Variable Neighborhood Search
|
|
- Jean-Bernard Pierre
- il y a 8 ans
- Total affichages :
Transcription
1 Variable Neighborhood Search () Universite de Montreal 6 avril 2010
2 Plan Motivations 1 Motivations 2 3 skewed variable neighborhood search variable neighborhood decomposition search 4
3 Le probleme d optimisation. On essaye de resoudre le probleme suivant : min{f (x) x X, X S} S : espace de solution (probleme combinatoire si S finie et tres grand ) X : ensemble de solutions realisables f : fonction objective a valeur reelle solution optimale x X : f (x ) f (x), x X trouver une solution optimale, une preuve de son optimalite et en un temps fini
4 Resolution par recherche locale Methode classique de resolution : definir une structure de voisinage N definir un operateur de transformation pour ce voisinage chercher iterativement une meilleure solution dans l espace defini par le voisinage eventuellement intensification et diversification La procedure mene a un optimum x : x X : f (x ) f (x), x N
5 Resolution par recherche locale Methode classique de resolution : definir une structure de voisinage N definir un operateur de transformation pour ce voisinage chercher iterativement une meilleure solution dans l espace defini par le voisinage eventuellement intensification et diversification La procedure mene a un optimum x : x X : f (x ) f (x), x N Probleme : la solution obtenue est optimale relativement au voisinage N (pas X!)
6 Motivations Optimisation par une modification systematique du voisinage et une phase de perturbation permettant de s eloigner des (mauvais) minima locaux basee sur les faits suivants :. 1 Un optimum relativement a un voisinage n est pas necessairement optimal par rapport a un autre voisinage 2 Un optimum global est optimal relativement a toute structure de voisinage 3 Pour plusieurs problemes, les minima relativements a differents voisinages sont proches les uns des autres.
7 Motivations Optimisation par une modification systematique du voisinage et une phase de perturbation permettant de s eloigner des (mauvais) minima locaux basee sur les faits suivants :. 1 Un optimum relativement a un voisinage n est pas necessairement optimal par rapport a un autre voisinage 2 Un optimum global est optimal relativement a toute structure de voisinage 3 Pour plusieurs problemes, les minima relativements a differents voisinages sont proches les uns des autres.
8 Motivations Optimisation par une modification systematique du voisinage et une phase de perturbation permettant de s eloigner des (mauvais) minima locaux basee sur les faits suivants :. 1 Un optimum relativement a un voisinage n est pas necessairement optimal par rapport a un autre voisinage 2 Un optimum global est optimal relativement a toute structure de voisinage 3 Pour plusieurs problemes, les minima relativements a differents voisinages sont proches les uns des autres.
9 Motivations Optimisation par une modification systematique du voisinage et une phase de perturbation permettant de s eloigner des (mauvais) minima locaux basee sur les faits suivants :. 1 Un optimum relativement a un voisinage n est pas necessairement optimal par rapport a un autre voisinage 2 Un optimum global est optimal relativement a toute structure de voisinage 3 Pour plusieurs problemes, les minima relativements a differents voisinages sont proches les uns des autres.
10 Motivations Optimisation par une modification systematique du voisinage et une phase de perturbation permettant de s eloigner des (mauvais) minima locaux basee sur les faits suivants : 1 Un optimum relativement a un voisinage n est pas necessairement optimal par rapport a un autre voisinage 2 Un optimum global est optimal relativement a toute structure de voisinage 3 Pour plusieurs problemes, les minima relativements a differents voisinages sont proches les uns des autres. Solution : Resoudre le probleme en utilisant plusieurs voisinages {N k } de facon deterministe, stochastique ou mixte.
11 Structure des voisinages
12 changement de voisinage L idee centrale se trouve dans le changement de voisinage selon la procedure : Algorithm 1: NeighborhoodChange(x, x, y) if f (x ) < f (x) then x x // modifier la solution courante; k 1 // voisinage initial; else k k + 1 // prochain voisinage; return x, k
13 Structure generale du Algorithm 2: (t max ) repeat k 1 // k indice du voisinage; repeat x ChoixSolutionInitiale(k) ; x TrouverMeilleurSolution(x) ; x,k ChangementVoisinage(x,x,k) ; until k = k max ; t cputime() until t > t max ; return x
14 Structure generale du Algorithm 3: (t max ) repeat k 1 // k indice du voisinage; repeat x ChoixSolutionInitiale(k) ; x TrouverMeilleurSolution(x) ; x,k ChangementVoisinage(x,x,k) ; until k = k max ; t cputime() until t > t max ; return x la nature deterministe ou stochastique de l algorithme depend de l implementation de (4) et (5)
15 Methode deterministe : VND Variable Neighborhood Descent : effectuer changement de voisinage N k, k = 1,..., k max de facon deterministe. Algorithm 4: VND(x, k max, t max ) k 1 repeat x arg min y Nk (x) f (y) // meilleur voisin ; x,k NeighborhoodChange(x,x,k) ; until k = k max ; return x x X : f (x ) f (x), k, x N k La solution obtenue est probablement plus proche de l optimum global.
16 Reduced Variable Neighborhood Search (R) R : Methode plus adaptée aux problemes de grandes tailles dans lesquels une descente exhaustive dans chaque voisinage coute cher selection aleatoire (au lieu d une descente) d une solution dans le voisinage critere arret : temps d execution maximal ou nombre d iterations maximal entre 2 ameliorations comparable a une methode de monte carlo mais plus systematique le nombre de voisinage utilise est generalement 2 ou 3
17 Reduced Variable Neighborhood Search (R) R : Methode plus adaptée aux problemes de grandes tailles dans lesquels une descente exhaustive dans chaque voisinage coute cher selection aleatoire (au lieu d une descente) d une solution dans le voisinage critere arret : temps d execution maximal ou nombre d iterations maximal entre 2 ameliorations comparable a une methode de monte carlo mais plus systematique le nombre de voisinage utilise est generalement 2 ou 3
18 Reduced Variable Neighborhood Search (R) R : Methode plus adaptée aux problemes de grandes tailles dans lesquels une descente exhaustive dans chaque voisinage coute cher selection aleatoire (au lieu d une descente) d une solution dans le voisinage critere arret : temps d execution maximal ou nombre d iterations maximal entre 2 ameliorations comparable a une methode de monte carlo mais plus systematique le nombre de voisinage utilise est generalement 2 ou 3
19 Reduced Variable Neighborhood Search (R) R : Methode plus adaptée aux problemes de grandes tailles dans lesquels une descente exhaustive dans chaque voisinage coute cher selection aleatoire (au lieu d une descente) d une solution dans le voisinage critere arret : temps d execution maximal ou nombre d iterations maximal entre 2 ameliorations comparable a une methode de monte carlo mais plus systematique le nombre de voisinage utilise est generalement 2 ou 3
20 Reduced Variable Neighborhood Search (R) R : Methode plus adaptée aux problemes de grandes tailles dans lesquels une descente exhaustive dans chaque voisinage coute cher selection aleatoire (au lieu d une descente) d une solution dans le voisinage critere arret : temps d execution maximal ou nombre d iterations maximal entre 2 ameliorations comparable a une methode de monte carlo mais plus systematique le nombre de voisinage utilise est generalement 2 ou 3
21 Methode stochastique : R Reduced Variable Neighborhood Search : Algorithm 5: R(x, k max ) repeat k 1; repeat x Shake(x, k) // choix aleatoire ; x,k NeighborhoodChange(x,x,k) ; until k = k max ; t cputime() until t > t max ; return x
22 Methodes mixtes Ameliorer les methodes precedentes en combinant changement de voisinage deterministe et stochastique : 1 choisir une solution initial x 2 trouver une direction de descente a partir de x (dans un voisinage N(x)) 3 se deplacer vers le minimum dans N(x) dans cette direction
23 Methodes mixtes Ameliorer les methodes precedentes en combinant changement de voisinage deterministe et stochastique : 1 choisir une solution initial x 2 trouver une direction de descente a partir de x (dans un voisinage N(x)) 3 se deplacer vers le minimum dans N(x) dans cette direction Algorithm 6: BestImprovement(x) repeat x x ; x arg min y Nk (x) f (y) ; until f (x) f (x ) ; return x
24 Basic variable Neighborhood Search (B) Algorithm 7: B(x, k max, t max ) repeat k 1; repeat x Shake(x, k) // choix aleatoire ; x BestImprovement(x ) recherche deterministe; x,k NeighborhoodChange(x,x,k) ; until k = k max ; t cputime() until t > t max ; return x variante : remplacer BestImprovement par FirstImprovement
25 General variable Neighborhood Search (G) G : remplacer la recherche locale par une descente sur un certain nombre de voisinages Algorithm 8: G(x, k max, l max, t max ) repeat k 1; repeat x Shake(x, k) // choix aleatoire ; x VND(x, l max ) //descente; x,k NeighborhoodChange(x,x,k) ; until k = k max ; t cputime() until t > t max ; return x
26 large valleys problem skewed variable neighborhood search variable neighborhood decomposition search
27 solving the problem Motivations skewed variable neighborhood search variable neighborhood decomposition search Contraindre le deplacement vers des solutions eloignees en modifiant la procedure de changement de voisinage : Algorithm 9: NeighborhoodChange(x, x, y) if f (x ) αρ(x, x ) < f (x) then x x // modifier la solution courante; k 1 // voisinage initial; else k k + 1 // prochain voisinage; return x, k
28 skewed variable neighborhood search variable neighborhood decomposition search Skewed Variable Neighborhood Search (S) Algorithm 10: S(x, k max, l max, t max, α) repeat k 1; repeat x Shake(x, k) // choix aleatoire ; x FirstImprove(x, l max ) // descente; x,k NeighborhoodChange(x,x,k) ; until k = k max ; x best keepbest(x best, x) ; x x best ; t cputime(); until t > t max ; return x
29 Principe du VNDS Motivations skewed variable neighborhood search variable neighborhood decomposition search generer des sous problemes en fixant certaines composantes (garder k composantes libres) effectuer une recherche locale sur les k composantes libres
30 skewed variable neighborhood search variable neighborhood decomposition search Variable Neighborhood Decomposition Search Algorithm 11: VDNS(x, k max, l max, t max, t d ) repeat k 1; repeat x Shake(x, k) // choix aleatoire ; t FreeComponents(x, x ); t FirstImprovement(t); x InjecComponents(t, s ) //mise a jour de s ; x,k NeighborhoodChange(x,x,k) ; until k = k max ; t cputime() until t > t max ; return x
31 Decisions de conception L application du a un probleme necessite de choisir : 1 nombre et type de voisinage a utiliser 2 ordre d exploration des voisinages pendant la recherche 3 strategie de changement de voisinage 4 methode de recherche locale 5 critere d arret
32 Decisions de conception L application du a un probleme necessite de choisir : 1 nombre et type de voisinage a utiliser 2 ordre d exploration des voisinages pendant la recherche 3 strategie de changement de voisinage 4 methode de recherche locale 5 critere d arret
33 Decisions de conception L application du a un probleme necessite de choisir : 1 nombre et type de voisinage a utiliser 2 ordre d exploration des voisinages pendant la recherche 3 strategie de changement de voisinage 4 methode de recherche locale 5 critere d arret
34 Decisions de conception L application du a un probleme necessite de choisir : 1 nombre et type de voisinage a utiliser 2 ordre d exploration des voisinages pendant la recherche 3 strategie de changement de voisinage 4 methode de recherche locale 5 critere d arret
35 Decisions de conception L application du a un probleme necessite de choisir : 1 nombre et type de voisinage a utiliser 2 ordre d exploration des voisinages pendant la recherche 3 strategie de changement de voisinage 4 methode de recherche locale 5 critere d arret
36 Decisions de conception L application du a un probleme necessite de choisir : 1 nombre et type de voisinage a utiliser 2 ordre d exploration des voisinages pendant la recherche 3 strategie de changement de voisinage 4 methode de recherche locale 5 critere d arret
37 Exemple : TSP Motivations Application au Trading Salesman Problem avec les choix : 1 definition de voisinage k-opt, i.e, N k (x) est l ensemble des solutions ayant k arcs differents de x 2 la methode de recherche locale utilisee est 2-opt 3 changement de voisinage dans l ordre des indices k
38 Exemple : TSP Motivations Application au Trading Salesman Problem avec les choix : 1 definition de voisinage k-opt, i.e, N k (x) est l ensemble des solutions ayant k arcs differents de x 2 la methode de recherche locale utilisee est 2-opt 3 changement de voisinage dans l ordre des indices k
39 Exemple : TSP Motivations Application au Trading Salesman Problem avec les choix : 1 definition de voisinage k-opt, i.e, N k (x) est l ensemble des solutions ayant k arcs differents de x 2 la methode de recherche locale utilisee est 2-opt 3 changement de voisinage dans l ordre des indices k
40 Exemple : TSP Motivations Application au Trading Salesman Problem avec les choix : 1 definition de voisinage k-opt, i.e, N k (x) est l ensemble des solutions ayant k arcs differents de x 2 la methode de recherche locale utilisee est 2-opt 3 changement de voisinage dans l ordre des indices k
41 Exemple : TSP Motivations Application au Trading Salesman Problem avec les choix : 1 definition de voisinage k-opt, i.e, N k (x) est l ensemble des solutions ayant k arcs differents de x 2 la methode de recherche locale utilisee est 2-opt 3 changement de voisinage dans l ordre des indices k Remarque : de meilleures performances peuvent etre obtenues en utilisant GENIUS
42
43 Annexes Bibliographie Annexe I Variable Neighborhood Search P. Hansen et al. Handbook of Metaheuristics. Springer New York, 2003.
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 détailOptimisation 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 détailCours 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 détailSujet 4: Programmation stochastique propriétés de fonction de recours
Sujet 4: Programmation stochastique propriétés de fonction de recours MSE3313: Optimisation Stochastiqe Andrew J. Miller Dernière mise au jour: October 19, 2011 Dans ce sujet... 1 Propriétés de la fonction
Plus en détailResolution limit in community detection
Introduction Plan 2006 Introduction Plan Introduction Introduction Plan Introduction Point de départ : un graphe et des sous-graphes. But : quantifier le fait que les sous-graphes choisis sont des modules.
Plus en détailInfo0804. Cours 6. Optimisation combinatoire : Applications et compléments
Recherche Opérationnelle Optimisation combinatoire : Applications et compléments Pierre Delisle Université de Reims Champagne-Ardenne Département de Mathématiques et Informatique 17 février 2014 Plan de
Plus en détailCorrigé des TD 1 à 5
Corrigé des TD 1 à 5 1 Premier Contact 1.1 Somme des n premiers entiers 1 (* Somme des n premiers entiers *) 2 program somme_entiers; n, i, somme: integer; 8 (* saisie du nombre n *) write( Saisissez un
Plus en détailPrincipes d implémentation des métaheuristiques
Chapitre 2 Principes d implémentation des métaheuristiques Éric D. Taillard 1 2.1 Introduction Les métaheuristiques ont changé radicalement l élaboration d heuristiques : alors que l on commençait par
Plus en détailSommaire. 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 détailUn modèle réactif pour l optimisation par colonies de fourmis : application à la satisfaction de contraintes
Actes JFPC 2009 Un modèle réactif pour l optimisation par colonies de fourmis : application à la satisfaction de contraintes Madjid Khichane 1,2, Patrick Albert 1 et Christine Solnon 2 1 ILOG An IBM Company
Plus en détailÉquations non linéaires
Équations non linéaires Objectif : trouver les zéros de fonctions (ou systèmes) non linéaires, c-à-d les valeurs α R telles que f(α) = 0. y f(x) α 1 α 2 α 3 x Equations non lineaires p. 1/49 Exemples et
Plus en détailQuantification Scalaire et Prédictive
Quantification Scalaire et Prédictive Marco Cagnazzo Département Traitement du Signal et des Images TELECOM ParisTech 7 Décembre 2012 M. Cagnazzo Quantification Scalaire et Prédictive 1/64 Plan Introduction
Plus en détailTABLE DES MATIÈRES. PRINCIPES D EXPÉRIMENTATION Planification des expériences et analyse de leurs résultats. Pierre Dagnelie
PRINCIPES D EXPÉRIMENTATION Planification des expériences et analyse de leurs résultats Pierre Dagnelie TABLE DES MATIÈRES 2012 Presses agronomiques de Gembloux pressesagro.gembloux@ulg.ac.be www.pressesagro.be
Plus en détailA GRASPxELS approach for the Job Shop with generic time-lags and new statistical determination of the parameters
A GRASPxELS approach for the Job Shop with generic time-lags and new statistical determination of the parameters Présenté par : Equipe de travail : Laboratoire : Maxime CHASSAING Philippe LACOMME, Nikolay
Plus en détailProblème à résoudre. min f(s) s.c. s S
Métaheuristiques Le mot métaheuristique est dérivé de la composition de deux mots grecs: - heuristique qui vient du verbe heuriskein (ευρισκειν) et qui signifie trouver - meta qui est un suffixe signifiant
Plus en détailUne 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 détailLes colonies de fourmis : apprentissage coopératif pour le problème du voyageur de commerce
: apprentissage coopératif pour le problème du voyageur de commerce Alexandre Bargeton Benjamin Devèze Université Pierre et Marie Curie Présentation du projet ANIMAT 1 Comportements collectifs des insectes
Plus en détailUn couplage métaheuristique / simulation appliqué au problème du job shop avec transport
Un couplage métaheuristique / simulation appliqué au problème du job shop avec transport LAURENT DEROUSSI 1, ICHEL GOURGAND 2 LIOS CNRS UR 6158 1 IUT de ontluçon, Avenue Aristide Briand B.P. 2235, 03101
Plus en détailAgrégation des portefeuilles de contrats d assurance vie
Agrégation des portefeuilles de contrats d assurance vie Est-il optimal de regrouper les contrats en fonction de l âge, du genre, et de l ancienneté des assurés? Pierre-O. Goffard Université d été de l
Plus en détailMCMC et approximations en champ moyen pour les modèles de Markov
MCMC et approximations en champ moyen pour les modèles de Markov Gersende FORT LTCI CNRS - TELECOM ParisTech En collaboration avec Florence FORBES (Projet MISTIS, INRIA Rhône-Alpes). Basé sur l article:
Plus en détailHela Boukef. To cite this version: HAL Id: tel-00577101 https://tel.archives-ouvertes.fr/tel-00577101
Sur l ordonnancement d ateliers job-shop flexibles et flow-shop en industries pharmaceutiques : optimisation par algorithmes génétiques et essaims particulaires Hela Boukef To cite this version: Hela Boukef.
Plus en détailExemples de problèmes et d applications. INF6953 Exemples de problèmes 1
Exemples de problèmes et d applications INF6953 Exemples de problèmes Sommaire Quelques domaines d application Quelques problèmes réels Allocation de fréquences dans les réseaux radio-mobiles Affectation
Plus en détailTHÈSE. présentée à l Université d Avignon et des Pays de Vaucluse pour obtenir le diplôme de DOCTORAT
ACADÉMIE D AIX-MARSEILLE UNIVERSITÉ D AVIGNON ET DES PAYS DE VAUCLUSE THÈSE présentée à l Université d Avignon et des Pays de Vaucluse pour obtenir le diplôme de DOCTORAT SPÉCIALITÉ : Informatique École
Plus en détailAlgorithmes de recherche d itinéraires en transport multimodal
de recherche d itinéraires en transport multimodal Fallou GUEYE 14 Décembre 2010 Direction : Christian Artigues LAAS-CNRS Co-direction : Marie José Huguet LAAS-CNRS Encadrant industriel : Frédéric Schettini
Plus en détailSouad EL Bernoussi. Groupe d Analyse Numérique et Optimisation Rabat http ://www.fsr.ac.ma/ano/
Recherche opérationnelle Les démonstrations et les exemples seront traités en cours Souad EL Bernoussi Groupe d Analyse Numérique et Optimisation Rabat http ://www.fsr.ac.ma/ano/ Table des matières 1 Programmation
Plus en détailJean-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 détailLe théorème de Perron-Frobenius, les chaines de Markov et un célèbre moteur de recherche
Le théorème de Perron-Frobenius, les chaines de Markov et un célèbre moteur de recherche Bachir Bekka Février 2007 Le théorème de Perron-Frobenius a d importantes applications en probabilités (chaines
Plus en détailExamen Médian - 1 heure 30
NF01 - Automne 2014 Examen Médian - 1 heure 30 Polycopié papier autorisé, autres documents interdits Calculatrices, téléphones, traducteurs et ordinateurs interdits! Utilisez trois copies séparées, une
Plus en détailCHAPITRE 5. Stratégies Mixtes
CHAPITRE 5 Stratégies Mixtes Un des problèmes inhérents au concept d équilibre de Nash en stratégies pures est que pour certains jeux, de tels équilibres n existent pas. P.ex.le jeu de Pierre, Papier,
Plus en détailChapitre 7. Récurrences
Chapitre 7 Récurrences 333 Plan 1. Introduction 2. Applications 3. Classification des récurrences 4. Résolution de récurrences 5. Résumé et comparaisons Lectures conseillées : I MCS, chapitre 20. I Rosen,
Plus en détail3 Approximation de solutions d équations
3 Approximation de solutions d équations Une équation scalaire a la forme générale f(x) =0où f est une fonction de IR dans IR. Un système de n équations à n inconnues peut aussi se mettre sous une telle
Plus en détailRésolution de systèmes linéaires par des méthodes directes
Résolution de systèmes linéaires par des méthodes directes J. Erhel Janvier 2014 1 Inverse d une matrice carrée et systèmes linéaires Ce paragraphe a pour objet les matrices carrées et les systèmes linéaires.
Plus en détailLes structures de données. Rajae El Ouazzani
Les structures de données Rajae El Ouazzani Les arbres 2 1- Définition de l arborescence Une arborescence est une collection de nœuds reliés entre eux par des arcs. La collection peut être vide, cad l
Plus en détailOrganigramme / Algorigramme Dossier élève 1 SI
Organigramme / Algorigramme Dossier élève 1 SI CI 10, I11 ; CI 11, I10 C24 Algorithmique 8 février 2009 (13:47) 1. Introduction Un organigramme (ou algorigramme, lorsqu il est plus particulièrement appliqué
Plus en détailProgrammation linéaire
Programmation linéaire DIDIER MAQUIN Ecole Nationale Supérieure d Electricité et de Mécanique Institut National Polytechnique de Lorraine Mathématiques discrètes cours de 2ème année Programmation linéaire
Plus en détailLES MÉTA-HEURISTIQUES : quelques conseils pour en faire bon usage
LES MÉTA-HEURISTIQUES : quelques conseils pour en faire bon usage Alain HERTZ Ecole Polytechnique - GERAD Département de mathématiques et de génie industriel CP 679, succ. Centre-ville, Montréal (QC) H3C
Plus en détailOrdonnancement 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 détailSystème 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 détailContexte. Pour cela, elles doivent être très compliquées, c est-à-dire elles doivent être très différentes des fonctions simples,
Non-linéarité Contexte Pour permettre aux algorithmes de cryptographie d être sûrs, les fonctions booléennes qu ils utilisent ne doivent pas être inversées facilement. Pour cela, elles doivent être très
Plus en détailIFT3245. Simulation et modèles
IFT 3245 Simulation et modèles DIRO Université de Montréal Automne 2012 Tests statistiques L étude des propriétés théoriques d un générateur ne suffit; il estindispensable de recourir à des tests statistiques
Plus en détailLES OUTILS D ALIMENTATION DU REFERENTIEL DE DB-MAIN
LES OUTILS D ALIMENTATION DU REFERENTIEL DE DB-MAIN Les contenues de ce document sont la propriété exclusive de la société REVER. Ils ne sont transmis qu à titre d information et ne peuvent en aucun cas
Plus en détailProjet de Traitement du Signal Segmentation d images SAR
Projet de Traitement du Signal Segmentation d images SAR Introduction En analyse d images, la segmentation est une étape essentielle, préliminaire à des traitements de haut niveau tels que la classification,
Plus en détailEnseignement secondaire technique
Enseignement secondaire technique Régime technique Division technique générale Cycle moyen Informatique 11TG Nombre de leçons: 2.0 Nombre minimal de devoirs: - Langue véhiculaire: / Remarque générale:
Plus en détailRecherche locale pour un problème d optimisation de tournées de véhicules avec gestion des stocks
8 e Conférence Internationale de MOdélisation et SIMulation - MOSIM 10-10 au 12 mai 2010 - Hammamet - Tunisie «Évaluation et optimisation des systèmes innovants de production de biens et de services» Recherche
Plus en détailProblèmes d ordonnancement dans les systèmes de production. Journée Automatique et Optimisation Université de Paris 12 20 Mars 2003
Problèmes d ordonnancement dans les systèmes de production Michel Gourgand Université Blaise Pascal Clermont Ferrand LIMOS CNRS UMR 6158 1 Le LIMOS Laboratoire d Informatique, de Modélisation et d Optimisation
Plus en détailMaster IMA - UMPC Paris 6 RDMM - Année 2009-2010 Fiche de TP
Master IMA - UMPC Paris 6 RDMM - Année 2009-200 Fiche de TP Préliminaires. Récupérez l archive du logiciel de TP à partir du lien suivant : http://www.ensta.fr/~manzaner/cours/ima/tp2009.tar 2. Développez
Plus en détailMathématique et Automatique : de la boucle ouverte à la boucle fermée. Maïtine bergounioux Laboratoire MAPMO - UMR 6628 Université d'orléans
Mathématique et Automatique : de la boucle ouverte à la boucle fermée Maïtine bergounioux Laboratoire MAPMO - UMR 6628 Université d'orléans Maitine.Bergounioux@labomath.univ-orleans.fr Plan 1. Un peu de
Plus en détailCapacité d un canal Second Théorème de Shannon. Théorie de l information 1/34
Capacité d un canal Second Théorème de Shannon Théorie de l information 1/34 Plan du cours 1. Canaux discrets sans mémoire, exemples ; 2. Capacité ; 3. Canaux symétriques ; 4. Codage de canal ; 5. Second
Plus en détailLa programmation à mémoire adaptative ou l évolution des algorithmes évolutifs
La programmation à mémoire adaptative ou l évolution des algorithmes évolutifs Éric D. Taillard 1 Luca M. Gambardella 1 Michel Gendreau 2 Jean-Yves Potvin 2 1 IDSIA, Corso Elvezia 36, CH-6900 Lugano. E-mail
Plus en détailOutils logiciels pour la combinaison de vérification fonctionnelle et d évaluation de performances au sein de CADP
Outils logiciels pour la combinaison de vérification fonctionnelle et d évaluation de performances au sein de CADP Christophe Joubert Séminaire VASY 2002 30 Octobre 2002 Aix les Bains Contexte du projet
Plus en détailApplication 1- VBA : Test de comportements d'investissements
Application 1- VBA : Test de comportements d'investissements Notions mobilisées Chapitres 1 à 5 du cours - Exemple de récupération de cours en ligne 1ère approche des objets (feuilles et classeurs). Corps
Plus en détailJuin 2010. www.fundesys.com
Une analyse synthétique sur les fonds flexibles Juin 2010 www.fundesys.com Des performances très contrastées Sélection Fonds Flexibles PEA Année 2009 1 an 3 ans sur 1 an sur 1 an Encours Performances arrêtées
Plus en détailLES MÉTHODES DE POINT INTÉRIEUR 1
Chapitre XIII LES MÉTHODES DE POINT INTÉRIEUR 1 XIII.1 Introduction Nous débutons par un rappel de la formulation standard d un problème d optimisation 2 linéaire et donnons un bref aperçu des différences
Plus en détailProgrammation Linéaire - Cours 1
Programmation Linéaire - Cours 1 P. Pesneau pierre.pesneau@math.u-bordeaux1.fr Université Bordeaux 1 Bât A33 - Bur 265 Ouvrages de référence V. Chvátal - Linear Programming, W.H.Freeman, New York, 1983.
Plus en détailInitiation à l algorithmique
Informatique S1 Initiation à l algorithmique procédures et fonctions 2. Appel d une fonction Jacques TISSEAU Ecole Nationale d Ingénieurs de Brest Technopôle Brest-Iroise CS 73862-29238 Brest cedex 3 -
Plus en détailL apport du HPC pour l optimisation. Eric Jacquet-Lagrèze. FORUM TERATEC 28 juin 2011
L apport du HPC pour l optimisation Eric Jacquet-Lagrèze FORUM TERATEC 28 juin 2011 Sommaire 1 / Recherche Opérationnelle et calcul scientifique 2 / Où se trouve la complexité et quels enjeux pour le HPC?
Plus en détailFIMA, 7 juillet 2005
F. Corset 1 S. 2 1 LabSAD Université Pierre Mendes France 2 Département de Mathématiques Université de Franche-Comté FIMA, 7 juillet 2005 Plan de l exposé plus court chemin Origine du problème Modélisation
Plus en détailCryptographie RSA. Introduction Opérations Attaques. Cryptographie RSA NGUYEN Tuong Lan - LIU Yi 1
Cryptographie RSA Introduction Opérations Attaques Cryptographie RSA NGUYEN Tuong Lan - LIU Yi 1 Introduction Historique: Rivest Shamir Adleman ou RSA est un algorithme asymétrique de cryptographie à clé
Plus en détailConception de réseaux de télécommunications : optimisation et expérimentations
Conception de réseaux de télécommunications : optimisation et expérimentations Jean-François Lalande Directeurs de thèse: Jean-Claude Bermond - Michel Syska Université de Nice-Sophia Antipolis Mascotte,
Plus en détailGrandes lignes ASTRÉE. Logiciels critiques. Outils de certification classiques. Inspection manuelle. Definition. Test
Grandes lignes Analyseur Statique de logiciels Temps RÉel Embarqués École Polytechnique École Normale Supérieure Mercredi 18 juillet 2005 1 Présentation d 2 Cadre théorique de l interprétation abstraite
Plus en détailNouvelles propositions pour la résolution exacte du problème de sac à dos bi-objectif unidimensionnel en variables binaires
Nouvelles propositions pour la résolution exacte du problème de sac à dos bi-objectif unidimensionnel en variables binaires Julien Jorge, Xavier Gandibleux Laboratoire d Informatique de Nantes Atlantique
Plus en détailTRAITEMENT DES DONNEES MANQUANTES AU MOYEN DE L ALGORITHME DE KOHONEN
TRAITEMENT DES DONNEES MANQUANTES AU MOYEN DE L ALGORITHME DE KOHONEN Marie Cottrell, Smaïl Ibbou, Patrick Letrémy SAMOS-MATISSE UMR 8595 90, rue de Tolbiac 75634 Paris Cedex 13 Résumé : Nous montrons
Plus en détailLa nouvelle planification de l échantillonnage
La nouvelle planification de l échantillonnage Pierre-Arnaud Pendoli Division Sondages Plan de la présentation Rappel sur le Recensement de la population (RP) en continu Description de la base de sondage
Plus en détailAlgorithmique 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 détailAnnexe 6. Notions d ordonnancement.
Annexe 6. Notions d ordonnancement. APP3 Optimisation Combinatoire: problèmes sur-contraints et ordonnancement. Mines-Nantes, option GIPAD, 2011-2012. Sophie.Demassey@mines-nantes.fr Résumé Ce document
Plus en détailOrdonnancement temps réel
Ordonnancement temps réel Laurent.Pautet@enst.fr Version 1.5 Problématique de l ordonnancement temps réel En fonctionnement normal, respecter les contraintes temporelles spécifiées par toutes les tâches
Plus en détail1 de 46. Algorithmique. Trouver et Trier. Florent Hivert. Mél : Florent.Hivert@lri.fr Page personnelle : http://www.lri.fr/ hivert
1 de 46 Algorithmique Trouver et Trier Florent Hivert Mél : Florent.Hivert@lri.fr Page personnelle : http://www.lri.fr/ hivert 2 de 46 Algorithmes et structures de données La plupart des bons algorithmes
Plus en détailJava Licence Professionnelle CISII, 2009-10
Java Licence Professionnelle CISII, 2009-10 Cours 4 : Programmation structurée (c) http://www.loria.fr/~tabbone/cours.html 1 Principe - Les méthodes sont structurées en blocs par les structures de la programmation
Plus en détail1/24. I passer d un problème exprimé en français à la réalisation d un. I expressions arithmétiques. I structures de contrôle (tests, boucles)
1/4 Objectif de ce cours /4 Objectifs de ce cours Introduction au langage C - Cours Girardot/Roelens Septembre 013 Du problème au programme I passer d un problème exprimé en français à la réalisation d
Plus en détailCours de Master Recherche
Cours de Master Recherche Spécialité CODE : Résolution de problèmes combinatoires Christine Solnon LIRIS, UMR 5205 CNRS / Université Lyon 1 2007 Rappel du plan du cours 16 heures de cours 1 - Introduction
Plus en détailOptimisation non linéaire Irène Charon, Olivier Hudry École nationale supérieure des télécommunications
Optimisation non linéaire Irène Charon, Olivier Hudry École nationale supérieure des télécommunications A. Optimisation sans contrainte.... Généralités.... Condition nécessaire et condition suffisante
Plus en détailCours d analyse numérique SMI-S4
ours d analyse numérique SMI-S4 Introduction L objet de l analyse numérique est de concevoir et d étudier des méthodes de résolution de certains problèmes mathématiques, en général issus de problèmes réels,
Plus en détailUE Programmation Impérative Licence 2ème Année 2014 2015
UE Programmation Impérative Licence 2 ème Année 2014 2015 Informations pratiques Équipe Pédagogique Florence Cloppet Neilze Dorta Nicolas Loménie prenom.nom@mi.parisdescartes.fr 2 Programmation Impérative
Plus en détailLa programmation linéaire : une introduction. Qu est-ce qu un programme linéaire? Terminologie. Écriture mathématique
La programmation linéaire : une introduction Qu est-ce qu un programme linéaire? Qu est-ce qu un programme linéaire? Exemples : allocation de ressources problème de recouvrement Hypothèses de la programmation
Plus en détailMaster Modélisation Aléatoire Paris VII, Cours Méthodes de Monte Carlo en nance et C++, TP n 2.
Master Modélisation Aléatoire Paris VII, Cours Méthodes de Monte Carlo en nance et C++, TP n 2. Techniques de correction pour les options barrières 25 janvier 2007 Exercice à rendre individuellement lors
Plus en détailProgrammation linéaire
1 Programmation linéaire 1. Le problème, un exemple. 2. Le cas b = 0 3. Théorème de dualité 4. L algorithme du simplexe 5. Problèmes équivalents 6. Complexité de l Algorithme 2 Position du problème Soit
Plus en détailMéthaheuristiques pour l optimisation combinatoire et l affectation sous contraintes
Méthaheuristiques pour l optimisation combinatoire et l affectation sous contraintes Jin-Kao Hao *, Philippe Galinier **, Michel Habib *** * LERIA, U.F.R. Sciences, Université d Angers, 2 bd Lavoisier,
Plus en détailK. Ammar, F. Bachoc, JM. Martinez. Séminaire ARISTOTE - 23 octobre 2014 - Palaiseau
Apport des modèles de krigeage à la simulation numérique K Ammar, F Bachoc, JM Martinez CEA-Saclay, DEN, DM2S, F-91191 Gif-sur-Yvette, France Séminaire ARISTOTE - 23 octobre 2014 - Palaiseau Apport des
Plus en détailContrat didactique Mathématiques financières
Contrat didactique Mathématiques financières Les compétences de ce cours sont à placer dans le contexte général de l appropriation de la notion de modèle mathématique et de son utilisation pratique en
Plus en détailArbres binaires de recherche
1 arbre des comparaisons 2 recherche dichotomique l'arbre est recalculé à chaque recherche 2 5 3 4 7 9 1 6 1 2 3 4 5 6 7 9 10 conserver la structure d'arbre au lieu de la reconstruire arbre binaire de
Plus en détailObject Removal by Exemplar-Based Inpainting
Object Removal by Exemplar-Based Inpainting Kévin Polisano A partir d un article de A. Criminisi, P. Pérez & H. K. Toyama 14/02/2013 Kévin Polisano Object Removal by Exemplar-Based Inpainting 14/02/2013
Plus en détailProgrammer en JAVA. par Tama (tama@via.ecp.fr( tama@via.ecp.fr)
Programmer en JAVA par Tama (tama@via.ecp.fr( tama@via.ecp.fr) Plan 1. Présentation de Java 2. Les bases du langage 3. Concepts avancés 4. Documentation 5. Index des mots-clés 6. Les erreurs fréquentes
Plus en détailAnalyse stochastique de la CRM à ordre partiel dans le cadre des essais cliniques de phase I
Analyse stochastique de la CRM à ordre partiel dans le cadre des essais cliniques de phase I Roxane Duroux 1 Cadre de l étude Cette étude s inscrit dans le cadre de recherche de doses pour des essais cliniques
Plus en détailPlan. 1 Cycles de développement. 2 Méthodes agiles, principes généraux. 3 Comment se passe un Sprint?
Plan nitiation au Génie Logiciel Cours 5 ntroduction au π développement agile T. Genet (genet@irisa.fr) (STC/RSA) GEN-5 1/ 28 T. Genet (genet@irisa.fr) (STC/RSA) GEN-5 2/ 28 Bibliographie Plan L informatique
Plus en détailAmphi 3: Espaces complets - Applications linéaires continues
Amphi 3: Espaces complets - Applications linéaires continues Département de Mathématiques École polytechnique Remise en forme mathématique 2013 Suite de Cauchy Soit (X, d) un espace métrique. Une suite
Plus en détailCours d algorithmique pour la classe de 2nde
Cours d algorithmique pour la classe de 2nde F.Gaudon 10 août 2009 Table des matières 1 Avant la programmation 2 1.1 Qu est ce qu un algorithme?................................. 2 1.2 Qu est ce qu un langage
Plus en détailQuatrième partie IV. Test. Test 15 février 2008 1 / 71
Quatrième partie IV Test Test 15 février 2008 1 / 71 Outline Introduction 1 Introduction 2 Analyse statique 3 Test dynamique Test fonctionnel et structurel Test structurel Test fonctionnel 4 Conclusion
Plus en détailCréation intuitive des éléments d un paysage
Création intuitive des éléments d un paysage Marie-Paule Cani Univ. Grenoble-Alpes, CNRS & Inria Organisation du cours «Façonner l imaginaire» Partie 1 : Création numérique 3D Modélisation géométrique
Plus en détailLogiciels de Gestion de Projet: Guide de sélection
Logiciels de Gestion de Projet: Guide de sélection Logiciels de Gestion de Projets: Guide de sélection PPM Software Selection Guide ETAPE 1: Faiblesses Organisationnelles identifier clairement vos besoins
Plus en détailMinistère de l Enseignement Supérieur et de la Recherche Scientifique. Mémoire de fin d études. Thème
Ministère de l Enseignement Supérieur et de la Recherche Scientifique Institut National de formation en Informatique (I.N.I.) Oued-Smar Alger Mémoire de fin d études Pour l obtention du diplôme d ingénieur
Plus en détailRétablissement 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 détailCryptologie et physique quantique : Espoirs et menaces. Objectifs 2. distribué sous licence creative common détails sur www.matthieuamiguet.
: Espoirs et menaces Matthieu Amiguet 2005 2006 Objectifs 2 Obtenir une compréhension de base des principes régissant le calcul quantique et la cryptographie quantique Comprendre les implications sur la
Plus en détailModèles à Événements Discrets. Réseaux de Petri Stochastiques
Modèles à Événements Discrets Réseaux de Petri Stochastiques Table des matières 1 Chaînes de Markov Définition formelle Idée générale Discrete Time Markov Chains Continuous Time Markov Chains Propriétés
Plus en détailThéorèmes de Point Fixe et Applications 1
Théorèmes de Point Fixe et Applications 1 Victor Ginsburgh Université Libre de Bruxelles et CORE, Louvain-la-Neuve Janvier 1999 Published in C. Jessua, C. Labrousse et D. Vitry, eds., Dictionnaire des
Plus en détailClassification non supervisée
AgroParisTech Classification non supervisée E. Lebarbier, T. Mary-Huard Table des matières 1 Introduction 4 2 Méthodes de partitionnement 5 2.1 Mesures de similarité et de dissimilarité, distances.................
Plus en détailQualité du logiciel: Méthodes de test
Qualité du logiciel: Méthodes de test Matthieu Amiguet 2004 2005 Analyse statique de code Analyse statique de code Étudier le programme source sans exécution Généralement réalisée avant les tests d exécution
Plus en détailRésolution d équations non linéaires
Analyse Numérique Résolution d équations non linéaires Said EL HAJJI et Touria GHEMIRES Université Mohammed V - Agdal. Faculté des Sciences Département de Mathématiques. Laboratoire de Mathématiques, Informatique
Plus en détailPLANIFICATION DU TRANSPORT DE CHARGES PARTIELLES D UN DÉPÔT : RÉPARTITION, LIVRAISON ET REVENU DE RETOUR
MARIE-CLAUDE BOLDUC, B.A.A. PLANIFICATION DU TRANSPORT DE CHARGES PARTIELLES D UN DÉPÔT : RÉPARTITION, LIVRAISON ET REVENU DE RETOUR Essai présenté dans le cadre du programme de Maîtrise en administration
Plus en détail