M2 MPRO. Optimisation dans les Graphes
|
|
- Élise Carignan
- il y a 8 ans
- Total affichages :
Transcription
1 M2 MPRO Optimisation dans les Graphes Programmation linéaire et problèmes d'optimisation dans les graphes 1
2 Problèmes d'optimisation dans les graphes : quelles méthodes pour les résoudre? Théorie des graphes (et algorithmique de graphes) : La théorie des graphes fournit un cadre unifié pour étudier des propriétés structurelles des graphes (bornes sur la valeur d'un paramètre), mais aussi pour résoudre certains problèmes d'optimisation dans les graphes De nombreux algorithmes combinatoires issus de l'algorithmique de graphes sont ainsi basés sur ces propriétés structurelles Un autre des grands domaines de la RO est la programmation mathématique, et en particulier linéaire (PL ou PLNE) : Des modèles et des méthodes génériques (et souvent efficaces) Peut-on exhiber des liens entre ces deux domaines? S'il y en a, comment les exploiter? Et comment traduire la spécificité d'un problème particulier de l'optimisation dans les graphes dans un modèle aussi général? 2
3 PARTIE I : Dualité en PL et matrices totalement unimodulaires ; Application à la dualité flots/coupes et au théorème de König 3
4 Le problème du flot maximum Problème emblématique de la RO et de l'optimisation dans les graphes Rappel : on se donne un graphe orienté G connexe dont les arcs sont munis de capacités, un sommet source s et un sommet puits p Problématique : on cherche, dans G, à acheminer autant d'unités de flot que possible de s vers p, sans dépasser la capacité de chaque arc Modèle PLNE (modèle 1)? Le flot total circulant sur tous les chemins de s à p passant par chaque arc est limité par la capacité de l'arc (une variable par chemin) Maximiser la quantité de flot acheminée de s à p Résolution en temps polynomial si flots continus? Modèle PLNE alternatif (modèle 2)? Conservation du flot en chaque nœud (sauf s et p) Flot limité par la capacité sur chaque arc (une variable par arc) Maximiser la quantité de flot acheminée de s à p 4
5 Calcul du dual Moralité : formuler un problème = en fournir une description On peut écrire les PL duaux des relaxations continues des 2 modèles Modèle 1 : et si les variables duales sont entières? Modèle 2 On obtient un PL modélisant le problème de la coupe minimum Les PL sont liés par une relation de dualité (dualité en PL), et donc les problèmes aussi! Interprétation du PL dual si les variables duales sont entières Preuve alternative de la faible dualité flot/coupe! 5
6 Totale unimodularité Définition : une matrice à valeurs réelles est dite totalement unimodulaire (TU) si et seulement si le déterminant de toute sousmatrice carrée qui en est extraite vaut 0, 1 ou -1 Propriété 1 : toute sous-matrice d une matrice TU est TU, et en particulier tout élément d'une matrice TU vaut 0, 1 ou -1 (sousmatrice carrée extraite ayant une ligne et une colonne) Propriété 2 : si une matrice est TU, alors la juxtaposition de cette matrice avec la matrice identité est aussi une matrice TU Propriété 3 : une matrice est TU si et seulement si sa transposée l est Caractérisation de Ghouila-Houri : une matrice est TU ssi tout sousensemble de colonnes peut être partitionné en deux parties telles que, sur chaque ligne, les sommes des éléments sur chacune de ces deux parties diffèrent d'au plus 1 Corollaire de la Propriété 3 : ce théorème est aussi vrai en échangeant «colonne» et «ligne» 6
7 Conséquence de la totale unimodularité Propriété 4 : si un PL a une matrice des contraintes TU et des seconds membres entiers, alors toute solution de base de ce PL est entière (et, en particulier, toute solution de base optimale l est) Corollaire de la Propriété 4 : Résoudre un PLNE ayant une matrice des contraintes TU et des seconds membres entiers est équivalent à résoudre sa relaxation continue (= un PL), et les valeurs optimales sont les mêmes! 7
8 Une condition suffisante de totale unimodularité, et une première conséquence Propriété 5 : la matrice d'incidence (arcs-sommets) d'un graphe orienté est TU Corollaire (immédiat) du modèle 2 et des Propriétés 2 à 5 : Théorème de Ford-Fulkerson (flot max=coupe min) «Preuve alternative» basée exclusivement sur la dualité en PL et les propriétés des matrices TU 8
9 Une deuxième condition suffisante de totale unimodularité, et une deuxième conséquence Modèle PLNE pour le problème du couplage maximum? Dual (avec variables entières) de la relaxation continue de ce PL = PLNE de la couverture minimum des arêtes par les sommets Propriété 6 : la matrice d'incidence (arêtes-sommets) d'un graphe biparti est TU Corollaire de cette dualité et de la Propriété 6 : Théorème de König Dans les deux cas, la «spécificité» du problème d'optimisation dans les graphes considéré est donc ici exprimée par la formulation PL/PLNE utilisée, et les propriétés de la matrice des contraintes associée (matrice d'incidence d'un graphe orienté ou d'un graphe biparti, selon le cas) 9
10 PARTIE II : Réduction entre problèmes d optimisation dans les graphes, et conséquences sur les formulations PL ; Applications aux flots non orientés, aux flots à coût minimum, aux multiflots, et aux arbres de Steiner 10
11 Flot maximum dans les graphes non orientés Problème du flot maximum entre deux sommets s et p dans un graphe non orienté? La matrice des contraintes de la formulation PLNE la plus naïve n'est pas TU ==> ce problème est-il plus difficile? Comment le résoudre? Réduire le problème considéré à un problème ayant une matrice des contraintes TU, et en déduire ainsi une «bonne» formulation PLNE? Oui : on peut en fait réduire ce cas au cas des graphes orientés! On en déduit donc une formulation PLNE ayant une matrice TU par un raisonnement purement combinatoire, qui ne porte que sur des transformations du graphe donné dans l'instance considérée Identique pour la coupe minimum ==> extension du théorème de F.-F. 11
12 Bonne formulation pour le flot à coût minimum (graphes orientés ou non) On se donne un graphe G connexe, orienté ou non, dont les arcs/arêtes sont munis de capacités et de coûts unitaires, ainsi que deux sommets s et p de G On considère le problème suivant : déterminer dans G un flot de valeur donnée (potentiellement maximum) entre s et p, et dont le coût total (somme sur tous les arcs/arêtes du coût unitaire de l'arc/arête fois la valeur du flot sur l'arc/arête) est minimum Problème du flot à coût minimum : le modèle PL associé («inspiré» de celui du flot maximum) a une matrice TU ==> polynomial Et si les coûts sont quelconques (>0 ou <0)? Peut-on alors trouver un chemin hamiltonien «facilement»? Non : le modèle n'est plus adapté! 12
13 Conséquence : de bonnes formulations pour certains cas particuliers célèbres du flot à coût minimum Plus court chemin (longueurs 0) : déterminer un plus court chemin entre deux sommets s et p dans un graphe = flot de valeur 1 à coût min. Affectation linéaire : n tâches à affecter à n agents (chaque tâche est affectée à un et un seul agent), chaque affectation induisant un coût ==> minimiser la somme totale des coûts (couplage parfait biparti à coût minimum) = flot (de valeur n) à coût minimum Programme de transport : marchandises à transporter de n entrepôts (quantité disponible de marchandises connue pour chacun) vers m clients (demande en marchandises connue pour chacun, et on suppose pour simplifier Offre totale = Demande totale), sachant que transporter 1 marchandise d'un entrepôt i à un client j induit un coût unitaire donné ==> satisfaire la demande à coût total minimum = flot à coût minimum 13
14 Multiflots (et multicoupes) Plusieurs paires sources-puits : les unités de flot émises par une source donnée ne peuvent être acheminées que vers le puits correspondant Une seule paire source-puits = flot maximum ==> problème plus général Modèles PLNE similaires aux modèles 1 et 2 Notions de «coupe» similaire à la coupe simple : multicoupe Même dualité des relaxations continues des formulations PLNE, MAIS les matrices des contraintes obtenues ne sont pas TU! Problèmes NP-difficiles, même dans des cas très particuliers 14
15 Une bonne formulation pour les multiflots/multicoupes dits «multiterminaux» dans les graphes sans circuits 15 Hypothèse 1 : étant donnés t sommets du graphe considéré, il existe une paire sourcespuits entre toute paire de ces t sommets (multiterminaux) Hypothèse 2 : le graphe G considéré est orienté et sans circuits On peut établir une bonne formulation pour les problèmes de multiflots et multicoupes dans ce cas, en les réduisant à un flot et une coupe simples Etape 1 : on «éclate» chacun de ces t sommets v i en 2 sommets v' i et v'' i (v' i est incident à tous les arcs entrant en v i, et v'' i à tous ceux en sortant) v i v i v i Etape 2 : on ajoute les 2 sommets s (super-source) et p (super-puits), et on relie s à tous les v'' i, et tous les v' i à p (par des arcs de grande capacité) Déterminer un multiflot maximum (une multicoupe minimum) est alors équivalent à calculer un flot maximum (une coupe minimum) entre s et p
16 Multicoupe minimum avec deux paires sources-puits Parfois, on peut montrer que résoudre un problème donné peut se réduire à la résolution d un ensemble d instances d un autre problème d optimisation dans les graphes : cela fournit donc un moyen de le résoudre, mais sans que cela ne se traduise nécessairement par une formulation PL ayant des propriétés particulières Ainsi, on peut réduire la résolution de toute instance du problème de multicoupe minimum avec deux paires sources-puits dans les graphes non orientés à deux instances du problème de coupe minimum (en gardant la meilleure des deux valeurs optimales obtenues) : on obtient alors une «bonne» réduction pour ce problème! Essentiellement le seul cas non NP-difficile que l'on peut obtenir (pour les multiflots/multicoupes dans les graphes, orientés ou non, avec un nombre donné >1 de paires sources-puits)! 16
17 Arbres de Steiner de poids minimum (1/5) On cherche dans un graphe dont les arêtes sont munies de poids >0 un arbre de poids minimum couvrant au moins un sous-ensemble de sommets (appelés sommets terminaux) {t 1,, t k } Tous les autres sommets, appelés sommets Steiner, sont donc facultatifs Un tel arbre (indépendamment de son poids) est un arbre de Steiner Si le graphe est connexe, alors il existe toujours un arbre de Steiner! Le problème consistant à trouver un arbre de Steiner de poids minimum généralise le problème de l'arbre couvrant de poids minimum (où tous les sommets sont terminaux), ce dernier étant polynomial Le problème de l'arbre de Steiner de poids minimum est beaucoup plus dur : il est NP-difficile même dans les graphes planaires 17
18 Arbres de Steiner de poids minimum (2/5) Exemple : un graphe à 9 sommets et 4 terminaux (= les sommets 0,3,7,8) Arbre couvrant de poids minimum (poids=35) Arbre de Steiner de poids minimum (poids=31) 18
19 Arbres de Steiner de poids minimum (3/5) Si seulement deux terminaux : problème du plus court chemin! Modèle PLNE pour le cas général? On remplace chaque arête par deux arcs de sens opposés et de même poids, On choisit un terminal «racine» t 1, et on veut qu'il existe un chemin de t 1 vers tous les autres terminaux, Les poids étant >0, on n'a pas besoin d'imposer explicitement le fait que ce soit un arbre (imposer la connexité est suffisant)! En revanche, un arc utilisé par des chemins de t 1 vers plusieurs terminaux ne doit être comptabilisé qu'une fois! Aucune formulation connue ne possède une matrice des contraintes TU 19
20 Arbres de Steiner de poids minimum (4/5) Et si le nombre de terminaux est une constante? Dans toute solution optimale, le nombre de feuilles est au plus k (le nombre de terminaux), et, dans tout arbre, le nombre de sommets de degré 3 ou plus est borné supérieurement par le nombre de feuilles-2, Donc «squelette» de la solution recherchée (sans les sommets non terminaux de degré 2) = un arbre ayant au plus 2(k-1) sommets, Détermination du squelette correspondant à cette solution par «simple» énumération : la formule de Cayley donne une borne supérieure sur le nombre f(k) d'arbres à considérer (borne moins bonne = tout sommet d un graphe étiqueté à n sommets a au plus 2 n-1 voisinages possibles). Mais comment passer du squelette à la solution elle-même? Réduction du problème à un «simple» calcul de plus courts chemins, Conservation de la meilleure solution admissible obtenue, L'algorithme obtenu est polynomial pour k constant : un meilleur temps d'exécution peut être obtenu par programmation dynamique (cf CAP). 20
21 Arbres de Steiner de poids minimum (5/5) Les 4 squelettes possibles pour k=3 : t 1 t 2 t 3 t 1 t 3 t 2 t 2 t 1 t 3 t 1 t 2 t 3 Les squelettes possibles pour k=4 : t 1 t 2 t 3 t 4 + tous ceux obtenus en contractant au plus deux arêtes et en renumérotant les terminaux 21
22 PARTIE III : Totale unimodularité et algorithmes combinatoires : les approches primales-duales 22
23 Graphes d'intervalle Un graphe d intervalle (GI) est le graphe d intersection d un ensemble d intervalles (par exemple, d intervalles de temps) horizontaux : les sommets du GI sont les intervalles, et deux sommets sont reliés par une arête du GI ssi les deux intervalles associés ont une intersection non vide Etant donné un graphe d intervalle, une représentation par intervalles de ce graphe peut être obtenue en temps polynomial Les deux représentations sont donc polynomialement équivalentes 23
24 Stables maximums dans les graphes d'intervalle Un ensemble stable (ou stable) dans un graphe d intervalle peut donc être vu comme un ensemble d intervalles deux à deux disjoints Donc chercher un stable maximum dans un tel graphe = choisir un ensemble de cardinalité maximum d intervalles deux à deux disjoints Dans cet exemple, {C,G} = stable de cardinal 2, et {A,E,F}, {B,D,G} = deux stables maximums Dans le cas général, comment déterminer un stable maximum dans de tels graphes? 24
25 Stables maximums dans les graphes d'intervalle Un ensemble stable (ou stable) dans un graphe d intervalle peut donc être vu comme un ensemble d intervalles deux à deux disjoints Donc chercher un stable maximum dans un tel graphe = choisir un ensemble de cardinalité maximum d intervalles deux à deux disjoints Dans cet exemple, {C,G} = stable de cardinal 2, et {A,E,F}, {B,D,G} = deux stables maximums Dans le cas général, comment déterminer un stable maximum dans de tels graphes? 25
26 Stables maximums dans les graphes d'intervalle Un ensemble stable (ou stable) dans un graphe d intervalle peut donc être vu comme un ensemble d intervalles deux à deux disjoints Donc chercher un stable maximum dans un tel graphe = choisir un ensemble de cardinalité maximum d intervalles deux à deux disjoints Dans cet exemple, {C,G} = stable de cardinal 2, et {A,E,F}, {B,D,G} = deux stables maximums Dans le cas général, comment déterminer un stable maximum dans de tels graphes? 26
27 Formuler le problème du stable maximum dans les graphes d'intervalle (1/3) Bonne formulation pour ce problème? Formulation «classique» pour le stable maximum : Une variable 0-1 x i pour tout sommet (ou intervalle) i, indiquant si i est choisi (=1) ou non (=0) Une contrainte x i +x j 1 pour toute arête (i,j) On maximise la somme des x i MAIS la matrice des contraintes de cette formulation n est pas toujours TU (exemple du cycle à 3 sommets, comme ABC)! 27
28 Formuler le problème du stable maximum dans les graphes d'intervalle (2/3) Formulation alternative : Notons [d i,f i ]=ième intervalle, et e j =jème plus petit élément de l union des ensembles {d i,f i } Découpage de l horizon de temps en 2n-1 fenêtres (ou moins), chacune associée à la période [e j,e j+1 ] pour un j Mêmes variables En revanche, il y a désormais une contrainte par fenêtre e 1 e 2 e 3 e 4 e 5 e 6 e 7 e 8 e 9 e 10 e 11 e 12 e 13 e 14 28
29 Formuler le problème du stable maximum dans les graphes d'intervalle (3/3) Propriétés de cette formulation? Tout intervalle contient des fenêtres consécutives Sur chaque colonne, les «1» sont donc consécutifs Propriété des 1 consécutifs matrice d intervalle Or, toute matrice d intervalle est TU! Le problème est donc polynomial par la PL Le problème dual entier consiste à choisir un nombre minimum de fenêtres intersectant tous les intervalles 29
30 Algorithme primal-dual pour le problème du stable maximum dans les graphes d'intervalle (1/3) Faire mieux que la PL? En réalité, dans ce cas, on peut même concevoir un algorithme combinatoire glouton (rapide) pour ce problème On va en fait décrire une paire d'algorithmes gloutons (les deux peuvent être implémentés en O(n), où n=nombre d'intervalles) Ces algorithmes construisent une solution «primale» et une solution «duale» en se basant sur les relations d exclusion du 2ème PL et de son dual On appelle ces approches «primales-duales», et c est une méthode de conception d algorithmes particulièrement utile 30
31 Algorithme primal-dual pour le problème du stable maximum dans les graphes d'intervalle (2/3) Pseudo-code de l'algo. glouton pour le stable max. dans un GI : Calculer une représentation par intervalles du GI Trier et numéroter les intervalles par ordre croissant de leurs dates de fin Intervalle courant := premier intervalle Tant que non STOP faire Sélectionner l'intervalle courant S'il n'existe plus d'intervalle ayant une intersection vide avec les intervalles déjà sélectionnés, alors STOP Sinon, intervalle courant := premier intervalle n'ayant aucune intersection avec les intervalles déjà sélectionnés 31
32 Algorithme primal-dual pour le problème du stable maximum dans les graphes d'intervalle (3/3) Dans ce premier algorithme, les numéros des intervalles sélectionnés au cours de l exécution sont donc croissants Pseudo-code de l'algorithme glouton pour le PL dual : Exécuter l'algorithme précédent (à la fin de ce dernier, une fenêtre est dite «active» si elle est contenue dans l'un des intervalles sélectionnés) Pour chaque intervalle sélectionné par l algorithme précédent Sélectionner la fenêtre la plus à droite contenue dans cet intervalle 32
33 Exemple de déroulement de l algorithme primal-dual Solutions renvoyées par l algorithme sur l exemple : e 1 e 2 e 3 e 4 e 5 e 6 e 7 e 8 e 9 e 10 e 11 e 12 e 13 e 14 33
34 Exemple de déroulement de l algorithme primal-dual Solutions renvoyées par l algorithme sur l exemple : e 1 e 2 e 3 e 4 e 5 e 6 e 7 e 8 e 9 e 10 e 11 e 12 e 13 e 14 34
35 Exemple de déroulement de l algorithme primal-dual Solutions renvoyées par l algorithme sur l exemple : e 1 e 2 e 3 e 4 e 5 e 6 e 7 e 8 e 9 e 10 e 11 e 12 e 13 e 14 35
36 Exemple de déroulement de l algorithme primal-dual Solutions renvoyées par l algorithme sur l exemple : e 1 e 2 e 3 e 4 e 5 e 6 e 7 e 8 e 9 e 10 e 11 e 12 e 13 e 14 36
37 Exemple de déroulement de l algorithme primal-dual Solutions renvoyées par l algorithme sur l exemple : e 1 e 2 e 3 e 4 e 5 e 6 e 7 e 8 e 9 e 10 e 11 e 12 e 13 e 14 37
38 Exemple de déroulement de l algorithme primal-dual Solutions renvoyées par l algorithme sur l exemple : e 1 e 2 e 3 e 4 e 5 e 6 e 7 e 8 e 9 e 10 e 11 e 12 e 13 e 14 e 1 e 2 e 3 e 4 e 5 e 6 e 7 e 8 e 9 e 10 e 11 e 12 e 13 e 14 38
39 Preuves des algorithmes Preuves des algorithmes basées sur les relations d'exclusion en PL : Rappel : dans une solution (de base) optimale, contrainte primale (duale) saturée OU variable duale (primale) associée nulle De façon équivalente : dans une solution (de base) optimale, contrainte primale (duale) non saturée variable duale (primale) associée nulle Ici, on a un type de contraintes primales et un type de contraintes duales : Fenêtre non active non sélectionnée : toute fenêtre sélectionnée est active Intervalle contient plus d'une fenêtre active non sélectionné : tout intervalle sélectionné ne contient qu'une seule fenêtre active Il «suffit» donc de montrer que les deux solutions construites : Sont admissibles (la solution primale l étant clairement, il reste à s assurer que la solution duale l est), Respectent les relations d'exclusion (vrai par définition du 2ème algorithme). 39
40 Bilan sur les approches primales-duales Les propriétés d une bonne formulation peuvent parfois permettre d établir la polynomialité du problème étudié Souvent, cela n est qu une première étape dans la résolution pratique du problème, et signifie en fait qu il existe un algorithme combinatoire efficace pour résoudre ce problème sans passer par la PL Un algorithme primal-dual est un bon candidat dans ce cas-là, puisque ses «choix» sont guidés par les conditions des écarts complémentaires (relations d exclusion) du PL associé Dans certains cas, cela ne marche pas si bien : Stables de poids maximum dans un graphe d intervalle (dans notre exemple, si C a un poids de 3, et tous les autres 1, alors la valeur optimale est 4) Enfin, ce genre d approches peut parfois être utilisé également pour obtenir des solutions approchées à des problèmes difficiles (cf CAP) 40
Souad 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 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 détailPlus courts chemins, programmation dynamique
1 Plus courts chemins, programmation dynamique 1. Plus courts chemins à partir d un sommet 2. Plus courts chemins entre tous les sommets 3. Semi-anneau 4. Programmation dynamique 5. Applications à la bio-informatique
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 détailChapitre 5 : Flot maximal dans un graphe
Graphes et RO TELECOM Nancy A Chapitre 5 : Flot maximal dans un graphe J.-F. Scheid 1 Plan du chapitre I. Définitions 1 Graphe Graphe valué 3 Représentation d un graphe (matrice d incidence, matrice d
Plus en détailThéorie des Graphes Cours 3: Forêts et Arbres II / Modélisation
IFIPS S7 - informatique Université Paris-Sud 11 1er semestre 2009/2010 Théorie des Graphes Cours 3: Forêts et Arbres II / 1 Forêts et arbres II Théorème 1.1. Les assertions suivantes sont équivalentes
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 détailCommunications collectives et ordonnancement en régime permanent pour plates-formes hétérogènes
Loris MARCHAL Laboratoire de l Informatique du Parallélisme Équipe Graal Communications collectives et ordonnancement en régime permanent pour plates-formes hétérogènes Thèse réalisée sous la direction
Plus en détailLa NP-complétude. Johanne Cohen. PRISM/CNRS, Versailles, France.
La NP-complétude Johanne Cohen PRISM/CNRS, Versailles, France. Références 1. Algorithm Design, Jon Kleinberg, Eva Tardos, Addison-Wesley, 2006. 2. Computers and Intractability : A Guide to the Theory of
Plus en détailAlgorithmes de recherche
Algorithmes de recherche 1 Résolution de problèmes par recherche On représente un problème par un espace d'états (arbre/graphe). Chaque état est une conguration possible du problème. Résoudre le problème
Plus en détailBACCALAUREAT GENERAL MATHÉMATIQUES
BACCALAUREAT GENERAL FEVRIER 2014 MATHÉMATIQUES SERIE : ES Durée de l épreuve : 3 heures Coefficient : 5 (ES), 4 (L) 7(spe ES) Les calculatrices électroniques de poche sont autorisées, conformement à la
Plus en détailCours de Recherche Opérationnelle IUT d Orsay. Nicolas M. THIÉRY. E-mail address: Nicolas.Thiery@u-psud.fr URL: http://nicolas.thiery.
Cours de Recherche Opérationnelle IUT d Orsay Nicolas M. THIÉRY E-mail address: Nicolas.Thiery@u-psud.fr URL: http://nicolas.thiery.name/ CHAPTER 1 Introduction à l optimisation 1.1. TD: Ordonnancement
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 détailIntroduction à la théorie des graphes. Solutions des exercices
CAHIERS DE LA CRM Introduction à la théorie des graphes Solutions des exercices Didier Müller CAHIER N O 6 COMMISSION ROMANDE DE MATHÉMATIQUE 1 Graphes non orientés Exercice 1 On obtient le graphe biparti
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 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 détailFonctions de plusieurs variables
Module : Analyse 03 Chapitre 00 : Fonctions de plusieurs variables Généralités et Rappels des notions topologiques dans : Qu est- ce que?: Mathématiquement, n étant un entier non nul, on définit comme
Plus en détailExercices types Algorithmique et simulation numérique Oral Mathématiques et algorithmique Banque PT
Exercices types Algorithmique et simulation numérique Oral Mathématiques et algorithmique Banque PT Ces exercices portent sur les items 2, 3 et 5 du programme d informatique des classes préparatoires,
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 détailBaccalauréat ES Polynésie (spécialité) 10 septembre 2014 Corrigé
Baccalauréat ES Polynésie (spécialité) 10 septembre 2014 Corrigé A. P. M. E. P. Exercice 1 5 points 1. Réponse d. : 1 e Le coefficient directeur de la tangente est négatif et n est manifestement pas 2e
Plus en détailProgrammation linéaire
CHAPTER 1 Programmation linéaire 1.1. Qu'est-ce que la programmation linéaire 1.1.1. Exemple: le problème du régime de Polly [1, p.3]. Besoins journaliers: Énergie: 2000 kcal Protéines: 55g Calcium: 800
Plus en détailOptimisation Discrète
Prof F Eisenbrand EPFL - DISOPT Optimisation Discrète Adrian Bock Semestre de printemps 2011 Série 7 7 avril 2011 Exercice 1 i Considérer le programme linéaire max{c T x : Ax b} avec c R n, A R m n et
Plus en détailils entretiennent entre eux des flux, ils partagent des perceptions sur l environnement
Les modèles de Flux Introduction L analyse systémique fournie une modélisation de l organisation échangeant et transformant des flux Cette modélisation du S.I. reste trop générale Il faut découper l organisation
Plus en détailPourquoi l apprentissage?
Pourquoi l apprentissage? Les SE sont basés sur la possibilité d extraire la connaissance d un expert sous forme de règles. Dépend fortement de la capacité à extraire et formaliser ces connaissances. Apprentissage
Plus en détailLE PROBLEME DU PLUS COURT CHEMIN
LE PROBLEME DU PLUS COURT CHEMIN Dans cette leçon nous définissons le modèle de plus court chemin, présentons des exemples d'application et proposons un algorithme de résolution dans le cas où les longueurs
Plus en détailOrdonnancement. N: nains de jardin. X: peinture extérieure. E: électricité T: toit. M: murs. F: fondations CHAPTER 1
CHAPTER 1 Ordonnancement 1.1. Étude de cas Ordonnancement de tâches avec contraintes de précédences 1.1.1. Exemple : construction d'une maison. Exercice. On veut construire une maison, ce qui consiste
Plus en détailObjectifs du cours d aujourd hui. Informatique II : Cours d introduction à l informatique et à la programmation objet. Complexité d un problème (2)
Objectifs du cours d aujourd hui Informatique II : Cours d introduction à l informatique et à la programmation objet Complexité des problèmes Introduire la notion de complexité d un problème Présenter
Plus en détailExcel Avancé. Plan. Outils de résolution. Interactivité dans les feuilles. Outils de simulation. La valeur cible Le solveur
Excel Avancé Plan Outils de résolution La valeur cible Le solveur Interactivité dans les feuilles Fonctions de recherche (ex: RechercheV) Utilisation de la barre d outils «Formulaires» Outils de simulation
Plus en détailUNIVERSITE PARIS VII - DENIS DIDEROT U.F.R. D'INFORMATIQUE THESE
UNIVERSITE PARIS VII - DENIS DIDEROT U.F.R. D'INFORMATIQUE Année 1998 N attribué par la bibliothèque _ THESE pour obtenir le grade de DOCTEUR DE L'UNIVERSITE PARIS VII Discipline : Informatique présentée
Plus en détailAlgorithmes d'apprentissage
Algorithmes d'apprentissage 1 Agents qui apprennent à partir d'exemples La problématique : prise de décision automatisée à partir d'un ensemble d'exemples Diagnostic médical Réponse à une demande de prêt
Plus en 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 détailImage d un intervalle par une fonction continue
DOCUMENT 27 Image d un intervalle par une fonction continue La continuité d une fonction en un point est une propriété locale : une fonction est continue en un point x 0 si et seulement si sa restriction
Plus en détailProgrammation 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 détailObjets Combinatoires élementaires
Objets Combinatoires élementaires 0-0 Permutations Arrangements Permutations pour un multi-ensemble mots sous-ensemble à k éléments (Problème du choix) Compositions LE2I 04 1 Permutations Supposons que
Plus en détailEbauche Rapport finale
Ebauche Rapport finale Sommaire : 1 - Introduction au C.D.N. 2 - Définition de la problématique 3 - Etat de l'art : Présentatio de 3 Topologies streaming p2p 1) INTRODUCTION au C.D.N. La croissance rapide
Plus en détailExercices du Cours de la programmation linéaire donné par le Dr. Ali DERBALA
75. Un plombier connaît la disposition de trois tuyaux sous des dalles ( voir figure ci dessous ) et il lui suffit de découvrir une partie de chacun d eux pour pouvoir y poser les robinets. Il cherche
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 détailDéfinitions. Numéro à préciser. (Durée : )
Numéro à préciser (Durée : ) On étudie dans ce problème l ordre lexicographique pour les mots sur un alphabet fini et plusieurs constructions des cycles de De Bruijn. Les trois parties sont largement indépendantes.
Plus en détailINFO-F-310 - Algorithmique 3 et Recherche Opérationnelle
INFO-F- - Algorithmique et Recherche Opérationnelle Yves De Smet Bernard Fortz - Table des matières I Introduction Aide à la décision et modèles mathématiques Quelques exemples de modèles mathématiques
Plus en détailCours de recherche opérationnelle I
1 Cours de recherche opérationnelle I Nadia Brauner Nadia.Brauner@imag.fr Grenoble, 2014-2015 Auteurs Ont participé à la rédaction de ce cours (par ordre d arrivée) Nadia Brauner Christophe Rapine Julien
Plus en détailTravaux dirigés n 1. Programmation linéaire
Université de Reims Champagne Ardenne U.F.R. de Sciences Exactes et Naturelles MASTER 1 Informatique - 2014/2015 Pierre Delisle Travaux dirigés n 1 Programmation linéaire Exercice 1 (Résolution d'un programme
Plus en détailLa mesure de Lebesgue sur la droite réelle
Chapitre 1 La mesure de Lebesgue sur la droite réelle 1.1 Ensemble mesurable au sens de Lebesgue 1.1.1 Mesure extérieure Définition 1.1.1. Un intervalle est une partie convexe de R. L ensemble vide et
Plus en détailRecherche dans un tableau
Chapitre 3 Recherche dans un tableau 3.1 Introduction 3.1.1 Tranche On appelle tranche de tableau, la donnée d'un tableau t et de deux indices a et b. On note cette tranche t.(a..b). Exemple 3.1 : 3 6
Plus en détailArchitecture des ordinateurs TD1 - Portes logiques et premiers circuits
Architecture des ordinateurs TD1 - Portes logiques et premiers circuits 1 Rappel : un peu de logique Exercice 1.1 Remplir la table de vérité suivante : a b a + b ab a + b ab a b 0 0 0 1 1 0 1 1 Exercice
Plus en détailCours Optimisation Partie Optimisation Combinatoire. Année scolaire 2008-2009. Gérard Verfaillie ONERA/DCSD/CD, Toulouse Gerard.Verfaillie@onera.
Cours Optimisation Partie Optimisation Combinatoire 3ième année ISAE Année scolaire 2008-2009 Gérard Verfaillie ONERA/DCSD/CD, Toulouse Gerard.Verfaillie@onera.fr Septembre 2008 Résumé Ce document couvre
Plus en détailChapitre 2 Le problème de l unicité des solutions
Université Joseph Fourier UE MAT 127 Mathématiques année 2011-2012 Chapitre 2 Le problème de l unicité des solutions Ce que nous verrons dans ce chapitre : un exemple d équation différentielle y = f(y)
Plus en détailOPTIMISATION À UNE VARIABLE
OPTIMISATION À UNE VARIABLE Sommaire 1. Optimum locaux d'une fonction... 1 1.1. Maximum local... 1 1.2. Minimum local... 1 1.3. Points stationnaires et points critiques... 2 1.4. Recherche d'un optimum
Plus en détailIntégration et probabilités TD1 Espaces mesurés
Intégration et probabilités TD1 Espaces mesurés 2012-2013 1 Petites questions 1) Est-ce que l ensemble des ouverts de R est une tribu? 2) Si F et G sont deux tribus, est-ce que F G est toujours une tribu?
Plus en détailLE MODELE CONCEPTUEL DE DONNEES
LE MODELE CONCEPTUEL DE DONNEES Principe : A partir d'un cahier des charges, concevoir de manière visuelle les différents liens qui existent entre les différentes données. Les différentes étapes de réalisation.
Plus en détailchapitre 4 Nombres de Catalan
chapitre 4 Nombres de Catalan I Dénitions Dénition 1 La suite de Catalan (C n ) n est la suite dénie par C 0 = 1 et, pour tout n N, C n+1 = C k C n k. Exemple 2 On trouve rapidement C 0 = 1, C 1 = 1, C
Plus en détailPROBLEMES D'ORDONNANCEMENT AVEC RESSOURCES
Leçon 11 PROBLEMES D'ORDONNANCEMENT AVEC RESSOURCES Dans cette leçon, nous retrouvons le problème d ordonnancement déjà vu mais en ajoutant la prise en compte de contraintes portant sur les ressources.
Plus en 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 détailUniversité Paris-Dauphine DUMI2E 1ère année, 2009-2010. Applications
Université Paris-Dauphine DUMI2E 1ère année, 2009-2010 Applications 1 Introduction Une fonction f (plus précisément, une fonction réelle d une variable réelle) est une règle qui associe à tout réel x au
Plus en détailDéveloppements limités. Notion de développement limité
MT12 - ch2 Page 1/8 Développements limités Dans tout ce chapitre, I désigne un intervalle de R non vide et non réduit à un point. I Notion de développement limité Dans tout ce paragraphe, a désigne un
Plus en détailEléments de Théorie des Graphes et Programmation Linéaire
INSTITUT NATIONAL POLYTECHNIQUE DE LORRAINE Ecole Nationale Supérieure d Electricité et de Mécanique Eléments de Théorie des Graphes et Programmation Linéaire Didier Maquin Professeur à l INPL Version
Plus en détailBaccalauréat ES Amérique du Nord 4 juin 2008
Baccalauréat ES Amérique du Nord 4 juin 2008 EXERCICE 1 Commun à tous les candidats f est une fonction définie sur ] 2 ; + [ par : 4 points f (x)=3+ 1 x+ 2. On note f sa fonction dérivée et (C ) la représentation
Plus en détailStructures algébriques
Structures algébriques 1. Lois de composition s Soit E un ensemble. Une loi de composition interne sur E est une application de E E dans E. Soient E et F deux ensembles. Une loi de composition externe
Plus en détailwww.h-k.fr/publications/objectif-agregation
«Sur C, tout est connexe!» www.h-k.fr/publications/objectif-agregation L idée de cette note est de montrer que, contrairement à ce qui se passe sur R, «sur C, tout est connexe». Cet abus de langage se
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 détailCalculs de probabilités
Calculs de probabilités Mathématiques Générales B Université de Genève Sylvain Sardy 13 mars 2008 1. Définitions et notations 1 L origine des probabilités est l analyse de jeux de hasard, tels que pile
Plus en détailDeux disques dans un carré
Deux disques dans un carré Table des matières 1 Fiche résumé 2 2 Fiche élève Seconde - version 1 3 2.1 Le problème............................................... 3 2.2 Construction de la figure avec geogebra...............................
Plus en détailConception d'un réseau de transport d'électricité
La Fédération Française des Jeux Mathématiques et la Société de Calcul Mathématique SA avec l'appui de Réseau de Transport d'electricité Conception d'un réseau de transport d'électricité Auteurs : Florian
Plus en détailChaînes de Markov au lycée
Journées APMEP Metz Atelier P1-32 du dimanche 28 octobre 2012 Louis-Marie BONNEVAL Chaînes de Markov au lycée Andreï Markov (1856-1922) , série S Problème 1 Bonus et malus en assurance automobile Un contrat
Plus en détailBaccalauréat S Antilles-Guyane 11 septembre 2014 Corrigé
Baccalauréat S ntilles-guyane 11 septembre 14 Corrigé EXERCICE 1 6 points Commun à tous les candidats Une entreprise de jouets en peluche souhaite commercialiser un nouveau produit et à cette fin, effectue
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 détailDate : 18.11.2013 Tangram en carré page
Date : 18.11.2013 Tangram en carré page Titre : Tangram en carré Numéro de la dernière page : 14 Degrés : 1 e 4 e du Collège Durée : 90 minutes Résumé : Le jeu de Tangram (appelé en chinois les sept planches
Plus en détailCH.6 Propriétés des langages non contextuels
CH.6 Propriétés des langages non contetuels 6.1 Le lemme de pompage 6.2 Les propriétés de fermeture 6.3 Les problèmes de décidabilité 6.4 Les langages non contetuels déterministes utomates ch6 1 6.1 Le
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 détailTravaux pratiques. Compression en codage de Huffman. 1.3. Organisation d un projet de programmation
Université de Savoie Module ETRS711 Travaux pratiques Compression en codage de Huffman 1. Organisation du projet 1.1. Objectifs Le but de ce projet est d'écrire un programme permettant de compresser des
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 détailRapidMiner. Data Mining. 1 Introduction. 2 Prise en main. Master Maths Finances 2010/2011. 1.1 Présentation. 1.2 Ressources
Master Maths Finances 2010/2011 Data Mining janvier 2011 RapidMiner 1 Introduction 1.1 Présentation RapidMiner est un logiciel open source et gratuit dédié au data mining. Il contient de nombreux outils
Plus en détailLa fonction exponentielle
DERNIÈRE IMPRESSION LE 2 novembre 204 à :07 La fonction exponentielle Table des matières La fonction exponentielle 2. Définition et théorèmes.......................... 2.2 Approche graphique de la fonction
Plus en détailRappels sur les suites - Algorithme
DERNIÈRE IMPRESSION LE 14 septembre 2015 à 12:36 Rappels sur les suites - Algorithme Table des matières 1 Suite : généralités 2 1.1 Déition................................. 2 1.2 Exemples de suites............................
Plus en détailRÉALISATION DE GRAPHIQUES AVEC OPENOFFICE.ORG 2.3
RÉALISATION DE GRAPHIQUES AVEC OPENOFFICE.ORG 2.3 Pour construire un graphique : On lance l assistant graphique à l aide du menu Insérer è Diagramme en ayant sélectionné au préalable une cellule vide dans
Plus en détailContrainte de flot pour RCPSP avec temps de transfert
Contrainte de flot et x-rcpsc T 1 Contrainte de flot pour RCPSP avec temps de transfert PS temp, s ij Cmax BENOIST Thierry BOUYGUES/e-Lab DIAMANTINI Maurice ENSTA/LMA Contrainte de flot et x-rcpsc T Présentation
Plus en détailCours 02 : Problème général de la programmation linéaire
Cours 02 : Problème général de la programmation linéaire Cours 02 : Problème général de la Programmation Linéaire. 5 . Introduction Un programme linéaire s'écrit sous la forme suivante. MinZ(ou maxw) =
Plus en détailVision industrielle et télédétection - Détection d ellipses. Guillaume Martinez 17 décembre 2007
Vision industrielle et télédétection - Détection d ellipses Guillaume Martinez 17 décembre 2007 1 Table des matières 1 Le projet 3 1.1 Objectif................................ 3 1.2 Les choix techniques.........................
Plus en détailBaccalauréat ES/L Métropole La Réunion 13 septembre 2013 Corrigé
Baccalauréat S/L Métropole La Réunion 13 septembre 2013 Corrigé A. P. M.. P. XRCIC 1 Commun à tous les candidats Partie A 1. L arbre de probabilité correspondant aux données du problème est : 0,3 0,6 H
Plus en détailProgrammation Objet - Cours II
Programmation Objet - Cours II - Exercices - Page 1 Programmation Objet - Cours II Exercices Auteur : E.Thirion - Dernière mise à jour : 05/07/2015 Les exercices suivants sont en majorité des projets à
Plus en détailCONCEPTION Support de cours n 3 DE BASES DE DONNEES
CONCEPTION Support de cours n 3 DE BASES DE DONNEES Auteur: Raymonde RICHARD PRCE UBO PARTIE III. - LA DESCRIPTION LOGIQUE ET PHYSIQUE DES DONNEES... 2 A. Les concepts du modèle relationnel de données...
Plus en détailCOURS GESTION FINANCIERE A COURT TERME SEANCE 2 COUVERTURE DU BESOIN DE FINANCEMENT CHOIX DU NIVEAU DU FONDS DE ROULEMENT
COURS GESTION FINANCIERE A COURT TERME SEANCE 2 COUVERTURE DU BESOIN DE FINANCEMENT CHOIX DU NIVEAU DU FONDS DE ROULEMENT SEANCE 2 COUVERTURE DU BESOIN DE FINANCEMENT CHOIX DU NIVEAU DU FONDS DE ROULEMENT
Plus en détailFonctions de plusieurs variables, intégrales multiples, et intégrales dépendant d un paramètre
IUFM du Limousin 2009-10 PLC1 Mathématiques S. Vinatier Rappels de cours Fonctions de plusieurs variables, intégrales multiples, et intégrales dépendant d un paramètre 1 Fonctions de plusieurs variables
Plus en détailThéorie et codage de l information
Théorie et codage de l information Les codes linéaires - Chapitre 6 - Principe Définition d un code linéaire Soient p un nombre premier et s est un entier positif. Il existe un unique corps de taille q
Plus en détailIntroduction à la théorie des graphes
CAHIERS DE LA CRM Introduction à la théorie des graphes Didier Müller CAHIER N O 6 COMMISSION ROMANDE DE MATHÉMATIQUE Table des matières Avant-propos But de ce fascicule................................
Plus en détailIntégration et probabilités TD1 Espaces mesurés Corrigé
Intégration et probabilités TD1 Espaces mesurés Corrigé 2012-2013 1 Petites questions 1 Est-ce que l ensemble des ouverts de R est une tribu? Réponse : Non, car le complémentaire de ], 0[ n est pas ouvert.
Plus en détailINFO-F-425 Modèles mathématiques et algorithmes pour l ordonnancement. Bernard Fortz
INFO-F-425 Modèles mathématiques et algorithmes pour l ordonnancement Bernard Fortz 2008-2009 Table des matières 1 Définition et classification des problèmes d ordonnancement 2 1.1 Introduction....................................
Plus en détailExercices - Polynômes : corrigé. Opérations sur les polynômes
Opérations sur les polynômes Exercice 1 - Carré - L1/Math Sup - Si P = Q est le carré d un polynôme, alors Q est nécessairement de degré, et son coefficient dominant est égal à 1. On peut donc écrire Q(X)
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 détailProgrammation mathématique Discrète et Modèles Linéaires
Université Pierre et Marie Curie Master IAD Module PDML Programmation mathématique Discrète et Modèles Linéaires Pierre Fouilhoux pierre.fouilhoux@lip6.fr 29 septembre 2013 Table des matières I Programmation
Plus en détailProbabilités. C. Charignon. I Cours 3
Probabilités C. Charignon Table des matières I Cours 3 1 Dénombrements 3 1.1 Cardinal.................................................. 3 1.1.1 Définition............................................. 3
Plus en détailLES PROBLEMES D'ORDONNANCEMENT
LES PROBLEMES D'ORDONNANCEMENT GOTHA INTRODUCTION 1. PRESENTATION DES PROBLEMES D'ORDONNANCEMENT 1.1. DEFINITIONS ET TYPOLOGIE 1.2. MODELISATION PAR RESEAUX DE PETRI 1.3. TECHNOLOGIE DE GROUPE ET ORDONNANCEMENT
Plus en détailLimites finies en un point
8 Limites finies en un point Pour ce chapitre, sauf précision contraire, I désigne une partie non vide de R et f une fonction définie sur I et à valeurs réelles ou complees. Là encore, les fonctions usuelles,
Plus en détail1 Recherche en table par balayage
1 Recherche en table par balayage 1.1 Problème de la recherche en table Une table désigne une liste ou un tableau d éléments. Le problème de la recherche en table est celui de la recherche d un élément
Plus en détailDurée de L épreuve : 2 heures. Barème : Exercice n 4 : 1 ) 1 point 2 ) 2 points 3 ) 1 point
03 Mai 2013 Collège Oasis Durée de L épreuve : 2 heures. apple Le sujet comporte 4 pages et est présenté en livret ; apple La calculatrice est autorisée ; apple 4 points sont attribués à la qualité de
Plus en détailDÉRIVÉES. I Nombre dérivé - Tangente. Exercice 01 (voir réponses et correction) ( voir animation )
DÉRIVÉES I Nombre dérivé - Tangente Eercice 0 ( voir animation ) On considère la fonction f définie par f() = - 2 + 6 pour [-4 ; 4]. ) Tracer la représentation graphique (C) de f dans un repère d'unité
Plus en détailLa classification automatique de données quantitatives
La classification automatique de données quantitatives 1 Introduction Parmi les méthodes de statistique exploratoire multidimensionnelle, dont l objectif est d extraire d une masse de données des informations
Plus en détailExercices de dénombrement
Exercices de dénombrement Exercice En turbo Pascal, un entier relatif (type integer) est codé sur 6 bits. Cela signifie que l'on réserve 6 cases mémoires contenant des "0" ou des "" pour écrire un entier.
Plus en détailQu est-ce qu une probabilité?
Chapitre 1 Qu est-ce qu une probabilité? 1 Modéliser une expérience dont on ne peut prédire le résultat 1.1 Ensemble fondamental d une expérience aléatoire Une expérience aléatoire est une expérience dont
Plus en détailt 100. = 8 ; le pourcentage de réduction est : 8 % 1 t Le pourcentage d'évolution (appelé aussi taux d'évolution) est le nombre :
Terminale STSS 2 012 2 013 Pourcentages Synthèse 1) Définition : Calculer t % d'un nombre, c'est multiplier ce nombre par t 100. 2) Exemples de calcul : a) Calcul d un pourcentage : Un article coûtant
Plus en détailExo7. Calculs de déterminants. Fiche corrigée par Arnaud Bodin. Exercice 1 Calculer les déterminants des matrices suivantes : Exercice 2.
Eo7 Calculs de déterminants Fiche corrigée par Arnaud Bodin Eercice Calculer les déterminants des matrices suivantes : Correction Vidéo ( ) 0 6 7 3 4 5 8 4 5 6 0 3 4 5 5 6 7 0 3 5 4 3 0 3 0 0 3 0 0 0 3
Plus en détail