B.P. 1137 76063 Le Havre Cedex France boukachour@unv-lehavre.fr

Plus en détail

Etude des méthodes d'optimisation Multicritères

Etude des méthodes d'optimisation Multicritères Etude des méthodes d'optmsaton Multcrtères. Introducton : Les ngéneurs se heurtent quotdennement à des problèmes technologques de complexté grandssante, qu surgssent dans des secteurs très dvers. Le problème

Plus en détail

APPLICATION DE L APPROCHE EQUAL PILES A L EQUILIBRAGE DES LIGNES D'ASSEMBLAGE

APPLICATION DE L APPROCHE EQUAL PILES A L EQUILIBRAGE DES LIGNES D'ASSEMBLAGE 3 e Conférence Francophone de MOdélsaton et SIMulaton Concepton, Analyse et Geston des Systèmes Industrels MOSIM 0 du 5 au 7 avrl 00 - Troyes (France) APPLICATION DE L APPROCHE EQUAL PILES A L EQUILIBRAGE

Plus en détail

Heuristiques pour le meilleur des cas dans un ordonnancement de groupes

Heuristiques pour le meilleur des cas dans un ordonnancement de groupes Heurstques pour le melleur des cas dans un ordonnancement de groupes Gullaume Pnot, Mebark Nasser To cte ths verson: Gullaume Pnot, Mebark Nasser. Heurstques pour le melleur des cas dans un ordonnancement

Plus en détail

IFT1575 Modèles de recherche opérationnelle (RO) 7. Programmation non linéaire

IFT1575 Modèles de recherche opérationnelle (RO) 7. Programmation non linéaire IFT575 Modèles de recherche opératonnelle (RO 7. Programmaton non lnéare Fonctons convees et concaves Sot et deu ponts dans R n Le segment de drote jognant ces deu ponts est l ensemble des ponts + λ( -

Plus en détail

Méthodologie de la mesure de la pauvreté en Tunisie

Méthodologie de la mesure de la pauvreté en Tunisie Méthodologe de la mesure de la pauvreté en Tunse 1 L un des objectfs assgnés à l enquête natonale sur le budget, la consommaton et le nveau de ve des ménages demeure l étude de la populaton pauvre et de

Plus en détail

MINIMISER LA SOMME DES RETARDS SUR UNE MACHINE AVEC DATES DE DISPONIBILITE

MINIMISER LA SOMME DES RETARDS SUR UNE MACHINE AVEC DATES DE DISPONIBILITE 3 e Conférence Francophone de MOdélsaton et SIMulaton Concepton, Analyse et Geston des Systèmes Industrels MOSIM 01 du 25 au 27 avrl 2001 - Troyes (France) MINIMISER LA SOMME DES RETARDS SUR UNE MACHINE

Plus en détail

Utilisation du solveur d Excel

Utilisation du solveur d Excel Cycle ICM : 1A Pôle nformatque Cours applcatons nformatques Auteur : Bertrand Jullen 22/12/04 Utlsaton du solveur d Excel Le but de ce TP est de famlarser les élèves avec la foncton Solveur d Excel, dans

Plus en détail

ENSP Strasbourg (Edition ) Les Systèmes Temps Réels - Ch. DOIGNON. Chapitre 2. Multiprogrammation et ordonnancement

ENSP Strasbourg (Edition ) Les Systèmes Temps Réels - Ch. DOIGNON. Chapitre 2. Multiprogrammation et ordonnancement Chaptre 2 Multprogrammaton et ordonnancement 49 MULTIPROGRAMMATION La multprogrammaton consste à gérer pluseurs processus en mémore smultanément. Cela se justfe lorsque les processus passent beaucoup de

Plus en détail

2. Loi de propagation des erreurs (cas simples)

2. Loi de propagation des erreurs (cas simples) Lycée Blase-Cendrars/Physque/Labos/DC///04 Labos de physque : Mesures - Propagaton d erreurs - Mesures répéttves - Statstques. Prncpe de la mesure en physque Une mesure est toujours mprécse. La précson

Plus en détail

Une introduction à la théorie de la NP-Complétude

Une introduction à la théorie de la NP-Complétude Chaptre 8 Une ntroducton à la théore de la P-Complétude. Introducton: u chaptre, nous avons dscuté l mportance d avor des solutons de complexté polynomale. Dans l étude de la complexté des problèmes, le

Plus en détail

LES METHODES D'ALLOCATION : PRINCIPES MATHEMATIQUES. Marc BOUISSOU *

LES METHODES D'ALLOCATION : PRINCIPES MATHEMATIQUES. Marc BOUISSOU * LES METHODES D'ALLOCATION : PRINCIPES MATHEMATIQUES Marc BOUISSOU * RESUME Les méthodes d'allocaton en sûreté de fonctonnement sont nombreuses dans la lttérature, mas elles s'appuent sur un très pett nombre

Plus en détail

0HVXUHGH ODPDWULFHGHGLVWULEXWLRQGHWUDILF. GDQVXQUpVHDXDYHFGpERUGHPHQW. (Exercices inclus) Mr. H. Leijon, ITU

0HVXUHGH ODPDWULFHGHGLVWULEXWLRQGHWUDILF. GDQVXQUpVHDXDYHFGpERUGHPHQW. (Exercices inclus) Mr. H. Leijon, ITU /$,78'RF) 0HVXUHGH ODPDWULFHGHGLVWULEXWLRQGHWUDILF GDQVXQUpVHDXDYHFGpERUGHPHQW (Exercces nclus) Mr. H. Leon, ITU 8,,7($7,$/('(67(/(&008,&$7,6,7($7,$/7(/(&008,&$7,8, 8,,7($&,$/'(7(/(&08,&$&,(6 - - 0(68('(/$0$7,&('(',67,%87,'(7$),&'$68(6($8$9(&'(%'(0(7

Plus en détail

Chapitre 1. Ordonnancement no-idle. 1. De l ordonnancement en général

Chapitre 1. Ordonnancement no-idle. 1. De l ordonnancement en général Chaptre 1 Ordonnancement no-dle Nous nous ntéressons, dans ce chaptre, à la présentaton des problèmes d ordonnancement d une manère générale et à une synthèse bblographque portant de façon partculère sur

Plus en détail

Estimateurs MCD de localisation et de dispersion: définition et calcul. Fauconnier Cécile Université de Liège

Estimateurs MCD de localisation et de dispersion: définition et calcul. Fauconnier Cécile Université de Liège Estmateurs MCD de localsaton et de dsperson: défnton et calcul Fauconner Cécle Unversté de Lège Plan de l eposé 2 Introducton: Pourquo les estmateurs robustes? Estmateur MCD : défnton Algorthmes appromatfs

Plus en détail

hal-00409942, version 1-14 Aug 2009

hal-00409942, version 1-14 Aug 2009 Manuscrt auteur, publé dans "MOSIM' 008, Pars : France (008)" 7 e Conférence Francophone de MOdélsaton et SIMulaton - MOSIM 08 - du mars au avrl 008 - Pars - France «Modélsaton, Optmsaton et Smulaton des

Plus en détail

FACTORISATION DE POLYNÔMES SUR DES CORPS FINIS

FACTORISATION DE POLYNÔMES SUR DES CORPS FINIS FACTORISATION DE POLYNÔMES SUR DES CORPS FINIS 1. Introducton La factorsaton est l un des ponts où l analoge entre nombres enters et polynômes se rompt. Par exemple, en caractérstque nulle, on peut trouver

Plus en détail

Une approche heuristique pour l'utilisation et la transformation de bouchons en liège

Une approche heuristique pour l'utilisation et la transformation de bouchons en liège 3 e Conférence Francophone de MOdélsaton et SIMulaton Concepton, Analyse et Geston des Systèmes Industrels MOSIM 01 du 25 au 27 avrl 2001 - Troyes (France) Une approche heurstque pour l'utlsaton et la

Plus en détail

Analyse des temps de réponse et de la demande processeur en ordonnancement temps réel de tâches périodiques

Analyse des temps de réponse et de la demande processeur en ordonnancement temps réel de tâches périodiques Ecole d été Temps Réel 13-16 septembre 2005 Analyse des temps de réponse et de la demande processeur en ordonnancement temps réel de tâches pérodques Pascal Rchard Laboratore d Informatque Scentfque et

Plus en détail

REPRESENTATION DU COMPORTEMENT D'UN SYSTEME LOGISTIQUE PAR UNE RELATION ETATS / INDICATEURS DE PERFORMANCE

REPRESENTATION DU COMPORTEMENT D'UN SYSTEME LOGISTIQUE PAR UNE RELATION ETATS / INDICATEURS DE PERFORMANCE 3 e Conférence Francophone de Modélsaton et SIMulaton «Concepton, Analyse et Geston des Systèmes Industrels» MOSIM 0 du 25 au 7 avrl 200 Troyes (France) REPRESENTATION DU COMPORTEMENT D'UN SYSTEME LOGISTIQUE

Plus en détail

L ANOVA (complements)

L ANOVA (complements) L ANOVA (complements) On utlse le t de Student pour comparer deux moyennes. Cependant s on veut comparer tros moyennes ou plus l devent nécessare d utlser l Analyse de Varance smple ou l ANOVA 1. L applcaton

Plus en détail

L ANOVA ( ceci est un complément)

L ANOVA ( ceci est un complément) L ANOVA ( cec est un complément) On utlse le t de Student pour comparer deux moyennes. Cependant s on veut comparer tros moyennes ou plus l devent nécessare d utlser l Analyse de Varance smple ou l ANOVA

Plus en détail

Stéganographie (1) Chiffrement par substitution mono-alphabétique lors de la transcription du message en ADN.

Stéganographie (1) Chiffrement par substitution mono-alphabétique lors de la transcription du message en ADN. Stéganographe (1) Prncpe : Chffrement par substtuton mono-alphabétque lors de la transcrpton du message en ADN. Ajout d un prmer secret pour retourver le brn parm beaucoup d autres. Unversté de Montréal

Plus en détail

Une Approche Globale D optimisation des Structures Métalliques avec les Algorithmes Génétiques

Une Approche Globale D optimisation des Structures Métalliques avec les Algorithmes Génétiques Une Approche Globale D optmsaton des Structures Métallques avec les Algorthmes Génétques Nzar Bel Hadj Al LOCIE Unversté de Savoe, Savoe Technolac, 73376 Le Bourget du Lac cedex RESUME. En Constructon

Plus en détail

TD 1. Z la prévision de Monsieur Sûr-de-lui. On donne les lois jointes de (X, Y ) et celles de (X, Z) dans les deux tableaux suivants Elles

TD 1. Z la prévision de Monsieur Sûr-de-lui. On donne les lois jointes de (X, Y ) et celles de (X, Z) dans les deux tableaux suivants Elles TD 1 Exercce 1. Dans la vallée de la mort : l pleut en moyenne 1 jour sur 100. la météo prédt 3 jours de plue sur 100. chaque fos qu l pleut, la météo l a prévu. Monseur Sûr-de-lu prévot qu l ne pleut

Plus en détail

Loi binomiale - Echantillonnage

Loi binomiale - Echantillonnage Lo bnomale - Echantllonnage I Epreuve de Bernoull Lo de Bernoull 1. Epreuve de Bernoull Une épreuve de Bernoull est une expérence aléatore qu n'a que deux ssues : - S appelé succès avec une probablté p.

Plus en détail

Répartition Optimale de Différentes Ressources d Energies Renouvelables

Répartition Optimale de Différentes Ressources d Energies Renouvelables 16 èmes Journées Internatonales de Thermque (JITH 2013) Marrakech (Maroc), du 13 au 15 Novembre, 2013 Répartton Optmale de Dfférentes Ressources d nerges Renouvelables Souad BLHOUR (1), Abdelouahab ZAATRI

Plus en détail

Ecole Nationale d Ingénieurs de Brest. Module Qualité et Fiabilité. Les Plans d Expériences

Ecole Nationale d Ingénieurs de Brest. Module Qualité et Fiabilité. Les Plans d Expériences Notes de cours Ecole Natonale d Ingéneurs de Brest Module Qualté et Fablté Les Plans d Expérences Cours proposé par M. Parenthoën année 2002-2003 enb c mp2003....... 1 Plan du cours Plans d Expérences

Plus en détail

CUEEP Département Mathématiques T902 : Méthode des moindres carrés p1/16

CUEEP Département Mathématiques T902 : Méthode des moindres carrés p1/16 Méthode des mondres carrés Stuaton Le lancer de pods Dx adolescents droters s exercent à lancer le pods, du bras drot pus du bras gauche. Les résultats (dstances en mètres) obtenus sont les suvants : Adolescent

Plus en détail

Une Condition de Dominance pour l'ordonnancement à une Machine avec Minimisation du Nombre de Travaux en Retard

Une Condition de Dominance pour l'ordonnancement à une Machine avec Minimisation du Nombre de Travaux en Retard Une Condton de Domnance pour l'ordonnancement à une Machne avec Mnmsaton du Nombre de Travaux en Retard Sama Ourar 1, Cyrl Brand 2 et Brahm Bouzoua 1 1 CDTA d'alger, Lot. du 20 août 1956, Baba Hassen,

Plus en détail

Nicolas GAYTON Maître de Conférences

Nicolas GAYTON Maître de Conférences Fablté des Matéraux et des Structures 2010 6èmes Journées Natonales de Fablté 24-25-26 Mars 2010 Toulouse Applcaton des méthodes fablstes au tolérancement statstque des Ncolas GAYTON Maître de Conférences

Plus en détail

Optimisation par Essaim de Particules : application à la restauration supervisée d image

Optimisation par Essaim de Particules : application à la restauration supervisée d image Optmsaton par Essam de Partcules : applcaton à la restauraton supervsée d mage Abda oum*, Abdelmalk aleb-ahmed**, Kher Benmahammed***, Nama Rechd * * Unversty Mohamed Khdher Bskra Algére ** LAMIH UMR CNRS

Plus en détail

Unité d Enseignement RCP101 : Recherche Opérationnelle et Aide à la. Cours 3 Ordonnancement. Conservatoire National des Arts et Métiers E.

Unité d Enseignement RCP101 : Recherche Opérationnelle et Aide à la. Cours 3 Ordonnancement. Conservatoire National des Arts et Métiers E. Unté d Ensegnement RCP101 : Recherche Opératonnelle et Ade à la Décson Cours 3 Ordonnancement Conservatore Natonal des Arts et Méters E. Soutl 2 UE RCP101 Recherche Opératonnelle et Ade à la Décson Plan

Plus en détail

Problème de planification des tailles des lots de production sur des presses d injection plastique

Problème de planification des tailles des lots de production sur des presses d injection plastique Problème de planfcaton des talles des lots de producton sur des presses d njecton plastque HANEN BOUCHRIHA, YAMINE BOUZEMBRAK DÉPARTEMENT DE GÉNIE INDUSTRIEL ECOLE NATIONALE D INGÉNIEURS DE TUNIS BP 37,

Plus en détail

Contrôle du lundi 19 novembre 2012 (45 minutes) 1 ère S1

Contrôle du lundi 19 novembre 2012 (45 minutes) 1 ère S1 1 ère S1 Contrôle du lund 19 novembre 01 (45 mnutes) Compléter le tableau c-dessous donnant la dstrbuton de fréquences pour cet échantllon (calculs au broullon, fréquences sous forme décmale) : Prénom

Plus en détail

EVALUATION DES STOCKS DE LA DAURADE ROYALE Sparus aurata DES COTES SUD TUNISIENNES

EVALUATION DES STOCKS DE LA DAURADE ROYALE Sparus aurata DES COTES SUD TUNISIENNES EVALUATION DES STOCKS DE LA DAURADE ROYALE Sparus aurata DES COTES SUD TUNISIENNES Aymen HADJ TAIEB*, Mohamed GHORBEL & Othman JARBOUI Insttut Natonal des Scences et Technologes de la Mer (Centre de Sfax)

Plus en détail

PLAN L OPTIMISATION MULTICRITÈRE

PLAN L OPTIMISATION MULTICRITÈRE PLAN COURS 5 OPTIMISATION MULTICRITÈRE Master IAD DMDC PATRICE PERNY LIP6 UnverstéPars6 1 Défntons 2 Relatons de domnance, effcacté 3 Fonctons scalarsantes 4 Exploraton de la frontère effcace 2/28 L OPTIMISATION

Plus en détail

UNIVERSITE DE BOURGOGNE MM5: Analyse Numérique Elémentaire FichedeTDno2

UNIVERSITE DE BOURGOGNE MM5: Analyse Numérique Elémentaire FichedeTDno2 1 UNIVERSITE DE BOURGOGNE MM5: Analyse Numérque Elémentare FchedeTDno2 1 Que peut-on dre d une méthode tératve dont la matrce a un rayon spectral nul? 2 Etuder les méthodes de Jacob et Gauss-Sedel pour

Plus en détail

CIRCUITS LOGIQUES SEQUENTIELS

CIRCUITS LOGIQUES SEQUENTIELS Chap-II: Regstres à décalage CIRCUITS LOGIQUES SEQUENTIELS Regstres à décalage Attenton! Ce produt pédagogque numérsé est la proprété exclusve de l'uvt. Il est strctement nterdt de la reprodure à des fns

Plus en détail

Régulation PID par les méthodes empiriques

Régulation PID par les méthodes empiriques Régulaton PID par les méthodes emprques. Introducton à la synthèse des régulateurs PID et objectf du TP Les systèmes asservs peuvent présenter quelques contre performances : une précson permanente nsuffsante,

Plus en détail

Exercices d arithmétique

Exercices d arithmétique DOMAINE : Arthmétque NIVEAU : Intermédare CONTENU : Exercces AUTEUR : Noé DE RANCOURT STAGE : Cachan 011 (junor) Exercces d arthmétque Exercce 1 - Énoncés - a) Trouver tous les enters n N qu possèdent

Plus en détail

MODELISATION ALGEBRIQUE POUR LE PROBLEME DU VOYAGEUR DE COMMERCE

MODELISATION ALGEBRIQUE POUR LE PROBLEME DU VOYAGEUR DE COMMERCE 3 e Conférence Francophone de MOdélsaton et SIMulaton «Concepton, Analyse et Geston des Systèmes Industrels» MOSIM 1 du 25 au 27 avrl 21 - Troyes (France) MODEISATION AGEBRIQUE POUR E PROBEME DU VOYAGEUR

Plus en détail

Les Codes Convolutionnels

Les Codes Convolutionnels Les Codes Convolutonnels Code Convolutíonnel : codage à partr des bts d'nformaton de pluseurs blocs Plus smples à coder et à décoder que les codes de blocs lorsque n est élevé m m m m Codes pour applcatons

Plus en détail

Circuits en courant continu

Circuits en courant continu Crcuts en courant contnu xercce On consdère les tros montages suvants : montage montage montage ) Montrer que le premer montage équvaut à une résstance unque eq telle que : + eq ) Montrer que le deuxème

Plus en détail

Calcul Evolutionnaire Application sur l Optimisation de la Planification de la Puissance Réactive

Calcul Evolutionnaire Application sur l Optimisation de la Planification de la Puissance Réactive ECOLE NATIONALE POLYTECHNIQUE D ALGER DEPARTEMENT de GENIE ELECTRIQUE MEMOIRE Présentée pour obtenr LE GRADE DE MAGISTER EN ELECTROTECHNIQUE Opton : Réseau Electrques et Haute Tenson Par LADJICI Ahmed

Plus en détail

Utilisation de la décomposition LDL T en simulation stochastique

Utilisation de la décomposition LDL T en simulation stochastique Utlsaton de la décomposton LDL en smulaton stochastque A. Notn,, J.L. Dulong, N. Gayton 3, P. Vllon CEIM 5, avenue Félx Louat, B.P.867, 634 SENLIS Cedex, France alban.notn@cetm.fr Laboratore Roberval UC,

Plus en détail

Ordonnancement temps réel des tâches sous contraintes d énergie et de qualité de service

Ordonnancement temps réel des tâches sous contraintes d énergie et de qualité de service Ordonnancement temps réel des tâches sous contrantes d énerge et de qualté de servce Akl ABBAS et Hamd HENTOUS Unté d Ensegnement et de Recherche en Informatque, Ecole Mltare Polytechnque, BP 17, Bord

Plus en détail

Méthode des résidus pondérés

Méthode des résidus pondérés Produt propre d un opérateur Méthode des résdus pondérés Ecrture d un opérateur u avec Ω les coordonnées spatales x, y, z p dans Ω Pour un opérateur lnéare u u u u avec α, β des nombres quelconques Pour

Plus en détail

CIGI 2011 Lot économique de production et contrôle des systèmes manufacturiers non-fiables avec inspection rectifiante

CIGI 2011 Lot économique de production et contrôle des systèmes manufacturiers non-fiables avec inspection rectifiante CIGI 2011 Lot économque de producton et contrôle des systèmes manufacturers non-fables avec nspecton rectfante Bassem Bouslah 1, Al Gharb 2, Robert Pellern 1, 1 Département géne ndustrel, École Polytechnque

Plus en détail

5. Relations d équivalences

5. Relations d équivalences 5. Relatons d équvalences Il est naturel de classfer des choses et on le fat tout le temps. Les nombres naturels sont de deux sortes : ceux qu sont pars et ceux qu sont mpars. On consdère Par et Impar

Plus en détail

Probabilités. Définition : Chacun des résultats possible d une expérience aléatoire est appelée issue de l expérience.

Probabilités. Définition : Chacun des résultats possible d une expérience aléatoire est appelée issue de l expérience. Probabltés A) Vocabulare.. Expérence aléatore. Défntons : Une expérence est dte aléatore s elle vérfe tros condtons : Elle condut à des résultats possbles qu on est capable de nommer. On ne sat à l avance

Plus en détail

Optimisation et simulation pour la planification robuste des roulements d engins en milieu ferroviaire

Optimisation et simulation pour la planification robuste des roulements d engins en milieu ferroviaire Optmsaton et smulaton pour la planfcaton robuste des roulements d engns en mleu ferrovare Sabne Trefond, Housn Djellab, Alan Bllonnet, Sourour Elloum To cte ths verson: Sabne Trefond, Housn Djellab, Alan

Plus en détail

Texte Urnes et particules

Texte Urnes et particules Unverstés Rennes I Épreuve de modélsaton - Agrégaton Externe de Mathématques 2009. Page n 1. Texte Urnes et partcules À la fn du 19 ème sècle et au début du suvant, la tempête fat rage autour de la théore

Plus en détail

T.P. 5 Exercice 1 Distribution normale

T.P. 5 Exercice 1 Distribution normale T.P. 5 Exercce 1 Dstrbuton normale Connassances préalables : Buts spécfques : Outls nécessares : Noton de moyenne, varance et écart type. Acquérr la noton de dstrbuton normale et ses caractérstques. Paper,

Plus en détail

1 Réponse d un circuit RC série à un échelon de tension

1 Réponse d un circuit RC série à un échelon de tension Lycée Naval, Sup. Sgnaux Physques.. Crcut lnéare du premer ordre Crcut lnéare du premer ordre 1 éponse d un crcut C sére à un échelon de tenson On s ntéresse à la réponse d une assocaton sére {conducteur

Plus en détail

Techniques «Soft-Computing» pour l Identification de Systèmes. Une Perspective d Optimisation Gonzalo Joya. Dpto. Tecnología Electrónica

Techniques «Soft-Computing» pour l Identification de Systèmes. Une Perspective d Optimisation Gonzalo Joya. Dpto. Tecnología Electrónica Technques «Soft-Computng» pour l Identfcaton de Systèmes. Une Perspectve d Optmsaton Gonzalo Joya ETSI Telecomuccacón 9017 Málaga joya@dte.uma.es Pars, le 8 févrer 003 Plan - Identfcaton d un Système Dynamque

Plus en détail

CRITÈRES DE CHOIX DES TITRES POUR LA DIVERSIFICATION D UN PORTEFEUILLE D INVESTISSEMENTS

CRITÈRES DE CHOIX DES TITRES POUR LA DIVERSIFICATION D UN PORTEFEUILLE D INVESTISSEMENTS CRITÈRES DE CHOIX DES TITRES POUR LA DIVERSIFICATION D UN PORTEFEUILLE D INVESTISSEMENTS G. Gatev A. Malakhova Chare Systèmes et Commande, Unversté Technque de Sofa, Bulgare, E-mal: gatev@tu-sofa.bg, Tél:

Plus en détail

Plan. Gestion des stocks. Les opérations de gestions des stocks. Les opérations de gestions des stocks

Plan. Gestion des stocks. Les opérations de gestions des stocks. Les opérations de gestions des stocks Plan Geston des stocks Abdellah El Fallah Ensa de Tétouan 2011 Les opératons de gestons des stocks Les coûts assocés à la geston des stocks Le rôle des stocks Modèle de la quantté économque Geston calendare

Plus en détail

BREVET DE TECHNICIEN SUPÉRIEUR INFORMATIQUE DE GESTION

BREVET DE TECHNICIEN SUPÉRIEUR INFORMATIQUE DE GESTION BREVET DE TECHNICIEN SUPÉRIEUR INFORMATIQUE DE GESTION Optons : - Développeur d applcatons - Admnstrateur de réseaux locaux d entreprse SESSION 2011 SUJET ÉPREUVE E2 MATHÉMATIQUES I Durée : 3 heures coeffcent

Plus en détail

Système de classification à deux niveaux de décision combinant approche par modélisation et machines à vecteurs de support

Système de classification à deux niveaux de décision combinant approche par modélisation et machines à vecteurs de support Système de classfcaton à deux nveaux de décson combnant approche par modélsaton et machnes à vecteurs de support Jonathan Mlgram Robert Sabourn Mohamed Cheret Laboratore d'imagere, de Vson et d'intellgence

Plus en détail

Mémoire associative. Chapitre La tâche

Mémoire associative. Chapitre La tâche 151 Chaptre 6 Mémore assocatve 61 La tâche Le but de la mémore assocatve est de retrouver un motf mémorsé auparavant Contrarement à la mémore dans l archtecture de von eumann de l ordnateur classque, les

Plus en détail

Algorithme approché d optimisation d un modèle de Processus Décisionnel de Markov sur Graphe

Algorithme approché d optimisation d un modèle de Processus Décisionnel de Markov sur Graphe Algorthme approché d optmsaton d un modèle de Processus Décsonnel de Markov sur Graphe Nathale Peyrard Régs Sabbadn INRA-MIA Avgnon et Toulouse E-Mal: {peyrard,sabbadn}@toulouse.nra.fr Réseau MSTGA, Avgnon,

Plus en détail

Introduction à la dynamique des métapopulations

Introduction à la dynamique des métapopulations Introducton à la dynamque des métapopulatons Jonathan Lenor (MCU), jonathan.lenor@u-pcarde.fr Unté Écologe et Dynamque des Systèmes Anthropsés http://www.u-pcarde.fr/edysan/ La référence Qu est-ce qu une

Plus en détail

COMMANDE D ASCENSEUR

COMMANDE D ASCENSEUR CPGE / Scences Industrelles pour l Ingéneur TD6_3 COMMANDE D ASCENSEUR 1- Descrpton succncte du fonctonnement de l nstallaton étudée : L ascenseur dessert les 6 nveaux ( de à ) d un mmeuble d habtaton.

Plus en détail

Chap.4 Application du 2 e principe aux réactions chimiques Evolution et équilibre d un système chimique

Chap.4 Application du 2 e principe aux réactions chimiques Evolution et équilibre d un système chimique Chap.4 Applcaton du e prncpe aux réactons chmques Evoluton et équlbre d un système chmque 1. Entrope standard de réacton 1.1. (Rappels) e prncpe de la thermodynamque 1.. Défnton et méthodes de calcul de

Plus en détail

TP 7 Régimes transitoires et sinusoïdaux des circuits RC et RL 2013

TP 7 Régimes transitoires et sinusoïdaux des circuits RC et RL 2013 TP 7 égmes transtores et snusoïdaux des crcuts C et L 2013 1-Préparaton Noms des étudants : 1-1 Charge d un condensateur Sot le montage c-contre : Le condensateur a été préalablement chargé avec un générateur

Plus en détail

LA SÉLECTION DE PORTEFEUILLE À L AIDE DU GOAL PROGRAMMING IMPRÉCIS : INTÉGRATION DES PRÉFÉRENCES DU GESTIONNAIRE

LA SÉLECTION DE PORTEFEUILLE À L AIDE DU GOAL PROGRAMMING IMPRÉCIS : INTÉGRATION DES PRÉFÉRENCES DU GESTIONNAIRE ASAC 2007 Ottawa, Ontaro Nabl Mansour Faculté des Scences Economques et de Geston de Mahda Mahda, Tunse Abdelwaheb Rebaï Insttut Supéreur d Admnstraton des Affares de Sfax Sfax, Tunse Belad Aoun Faculty

Plus en détail

Dire qu un entier naturel est premier signifie qu il admet deux diviseurs : un et lui-même.

Dire qu un entier naturel est premier signifie qu il admet deux diviseurs : un et lui-même. Vdoune Termnale S Chaptre spé Arthmétque PPCM et nombres premers Nombre premer Dre qu un enter naturel est premer sgnfe qu l admet deux dvseurs : un et lu-même. Zéro est-l un nombre premer? Un est-l un

Plus en détail

Modèles stochastiques. Chaîne de Markov en temps continu

Modèles stochastiques. Chaîne de Markov en temps continu odèles stochastues Chaîne de arkov en temps contnu Dans le chapître précédent sur les chaînes de arkov, les moments (temps) t etaent dscrets ( t =,, ). antenant, nous allons analyser des stuatons où les

Plus en détail

BTS INFORMATIQUE DE GESTION SESSION 2002 E2 : MATHÉMATIQUES I. Durée : 3 heures Coefficient : 2 ÉPREUVE OBLIGATOIRE

BTS INFORMATIQUE DE GESTION SESSION 2002 E2 : MATHÉMATIQUES I. Durée : 3 heures Coefficient : 2 ÉPREUVE OBLIGATOIRE BTS INFORMATIQUE DE GESTION SESSION 2002 E2 : MATHÉMATIQUES I Durée : heures Coeffcent : 2 ÉPREUVE OBLIGATOIRE Le (la) canddat (e) dot trater tous les eercces. La qualté de la rédacton, la clarté et la

Plus en détail

Calcul linéaire de toutes les périodes locales d un mot. Thierry Lecroq

Calcul linéaire de toutes les périodes locales d un mot. Thierry Lecroq Calcul lnéare de toutes les pérodes locales d un mot Therry Lecroq ABISS Unversté de Rouen - France Therry.Lecroq@unv-rouen.fr http://www-gm.unv-mlv.fr/~lecroq traval commun avec Jean-Perre Duval (Rouen),

Plus en détail

Planification de trajectoire et ordonnancement d'agents mobiles : application aux systèmes de production

Planification de trajectoire et ordonnancement d'agents mobiles : application aux systèmes de production Planfcaton de trajectore et ordonnancement d'agents mobles : applcaton aux systèmes de producton Gullaume DEMESURE, Mchael DEFOORT, Abdelghan BEKRAR, Damen TRENTESAUX, Mohamed DJEMAÏ Laboratore d'automatque,

Plus en détail

Figure 43. Des relevés effectués sur cette diode branchée en direct sont donnés dans le tableau ci-dessus :

Figure 43. Des relevés effectués sur cette diode branchée en direct sont donnés dans le tableau ci-dessus : 1. Une dode est utlsée dans le montage c-dessous : 3,3 générateur + 2,5 =4,5 V V Fgure 43 Des relevés effectués sur cette dode branchée en drect sont donnés dans le tableau c-dessus : v (V) 0 0,6 0,7 0,8

Plus en détail

Calculer une enveloppe convexe

Calculer une enveloppe convexe Calculer une enveloppe convexe Préparaton à l agrégaton opton Calcul formel Antone Chambert-Lor (verson revue par Mchel Coste) 1. Introducton Sot A une parte du plan ; de nombreux problèmes géométrques

Plus en détail

Modèle de régression linéaire: cas bivarié

Modèle de régression linéaire: cas bivarié U. Pars Ouest, M1 - Cours de Modélsaton Applquée Modèle de régresson lnéare: cas bvaré Laurent Ferrara Févrer 017 Sot varables contnues X et Y. On observe les untés epérmentales : (, y ), pour = 1,, n.

Plus en détail

Modèle TCP/IP B.E. n 1. Routage et interconnexion

Modèle TCP/IP B.E. n 1. Routage et interconnexion Modèle TCP/IP B.E. n 1 Routage et nterconnexon Dans une premère phase, une nterconnexon basée sur IP et sur les lasons exstantes est mse en place. Une deuxème étape consstera à défnr à partr d une adresse

Plus en détail

ECONOMETRIE DES SALAIRES. Bruxelles mai Thème de la communication proposée. «Salaires et chômage» Titre de la communication proposée

ECONOMETRIE DES SALAIRES. Bruxelles mai Thème de la communication proposée. «Salaires et chômage» Titre de la communication proposée ECONOMETRIE DES SALAIRES Bruxelles 28-29 ma 2002 Thème de la communcaton proposée «Salares et chômage» Ttre de la communcaton proposée «Monopsone et nserton sur le marché du traval : une analyse mcroéconométrque

Plus en détail

Editions ENI. Access Collection Référence Bureautique. Extrait

Editions ENI. Access Collection Référence Bureautique. Extrait Edtons ENI Access 2010 Collecton Référence Bureautque Extrat Relatons entres les tables Tables Établr une relaton entre deux tables Les dfférents types de relaton entre les tables Établr une relaton entre

Plus en détail

Optimisation du Rendement d une Cellule Solaire N + P au Silicium Monocristallin

Optimisation du Rendement d une Cellule Solaire N + P au Silicium Monocristallin Rev. Energ. Ren. : Physque Energétque (1998) 95-100 Optmsaton du Rendement d une Cellule Solare N + P au Slcum Monocrstalln A. Zerga, F. Benyarou et B. Benyoucef Insttut de Physque - Laboratore de Physque

Plus en détail

Résumé. Sommaire. «Toute théorie n est bonne qu à condition de s en servir pour passer outre». André Gide in «Journal».

Résumé. Sommaire. «Toute théorie n est bonne qu à condition de s en servir pour passer outre». André Gide in «Journal». «Toute théore n est bonne qu à condton de s en servr pour passer outre». ndré Gde n «Journal». Résumé L usage des los de Krchhoff permet de toujours trouver les tensons et courants dans un réseau électrque

Plus en détail

> 0 donc nous avons un OUTPUT net < v i. < 0 donc nous avons un INPUT net

> 0 donc nous avons un OUTPUT net < v i. < 0 donc nous avons un INPUT net L'ensemble de producton est noté Z n : l s'agt de l'ensemble des paners de producton possbles dans l'économe (= ce que l'on peut produre) On chost des paners de producton : l s'agt d'une sute ordonnée

Plus en détail

Table des matières. Outils symboliques pour l'écriture de modèles et l étude de sensibilité des multicorps

Table des matières. Outils symboliques pour l'écriture de modèles et l étude de sensibilité des multicorps 3 Lste des fgures 11 Lste des tableaux 13 Introducton générale 15 Parte 1 Ecrture automatque des équatons du mouvement grâce aux Tenseurs d'inerte Globaux (TIG). Cas des lasons complexes et des pseudo-paramètres.

Plus en détail

Les Algorithmes d Optimisation Globale: Application Réseaux Intelligents d Antennes

Les Algorithmes d Optimisation Globale: Application Réseaux Intelligents d Antennes SETIT 2005 3 rd Internatonal Conference: Scences of Electronc, Technologes of Informaton and Telecommuncatons March 27-31, 2005 TUNISIA Les Algorthmes d Optmsaton Globale: Applcaton Réseaux Intellgents

Plus en détail

Q(t) Figure 2.1 : Intervalle Temps-Ressource. Dans notre cas, la capacité Q(t) est considéré comme constante Q.

Q(t) Figure 2.1 : Intervalle Temps-Ressource. Dans notre cas, la capacité Q(t) est considéré comme constante Q. INTODUCTION : Tenr compte smultanément du temps et des ressources permet d ntrodure le concept d énerge et le concept d un rasonnement basé sur des blans énergétque. Ce chaptre donne tout d abord des rappels

Plus en détail

Établir une relation entre deux tables

Établir une relation entre deux tables Access 2013 Tables Relatons entre les tables Access 2013 Établr une relaton entre deux tables Les dfférents types de relaton entre les tables Établr une relaton entre les tables de la base de données va

Plus en détail

Terminale S Les ROC : complexe/géométrie à connaître.

Terminale S Les ROC : complexe/géométrie à connaître. Termnale S Les ROC : complexe/géométre à connaître Vous trouvere c les démonstratons que vous ave offcellement dues fare en cours (dans le programme) Il est mportant de précser que cela ne sgnfe en aucun

Plus en détail

Informations de l'unité d'enseignement

Informations de l'unité d'enseignement Année Académque 2016-2017 (Verson défntve du : 13 Septembre 2016 ) Informatons de l'unté d'ensegnement Implantaton Cursus de ECAM Insttut Supéreur Industrel Bacheler en Scences ndustrelles - constructon

Plus en détail

C 15/03/2017. Cahier Technique E. Tests de conformité 1/7

C 15/03/2017. Cahier Technique E. Tests de conformité 1/7 Indce de Révson Date de mse en applcaton C 15/03/017 Caher Technque E 1/7 Table des matères TABLE DES MATIERES... 1 1 PRICIPE... CRITERES DE COFORMITE DE LA VALEUR THERMIQUE DECLAREE....1 TEST DE COFORMITE

Plus en détail

( ), dans les conditions standards, va

( ), dans les conditions standards, va THERMOCHIMIE R. Duperray Lycée F.BUISSON PTSI U T I L I S A T I O N D E S T A B L E S D E S G R A N D E U R S T H E R M O D Y N A M I Q U E S S T A N D A R D Dans le chaptre précédent, nous avons vu l

Plus en détail

SOLUTION OPTIMALE POUR LA RECHERCHE DU MEILLEUR CHEMIN INTERMODAL

SOLUTION OPTIMALE POUR LA RECHERCHE DU MEILLEUR CHEMIN INTERMODAL 4 e Conférence Francophone de MOdélsaton et SIMulaton Organsaton et Condute d Acttés dans l Industre et les Serces MOSIM 03 du 3 au 5 arl 003 - Toulouse (France) SOLUTION OPTIMALE POUR LA RECHERCHE U MEILLEUR

Plus en détail

Introduction aux algorithmes de tri. Les tris séquentiels. Méthodologie de la programmation E2I.1- Les algorithmes de tri. Les tris récursifs.

Introduction aux algorithmes de tri. Les tris séquentiels. Méthodologie de la programmation E2I.1- Les algorithmes de tri. Les tris récursifs. Vue d'ensemble Méthodologe de la programmaton E2I.1- Les algorthmes de tr Cyrlle CHAVET 2 Plan Objectfs é Tr: Ordonner un ensemble d éléments selon un ensemble de clés sur lesquelles est défne une relaton

Plus en détail

Suivi de cultures par télédétection spatiale

Suivi de cultures par télédétection spatiale Unté de Bométre et Intellgence Artfcelle Suv de cultures par télédétecton spatale Sébasten Déjean Ingéneur-maître IUP Mathématques Industrelles Calcul Scentfque et Statstque, promoton 997 Ingéneur de recherche

Plus en détail

Modélisation de processus industriels par Réseaux Bayésiens Orientés Objet (RBOO) - Application à l analyse des performances d un processus industriel

Modélisation de processus industriels par Réseaux Bayésiens Orientés Objet (RBOO) - Application à l analyse des performances d un processus industriel Modélsaton de processus ndustrels par Réseaux Bayésens Orentés Obet (RBOO) - Applcaton à l analyse des performances d un processus ndustrel Phlppe Weber, Mare-Chrstne Suhner To cte ths verson: Phlppe Weber,

Plus en détail

T.P. 5 Exercice 1 Distribution normale

T.P. 5 Exercice 1 Distribution normale T.P. 5 Exercce 1 Dstrbuton normale Corrgé Connassances préalables : Buts spécfques : Outls nécessares : Noton de moyenne, varance et écart type. Acquérr la noton de dstrbuton normale et ses caractérstques.

Plus en détail

ECOLE DES HAUTES ETUDES COMMERCIALES DE L'UNIVERSITE DE LAUSANNE. Finance Empirique. Examen Final : Printemps Professeur Eric Jondeau

ECOLE DES HAUTES ETUDES COMMERCIALES DE L'UNIVERSITE DE LAUSANNE. Finance Empirique. Examen Final : Printemps Professeur Eric Jondeau ECOLE DES HAUTES ETUDES COMMERCIALES DE L'UNIVERSITE DE LAUSANNE Fnance Emprque Examen Fnal : Prntemps 005 Professeur Erc Jondeau Nombre de pages : 5 (recto-verso) Durée de l examen : heures Vous avez

Plus en détail

Ordonnancement temps réel multiprocesseur

Ordonnancement temps réel multiprocesseur Ordonnancement temps réel multprocesseur Matheu.Jan@cea.fr www.cea.fr Clquez pour modfer le style du ttre Ca change quo? Hypothèses et modèles Plan Anomales d ordonnancement et proprétés Algorthme globaux

Plus en détail