OPTIMISATION DE LA TARIFICATION DES RÉSEAUX MOBILES

Dimension: px
Commencer à balayer dès la page:

Download "OPTIMISATION DE LA TARIFICATION DES RÉSEAUX MOBILES"

Transcription

1 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 : Alexandre Caminada Suiveur UTBM : Alexandre Caminada

2 SOMMAIRE Le Laboratoire SeT Le Contexte La Problématique Etat de l Art Modèle Bi-Objectif Modèle Informatique Résultats Obtenus 2

3 LE LABORATOIRE SET 3 Le Contexte La Problématique Etat de l Art Modèle Bi-Objectif Modèle Informatique Résultats Obtenus

4 LE LABORATOIRE SET 3 équipes Equipe Informatique : Communication, Agents et Perception (ICAP) Promouvoir et appliquer travaux de recherche Domaine des transports, systèmes de production, robotique, télécommunications, réalité virtuelle appliquée 80 chercheurs 4

5 Le Laboratoire SeT LE CONTEXTE 5 La Problématique Etat de l Art Modèle Bi-Objectif Modèle Informatique Résultats Obtenus

6 LE CONTEXTE Antennes composent réseau mobile et possèdent une capacité maximale Si à un instant t : charge reçue > capa max congestion Congestion Mauvaise QoS car trafic rejeté Présence de périodes creuses et de périodes surchargées Objectif modifier comportement du client Exploiter sensibilité des usagers aux fluctuations de prix 6

7 LE CONTEXTE Trois types de cellule Non congestionnée Congestion permanente Congestion localisée dans le temps 7

8 LE CONTEXTE Redistribution temporelle de la charge du réseau, lissage temporel de la demande Demande Capacité Heures Figure 1.6.a Demande initiale Figure 1.6.a Demande redistribuée Mustapha Oughdi modèle de comportement de l usager basé sur la variation des prix mais aussi en fonction des préférences de l usager Déterminer une grille tarifaire pour une utilisation maximale du réseau

9 Le Laboratoire SeT Le Contexte LA PROBLÉMATIQUE Etat de l Art Modèle Bi-Objectif Modèle Informatique Résultats Obtenus 9

10 LA PROBLÉMATIQUE Modèle modèle mono-objectif (prise en compte seulement de la maximisation du taux d utilisation du réseau). Après tests le revenu de l opérateur ne varie pas de manière acceptable (parfois moins important qu initialement) Comment prendre en compte l objectif de maximisation du revenu de l opérateur? En mettant en place un algorithme bi-objectif à partir du modèle comportemental déjà étudié Objectif 1 : Maximisation du taux d utilisation du réseau Objectif 2 : Maximisation du revenu de l opérateur 10

11 Le Laboratoire SeT Le Contexte La Problématique ETAT DE L ART Modèle Bi-Objectif Modèle Informatique Résultats Obtenus 11

12 ETAT DE L ART ALGORITHME À ESTIMATION DE DISTRIBUTION (EDA) Front de Pareto Composants pour Hybridation Exemple de EDA 12

13 ALGORITHME À ESTIMATION DE DISTRIBUTION (EDA) Choix d un algorithme à estimation de distribution Algorithme génétique (hormis opérateurs de croisement et de mutation) Métaheuristique stochastique avec population d'individus (ou solutions) Soumis à un modèle de distribution probabiliste Permet de résoudre des problèmes d'optimisation Début Génération de M individus suivant le modèle de probabilité Répéter tant que l'algorithme n'est pas terminé Sélection de N < M individus Estimation de la nouvelle distribution probabiliste Echantillonnage de M nouveaux individus Fin 13

14 ALGORITHME À ESTIMATION DE DISTRIBUTION (EDA) Exemple du problème : one max Chercher à maximiser le nombre de 1 dans une solution Solutions à 3 variables égales à 0 ou à 1 x ={0,1,0} < x ={1,1,0} Optimum x*={1,1,1} On cherche à maximiser la fonction : f(x) = x i, où x i est égal à 0 ou 1 i=1 Probabilité de départ de tirer un 1 : p(x) =

15 ALGORITHME À ESTIMATION DE DISTRIBUTION (EDA) Génération de M individus (ici M=8) suivant le modèle de probabilité i x1 x2 x3 f(x) p(x) 0,5 0,5 0,5 15

16 ALGORITHME À ESTIMATION DE DISTRIBUTION (EDA) Sélection de N individus (ici N = M/2) i x1 x2 x3 f(x) p(x) 0,75 0,5 1 Calcul des nouvelles probabilités pour chaque variable 16

17 ALGORITHME À ESTIMATION DE DISTRIBUTION (EDA) Génération de M nouveaux individus (ici M=8) suivant le nouveau modèle i x1 x2 x3 f(x) p(x) 0,75 0,5 1 17

18 ALGORITHME À ESTIMATION DE DISTRIBUTION (EDA) Les solutions de la population convergent à partir d un certain nombre de générations vers l optimum 18

19 ETAT DE L ART Algorithme à Estimation de Distribution (EDA) FRONT DE PARETO Composants pour Hybridation Exemple de EDA 19

20 FRONT DE PARETO Problème d optimisation multi-objectif pas de solution unique Solutions optimales (ou Pareto-Optimales) Aucune autre solution n est meilleure qu une solution optimale en prenant en compte tous les objectifs Solution a domine solution b SSI : i {1,2,,n} : f i (a) f i (b) ^ j {1,2,,n} t.q. f j (a) < f j (b) Solutions non dominées front de Pareto et sont dites Pareto-Optimales 20

21 ETAT DE L ART Algorithme à Estimation de Distribution (EDA) Front de Pareto COMPOSANTS POUR HYBRIDATION Exemple de EDA 21

22 COMPOSANTS POUR HYBRIDATION EDA seul difficile résoudre problème multi-objectif Nécessaire de le combiner avec d autres algorithmes 2 composants paraissent nécessaires : Méthode de recherche locale Méthode de partionnement Population Sélection Amélioration Elles permettent une amélioration des solutions Modélisation Echantillonage Nouvelle Population 22

23 COMPOSANTS POUR HYBRIDATION Recherche locale (hill climbing) Améliore la qualité des solutions Améliore la convergence des solutions avec celles du front de Pareto Méthode par partitionnement (local PCA) Permet de diviser la population de solutions en plusieurs groupes Permet le maintien de la diversité des solutions le long du front de Pareto Convergence + diversité = bons compromis 23

24 ETAT DE L ART Algorithme à Estimation de Distribution (EDA) Front de Pareto Composants pour Hybridation EXEMPLE DE EDA (MOHEDA) 24

25 EXEMPLE DE EDA (MOHEDA) 25

26 Le Laboratoire SeT Le Contexte La Problématique Etat de l Art MODÈLE BI-OBJECTIF Modèle Informatique Résultats Obtenus 26

27 MODÈLE BI-OBJECTIF f1 : Maximiser l utilisation du réseau = Minimiser la Congestion du Réseau ncell nper f 1 = Σ Σ (max(ρ n,i, ρ n ) - ρ n ) 2 n=1 i=1 ρ n,i charge estimée après optimisation, dans la cellule n en période i ρ n capacité de la cellule ncell nper f 1 = Σ Σ (max(pb n,i, PB) - PB) 2 n=1 i=1 PB n,i probabilité de blocage estimée après optimisation, dans la cellule n en période i PB probabilité de blocage tolérée par l opérateur

28 MODÈLE BI-OBJECTIF f2 : Maximiser le Revenu de l Opérateur = minimiser l écart quadratique entre revenu maximal et revenu obtenu max f 2 = min (f 2 max f 2 )² Minimisation front de Pareto ncell nper f 2 = Σ Σ ( n,i * p n,i * 60) n=1 i=1 o Inconvénients de l écart par rapport à min 1/f 2 : Calcul supplémentaire Pertinence du calcul o Avantages : Meilleures propriétés de discrimination entre les solutions Rapidité de calcul et place mémoire n,i taux de trafic écoulé estimé pour la période i de la cellule n p n,i prix (à la minute) de la période i de la cellule n

29 Le Laboratoire SeT Le Contexte La Problématique Etat de l Art Modèle Bi-Objectif MODÈLE INFORMATIQUE Résultats Obtenus 29

30 MODÈLE INFORMATIQUE Basé sur 2 algorithmes existants : MOHEDA et RM-MEDA Début Initialisation de ni individus Recherche locale sur les individus Evaluation et formation d une population élite Tant que nbgenerations < nbgenerationsmax Faire Sélection de ni individus sur un mélange population courante et population élite Décomposition du domaine en sous domaines Estimation de la distribution de chaque sous domaines Echantillonnage de la nouvelle population Recherche locale sur ni/2 individus Mise à jour de la population élite nbgenerations ++ Fin tant que Fin 30

31 MODÈLE INFORMATIQUE Recherche locale : hill climbing ou descente Début Tant que nbcourant < nbindividus Faire Evaluation de l individu courant Tant que nbiterations < nbiterationsmax Faire Individu temporaire = individu courant Choisir une période et une taxe aléatoirement Evaluation de l individu avec nouvelle taxe Si individu temporaire est meilleur sur un objectif que individu courant Alors Individu courant = individu temporaire Fin Si nbiterations ++ Fin Tant que nbcourant ++ Fin tant que Fin 31

32 MODÈLE INFORMATIQUE Chaque solution de la population courante peut être vu comme un échantillon : x = ξ + ε ξ uniformément distribué le long d une droite C ε bruit Gaussien 32

33 MODÈLE INFORMATIQUE Partitionnement : local PCA (RM-MEDA) Modélisation de C Divise la population en plusieurs groupes Calcul la ligne centrale C i de chaque groupe Modélisation de ε Écart des solutions de chaque groupe par rapport à la ligne centrale 33

34 MODÈLE INFORMATIQUE Echantillonnage de nouvelles solutions #_solutions_c i = Choix aléatoire d un point x1 sur C i Génère un vecteur de bruit Gaussien x2 x = x1 + x2 34

35 MODÈLE INFORMATIQUE Diagramme de classes des données 35

36 MODÈLE INFORMATIQUE Diagramme de classes de l algorithme 36

37 MODÈLE INFORMATIQUE Sauvegarde des données format XML Interfaçage o Choix des paramètres : Qt o Suivi de l avancement : mode console 37

38 Le Laboratoire SeT Le Contexte La Problématique Etat de l Art Modèle Bi-Objectif Modèle Informatique RÉSULTATS OBTENUS 38

39 RÉSULTATS OBTENUS Paramètres : 45 générations 35 individus 25 itérations 6 groupes 4,50E+009 4,00E+009 3,50E+009 3,00E+009 2,50E+009 Initial Exécution 1 Exécution 2 Exécution 3 Exécution 4 Exécution 5 Exécution 6 Exécution 7 2,00E+009 1,50E+009 1,00E+009 5,00E+008 0,00E ,2 0,4 0,6 0,8 1 Exécution 8 Exécution 9 Exécution 10 Exécution 11 Exécution 12 Exécution 13 Exécution 14 Exécution 15 Amélioration des solutions par rapport au résultat initial pour les deux objectifs 39

40 RÉSULTATS OBTENUS Stabilité des résultats obtenus : convergence 0,35 0,30 0,25 0,20 0,15 0,10 0,05 0,00 Exécution 1 Exécution 2 Exécution 3 Exécution 4 Exécution 5 Exécution 6 Exécution 7 Exécution 8 Exécution 9 Exécution 10 Exécution 11 Exécution 12 Exécution 13 Exécution 14 Exécution 15 Moyenne Distance moyenne entre les solutions pour chaque exécution 40

41 RÉSULTATS OBTENUS 3,60E+09 3,10E+09 2,60E+09 2,10E+09 1,60E+09 1,10E+09 0,25 0,3 0,35 0,4 Exécution 1 Exécution 2 Exécution 3 Exécution 4 Exécution 5 Exécution 6 Exécution 7 Exécution 8 Exécution 9 Exécution 10 Exécution 11 Exécution 12 Exécution 13 Exécution 14 Exécution 15 Problème du nombre d individus élite Exécution 1 Exécution 2 Exécution 3 Exécution 4 Exécution 5 Exécution 6 Exécution 7 Exécution 8 Exécution 9 Exécution 10 Exécution 11 Exécution 12 Exécution 13 Exécution 14 Exécution 15 Moyenne 41

42 RÉSULTATS OBTENUS Minimisation de la congestion Meilleurs résultats avec l algorithme mono-objectif Mais algorithme bi-objectif très proche 0,055 0,05 0,045 0,04 0,035 0,03 0,025 0,02 Initial MoyenneMono-Objectif Min Mono-Objectif Moyenne Bi-Objectif Min Bi-Objectif Maximisation du revenu Bien meilleurs résultats avec l algorithme bi-objectif Initial Max Mono-Objectif Max Bi-Objectif Moyenne Mono-Objectif Moyenne Bi-Objectif Max obtenu en monoobjectif < moyenne bi-objectif 42

43 RÉSULTATS OBTENUS Inconvénient de l algorithme bi-objectif : son temps d exécution (70 fois supérieur) 2 min Mono-Objectif Bi-Objectif 135 min 60,00% 40,00% 20,00% Avantage de l algorithme biobjectif : les résultats obtenus 0,00% % amélioration f1 Mono-Objectif % amélioration f1 Bi-Objectif % amélioration f2 Mono-Objectif % amélioration f2 Bi-Objectif Bien que sur f 1 : amélioration de 46% contre 52% Sur f 2 : amélioration de 16% contre 1% Ce qu on perd sur f 1 on le récupère sur le second objectif et de manière encore plus importante 43

44 RÉSULTATS OBTENUS Répartition des taxes en fonction des deux algorithmes 23 Même répartition pour les périodes et ce sont les taxes qui permettent la réduction de la 15 congestion dans le réseau 13 Périodes totalement différentes augmentation du prix pour l algorithme bi-objectif qui permet l augmentation du revenu de l opérateur -0,20-0,15-0,10-0,05 0,00 0,05 0,10 0,15 Mono-Objectif Bi-Objectif 44

45 CONCLUSION Bilan très positif Connaissances acquises Résultats obtenus Développement mais, et surtout, analyse Cadre d un laboratoire très enrichissant 45

46 MERCI DE VOTRE ATTENTION Des questions? 46 Matthieu Leromain - Génie Informatique Systèmes temps Réel, Embarqués et informatique Mobile - REM

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

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

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

Résolution approchée du problème de set packing bi-objectif

Résolution approchée du problème de set packing bi-objectif Résolution approchée du problème de set packing bi-objectif Xavier Delorme 1,2, Xavier Gandibleux 2 et Fabien DEGOUTIN 1,2 1. Laboratoire d Automatique, de Mécanique et d Informatique industrielles et

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

Gestion de la congestion

Gestion de la congestion Gestion de la congestion réseau de télécommunication ou de transport Madiagne Diallo Laboratoire Université de Versailles, France Projet FT R&D Participants : Barth, Bouhtou, Diallo et Wynter : 000 --

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

Utilisation des diagrammes de Voronoï et des algorithmes génétiques pour l'étude des complexes protéine-protéine.

Utilisation des diagrammes de Voronoï et des algorithmes génétiques pour l'étude des complexes protéine-protéine. Utilisation des diagrammes de Voronoï et des algorithmes génétiques pour l'étude des complexes protéine-protéine. Anne Poupon Biologie et Bioinformatique des Systèmes de Signalisation INRA - Nouzilly France

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

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

A Hybrid Routing Protocol based on Fuzzy C-Means Clustering and Ant Colony Optimization for Lifetime Improvement in WSN

A Hybrid Routing Protocol based on Fuzzy C-Means Clustering and Ant Colony Optimization for Lifetime Improvement in WSN A Hybrid Routing Protocol based on Fuzzy C-Means Clustering and Ant Colony Optimization for Lifetime Improvement in WSN Mourad Hadjila Hervé Guyennet RGE Université Franche-Comté femto-st, DISC, Besançon

Plus en détail

Optimisation multi-critère pour l allocation de ressources sur Clouds distribués avec prise en compte de l énergie

Optimisation multi-critère pour l allocation de ressources sur Clouds distribués avec prise en compte de l énergie Optimisation multi-critère pour l allocation de ressources sur Clouds distribués avec prise en compte de l énergie 1 Présenté par: Yacine KESSACI Encadrement : N. MELAB E-G. TALBI 31/05/2011 Plan 2 Motivation

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

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

MIXMOD. Un ensemble logiciel de classification des données par modèles de mélanges MIXMOD. F. Langrognet () MIXMOD Avril 2012 1 / 28

MIXMOD. Un ensemble logiciel de classification des données par modèles de mélanges MIXMOD. F. Langrognet () MIXMOD Avril 2012 1 / 28 MIXMOD Un ensemble logiciel de classification des données par modèles de mélanges MIXMOD F. Langrognet () MIXMOD Avril 2012 1 / 28 PLAN 1 La classification des données 2 MIXMOD, ensemble logiciel de classification

Plus en détail

Optimisation des ressources des produits automobile première

Optimisation des ressources des produits automobile première EURIA EURo Optimisation produits automobile première Pauline PERROT promotion 2011 EURIA EURo 1 ère partie : contexte MMA (FFSA) MAAF (GEMA) SGAM : COVEA (AFA) GMF (GEMA) MMA : Plus 3 millions clients

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

5 Méthodes algorithmiques

5 Méthodes algorithmiques Cours 5 5 Méthodes algorithmiques Le calcul effectif des lois a posteriori peut s avérer extrêmement difficile. En particulier, la prédictive nécessite des calculs d intégrales parfois multiples qui peuvent

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

Fouille de Données et Media Sociaux Cours 2 Master DAC Data Science UPMC - LIP6

Fouille de Données et Media Sociaux Cours 2 Master DAC Data Science UPMC - LIP6 Fouille de Données et Media Sociaux Cours 2 Master DAC Data Science UPMC - LIP6 Ludovic Denoyer 21 septembre 2015 Ludovic Denoyer () FDMS 21 septembre 2015 1 / 1 Contexte Observation La plupart des bonnes

Plus en détail

Optimisation en nombres entiers

Optimisation en nombres entiers Optimisation en nombres entiers p. 1/83 Optimisation en nombres entiers Michel Bierlaire michel.bierlaire@epfl.ch EPFL - Laboratoire Transport et Mobilité - ENAC Optimisation en nombres entiers p. 2/83

Plus en détail

Module Mixmod pour OpenTURNS

Module Mixmod pour OpenTURNS Module Mixmod pour OpenTURNS Régis LEBRUN EADS Innovation Works 23 septembre 2013 EADS IW 2013 (EADS Innovation Work) 23 septembre 2013 1 / 21 Outline Plan 1 OpenTURNS et propagation d incertitudes 2 Mixmod

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

TP N 57. Déploiement et renouvellement d une constellation de satellites

TP N 57. Déploiement et renouvellement d une constellation de satellites TP N 57 Déploiement et renouvellement d une constellation de satellites L objet de ce TP est d optimiser la stratégie de déploiement et de renouvellement d une constellation de satellites ainsi que les

Plus en détail

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

Optimisation Combinatoire (Méthodes approchées) VI. Algorithmes à Population (Les bases) Optimisation Combinatoire (Méthodes approchées) VI. Algorithmes à Population (Les bases) Algorithmes à Population Idée principale 'Amélioration' d'un ensemble de solutions Recombiner des solutions Orienté

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

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

Modélisation et Optimisation de la Planification de Réseaux Sans Fil

Modélisation et Optimisation de la Planification de Réseaux Sans Fil Modélisation et Optimisation de la Planification de Réseaux Sans Fil Thèse soutenue le 8 décembre 2008 par Alexandre GONDRAN Devant le Jury : M. Jean-Marie GORCE rapporteur Pr, INSA Lyon M. Olivier HUDRY

Plus en détail

Nouvelles propositions pour la résolution exacte du sac à dos multi-objectif unidimensionnel en variables binaires

Nouvelles propositions pour la résolution exacte du sac à dos multi-objectif unidimensionnel en variables binaires Nouvelles propositions pour la résolution exacte du sac à dos multi-objectif unidimensionnel en variables binaires Julien Jorge julien.jorge@univ-nantes.fr Laboratoire d Informatique de Nantes Atlantique,

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

Analyse d images, vision par ordinateur. Partie 6: Segmentation d images. Segmentation? Segmentation?

Analyse d images, vision par ordinateur. Partie 6: Segmentation d images. Segmentation? Segmentation? Analyse d images, vision par ordinateur Traitement d images Segmentation : partitionner l image en ses différentes parties. Reconnaissance : étiqueter les différentes parties Partie 6: Segmentation d images

Plus en détail

Comment ne pas construire un score-titanic

Comment ne pas construire un score-titanic Comment ne pas construire un score-titanic Mon mailing Olivier Decourt ABS Technologies / Educasoft Formations 1- Les principes 2- Un premier exemple : les vins de France 3- Mise en œuvre sous SAS 4- Un

Plus en détail

Polytech Paris-Sud Département informatique Formation par Apprentissage, 3ème année

Polytech Paris-Sud Département informatique Formation par Apprentissage, 3ème année 1 / 20 Polytech Paris-Sud Département informatique Formation par Apprentissage, 3ème année Cours : Jérôme Azé Université Paris-Sud LRI 2009-2010 2 / 20 Outline 1 Présentation de A q Algorithme Défauts

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

Tutoriel Sophemis 3. http://optimisation.l2ep.ec-lille.fr/download/tutoriel_sophemis3.pdf

Tutoriel Sophemis 3. http://optimisation.l2ep.ec-lille.fr/download/tutoriel_sophemis3.pdf Tutoriel Sophemis 3 http://optimisation.l2ep.ec-lille.fr/download/tutoriel_sophemis3.pdf Table des matières I. Configuration requise... 1 II. Installation... 1 1. Matlab Compiler Runtime... 1 2. Sophemis...

Plus en détail

Rmixmod Le package R de MIXMOD R

Rmixmod Le package R de MIXMOD R Rmixmod Le package R de MIXMOD R MIXMOD Rencontres R 2012 - Bordeaux Florent Langrognet Laboratoire de Mathématiques de Besançon F. Langrognet () Rmixmod Juillet 2012 1 / 41 Rmixmod 1 Contexte Le projet

Plus en détail

Simulation avancée du procédé d injection

Simulation avancée du procédé d injection Simulation avancée du procédé d injection JT «Conception et optimisation numérique en plasturgie» Jeudi 30 juin Ronan Le Goff Sommaire Introduction Modèle numérique Cas d étude Paramètres rhéo Stratégies

Plus en détail

Introduction aux Support Vector Machines (SVM)

Introduction aux Support Vector Machines (SVM) Introduction aux Support Vector Machines (SVM) Olivier Bousquet Centre de Mathématiques Appliquées Ecole Polytechnique, Palaiseau Orsay, 15 Novembre 2001 But de l exposé 2 Présenter les SVM Encourager

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

téléphone sur l'exposition de la tête»

téléphone sur l'exposition de la tête» «Analyse statistique de l'influence de la position du téléphone sur l'exposition de la tête» A.Ghanmi 1,2,3 J.Wiart 1,2, O.Picon 3 1 Orange Labs R&D 2 WHIST LAB (http://whist.institut-telecom.fr), 3 Paris

Plus en détail

La classification 2012-2013. Fabien Chevalier Jérôme Le Bellac

La classification 2012-2013. Fabien Chevalier Jérôme Le Bellac La classification 2012-2013 Fabien Chevalier Jérôme Le Bellac Introduction : Classification : méthode d analyse de données Objectif : Obtenir une représentation schématique simple d'un tableau de données

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

Analyse, modélisation et simulation de la demande pour des véhicules électriques en Suisse

Analyse, modélisation et simulation de la demande pour des véhicules électriques en Suisse Analyse, modélisation et simulation de la demande pour des véhicules électriques en Suisse Dr. Michaël Thémans, Vice-Présidence pour le Transfert de Technologie Directeur Adjoint du Centre de Transport

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

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

Mclust : Déceler des groupes dans un jeu de données grâce aux mélanges gaussiens.

Mclust : Déceler des groupes dans un jeu de données grâce aux mélanges gaussiens. Adrien Perrard. UMR 7205, MNHN Mclust : Déceler des groupes dans un jeu de données grâce aux mélanges gaussiens. Partition et mélanges gaussiens Partition et mélanges gaussiens Partition et mélanges gaussiens

Plus en détail

La 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? 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 détail

Prototypes et k plus proches voisins (kppv (knn))

Prototypes et k plus proches voisins (kppv (knn)) Prototypes et k plus proches voisins (kppv (knn)) Université Grenoble 1 - Lab. Informatique Grenbole / MRIM Learning Vector Quantization (1) Algorithme en ligne (on-line) dans lequel des prototypes sont

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

Mémoire de Magister. Optimisation Multiobjectif Par Un Nouveau Schéma De Coopération Méta/Exacte

Mémoire de Magister. Optimisation Multiobjectif Par Un Nouveau Schéma De Coopération Méta/Exacte République Algérienne Démocratique et Populaire Ministère de l Enseignement Supérieur et la Recherche Scientifique Université Mentouri de Constantine Faculté d Ingénieur, Département de l Informatique

Plus en détail

Optimisation des tournées de ramassage scolaire de la commune de Seneffe

Optimisation des tournées de ramassage scolaire de la commune de Seneffe Optimisation des tournées de ramassage scolaire de la commune de Seneffe Laurie Hollaert Séminaire GRT 7 novembre Laurie Hollaert Optimisation des tournées de ramassage scolaire de la commune de Seneffe

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

Métaheuristiques pour le flow-shop de permutation bi-objectif stochastique

Métaheuristiques pour le flow-shop de permutation bi-objectif stochastique Métaheuristiques pour le flow-shop de permutation bi-objectif stochastique Arnaud Liefooghe * Laetitia Jourdan * Matthieu Basseur ** El-Ghazali Talbi * * LIFL INRIA Lille-Nord Europe, Équipe-projet Dolphin

Plus en détail

: approche par métaheuristiques

: approche par métaheuristiques Optimisation multi-critère : approche par métaheuristiques Clarisse DHAENENS, El-Ghazali TALBI Equipe OPAC (Optimisation PArallèle Coopérative) Laboratoire d Informatique Fondamentale de Lille Université

Plus en détail

Routage dans Internet et théorie des jeux. Chahinez Hamlaoui chah@prism.uvsq.fr

Routage dans Internet et théorie des jeux. Chahinez Hamlaoui chah@prism.uvsq.fr Routage dans Internet et théorie des jeux Chahinez Hamlaoui chah@prismuvsqfr Contexte et motivation Les réseaux de l'interdomaine Réseaux interconnectant les réseaux des opérateurs Internet Modèle de communication

Plus en détail

6.1 Méthode des champs de potentiel

6.1 Méthode des champs de potentiel Chapitre 6 Évitement d obstacles L évitement d obstacles est un comportement de base présent dans quasiment tous les robots mobiles. Il est indispensable pour permettre au robot de fonctionner dans un

Plus en détail

Arbres binaires. Hélène Milhem. Institut de Mathématiques de Toulouse, INSA Toulouse, France IUP SID, 2011-2012

Arbres binaires. Hélène Milhem. Institut de Mathématiques de Toulouse, INSA Toulouse, France IUP SID, 2011-2012 Arbres binaires Hélène Milhem Institut de Mathématiques de Toulouse, INSA Toulouse, France IUP SID, 2011-2012 H. Milhem (IMT, INSA Toulouse) Arbres binaires IUP SID 2011-2012 1 / 35 PLAN Introduction Construction

Plus en détail

Recherche Opérationnelle

Recherche Opérationnelle Chapitre 2 : Programmation linéaire (Introduction) Vendredi 06 Novembre 2015 Sommaire 1 Historique 2 3 4 5 Plan 1 Historique 2 3 4 5 La programmation linéaire est un cadre mathématique général permettant

Plus en détail

QoS et QoE : quelles méthodes et quelle corrélation pour évaluer la satisfaction des clients?

QoS et QoE : quelles méthodes et quelle corrélation pour évaluer la satisfaction des clients? QoS et QoE : quelles méthodes et quelle corrélation pour évaluer la satisfaction des clients? Forum FRATEL Conakry 19 et 20 mars 2013 Page 1 Plan de la présentation Définitions de la QoS et de la QoE Les

Plus en détail

La nouvelle planification de l échantillonnage

La 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 détail

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

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

Plus en détail

NOTE SUR LA MODELISATION DU RISQUE D INFLATION

NOTE SUR LA MODELISATION DU RISQUE D INFLATION NOTE SUR LA MODELISATION DU RISQUE D INFLATION 1/ RESUME DE L ANALYSE Cette étude a pour objectif de modéliser l écart entre deux indices d inflation afin d appréhender le risque à très long terme qui

Plus en détail

GridSense. L intelligence aux commandes de l énergie.

GridSense. L intelligence aux commandes de l énergie. GridSense. L intelligence aux commandes de l énergie. GridSense est la technologie intelligente d avenir permettant d aborder le tournant énergétique. Elle contrôle les appareils électriques tels que les

Plus en détail

ÉLÉMENTS D OPTIMISATION. Complément au cours et au livre de MTH 1101 - CALCUL I

ÉLÉMENTS D OPTIMISATION. Complément au cours et au livre de MTH 1101 - CALCUL I ÉLÉMENTS D OPTIMISATION Complément au cours et au livre de MTH 1101 - CALCUL I CHARLES AUDET DÉPARTEMENT DE MATHÉMATIQUES ET DE GÉNIE INDUSTRIEL ÉCOLE POLYTECHNIQUE DE MONTRÉAL Hiver 2011 1 Introduction

Plus en détail

Morgan Beau Nicolas Courazier

Morgan Beau Nicolas Courazier EPSI - 2010 Rapport projet IA Conception et mise en œuvre d un générateur de systèmes experts Morgan Beau Sommaire Cahier des charges 3 Présentation générale 4 Analyse et modélisation 6 Le moteur d inférence

Plus en détail

Analyse d images en vidéosurveillance embarquée dans les véhicules de transport en commun

Analyse d images en vidéosurveillance embarquée dans les véhicules de transport en commun des s Analyse d images en vidéosurveillance embarquée dans les véhicules de transport en commun Sébastien Harasse thèse Cifre LIS INPG/Duhamel le 7 décembre 2006 1 Système de surveillance des s Enregistreur

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

de calibration Master 2: Calibration de modèles: présentation et simulation d

de calibration Master 2: Calibration de modèles: présentation et simulation d Master 2: Calibration de modèles: présentation et simulation de quelques problèmes de calibration Plan de la présentation 1. Présentation de quelques modèles à calibrer 1a. Reconstruction d une courbe

Plus en détail

Calcul garanti des contraintes pour la planification sécurisée de trajectoire

Calcul garanti des contraintes pour la planification sécurisée de trajectoire Calcul garanti des contraintes pour la planification sécurisée de trajectoire Application à la génération de trajectoire articulaire pour un patient paraplégique sous Stimulation Électrique Fonctionnelle

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

Première STMG1 2014-2015 progression. - 1. Séquence : Proportion d une sous population dans une population.

Première STMG1 2014-2015 progression. - 1. Séquence : Proportion d une sous population dans une population. Première STMG1 2014-2015 progression. - 1 Table des matières Fil rouge. 3 Axes du programme. 3 Séquence : Proportion d une sous population dans une population. 3 Information chiffrée : connaître et exploiter

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

Clermont Ferrand - Janvier 2003

Clermont Ferrand - Janvier 2003 DISDAMIN: Algorithmes de Data Mining Distribués Valerie FIOLET (1,2) - Bernard TOURSEL (1) 1 Equipe PALOMA - LIFL - USTL - LILLE (FRANCE) 2 Service Informatique - UMH - MONS (BELGIUM) Clermont Ferrand

Plus en détail

Plan du cours. Intelligence Artificielle et Manipulation Symbolique de l Information. Induction de règles (rappels) L induction logique

Plan du cours. Intelligence Artificielle et Manipulation Symbolique de l Information. Induction de règles (rappels) L induction logique Intelligence Artificielle et Manipulation Symbolique de l Information Cours 0 mercredi 8 avril 205 Plan du cours Raisonner par induction l induction Induction par arbres de décision Christophe Marsala

Plus en détail

Agrégation de liens xdsl sur un réseau radio

Agrégation de liens xdsl sur un réseau radio Agrégation de liens xdsl sur un réseau radio Soutenance TX Suiveur: Stéphane Crozat Commanditaire: tetaneutral.net/laurent Guerby 1 02/02/212 Introduction 2 Introduction: schéma 3 Définition d un tunnel

Plus en détail

Méthodes avancées en décision

Méthodes avancées en décision Méthodes avancées en décision Support vector machines - Chapitre 2 - Principes MRE et MRS Principe MRE. Il s agit de minimiser la fonctionnelle de risque 1 P e (d) = y d(x;w, b) p(x, y) dxdy. 2 La densité

Plus en détail

LA PROGRAMMATION LINEAIRE : UN OUTIL DE MODELISATION

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

Plus en détail

une SOluTION basée SuR un modèle POuR PRévOIR le TRaFIc en TemPS Réel

une SOluTION basée SuR un modèle POuR PRévOIR le TRaFIc en TemPS Réel Comment anticiper le temps réel? Une solution basée sur un modèle pour prévoir le trafic en temps réel PTV Optima est la clé pour une gestion du trafic réussie. Cette solution basée sur un modèle propose

Plus en détail

Groupe. Chapter 1. Félix Abecassis (CSI) Christopher Chedeau (CSI) Gauthier Lemoine (SCIA) Julien Marquegnies (CSI)

Groupe. Chapter 1. Félix Abecassis (CSI) Christopher Chedeau (CSI) Gauthier Lemoine (SCIA) Julien Marquegnies (CSI) Chapter 1 Groupe Félix Abecassis (CSI) Christopher Chedeau (CSI) Gauthier Lemoine (SCIA) Julien Marquegnies (CSI) Nous avons choisi d implémenter le projet avec le langage Javascript. L avantage offert

Plus en détail

Séance 12: Algorithmes de Support Vector Machines

Séance 12: Algorithmes de Support Vector Machines Séance 12: Algorithmes de Support Vector Machines Laboratoire de Statistique et Probabilités UMR 5583 CNRS-UPS www.lsp.ups-tlse.fr/gadat Douzième partie XII Algorithmes de Support Vector Machines Principe

Plus en détail

Programmation linéaire et Optimisation. Didier Smets

Programmation linéaire et Optimisation. Didier Smets Programmation linéaire et Optimisation Didier Smets Chapitre 1 Un problème d optimisation linéaire en dimension 2 On considère le cas d un fabricant d automobiles qui propose deux modèles à la vente, des

Plus en détail

Programmation Linéaire Cours 1 : programmes linéaires, modélisation et résolution graphique

Programmation Linéaire Cours 1 : programmes linéaires, modélisation et résolution graphique Programmation Linéaire Cours 1 : programmes linéaires, modélisation et résolution graphique F. Clautiaux francois.clautiaux@math.u-bordeaux1.fr Université Bordeaux 1 Bât A33 Motivation et objectif du cours

Plus en détail

PRÉDIRE LA DEMANDE À VENIR DES VÉHICULES ÉLECTRIQUES EN SUISSE

PRÉDIRE LA DEMANDE À VENIR DES VÉHICULES ÉLECTRIQUES EN SUISSE PRÉDIRE LA DEMANDE À VENIR DES VÉHICULES ÉLECTRIQUES EN SUISSE Aurélie Glerum, TRANSP-OR, EPFL Michaël Thémans, TRACE, EPFL Michel Bierlaire, TRANSP-OR, EPFL Congrès annuel e mobile 2013 23 août 2013 PLAN

Plus en détail

Eco-conception de maisons à énergie positive

Eco-conception de maisons à énergie positive MEXICO Rencontres 2015, Clermont-Ferrand 06 octobre 2015 Eco-conception de maisons à énergie positive Mots-clés : Optimisation multicritère, algorithme génétique, fronts de Pareto Thomas RECHT : thomas.recht@mines-paristech.fr

Plus en détail

Sujet 6: Dualité interpretations intuitives

Sujet 6: Dualité interpretations intuitives Sujet 6: Dualité interpretations intuitives MHT 423: Modélisation et optimisation Andrew J. Miller Dernière mise à jour: March 31, 2010 Dans ce sujet... 1 L analyse de sensibilité 2 1 L analyse de sensibilité

Plus en détail

Modélisation des transports

Modélisation des transports Modélisation des transports Cinzia Cirillo, Eric Cornelis & Philippe TOINT D.E.S. interuniversitaire en gestion des transports Les Modèles de choix discrets Dr. CINZIA CIRILLO Facultés Universitaires Notre-Dame

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 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

Raisonnement probabiliste

Raisonnement probabiliste Plan Raisonnement probabiliste IFT-17587 Concepts avancés pour systèmes intelligents Luc Lamontagne Réseaux bayésiens Inférence dans les réseaux bayésiens Inférence exacte Inférence approximative 1 2 Contexte

Plus en détail

La notion de dualité

La notion de dualité La notion de dualité Dual d un PL sous forme standard Un programme linéaire est caractérisé par le tableau simplexe [ ] A b. c Par définition, le problème dual est obtenu en transposant ce tableau. [ A

Plus en détail

La méthode l'entropie croisée

La méthode l'entropie croisée République Algérienne Démocratique et Populaire Université des Sciences et de la Technologie d Oran Mohamed Boudiaf (USTO) Module : optimisation avancée Présentation de : La méthode l'entropie croisée

Plus en détail

Application de K-means à la définition du nombre de VM optimal dans un cloud

Application de K-means à la définition du nombre de VM optimal dans un cloud Application de K-means à la définition du nombre de VM optimal dans un cloud EGC 2012 : Atelier Fouille de données complexes : complexité liée aux données multiples et massives (31 janvier - 3 février

Plus en détail

Modèles stochastiques et applications à la finance

Modèles stochastiques et applications à la finance 1 Université Pierre et Marie Curie Master M1 de Mathématiques, 2010-2011 Modèles stochastiques et applications à la finance Partiel 25 Février 2011, Durée 2 heures Exercice 1 (3 points) On considère une

Plus en détail

IFT6561. Simulation: aspects stochastiques

IFT6561. Simulation: aspects stochastiques IFT 6561 Simulation: aspects stochastiques DIRO Université de Montréal Automne 2013 Détails pratiques Professeur:, bureau 3367, Pav. A.-Aisenstadt. Courriel: bastin@iro.umontreal.ca Page web: http://www.iro.umontreal.ca/~bastin

Plus en détail

Ecole Supérieure d Ingénieurs Léonard de Vinci

Ecole Supérieure d Ingénieurs Léonard de Vinci Ecole Supérieure d Ingénieurs Léonard de Vinci «Evaluation et couverture de produits dérivés» Etudiants : Colonna Andrea Pricing d'un Call Lookback par Monte Carlo et Ponts Browniens Rapport de Projet

Plus en détail

Université René Descartes Faculté de Pharmacie - Master Professionnel Dimension Économique des Produits de Santé 14 décembre 2005

Université René Descartes Faculté de Pharmacie - Master Professionnel Dimension Économique des Produits de Santé 14 décembre 2005 Université René Descartes Faculté de Pharmacie - Master Professionnel Dimension Économique des Produits de Santé 14 décembre 2005 Prise en Compte de l Incertitude dans l Évaluation des Technologies de

Plus en détail

Module BDR Master d Informatique (SAR) Cours 5- bases de données parallèles Anne Doucet Anne.Doucet@lip6.fr

Module BDR Master d Informatique (SAR) Cours 5- bases de données parallèles Anne Doucet Anne.Doucet@lip6.fr Module BDR Master d Informatique (SAR) Cours 5- bases de données parallèles Anne Doucet Anne.Doucet@lip6.fr 1 Plan Introduction Architectures Placement des données Parallélisme dans les requêtes Optimisation

Plus en détail

Numéro d Ordre : Année : 2002 THÈSE. pour obtenir le grade de. présentée et soutenue publiquement, le 12/06/2002, par

Numéro d Ordre : Année : 2002 THÈSE. pour obtenir le grade de. présentée et soutenue publiquement, le 12/06/2002, par UNIVERSITÉ DES SCIENCES ET TECHNOLOGIES DE LILLE U.F.R. D I.E.E.A. Numéro d Ordre : Année : 2002 THÈSE pour obtenir le grade de DOCTEUR DE L U.S.T.L. DISCIPLINE : INFORMATIQUE présentée et soutenue publiquement,

Plus en détail