Optimisation Combinatoire (Méthodes approchées) VI. Algorithmes à Population (Les bases)

Save this PDF as:
 WORD  PNG  TXT  JPG

Dimension: px
Commencer à balayer dès la page:

Download "Optimisation Combinatoire (Méthodes approchées) VI. Algorithmes à Population (Les bases)"

Transcription

1 Optimisation Combinatoire (Méthodes approchées) VI. Algorithmes à Population (Les bases)

2 Algorithmes à Population Idée principale 'Amélioration' d'un ensemble de solutions Recombiner des solutions Orienté exploration

3 Algorithme à Population

4 Population Initiale Initialisation Random Heuristique Hybrides

5 Condition d'arrêt Statique Adaptative CPU Nombre d'itérations Nombre d'évaluations Nombre d'itérations sans amélioration Une certaine qualité atteinte

6 Algorithmes évolutionnaires (EA) Les années 60! Inspirés par le méchanisme d'évolution d'une population dans un environnement Méchanisme d'évolution Opérateurs de variations pour la diversité Mutation, Croisement Opérateurs de sélection et de remplacement pour diminuer la diversité intensification

7 EAs les bases

8 EAs template

9 EAs Les bases Sélection Quels parents choisir? Reproduction Quels opérateurs utiliser? Comment générer des nouveaux individus Offsprings? Remplacement Comment modifier la population courante en fonction des enfants (offspring)

10 EAs- Sélection Règle de base Plus un individu est meilleur, plus il a de chance d'être parent Intensification de la population Les individus de moins bonne qualité ne devraient pas être éliminés Ces individus peuvent porter des gênes utiles Diversification

11 EAs Sélection Roulette Wheel Stochastic Universal Sampling

12 EAs Sélection Les individus sont triés selon leurs fitness On déterminie alors leurs rangs On sélectionne les individus selon leurs rangs au lieu d'utiliser leurs fitness Biaiser les individus qui ont des fitness très bonnes par rapports aux autres individus

13 EAs Sélection Tournoi Taille du tournoi (typiquement =2)

14 EAs Opérateurs de variations/reproduction Crossover Mutation Hérédité : un individu hérite du matériel génétique de ses parents Validité : produire des solutions valides Ergodicité : toute solution est atteignable Localité : même idée que les opérateurs de voisinages

15 EAs N-point crossover Discrete representation Valeurs réelles

16 EAs Order based crossover Choisir une partie du premier parent et la copier dans le offspring Copier les gênes manquants du deuxième parent Quel premier parent utiliser? Quel ordre lors de la copie?

17 EAs order based crossover

18 EAs Mutation On peut avoir plusieurs opérateurs de mutations Au moins un opérateur de mutation doit pouvoir nous amener vers toutes solutions Ergodicité La taille de la mutation est importante Intensification Vs Diversification La mutation est souvent contrôlée par une probabilité fréquence de mutation (e.g. une génération sur 10) Toutes la population/offspring ou non?

19 EAs Mutation Exemple : représentation discrète Changer la valeur d'une variable Choisir aléatoirement deux variables et les swaper! Perturber certaines valeurs en ajoutant du bruit de façon aléatoire (e.g., selon une gaussienne)

20 EAs Remplacement Générationnel Le remplacement concerne toute la population Les offsprings remplacent la population entière Steady state À chaque génération, un seul offspring est généré Il remplace par exemple le moins bon dans la population (mu,lambda) algorithms Stochastique Vs Déterministes Élitisme, e.g., on garde toujours le(s) meilleurs individus

21 Algorithmes Mémétiques Les algorithmes génétiques de base peuvent souffrir d'un manque d'intensification Idée générale pour remédier à cela: Ajouter un méchamisme de réparation après les étapes d'initialisation, de reproduction (crossover, mutation) Une recherche locale (une heuristique à solution unique! ) Memetic Algorithms (MA)

22 MA template de base Des variantes peuvent exister selon où et quand le méchanisme de réparation est appliqué! Déterminer une population initiale P ; Réparer P (en utilisant une recherche locale) ; RÉPETER /* Reproduction */ Générer un ensemble P c de nouveaux individus par crossover ; Réparer P c (en utilisant une recherche locale) ; /* Mutation */ Générer un ensemble P m de mouveaux individus par mutation ; Réparer P m (en utilisant une recherche locale) ; /* Remplacement */ Créer une nouvelle population à partir de P, P c et P m ; JUSQU'À Condition d'arrêt ;

23 Exemple d'algo génétique SMTWTP Population initiale : Taille N Random + heuristiques (EDD, MDD, etc) Crossover Position-based On choisit k positions distinctes au hasard, e.g. k=n/2 On copie les jobs (d'un parent) aux k positions et on remplit le reste avec les jobs manquant de l'autre parent (dans l'ordre de leur apparition) On crée N nouveaux individus (pas de remplacement encore)

24 GA SMTWTP Mutation Swap On choisit aléatoirement deux positions et on les échange On mute M individus choisit aléatoirement, e.g., M=p.N : une fraction p de la population On a M nouveaux individus Remplacement Élitiste On garde les meilleurs individus

25 GA SMTWTP P population initiale ; G nombre maximal de génération ; Pour g=1 à G faire P c vide ; Pour i=1 à N/2 faire Choisir deux parents p et p' distincts de façon aléatoire uniforme dans P ; (o,o') CROSSOVER(p,p'); Ajouter o et o' à P c ; Fin Pour; P m vide ; Pour i=1 à M Faire Choisir un parent p de façon uniforme aléatoire dans P ; m MUTATION(p); Ajouter m à P m ; Fin Pour; Mettre à jour P en retenant les meileurs individus de P, P c et P m ; Fin Pour;

26 Exemple d'algo mémétique SMTWTP Crossover (order based) On copie un fragment du premier parent, et on remplit le reste avec les jobs manquant dans l'ordre de leur apparition dans le second parent On génère c rate. M nouveaux individus Mutation c rate : crossover rate; M : taille de la population Swap On applique la mutation avec une probabilité p mut Local Search e.g., hill-climbing avec voisinage Insertion (ou swap)

27 MA SMTWTP P population initiale de taille M ; RÉPÉTER P o vide ; Pour i = 1 à c rate. M Faire (p,p') Selectionner deux parents ; o CROSSOVER(p,p') ; SI Rnd(0,1) < p mut Alors o MUTATION(o) ; Fin Si ; o LocalSearch(o) ; Ajouter o à P o ; Fin Pour ; P REMPLACEMENT(P, P o ) ; JUSQU'À condition d'arrêt ;

28 Travaux Pratiques Implémenter un algorithme génétique pour le SMTWTP Observer/analyser les performances obtenues en fonction des : différents paramêtres (taille de la population, etc) différentes stratégies Sélection des parents Méchanisme de remplacement Etc Même chose en utilisant un algorithme Mémétique!

Optimisation Combinatoire (Méthodes approchées) II. Recherche Locale simple (Les bases)

Optimisation Combinatoire (Méthodes approchées) II. Recherche Locale simple (Les bases) Optimisation Combinatoire (Méthodes approchées) II. Recherche Locale simple (Les bases) Heuristique Constructive Itérativement, ajoute de nouvelles composantes à une solution partielle candidate Espace

Plus en détail

Chapitre 1. L algorithme génétique

Chapitre 1. L algorithme génétique Chapitre 1 L algorithme génétique L algorithme génétique (AG) est un algorithme de recherche basé sur les mécanismes de la sélection naturelle et de la génétique. Il combine une stratégie de survie des

Plus en détail

Plan du cours. Métaheuristiques pour l optimisation combinatoire. Quelques problèmes classiques (2/3) Quelques problèmes classiques (1/3)

Plan du cours. Métaheuristiques pour l optimisation combinatoire. Quelques problèmes classiques (2/3) Quelques problèmes classiques (1/3) Plan du cours Quelques problèmes classiques Quelques algorithmes classiques Métaheuristiques pour l optimisation combinatoire un peu de vocabulaire codage des solutions taxinomie méthodes complètes méthodes

Plus en détail

Les algorithmes évolutionnistes. INF6953 Les algorithmes évolutionnistes (1) 1

Les algorithmes évolutionnistes. INF6953 Les algorithmes évolutionnistes (1) 1 Les algorithmes évolutionnistes INF6953 Les algorithmes évolutionnistes (1) 1 Métaheuristiques et algorithmes évolutionnistes Les métaheuristiques recherche locale consistent fondamentalement à faire évoluer

Plus en détail

5.1 Les méthodes Métaheuristiques

5.1 Les méthodes Métaheuristiques 5.1 Les méthodes Métaheuristiques Les métaheuristiques constituent une classe de méthodes qui fournissent des solutions de bonne qualité en temps raisonnable à des problèmes combinatoires réputés difficiles

Plus en détail

Un algorithme génétique hybride pour des problèmes de tournées de véhicules multi-attributs

Un algorithme génétique hybride pour des problèmes de tournées de véhicules multi-attributs Un algorithme génétique hybride pour des problèmes de tournées de véhicules multi-attributs Thibaut Vidal, Teodor Gabriel Crainic, Michel Gendreau Nadia Lahrichi, Walter Rei ROADEF 2010 Plan de la présentation

Plus en détail

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

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

Plus en détail

Variable Neighborhood Search

Variable Neighborhood Search Variable Neighborhood Search () Universite de Montreal 6 avril 2010 Plan Motivations 1 Motivations 2 3 skewed variable neighborhood search variable neighborhood decomposition search 4 Le probleme d optimisation.

Plus en détail

Un algorithme génétique à diversité augmentée pour des problèmes de tournées de véhicules multi-dépôts multi-périodes

Un algorithme génétique à diversité augmentée pour des problèmes de tournées de véhicules multi-dépôts multi-périodes Un algorithme génétique à diversité augmentée pour des problèmes de tournées de véhicules multi-dépôts multi-périodes Thibaut Vidal, Teodor Gabriel Crainic, Michel Gendreau Nadia Lahrichi, Walter Rei 2009

Plus en détail

Des outils pour l optimisation et la robustesse. Marc Sevaux

Des outils pour l optimisation et la robustesse. Marc Sevaux Des outils pour l optimisation et la sse Marc Sevaux Université de Valenciennes et du Hainaut-Cambrésis Laboratoire d Automatique, de Mécanique et d Informatique Industrielles et Humaines (UMR CNRS 8530)

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

OPTIMISATION DE LA TARIFICATION DES RÉSEAUX MOBILES

OPTIMISATION DE LA TARIFICATION DES RÉSEAUX MOBILES OPTIMISATION DE LA TARIFICATION DES RÉSEAUX MOBILES ST50 - Projet de fin d études Matthieu Leromain - Génie Informatique Systèmes temps Réel, Embarqués et informatique Mobile - REM 1 Suiveur en entreprise

Plus en détail

OPTIMISATION MULTICRITERE STOCHASTIQUE

OPTIMISATION MULTICRITERE STOCHASTIQUE OPTIMISATION MULTICRITERE STOCHASTIQUE Michel DUMAS, Gilles ARNAUD, Fabrice GAUDIER CEA/DEN/DMS/SFME/LETR michel.dumas@cea.r gilles.arnaud@cea.r abrice.gaudier @cea.r Introduction L optimisation multicritère

Plus en détail

Problème du voyageur de commerce par algorithme génétique

Problème du voyageur de commerce par algorithme génétique Problème du voyageur de commerce par algorithme génétique 1 Problème du voyageur de commerce Le problème du voyageur de commerce, consiste en la recherche d un trajet minimal permettant à un voyageur de

Plus en détail

Une application des algorithmes génétiques à l ordonnancement d atelier

Une application des algorithmes génétiques à l ordonnancement d atelier Une application des algorithmes génétiques à l ordonnancement d atelier VACHER Jean-Philippe - GALINHO Thierry - MAMMERI Zoubir Laboratoire d Informatique du Havre Université du Havre 25, Rue Philippe

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

Algorithmes génétiques

Algorithmes génétiques Algorithmes génétiques Selvaraj Ramkumar 26 avril 2007 Résumé Les algorithmes génétiques appartiennent à une catégorie d algorithmes appelés métaheuristiques, dont l objectif est de repérer une solution

Plus en détail

Optimisation combinatoire Métaheuristiques

Optimisation combinatoire Métaheuristiques Optimisation combinatoire Métaheuristiques Original Pierre Brezellec Laboratoire Génome et Informatique, Evry (modifié par Joël Pothier) OPTIMISATION COMBINATOIRE METAHEURISTIQUES...1 PRESENTATION INFORMELLE

Plus en détail

Différentes opérateurs évolutionnaires de permutation: sélections, croisements et mutations

Différentes opérateurs évolutionnaires de permutation: sélections, croisements et mutations LABORATOIRE D INFORMATIQUE DE L UNIVERSITE DE FRANCHE-COMTE EA 4269 Différentes opérateurs évolutionnaires de permutation: sélections, croisements et mutations Mais HAJ-RACHID, Christelle BLOCH, Wahiba

Plus en détail

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

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

Plus en détail

Objectif. Plan. Dans un sixième point, on conclue avec des discussions générales et des perspectives. Algorithmes Évolutionnaires

Objectif. Plan. Dans un sixième point, on conclue avec des discussions générales et des perspectives. Algorithmes Évolutionnaires Objectif L'objectif de cette thèse est de développer une approche particulière des algorithmes évolutionnaires qui autorègle les paramètres de façon parallèle et contrôle dynamiquement leurs valeurs au

Plus en détail

Introduction à la programmation en variables entières Cours 3

Introduction à la programmation en variables entières Cours 3 Introduction à la programmation en variables entières Cours 3 F. Clautiaux francois.clautiaux@math.u-bordeaux1.fr Université Bordeaux 1 Bât A33 - Bur 272 Sommaire Notion d heuristique Les algorithmes gloutons

Plus en détail

Algorithmique et Simulation

Algorithmique et Simulation Licence3 SV Université Nice Sophia Antipolis April 8, 2013 Plan Simulation à Événements Discrets 1 Simulation à Événements Discrets Schéma général Simulation à Événements Discrets objet de l étude (réel

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

Optimisation de requêtes. I3009 Licence d informatique 2015/2016. Traitement des requêtes

Optimisation de requêtes. I3009 Licence d informatique 2015/2016. Traitement des requêtes Optimisation de requêtes I3009 Licence d informatique 2015/2016 Cours 5 - Optimisation de requêtes Stéphane.Gançarski Stephane.Gancarski@lip6.fr Traitement et exécution de requêtes Implémentation des opérateurs

Plus en détail

HEURISTIQUES D'OPTIMISATION. Evelyne LUTTON - INRA AgroParisTech - Grignon http ://evelyne-lutton.fr/

HEURISTIQUES D'OPTIMISATION. Evelyne LUTTON - INRA AgroParisTech - Grignon http ://evelyne-lutton.fr/ HEURISTIQUES D'OPTIMISATION Evelyne LUTTON - INRA AgroParisTech - Grignon http ://evelyne-lutton.fr/ D'après Patrick Siarry, LiSSi, Univ. de Paris-Est Créteil MÉTA-HEURISTIQUES Du grec : méta :au-delà,

Plus en détail

Ordonnancement en temps réel d un jobshop par métaheuristique hybride : étude comparative

Ordonnancement en temps réel d un jobshop par métaheuristique hybride : étude comparative Ordonnancement en temps réel d un jobshop par métaheuristique hybride : étude comparative Y. Houbad, M. Souier, A. Hassam, Z.Sari Laboratoire d automatique Tlemcen Faculté de technologie, Université Abou

Plus en détail

Cours de Master Recherche

Cours de Master Recherche Cours de Master Recherche Spécialité CODE : Résolution de problèmes combinatoires Christine Solnon LIRIS, UMR 5205 CNRS / Université Lyon 1 2007 Rappel du plan du cours 1 - Introduction Qu est-ce qu un

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

Sommaire. Introduction.2. 1. Définition..2. 2. Historique.2. 3. Domaine d application.2. 4.Les Travaux réalisés sur les domaines d application.

Sommaire. Introduction.2. 1. Définition..2. 2. Historique.2. 3. Domaine d application.2. 4.Les Travaux réalisés sur les domaines d application. Sommaire Introduction.2 1. Définition..2 2. Historique.2 3. Domaine d application.2 4.Les Travaux réalisés sur les domaines d application.3 5.Algorithme 4 6.Exemple d application 5 7. Avantage et inconvénient..6

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

Méta-heuristiques et intelligence artificielle

Méta-heuristiques et intelligence artificielle Chapitre 1 Méta-heuristiques et intelligence artificielle Auteurs : Jin-Kao Hao et Christine Solnon 1.1 Introduction Une méta-heuristique est une méthode générique pour la résolution de problèmes combinatoires

Plus en détail

Université de Valenciennes et du Hainaut-Cambrésis

Université de Valenciennes et du Hainaut-Cambrésis Des outils pour l optimisation et la robustesse Marc Sevaux Université de Valenciennes et du Hainaut-Cambrésis Laboratoire d Automatique, de Mécanique et d Informatique Industrielles et Humaines (UMR CNRS

Plus en détail

Algorithmes évolutionnaires pour l optimisation combinatoire : du générique au spécifique

Algorithmes évolutionnaires pour l optimisation combinatoire : du générique au spécifique Algorithmes évolutionnaires pour l optimisation combinatoire : du générique au spécifique Marc Schoenauer Equipe-Projet TAO, INRIA Saclay Île-de-France http://tao.lri.fr/ Cours INF580 Ecole Polytechnique,

Plus en détail

Une heuristique hybride pour le problème de set packing biobjectif p.1/19

Une heuristique hybride pour le problème de set packing biobjectif p.1/19 Une heuristique hybride pour le problème de set packing biobjectif Xavier Delorme 1,2, Xavier Gandibleux 2,3 et Fabien DEGOUTIN 2,4 1. Ecole Nationale Supérieure des Mines de Saint-Etienne Centre : Génie

Plus en détail

OÙ EN EST-ON? ABANDONNER L IDÉE D AVOIR UN ALGORITHME

OÙ EN EST-ON? ABANDONNER L IDÉE D AVOIR UN ALGORITHME OÙ EN EST-ON? Que faire face à un problème dur? AAC S.Tison Université Lille1 Master1 Informatique Quelques schémas d algorithmes Un peu de complexité de problèmes Un peu d algorithmique avancée ou Que

Plus en détail

Recherche opérationnelle et Optimisation

Recherche opérationnelle et Optimisation Recherche opérationnelle et Optimisation Master 1 Informatique Denis Robilliard Lisic Univ Littoral-Côte d opale 2010 Denis Robilliard (Lisic Univ Littoral-Côte d opale) Recherche opérationnelle et Optimisation

Plus en détail

Rapport. TME2 - Problème d affectation multi-agents

Rapport. TME2 - Problème d affectation multi-agents Rapport TME2 - Problème d affectation multi-agents Auteurs : Encadrant : Lan Zhou Safia Kedad-Sidhoum Minh Viet Le Plan I. Problème :... 2 II. Question 1 - Formulation linéaire du problème :... 2 III.

Plus en détail

NOMBRES ALEATOIRES et PSEUDO-ALEATOIRES G.Saporta, P.Périé et S.Rousseau, octobre 2011

NOMBRES ALEATOIRES et PSEUDO-ALEATOIRES G.Saporta, P.Périé et S.Rousseau, octobre 2011 NOMBRES ALEATOIRES et PSEUDO-ALEATOIRES G.Saporta, P.Périé et S.Rousseau, octobre 2011 Utiles pour réaliser r des tirages et simuler des phénom nomènes nes aléatoires atoires Nombres aléatoires: atoires:

Plus en détail

La recherche locale. INF6953 La recherche locale 1

La recherche locale. INF6953 La recherche locale 1 La recherche locale INF6953 La recherche locale 1 Sommaire Recherche locale et voisinage. Fonction de voisinage, optimum local Fonction de voisinage et mouvements Fonction de voisinage et mouvements Exemples

Plus en détail

Complément C7 Infodauphine.com

Complément C7 Infodauphine.com Complément C7 Infodauphine.com Pourquoi se soucier des performances? L'utilisateur n'aime pas attendre Le timing peut-être critique Trading VBA est un outil de productivité La notion de temps d'exécution

Plus en détail

Algorithmes de recherche locale

Algorithmes de recherche locale Algorithmes de recherche locale Recherche Opérationnelle et Optimisation Master 1 Sébastien Verel verel@lisic.univ-littoral.fr http://www-lisic.univ-littoral.fr/~verel Université du Littoral Côte d Opale

Plus en détail

Etude d un cas industriel : Optimisation de la modélisation de paramètre de production

Etude d un cas industriel : Optimisation de la modélisation de paramètre de production Revue des Sciences et de la Technologie RST- Volume 4 N 1 /janvier 2013 Etude d un cas industriel : Optimisation de la modélisation de paramètre de production A.F. Bernate Lara 1, F. Entzmann 2, F. Yalaoui

Plus en détail

Introduction à l Optimisation des Structures Métaheuristiques

Introduction à l Optimisation des Structures Métaheuristiques UVSQ - Master DSME P. Vannucci - 2006 Introduction à l Optimisation des Structures Métaheuristiques Introduction Les méthodes classiques pour la solution des NLPP (Non Linear Programming Problem) sont

Plus en détail

Algorithmes génétiques et calcul haute performance. Jean-Charles Boisson CReSTIC-SysCom EA 3804

Algorithmes génétiques et calcul haute performance. Jean-Charles Boisson CReSTIC-SysCom EA 3804 Algorithmes génétiques et calcul haute performance Jean-Charles Boisson CReSTIC-SysCom EA 3804 Plan Algorithmes génétiques (AGs) : Positionnement Coopération avec d autres méthodes AGs et parallélisme

Plus en détail

Jean-Philippe Préaux http://www.i2m.univ-amu.fr/~preaux

Jean-Philippe Préaux http://www.i2m.univ-amu.fr/~preaux Colonies de fourmis Comment procèdent les colonies de fourmi pour déterminer un chemin presque géodésique de la fourmilière à un stock de nourriture? Les premières fourmis se déplacent au hasard. Les fourmis

Plus en détail

1.6- Génération de nombres aléatoires

1.6- Génération de nombres aléatoires 1.6- Génération de nombres aléatoires 1- Le générateur aléatoire disponible en C++ 2 Création d'un générateur aléatoire uniforme sur un intervalle 3- Génération de valeurs aléatoires selon une loi normale

Plus en détail

Méthodes d apprentissage :

Méthodes d apprentissage : Méthodes d apprentissage : application au tri de complexes protéines-protéines Jérôme Azé Apprentissage: tâches Apprentissage non supervisé (Eisen, ) Apprentissage supervisé (arbres de décision, k-ppv,

Plus en détail

IFT6580 Devoir 3. 1 Introduction. Eric Buist (buisteri@iro.umontreal.ca) 26 avril 2006

IFT6580 Devoir 3. 1 Introduction. Eric Buist (buisteri@iro.umontreal.ca) 26 avril 2006 IFT6580 Devoir 3 Eric Buist (buisteri@iro.umontreal.ca) 26 avril 2006 Résumé Le problème du voyageur de commerce a été traité par un très grand nombre d auteurs et avec différents algorithmes et heuristiques.

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

Algorithme d optimisation par colonie de fourmis pour le problème de jobshop

Algorithme d optimisation par colonie de fourmis pour le problème de jobshop Algorithme d optimisation par colonie de fourmis pour le problème de jobshop Plan Optimisation par colonie de fourmi 1 Optimisation par colonie de fourmi Principes généraux Mise en œuvre Procédure 2 Construction

Plus en détail

UNIVERSITÉ PARIS OUEST NANTERRE LA DÉFENSE U.F.R. SEGMI Année universitaire 2014 2015 Cours de B. Desgraupes. Simulation Stochastique

UNIVERSITÉ PARIS OUEST NANTERRE LA DÉFENSE U.F.R. SEGMI Année universitaire 2014 2015 Cours de B. Desgraupes. Simulation Stochastique UNIVERSITÉ PARIS OUEST NANTERRE LA DÉFENSE U.F.R. SEGMI Année universitaire 2014 2015 L2 MIASHS Cours de B. Desgraupes Simulation Stochastique Séance 04: Nombres pseudo-aléatoires Table des matières 1

Plus en détail

ALGORITHMES GENETIQUES

ALGORITHMES GENETIQUES ALGORITHMES GENETIQUES Présenté par Souquet Amédée Radet Francois-Gérard TE de fin d année Tutorat de Mr Philippe Audebaud Soutenu le 21/06/2004 devant la commission composée de : S. Julia P. Audebaud

Plus en détail

Optimisation d un dispatching environnement/économique de la production d'énergie électrique par un algorithme génétique

Optimisation d un dispatching environnement/économique de la production d'énergie électrique par un algorithme génétique Quatrième Conférence Internationale sur le Génie Electrique CIGE 10, 03-04 Novembre 010, Université de Bechar, Algérie Optimisation d un dispatching environnement/économique de la production d'énergie

Plus en détail

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

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

Plus en détail

The Current State and Future of Search Based Software Engineering

The Current State and Future of Search Based Software Engineering The Current State and Future of Search Based Software Engineering Mark Harman 1 IEEE International Conference on Software Engineering FoSE 07: Future of Software Engineering 1 King's College, LONDON, UK

Plus en détail

Architecture des Systèmes d Information Architecture des Systèmes d Information

Architecture des Systèmes d Information Architecture des Systèmes d Information Plan... Tableaux et tris I3 - Algorithmique et programmation 1 Rappels Nicol Delestre 2 Tableaux à n dimensions 3 Initiation aux tris Tableaux - v2.0.1 1 / 27 Tableaux - v2.0.1 2 / 27 Rappels : tableau

Plus en détail

ALGORITHMES ÉVOLUTIONNAIRES ET OPTIMISATION

ALGORITHMES ÉVOLUTIONNAIRES ET OPTIMISATION LABORATOIRE INFORMATIQUE, SIGNAUX ET SYSTÈMES DE SOPHIA ANTIPOLIS UMR 6070 ALGORITHMES ÉVOLUTIONNAIRES ET OPTIMISATION MULTI-OBJECTIFS EN DATA MINING Dominique Francisci Projet MECOSI Rapport de recherche

Plus en détail

Applications des métaheuristiques #1 Coloration de graphes

Applications des métaheuristiques #1 Coloration de graphes Applications des métaheuristiques #1 Coloration de graphes MTH6311 S. Le Digabel, École Polytechnique de Montréal H2014 (v2) MTH6311: Applications des métaheuristiques #1 Coloration de graphes 1/29 Plan

Plus en détail

Techniques probabilistes et combinatoires pour l analyse des flux de données

Techniques probabilistes et combinatoires pour l analyse des flux de données Techniques probabilistes et combinatoires pour l analyse des flux de données Dédié à la mémoire de Philippe Flajolet (1948-2011) Conrado Martínez Universitat Politècnica de Catalunya Journées ALÉA, CIRM,

Plus en détail

Système Immunitaire Artificiel Parallèle appliqué aux Flow Shop Hybride (FSH)

Système Immunitaire Artificiel Parallèle appliqué aux Flow Shop Hybride (FSH) République Algérienne Démocratique et Populaire Ministère de l Enseignement Supérieur et de la Recherche Scientifique Université des Sciences et de la Technologie d Oran -Mohamed Boudiaf USTO-MB Faculté

Plus en détail

Cours des Méthodes de Résolution Exactes Heuristiques et Métaheuristiques

Cours des Méthodes de Résolution Exactes Heuristiques et Métaheuristiques Université Mohammed V, Faculté des Sciences de Rabat Laboratoire de Recherche Mathématiques, Informatique et Applications Cours des Méthodes de Résolution Exactes Heuristiques et Métaheuristiques MASTER

Plus en détail

Université Mohammed V Agdal Faculté des Sciences Rabat

Université Mohammed V Agdal Faculté des Sciences Rabat Université Mohammed V Agdal Faculté des Sciences Rabat N d ordre : 2633 Thèse de Doctorat Discipline : Sciences de l ingénieur Spécialité : Informatique Présentée par : Khalid Jebari Hassani Modèles évolutifs

Plus en détail

Comment choisir sa pizza? Test A/B. Comment choisir sa pizza? Comment choisir sa pizza? Difficulté de l évaluation. De manière plus sérieuse...

Comment choisir sa pizza? Test A/B. Comment choisir sa pizza? Comment choisir sa pizza? Difficulté de l évaluation. De manière plus sérieuse... Comment choisir sa pizza? Test A/B Introduction à l apprentissage par renforcement Guillaume Wisniewski guillaume.wisniewski@limsi.fr Université Paris Sud LIMSI J aime beaucoup les «4 Est-ce que je dois

Plus en détail

Système immunitaire artificiel

Système immunitaire artificiel République Algérienne Démocratique et Populaire Ministère de l Enseignement Supérieure Université des Sciences et de la Technologie D Oran Mohammed Boudiaf (USTO) Faculté des Sciences Département d Informatique

Plus en détail

Master IAD Module PS. Reconnaissance de la parole (suite) Modèles de Markov et bases de données. Gaël RICHARD Février 2008

Master IAD Module PS. Reconnaissance de la parole (suite) Modèles de Markov et bases de données. Gaël RICHARD Février 2008 Master IAD Module PS Reconnaissance de la parole (suite) Modèles de Markov et bases de données Gaël RICHARD Février 2008 1 Reconnaissance de la parole Introduction Approches pour la reconnaissance vocale

Plus en détail

Optimisation Combinatoire (Méthodes approchées) III. Échapper des Optima Locaux! (Les bases)

Optimisation Combinatoire (Méthodes approchées) III. Échapper des Optima Locaux! (Les bases) Optimisation Combinatoire (Méthodes approchées) III. Échapper des Optima Locaux! (Les bases) Choix d'un voisinage Dans une recherche locale de type Hill-Climbing, les optima locaux dépendent du choix de

Plus en détail

LM206 : Initiation à Scilab

LM206 : Initiation à Scilab Université Pierre et Marie Curie Année 2013-2014 Licence période 2 7 Au hasard LM206 : Initiation à Scilab Cette séance traite de quelques possibilités de simulation en probabilités et statistiques. Après

Plus en détail

Lois de probabilité. Anita Burgun

Lois de probabilité. Anita Burgun Lois de probabilité Anita Burgun Problème posé Le problème posé en statistique: On s intéresse à une population On extrait un échantillon On se demande quelle sera la composition de l échantillon (pourcentage

Plus en détail

Les types somme. 1 Préparation du TP. 2 Interface du module Carte. Algorithmes et Programmation Impérative 2. 2.1 Les types de donnees

Les types somme. 1 Préparation du TP. 2 Interface du module Carte. Algorithmes et Programmation Impérative 2. 2.1 Les types de donnees Univ. Lille1 - Licence Informatique 2ème année 2014-15 Algorithmes et Programmation Impérative 2 Les types somme 1 Préparation du TP Dans le prochain TP, vous allez réaliser un programme de jeu de poker

Plus en détail

Exercice 2 du cours Management Bancaire : «Calcul de la VaR d une position de marché»

Exercice 2 du cours Management Bancaire : «Calcul de la VaR d une position de marché» Exercice du cours Management Bancaire : «Calcul de la VaR d une position de marché» La réglementation bancaire impose aux banques de maintenir un niveau de capital minimum pour absorber les pertes dues

Plus en détail

La programmation budgétaire du renouvellement des réseaux d eau potable

La programmation budgétaire du renouvellement des réseaux d eau potable Présentation du travail de thèse Journées de la modélisation au Cemagref Clermont-Ferrand, 03-04 Octobre 2005 La programmation budgétaire du renouvellement des réseaux d eau potable Menée par: Amir NAFI

Plus en détail

Cours de Master Recherche

Cours de Master Recherche Cours de Master Recherche Spécialité CODE : Résolution de problèmes combinatoires Christine Solnon LIRIS, UMR 5205 CNRS / Université Lyon 1 2007 Rappel du plan du cours 16 heures de cours 1 - Introduction

Plus en détail

Générateur de Nombres Aléatoires

Générateur de Nombres Aléatoires Générateur de Nombres Aléatoires Les générateurs de nombres aléatoires sont des dispositifs capables de produire une séquence de nombres dont on ne peut pas tirer facilement des propriétés déterministes.

Plus en détail

Modèles d abstraction pour la résolution de problèmes combinatoires

Modèles d abstraction pour la résolution de problèmes combinatoires Modèles d abstraction pour la résolution de problèmes combinatoires Thèse d habilitation à diriger des recherches Spécialité : Informatique Adrien GOËFFON Soutenance publique le 17 novembre 2014 devant

Plus en détail

Sont recommandés : parents conservés si élitisme. parents. Oui Ng < Nmax? Non. Souspopulation. Nouvelle génération (descendants) éliminée

Sont recommandés : parents conservés si élitisme. parents. Oui Ng < Nmax? Non. Souspopulation. Nouvelle génération (descendants) éliminée parents parents conservés si élitisme Niveau d overlapping (parfois très petit) Souspopulation éliminée Nouvelle génération (descendants) Un individu = un chromosome n gènes par chromosome Oui Ng < Nmax?

Plus en détail

CONCOURS D ADMISSION. Option économique MATHEMATIQUES III. Année 2006

CONCOURS D ADMISSION. Option économique MATHEMATIQUES III. Année 2006 ESSEC M B A CONCOURS D ADMISSION Option économique MATHEMATIQUES III Année 2006 La présentation, la lisibilité, l orthographe, la qualité de la rédaction, la clarté et la précision des raisonnements entreront

Plus en détail

Optimisation Combinatoire et Colonies de Fourmis Nicolas Monmarche April 21, 1999 Sommaire Inspiration biologiques Ant Colony Optimization Applications TSP QAP Flow Shop Problemes dynamiques 1 Historique

Plus en détail

Algorithmique I. Augustin.Lux@imag.fr Roger.Mohr@imag.fr Maud.Marchal@imag.fr. Algorithmique I 20-09-06 p.1/??

Algorithmique I. Augustin.Lux@imag.fr Roger.Mohr@imag.fr Maud.Marchal@imag.fr. Algorithmique I 20-09-06 p.1/?? Algorithmique I Augustin.Lux@imag.fr Roger.Mohr@imag.fr Maud.Marchal@imag.fr Télécom 2006/07 Algorithmique I 20-09-06 p.1/?? Organisation en Algorithmique 2 séances par semaine pendant 8 semaines. Enseignement

Plus en détail

Simuler l aléatoire. Licence 1 MASS, parcours SEMS et ESD Introduction à Java et à l algorithmique

Simuler l aléatoire. Licence 1 MASS, parcours SEMS et ESD Introduction à Java et à l algorithmique Licence 1 MASS, parcours SEMS et ESD Introduction à Java et à l algorithmique verel@i3s.unice.fr http://www.i3s.unice.fr/ verel Équipe ScoBi - Université Nice Sophia Antipolis 15 mars 2013 Synthèse Introduction

Plus en détail

ISOMORPHISME INEXACT DE GRAPHES

ISOMORPHISME INEXACT DE GRAPHES École Doctorale d Informatique, Télécommunication et Électronique de Paris ISOMORPHISME INEXACT DE GRAPHES PAR OPTIMISATION ÉVOLUTIONNAIRE THÈSE DE DOCTORAT DE L UNIVERSITÉ PARIS VI présentée pour obtenir

Plus en détail

Deuxième partie. Calcul de fréquences de génotypes multilocus dans des pédigrees complexes XXVII

Deuxième partie. Calcul de fréquences de génotypes multilocus dans des pédigrees complexes XXVII Deuxième partie Calcul de fréquences de génotypes multilocus dans des pédigrees complexes XXVII Présentation Les programmes informatiques MDM et grafgen L analyse de schémas de construction de génotypes

Plus en détail

Analyse d un système de freinage récupératif d un véhicule électrique

Analyse d un système de freinage récupératif d un véhicule électrique Analyse d un système de freinage récupératif d un véhicule électrique Par Mohamed Amine Bey, Gabriel Georges, Pascal Jacq, Doha Hadouni, Roxane Duroux, Erwan Scornet, Encadré par Alexis Simonnet 1 Compréhension

Plus en détail

Principales caractéristiques de Mixmod

Principales caractéristiques de Mixmod Modèle de mélanges Principales caractéristiques de Mixmod Gérard Govaert et Gilles Celeux 24 octobre 2006 1 Plan Le modèledemélange Utilisations du modèle de mélange Les algorithmes de Mixmod Modèle de

Plus en détail

L analyse d images regroupe plusieurs disciplines que l on classe en deux catégories :

L analyse d images regroupe plusieurs disciplines que l on classe en deux catégories : La vision nous permet de percevoir et d interpreter le monde qui nous entoure. La vision artificielle a pour but de reproduire certaines fonctionnalités de la vision humaine au travers de l analyse d images.

Plus en détail

Recherche heuristique et méta-heuristique. Introduction 3. Heuristique? 4. Matthieu Amiguet

Recherche heuristique et méta-heuristique. Introduction 3. Heuristique? 4. Matthieu Amiguet Recherche heuristique et méta-heuristique Matthieu Amiguet 2008 2009 1 Motivations 2 3 Motivations Introduction 3 Un grand nombre de problèmes d IA sont caractérisés par l absence d algorithmes permettant

Plus en détail

Les Algorithmes Mémétiques

Les Algorithmes Mémétiques RÉPUBLIQUE ALGÉRIENNE DÉMOCRATIQUE ET POPULAIRE MINISTÈRE DE L ENSEIGNEMENT SUPÉRIEUR ET DE LA RECHERCHE SCIENTIFIQUE Université des Sciences et de la Technologie d Oran U.S.T.O. Faculté des Sciences Département

Plus en détail

INTRODUCTION AUX MÉTHODES DE MONTE CARLO PAR CHAÎNES DE MARKOV

INTRODUCTION AUX MÉTHODES DE MONTE CARLO PAR CHAÎNES DE MARKOV Séminaire MTDE 22 mai 23 INTRODUCTION AUX MÉTHODES DE MONTE CARLO PAR CHAÎNES DE MARKOV Vincent Mazet CRAN CNRS UMR 739, Université Henri Poincaré, 5456 Vandœuvre-lès-Nancy Cedex 1 juillet 23 Sommaire

Plus en détail

Systèmes de Fichiers

Systèmes de Fichiers Systèmes de Fichiers Hachage et Arbres B Serge Abiteboul INRIA February 28, 2008 Serge Abiteboul (INRIA) Systèmes de Fichiers February 28, 2008 1 / 26 Systèmes de fichiers et SGBD Introduction Hiérarchie

Plus en détail

L Algorithme de Kohonen appliqué a l'evaluation de la Sécurité d un Système d'energie Electrique. Gonzalo Joya. Dpto. Tecnología Electrónica

L Algorithme de Kohonen appliqué a l'evaluation de la Sécurité d un Système d'energie Electrique. Gonzalo Joya. Dpto. Tecnología Electrónica L Algorithme de Kohonen appliqué a l'evaluation de la Sécurité d un Système d'energie Electrique Gonzalo Joya ETSI Telecomucicación 29017 Málaga joya@dte.uma.es París, le 21 fevrier 2003 Plan 1. Estimation

Plus en détail

Plan. Entreprise Guide ou comment rendre presque séduisantes les procédures statistiques de SAS. Tirer un échantillon d'une table existante (1)

Plan. Entreprise Guide ou comment rendre presque séduisantes les procédures statistiques de SAS. Tirer un échantillon d'une table existante (1) Entreprise Guide ou comment rendre presque séduisantes les procédures statistiques de SAS Présentation au Club des Utilisateurs SAS de Québec 30 octobre 2006 Jean Hardy Services Conseils Hardy Plan Tirer

Plus en détail

Rappel du plan du cours

Rappel du plan du cours Rappel du plan du cours 1 - Introduction Qu est-ce qu un problème «complexe»? Exemples de problèmes «complexes» 2 - Approches complètes Structuration de l espace de recherche en Arbre Application à la

Plus en détail

Tableau d'enregistrements

Tableau d'enregistrements Tableau d'enregistrements Regrouper plusieurs enregistrements dans un tableau est parfaitement possible! Exemple : représenter les données concernant 50 personnes algorithme monalgorithme // déclaration

Plus en détail

Remerciements. Je tiens à remercier le dieu, le tout puissant de. ma donnée la patience, la santé et le courage pour. finir ce travail.

Remerciements. Je tiens à remercier le dieu, le tout puissant de. ma donnée la patience, la santé et le courage pour. finir ce travail. Remerciements Je tiens à remercier le dieu, le tout puissant de ma donnée la patience, la santé et le courage pour finir ce travail. Je tiens à remercier profondément mon encadreur : Monsieur KALFALI TOUFIK

Plus en détail

Une plate-forme pour l optimisation parallèle approchée sur environnements de Métacomputing

Une plate-forme pour l optimisation parallèle approchée sur environnements de Métacomputing Une plate-forme pour l optimisation parallèle approchée sur environnements de Métacomputing S. Cahon, N. Melab et E-G. Talbi. LIFL/CNRS - Projet INRIA Dolphin NP-Par 05, Le Croisic (5/4/05) Introduction

Plus en détail

Multiplication par une constante entière

Multiplication par une constante entière Multiplication par une constante entière Vincent Lefèvre Juin 2001 Introduction But : générer du code optimal à l aide d opérations élémentaires (décalages vers la gauche, additions, soustractions). Utile

Plus en détail

Jeffrey S. Rosenthal

Jeffrey S. Rosenthal Les marches aléatoires et les algorithmes MCMC Jeffrey S. Rosenthal University of Toronto jeff@math.toronto.edu http ://probability.ca/jeff/ (CRM, Montréal, Jan 12, 2007) Un processus stochastique Qu est-ce

Plus en détail

Rétablissement d un réseau cellulaire après un désastre

Rétablissement d un réseau cellulaire après un désastre Rétablissement d un réseau cellulaire après un désastre Anaïs Vergne avec Laurent Decreusefond, Ian Flint, et Philippe Martins Journées MAS 2014 29 août 2014 Rétablissement d un réseau cellulaire après

Plus en détail