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

Dimension: px
Commencer à balayer dès la page:

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

Transcription

1 République Algérienne Démocratique et Populaire Ministère de l Enseignement Supérieur et de la Recherche Scientifique Université des Sciences et de la Technologie d Oran -Mohamed Boudiaf USTO-MB Faculté des Sciences Département d Informatique Mémoire pour obtenir le diplôme de Magister Présenté par HOUACINE Abdelkrim Spécialité : Informatique Option: Systèmes, Réseaux et Bases de Données (SRBDD) Intitulé Système Immunitaire Artificiel Parallèle appliqué aux Flow Shop Hybride (FSH) Soutenu le : / / 2011 Devant le jury composé de: Présidente Mme. BELBACHIR Hafida Professeur (USTO) Rapporteur Mr. BELKADI Khaled Maître de conférences A (USTO) Examinatrice Melle. NOUREDDINE Myriam Maître de conférences A (USTO) Examinateur Mr. RAHAL Sid Ahmed Maître de conférences A (USTO) Novembre 2011

2 Remerciements Merci mon Dieu de m avoir dressé et éclairé un chemin vers la réussite Je remercie tout particulièrement mon encadreur, Mr BELKADI KHALED, responsable du laboratoire LIMEPS (Laboratoire d Informatique, Modélisation et Evaluation des Performances des Systèmes), pour m avoir proposé ce sujet, et à qui je voudrais exprimé ma profonde gratitude, pour sa disponibilité et ses encouragements. Mes remerciements vont également à Mme H.BELBACHIR responsable de la Post-graduation «systèmes, réseaux et bases de données» pour m avoir donné l occasion de faire partie de la dite option et pour m avoir fait l honneur de présider le jury de thèse de magister. Je remercie vivement tous les membres du jury, qui m ont fait l honneur de lire et de juger notre travail : Mr. S.RAHAL maître de conférences à l USTO Melle. M.NOUREDDINE maître de conférences à l USTO Mes remerciements vont particulièrement à tous mes collègues de la post-graduation «systèmes, réseaux et bases de données» en particulier, Khaled Ben Ali, Amine Mahmoudi, Houari Benyettou et Kateb Ameur Je remercie aussi, Mr Belkhira Sid Ahmed Hichem, pour donner le courage de réaliser ce travail. Merci à tous ceux qui ont contribuer de prés ou de loin à la réalisation de ce travail

3 Table des matières

4 Table des matières Introduction générale 1 Chapitre I : Généralités 1.1 Introduction Les systèmes de production La disposition des lignes de production La disposition produit La disposition Processus La disposition cellulaire La disposition fixe Les différents types d ateliers Présentation du problème Ordonnancement dans les systèmes de production L atelier de type Flow Shop Hybride (FSH) La configuration du système Flow Shop Hybride Une notation pour le problème FSH Les différents types du FSH La résolution du problème d ordonnancement dans le système FSH Problèmes NP_Difficiles Codage de la solution La complexité du Système FSH Les méthodes de résolution du problème d ordonnancement de type FSH Méthodes de résolution exactes Branch & Bound Résolution approchée Métaheuristiques à solution unique La descente Le Recuit simulé La recherche tabou Métaheuristiques à base de population Colonies de fourmis Les algorithmes génétiques Les métaheuristiques avancées Les algorithmes mémétiques La recherche dispersée (Scatter Search) Algorithme génétique avec gestion de population (GA/PM) Algorithme mémétique avec gestion de population (MA/PM) Métaheuristique électromagnétique Conclusion.. 23

5 Chapitre II : Les Systèmes Immunitaire Artificiel 2.1 Introduction Le système immunitaire Naturel Introduction Composantes de l immunité L immunité naturelle L immunité acquise Détection des antigènes Le récepteur des lymphocytes B (BCR) Le récepteur des lymphocytes T (TCR) Mécanisme de la détection du soi et du non soi La sélection positive La sélection négative de lymphocytes B (La délétion clonale) La sélection négative de lymphocytes T La théorie de la sélection clonale La théorie des réseaux immunitaires (idiotypique) La théorie du danger Le système immunitaire artificiel Introduction Représentation des différents mécanismes Affinité Génération des récepteurs La sélection positive La sélection négative La sélection clonale Modèle des réseaux immunitaires La théorie du danger Conclusion 39 Chapitre III : Développement de l algorithme immunitaire artificiel pour le problème du FSH 3.1 Introduction Le système immunitaire artificiel (AIS) Le principe de la sélection clonale La maturation d affinité L approche AIS proposée Algorithme Le processus de la sélection clonale dans l algorithme Le processus de la maturation d affinité dans l algorithme La mutation La génération des récepteurs Conclusion.. 47

6 Chapitre IV : L Algorithme immunitaire artificiel Parallèle pour le problème du FSH 4.1 Introduction Les architectures parallèles Structure d un ordinateur séquentiel conventionnel Classification des architectures parallèles Le parallélisme et les métaheuristiques Classification des métaheuristiques parallèle La première dimension La deuxième dimension La troisième dimension Stratégies de parallélisme Parallélisme de bas niveau Décomposition explicite du domaine ou l espace de recherche Recherches multiples indépendantes Recherches multiples coopératives Parallélisation de l Algorithme immunitaire artificiel Les paramètres de migration Nombre de sous populations La topologie d interconnexion 58 IV La topologie grille à deux dimensions 58 IV La topologie Anneau Stratégie de choix pour le remplacement des Anticorps. 58 IV La stratégie aléatoire 59 IV La stratégie bon/mauvais La fréquence de migration Présentation de l Algorithme immunitaire artificiel Parallèle avec migration Conclusion.. 60 Chapitre V : Implémentation et mise en oeuvre V.1 Introduction. 61 V.2 L algorithme immunitaire artificiel séquentiel. 61 V.2.1 Paramètres de tests.. 61 V.2.2 Problèmes de tests.. 61 V.2.3 Analyse. 62 V.3 L algorithme immunitaire artificiel Parallèle 69 V.3.1 Paramètres de tests. 69 V Influence de la stratégie du choix de remplacement. 70 V Influence du nombre de sous populations. 71 V Influence de la fréquence de migration. 73 V Comparaison entre l algorithme parallèle et l algorithme séquentiel. 75 V.4 Conclusion. 76 Conclusion générale.. 77 Bibliographie... 79

7 Liste des figures Chapitre I : Généralités Figure 1.1: Organisation en Flow Shop. 6 Figure 1.2: Le schéma d un atelier de type FSH... 6 Figure 1.3 : Positionnement du problème du FSH parmi les autres organisations 7 Figure 1.4 : Schéma d un FSH avec stocks intermédiaire. 8 Figure 1.5 : FSH avec stock inter étages pour chaque machine 9 Figure 1.6 :FSH avec stock inter étages et un stock pour chaque machine en entrée 9 Figure 1.7:FSH avec un stock unique en entrée et des stocks inter étage propre à chaque machine 9 Figure 1.8 : FSH avec un stock unique en entrée et unique entre les étages 9 Figure 1.9 : FSH avec un stock en entrée propre à chaque machine et pas de stock inter 10 Figure 1.10 : FSH avec un stock unique en entrée et pas de stock inter 10 Figure 1.11 : Diagramme de Gantt. 12 Chapitre II : Les Systèmes Immunitaire Artificiel Figure2.1 : Structure de base d'une Lymphocyte T Figure2.2 : Structure de base d'une immunoglobuline.. 27 Figure 2.3: Une simple idée du processus de la sélection clonale. 30 Figure 2.4: Le processus de la sélection clonale et la sélection négative. 30 Figure 2.5: Sélection de segment dans des librairies pour former un anticorps 34 Figure 2.6: Algorithme de la sélection clonale.. 37 Figure 2.7: Représentation schématique de l évolution de l algorithme de la sélection clonale Chapitre III : Développement de l algorithme immunitaire artificiel pour le problème du FSH Figure 3.1: Principe de la sélection clonale. 41 Figure 3.2 : Structure d un FSH4:FH2 (P2, P3) Cmax Figure 3.3: Organigramme de l Algorithme Figure 3.4: Le processus de la mutation large. 46 Figure 3.5: Le processus de la mutation simple.. 46 Chapitre IV : L Algorithme immunitaire artificiel Parallèle pour le problème du FSH Figure 4.1: Architecture d un ordinateur séquentiel conventionnel 49 Figure 4.2: Structure SIMD Figure 4.3: Structure MIMD. 51 Figure 4.4: Schéma de l organisation d une machine à mémoire partagée 51 Figure 4.5: Schéma de l organisation d une machine à mémoires distribuées. 51 Figure 4.6: Parallélisme Bas Niveau Figure 4.7: Configuration en Maitre-Esclave. 54 Figure 4.8: Décomposition de l espace de recherche. 55 Figure 4.9: Décomposition de l espace de recherche l Algorithme Maître 56 Figure 4.10: Topologie Anneau Figure 4.11: Algorithme exécuter par le maître pour PAIS_MIG 59 Figure 4.12: Algorithme exécuter aux niveaux des esclaves PAIS_MIG.. 60 Chapitre V : Implémentation et mise en œuvre Figure 5.1: Structure d un FSH4:FH2 (P3, P2) Cmax. 61 Figure 5.2: Structure d un FSH4:FH3 (P4, P2, P3) Cmax.. 62 Figure 5.3: Graphe de variation de la moyenne du Cmax Avec l augmentation du Taux de mutation. FSH4 :FH2(P3,P2). 62 Figure 5.4 :Graphe de variation de la moyenne du Cmax Avec l augmentation du Taux de mutation FSH4:FH3(P4,P2,P3) 63 Figure 5.5 : Graphe de variation de la moyenne du temps CPU Avec l augmentation du Taux de mutation. FSH4 :FH2(P3,P2). 63

8 Figure 5.6 : Graphe de variation de la moyenne du temps CPU Avec l augmentation du Taux de mutation.fsh4 :FH3(P4,P2,P3). 64 Figure 5.7 : Graphe de variation de la moyenne du Cmax Avec l augmentation du Taux de remplacement FSH4 :FH2(P3,P2).. 65 Figure 5. 8 : Graphe de variation de la moyenne du Cmax Avec l augmentation du Taux de remplacement. FSH4 :FH3(P4,P2,P3). 65 Figure 5.9 : Graphe de variation de la moyenne du temps CPU Avec l augmentation du Taux de remplacement. FSH4:FH2 (P3, P2) 66 Figure 5.10 : Graphe de variation de la moyenne du temps CPU Avec l augmentation du Taux de remplacement. FSH4 :FH3(P4,P2,P3).. 66 Figure 5.11 : Graphe de variation de la moyenne du Cmax Avec l augmentation de la fréquence de génération pour le remplacement.fsh4 :FH2(P3,P2) Figure 5.12 : Graphe de variation de la moyenne du Cmax Avec l augmentation de la fréquence de génération pour le remplacement.fsh4 :FH3(P4,P2,P3).. 68 Figure 5.13 : Graphe de variation de la moyenne du temps CPU Avec l augmentation de la fréquence de génération pour le remplacement. FSH4 :FH2(P3,P2) Figure 5.14 : Graphe de variation de la moyenne du temps CPU Avec l augmentation de la fréquence de génération pour le remplacement. FSH4 : FH3(P4,P2,P3) Figure 5.15 : Variation de la moyenne du Cmax pour différentes stratégies du choix.. 70 Figure 5.16 : Variation de la moyenne du Cmax avec l augmentation du nombre de sous populations- N=5 71 Figure 5.17:Variation de la moyenne du Cmax avec l augmentation du nombre de sous populations N=10 71 Figure 5.18 : Variation de la moyenne du Cmax avec l augmentation du nombre de sous populations- N= Figure 5.19 : Variation de la moyenne du Cmax avec l augmentation du nombre de sous populations- N= Figure 5.20 : Variation de la moyenne du Cmax avec l augmentation de la fréquence de migration - N= Figure 5.21 : Variation de la moyenne du Cmax avec l augmentation de la fréquence de migration - N= Figure 5.22 : Variation de la moyenne du Cmax avec l augmentation de la fréquence de migration - N= Figure 5.23 : Variation de la moyenne du Cmax avec l augmentation de la fréquence de migration - N= Figure 5.24 : Comparaison entre les deux versions en fonction de la qualité des solutions obtenues

9 Liste des tableaux Chapitre I : Généralités Tableau 1.1 : Ordonnancement et affectation des Jobs sur les machines des différents étages. 11 Tableau 1.2 : Combinatoire de temps de calcul estimé pour le FH2 (P3, P2) Chapitre II : Les Systèmes Immunitaire Artificiel Tableau 2.1 : Les recherches concernant le système immunitaire artificiel dans les dernières années. 32

10 Sigles et Abréviations AIS : Le système immunitaire artificiel. FSH : Flow Shop Hybride. PAIS_MIG : L algorithme immunitaire artificiel parallèle avec migration. Th : Les lymphocytes T helper. Tc : Les lymphocytes T cytotoxiques. NK : Natural Killer. CPA : Les Cellules Présentatrices d'antigène CMH : Complexe Majeur d'histocompatibilité BCR : Le récepteur des lymphocytes B Ig : Les immunoglobulines. Ac : Anticorps TCR : Le récepteur des lymphocytes T AIS_seq : L algorithme immunitaire artificiel séquentiel

11 Introduction générale

12 Introduction générale 1 La fonction ordonnancement vise à organiser l utilisation des ressources technologiques et humaines présentes dans les ateliers ou les services de l entreprise pour satisfaire soit directement les demandes des clients, soit les demandes issues d un plan de production préparé par la fonction de planification de l entreprise. Compte tenu de l évolution des marchés et de leurs exigences, cette fonction doit organiser l exécution simultanée de multiples travaux sur des délais de réalisation de plus en plus courts, à l aide de ressources plus ou moins polyvalentes disponibles en quantités limitées. Ceci constitue un problème complexe à résoudre. En cela, apporter des solutions efficaces et performantes aux problèmes d ordonnancement constitue sûrement un enjeu économique important. Les problèmes d ordonnancement industriel ne peuvent généralement être résolus en un temps polynomial par des algorithmes exacts de nature séquentielle ou parallèle et font ainsi partie de la classe des problèmes dits NP-Difficiles. Les métaheuristiques représentent alors des alternatives intéressantes pour la résolution de ce type de problème. Même si ces heuristiques ne garantissent pas l optimalité, elles assurent généralement une bonne qualité de solutions dans un temps de calcul raisonnable. Plusieurs travaux réalisés au cours des dernières années ont démontré l utilité et l efficacité des métaheuristiques pour la résolution de ces problèmes d optimisation combinatoire. Le système immunitaire artificiel (AIS) est une nouvelle technique utilisée pour résoudre les problèmes de l optimisation combinatoire. Les AIS sont des systèmes computationels qui explorent, dérivent et appliquent les différents mécanismes inspirés du système immunitaire biologique naturel dans le but de résoudre les problèmes dans différents domaines. Le but du travail que nous présenterons dans cette thèse de magister est d une part, la proposition d un algorithme basé sur la théorie des systèmes immunitaire artificiel (AIS) pour résoudre le problème d ordonnancement dans un système de production de type Flow Shop Hybride (FSH) et d autre part, de paralléliser cet algorithme pour avoir plus d efficacité et de performance. Le but de paralléliser cette méthode est d améliorer la qualité des solutions obtenues, Les solutions sont les meilleurs ordonnancement des différents travaux dans un FSH qui optimisent (minimisent) le Cmax (le temps d achèvement des travaux).

13 Introduction générale 2 Cette thèse de magister est organisée en cinq chapitres : Dans le premier Chapitre nous allons présenter les notions liées aux systèmes de production, en suite nous allons présenter le problème d ordonnancement dans un système de production de type Flow Shop Hybride (FSH) et en fin les différentes méthodes de résolution utilisées pour le résoudre. Dans le deuxième chapitre, nous présenterons les systèmes immunitaires artificiels en détaillant les différents concepts et mécanismes inspirés du système immunitaire naturel pour la résolution des problèmes en général et les problèmes d optimisation en particulier. Dans le troisième chapitre, nous présenterons l algorithme immunitaire artificiel adopté pour résoudre le problème d ordonnancement dans un système de production de type Flow Shop Hybride. Dans le quatrième chapitre, nous présenterons les différentes architectures parallèles et les différentes stratégies de parallélisation des métaheuristiques et en fin nous détaillerons la stratégie de parallélisation que nous avons choisi pour cet algorithme. Le cinquième chapitre est consacré à l implémentation et à la mise en œuvre des deux versions séquentielle et parallèle de l algorithme adopté en présentant les résultats expérimentaux obtenus. Enfin, nous terminerons par une conclusion générale et quelques perspectives.

14 Chapitre I Généralités

15 Chapitre I Généralités Introduction Depuis les dernières décennies, les systèmes de production ont connu un développement prodigieux, où la gestion de production et l ordonnancement des tâches sont devenus les éléments qui posent plus de problèmes très importants. Comme l augmentation de la production et la diminution des coûts sont devenus l objectif majeur dans toutes les entreprises, les chercheurs ont tenté à trouver et à développer de nouvelles stratégies et méthodes pour la résolution de tels problèmes ; beaucoup plus meilleures que les anciennes. La gestion de production a pour but de fournir des outils permettant le contrôle et la planification de processus de production. Toutes les études montrent que ces fonctions doivent coopérer pour permettre l automatisation de la production et que certaines sous fonctions telles que la gestion des stocks sont bien maîtrisées mais ce n est pas le cas pour d autres comme la planification et l ordonnancement en particulier, qui sont encore assez mal résolus malgré les nombreux efforts faits actuellement. Les problèmes d ordonnancement se rencontrent très souvent notamment dans l optimisation de la gestion des systèmes de production. La plupart des problèmes d ordonnancement sont NP-difficiles. Il s ensuit que ces problèmes sont impossibles à résoudre de manière exacte ; les chercheurs se sont orientés vers l utilisation de méthodes approchées appelées «heuristiques». Contrairement à une méthode exacte qui vise à l obtention d une solution optimale, l objectif d une heuristique est de trouver une «bonne solution en un temps raisonnable». Dans ce chapitre on va présenter les différentes notions liées aux systèmes de production et ensuite on va présenter le problème d ordonnancement dans un système de production de type Flow Shop Hybride (FSH) et en fin on va voir les différentes méthodes de résolution utilisées pour le résoudre. 1.2 Les systèmes de production L ordonnancement dans un système de production consiste à assigner les différents travaux (Jobs) qui ont besoin d être traités aux différentes ressources, Ces ressources sont principalement les machines qui développent les travaux mais peut inclure aussi la main-d'oeuvre exigée pour opérer les machines. Donc, la planification industrielle fait référence à la planification des travaux sur les machines afin qu'ils puissent être traités de la manière la plus optimale. Le processus de planification (ordonnancement) peut être fait d une manière efficace en identifiant les caractéristiques fondamentales du processus de production : La disposition des lignes de production Les différentes familles d ateliers de production

16 Chapitre I Généralités La disposition des lignes de production [BON 08] C est l'organisation des ressources dans l'unité de la production et il y a 4 dispositions fondamentales: La disposition produit Dans ce type de disposition, chaque produit a sa propre ligne de production. Ce qui est traduit par avoir un ensemble de ressources consacrées uniquement pour le traitement d un type de produit particulier, les ressources sont arrangées d une manière à maximiser le taux de production pour ce type de produit. Généralement, dans ce type de disposition les machines exigées sont arrangées dans une ligne suivant l'ordre de la séquence du traitement.cette disposition est utilisée pour la production des produits en grande quantité et permet de minimiser le temps de placement des produits La disposition Processus Appelé aussi une Disposition Fonctionnelle parce que dans cette disposition les machines utilisées pour le même traitement sont regroupées. Le but de cette disposition est de maximiser l'utilisation des machines. Contrairement à la Disposition Produit, les machines sont partagées entre les produits qui les ont besoin La disposition cellulaire Quand les produits qui ont besoin d'un traitement semblable sont groupés et toutes les machines utilisées pour traiter ce groupe sont arrangées dans une cellule. La disposition est appelée une disposition cellulaire. La différence entre la Disposition Processus et la Disposition Cellulaire est que les machines dans la cellule ne sont pas identiques mais constituent toutes les machines qui sont exigées pour traiter un groupe des produits La disposition fixe C'est un type unique de disposition où le travail reste immobile à une place et les machines sont déplacées à l'emplacement du travail. Cette disposition est utilisée pour certains types de produits, surtout ceux qui sont trop lourd pour être déplacés dans l'unité de production Les différents types d ateliers Il existe cinq grandes familles essentielles de problèmes d ateliers [VIG 97] : 1. Problèmes à "1 Machine" : pour lesquels chaque travail (job) n est constitué que d une opération à réaliser. 2. Problèmes à "Machines Parallèles" : pour lesquels chaque travail n est constitué que d une opération qui peut être réalisée par une ou plusieurs machines (selon les contraintes prises en compte), 3. Problèmes d "Open-Shop" : pour lesquels la gamme de fabrication n est pas fixée (les opérations peuvent s exécuter en parallèle) et différente pour chaque travail.

17 Chapitre I Généralités 5 4. Problèmes de "Job-Shop" : pour lesquels la gamme de fabrication est linéaire (une opération de la gamme ne peut être commencée que lorsque l opération qui la précède dans la gamme est terminée) mais différente pour chaque travail. 5. Problèmes de "Flow Shop" : où la gamme de fabrication est linéaire et identique pour chaque travail. 1.3 Présentation du problème Ordonnancement dans les systèmes de production L ordonnancement consiste à organiser dans le temps la réalisation des taches compte tenu des contraintes pour atteindre les objectifs déterminés au préalable. Le but d un ordonnancement c est généralement d optimiser une dimension particulière du problème telle que : le coût, les revenus, le temps ou l efficacité. Donc, un ordonnancement doit être développé afin qu'un résultat optimum soit obtenu qui prend en considération les limites imposées par les contraintes. Dans un système de production, les taches sont les étapes du processus de transformation de la matière première en un produit fini. Un produit dans une phase de production est appelé un travail. Les ressources pourraient être les machines sur lesquelles les travaux sont traités, la main d œuvre pour opérer les machines. Chacune des ressources a certaines contraintes. Par exemple, les machines et la main d œuvre ont des contraintes du temps : ils ne peuvent pas travailler sans arrêt mais ils ont besoins du temps pour reposer, nourriture, entretien, etc. Un autre type de contrainte est que seulement un travail peut être traité par une machine et un homme à tout moment donné. En outre, les contraintes monétaires limitent le nombre des machines, main-d'oeuvre, heures de travail, etc. donc on a beaucoup de contraintes à respecter pour un ordonnancement optimal. Maximiser la productivité dans un système de production est l'objectif fondamental d'un ordonnancement optimal. Un ordonnancement optimal peut dire plusieurs choses en fonction de la définition de la productivité. Dans une installation industrielle, la productivité peut être mesurée par le nombre des travaux traités par unité de temps avec ou sans prendre en compte la disponibilité des produits dans les délais pour les clients, utilisation des ressources et par d autres façons. En fonction de la façon choisie pour mesurer la productivité un ordonnancement peut avoir un ou plusieurs objectifs à atteindre. Parmi les objectifs on trouve Cmax (le temps total d achèvement des travaux), décalage, retard et autres.

18 Chapitre I Généralités 6 Après le processus de l'optimisation un ordonnancement complet fournit essentiellement le début et la fin de chaque travail sur chaque machine et peut inclure aussi des informations diverses concernant les heures de fonctionnement des machines, le temps d entretient, temps pour le repos et l allocation des ouvriers aux machines etc L atelier de type Flow Shop Hybride (FSH) Une topologie du système de production telle qu a été présentée précédemment (Flow Shop, job Shop, etc.) offre l avantage de fournir instantanément une image des entreprises. Néanmoins, il est très rare que l organisation d une entreprise puisse nous permettre de la classer uniquement dans une des classes de cette topologie. On découvre beaucoup plus souvent des organisations mixtes soit en parallèle soit en série de type Masse Atelier [VIG 97] La configuration du système Flow Shop Hybride Dans un problème de type Flow Shop on ne considère que le problème d ordonnancement des taches (Gamme linéaire). Le problème d affectation (qui découle de la présence des machines parallèles à chaque étage) n existe pas puisqu il n y a qu une seule ressource (machine) par étage Figure 1.1: Etage 1 Etage 2 Etage m Figure 1.1 : Organisation en Flow Shop Un FSH est un Flow Shop mais avec des machines parallèles à chaque étage (le nombre des machines peut être différent dans chaque étage). Un FSH est constitué d un ensemble de m étages, Chaque étage j (j=1,, m) est composé de M (j) machines parallèles. N jobs visitent les m étages dans le même ordre (étage1, etage2, étage3,, étage m ) et les dates de fin sont connues pour chaque Job Figure 1.2 : Station d entrée.... stock.... stock stock.... Station de sortie 1 er étage 2 ème étage m ème étage Figure 1.2 : Le schéma d un atelier de type FSH

19 Chapitre I Généralités 7 M(l) = 1 Job-shop avec des machines dupliquées Gamme identique Gamme fixée (linéaire) k étages k = 1 Job-shop Flow-Shop Hybride k = 1 Machines parallèles Gamme non fixée (ordre quelconque) Gamme identique M(l) = 1 Open-shop Flow-shop M(l) = 1 L ordre ou la Séquence des travaux (jobs) est identique tous les temps d exécution des jobs sont positifs il existe au moins un temps d exécution nul Flow-shop de permutation Flow-shop k = 1 Flow-shop généralisé ou flexible flow line k = 1 k = 1 k = 1 Une Machine k désigne le nombre d étages et M(l) désigne le nombre de machines à l étage l. Figure 1.3 : Positionnement du problème du FSH parmi les autres organisations [VIG 97] L atelier de type Flow Shop Hybride a les caractéristiques suivantes : a) A chaque étage un Job est traité par une seule machine et toutes les machines peuvent exécuter les mêmes opérations, mais pas avec la même performance (la performance d une machine peut être liée à la compétence de l agent qui l utilise). b) A tout moment, une machine ne peut traiter qu un seul job, entre chaque étage les Jobs peuvent attendre ou non dans des stocks limités ou illimités. c) Le FSH est un problème générique qui peut modéliser les opérations de production, le stock et le transport entre étages [VIG97]. La résolution du problème FSH, consiste à rechercher un ordonnancement en entrée (étage1) des Jobs, et leurs affectation aux machines des différents étages dans le but d optimiser un critère de performance (Cmax, Tmax, Lmax.etc.) Une notation pour le problème FSH Le système FSH est un système de production désigné par plusieurs champs [VIG 97] : a) Champ α α β γ. j α 2 { }( ) Composé de 4 paramètres : [ 1α 2]( α 3α 4) α j= 1 tel que :

20 Chapitre I Généralités 8 α 1 : Désigne le problème FSH α 2 : Désigne le nombre d étages Le couple ( α3 α 4 ) est répété autant de fois qu il y a d étages. Dans chaque étage : α 3: désigne le type de machine (φ,p,q,r) de l étage j. α 4 : Désigne le nombre de machines dans l étage j. b) Champ β Permet de définir les contraintes prises en compte, Ce champ peut être sous la forme : β = β1,..., βn, ou β i peut être une concaténation de différents paramètres, résumant les contraintes appliquées sur l étage i du système. Dans la notation utilisée dans le FSH l indice supérieur désigne le n de l étage. Les indices inférieurs i et j correspondent respectivement au n du Job (pièce) et au n de la machine sur laquelle est traitées la pièce [VIG 97]. c) le champ γ Ce champ correspond au critère à optimiser : Cmax, Lmax,,etc. D après la description des trois champs, le problème FSH sera noté comme suit : Exemple : FH2, (P2, P1) Cmax (1) FH2, (P2, P1) split (l) Cmax (2) ( j ) 2 ( ) ( P 3 ) ( 2 j ) 5 j = P j = 3 FSH (3) 1 L exemple (1) dénote un FSH à 2 étages avec machines parallèles (P) ; 2 machines dans le 1 ier étage et 1 machine dans le second. Le critère à optimiser est le Cmax. On note l absence du champ β : pas de contrainte sur le système. L exemple (2) dénote un FSH à 2 étages avec machines parallèles (P) ; 2 machines dans le 1 ier étage et 1 machine dans le second. Le critère à optimiser est le Cmax. Une contrainte de décomposition en sous lots (split) est appliquée au 1 ier étage. L exemple (3) dénote la configuration représentée par le schéma suivant avec un stock inter étage (Figure 1.4) Figure 1.4 : Schéma d un FSH avec stocks intermédiaire

Système immunitaire artificiel

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

Plus en détail

Info0804. Cours 6. Optimisation combinatoire : Applications et compléments

Info0804. 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 détail

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

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

Plus en détail

Cours des Méthodes de Résolution Exactes Heuristiques et Métaheuristiques

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

Plus en détail

Problèmes d ordonnancement dans les systèmes de production. Journée Automatique et Optimisation Université de Paris 12 20 Mars 2003

Problèmes d ordonnancement dans les systèmes de production. Journée Automatique et Optimisation Université de Paris 12 20 Mars 2003 Problèmes d ordonnancement dans les systèmes de production Michel Gourgand Université Blaise Pascal Clermont Ferrand LIMOS CNRS UMR 6158 1 Le LIMOS Laboratoire d Informatique, de Modélisation et d Optimisation

Plus en détail

Hela Boukef. To cite this version: HAL Id: tel-00577101 https://tel.archives-ouvertes.fr/tel-00577101

Hela Boukef. To cite this version: HAL Id: tel-00577101 https://tel.archives-ouvertes.fr/tel-00577101 Sur l ordonnancement d ateliers job-shop flexibles et flow-shop en industries pharmaceutiques : optimisation par algorithmes génétiques et essaims particulaires Hela Boukef To cite this version: Hela Boukef.

Plus en détail

PROBLEMES D'ORDONNANCEMENT AVEC RESSOURCES

PROBLEMES 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 détail

Annexe 6. Notions d ordonnancement.

Annexe 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 détail

La programmation à mémoire adaptative ou l évolution des algorithmes évolutifs

La programmation à mémoire adaptative ou l évolution des algorithmes évolutifs La programmation à mémoire adaptative ou l évolution des algorithmes évolutifs Éric D. Taillard 1 Luca M. Gambardella 1 Michel Gendreau 2 Jean-Yves Potvin 2 1 IDSIA, Corso Elvezia 36, CH-6900 Lugano. E-mail

Plus en détail

ALGORITHME GENETIQUE ET MODELE DE SIMULATION POUR L'ORDONNANCEMENT D'UN ATELIER DISCONTINU DE CHIMIE

ALGORITHME GENETIQUE ET MODELE DE SIMULATION POUR L'ORDONNANCEMENT D'UN ATELIER DISCONTINU DE CHIMIE ALGORITHME GENETIQUE ET MODELE DE SIMULATION POUR L'ORDONNANCEMENT D'UN ATELIER DISCONTINU DE CHIMIE P. Baudet, C. Azzaro-Pantel, S. Domenech et L. Pibouleau Laboratoire de Génie Chimique - URA 192 du

Plus en détail

Introduction. I Étude rapide du réseau - Apprentissage. II Application à la reconnaissance des notes.

Introduction. I Étude rapide du réseau - Apprentissage. II Application à la reconnaissance des notes. Introduction L'objectif de mon TIPE est la reconnaissance de sons ou de notes de musique à l'aide d'un réseau de neurones. Ce réseau doit être capable d'apprendre à distinguer les exemples présentés puis

Plus en détail

Problème à résoudre. min f(s) s.c. s S

Problème à résoudre. min f(s) s.c. s S Métaheuristiques Le mot métaheuristique est dérivé de la composition de deux mots grecs: - heuristique qui vient du verbe heuriskein (ευρισκειν) et qui signifie trouver - meta qui est un suffixe signifiant

Plus en détail

Pourquoi l apprentissage?

Pourquoi 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 détail

Une application des algorithmes génétiques à l ordonnancement d atelier

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

Plus en détail

Principes d implémentation des métaheuristiques

Principes d implémentation des métaheuristiques Chapitre 2 Principes d implémentation des métaheuristiques Éric D. Taillard 1 2.1 Introduction Les métaheuristiques ont changé radicalement l élaboration d heuristiques : alors que l on commençait par

Plus en détail

LE PROBLEME DU PLUS COURT CHEMIN

LE 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 détail

Algorithmes de recherche

Algorithmes 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 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

Deux stratégies parallèles de l'optimisation par colonie de fourmis

Deux stratégies parallèles de l'optimisation par colonie de fourmis 4 th International Conference: Sciences of Electronic, Technologies of Information and Telecommunications March 25-29, 2007 TUNISIA Deux stratégies parallèles de l'optimisation par colonie de fourmis HERNANE

Plus en détail

Jade. Projet Intelligence Artificielle «Devine à quoi je pense»

Jade. Projet Intelligence Artificielle «Devine à quoi je pense» Jade Projet Intelligence Artificielle «Devine à quoi je pense» Réalisé par Djénéba Djikiné, Alexandre Bernard et Julien Lafont EPSI CSII2-2011 TABLE DES MATIÈRES 1. Analyse du besoin a. Cahier des charges

Plus en détail

LES MÉTA-HEURISTIQUES : quelques conseils pour en faire bon usage

LES MÉTA-HEURISTIQUES : quelques conseils pour en faire bon usage LES MÉTA-HEURISTIQUES : quelques conseils pour en faire bon usage Alain HERTZ Ecole Polytechnique - GERAD Département de mathématiques et de génie industriel CP 679, succ. Centre-ville, Montréal (QC) H3C

Plus en détail

Ordonnancement. N: nains de jardin. X: peinture extérieure. E: électricité T: toit. M: murs. F: fondations CHAPTER 1

Ordonnancement. 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 détail

Cours de Master Recherche

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

Plus en détail

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

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

Plus en détail

Méthaheuristiques pour l optimisation combinatoire et l affectation sous contraintes

Méthaheuristiques pour l optimisation combinatoire et l affectation sous contraintes Méthaheuristiques pour l optimisation combinatoire et l affectation sous contraintes Jin-Kao Hao *, Philippe Galinier **, Michel Habib *** * LERIA, U.F.R. Sciences, Université d Angers, 2 bd Lavoisier,

Plus en détail

La classification automatique de données quantitatives

La 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 détail

AVERTISSEMENT. D'autre part, toute contrefaçon, plagiat, reproduction encourt une poursuite pénale. LIENS

AVERTISSEMENT. D'autre part, toute contrefaçon, plagiat, reproduction encourt une poursuite pénale. LIENS AVERTISSEMENT Ce document est le fruit d'un long travail approuvé par le jury de soutenance et mis à disposition de l'ensemble de la communauté universitaire élargie. Il est soumis à la propriété intellectuelle

Plus en détail

Exemples de problèmes et d applications. INF6953 Exemples de problèmes 1

Exemples 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 détail

Optimisation non linéaire Irène Charon, Olivier Hudry École nationale supérieure des télécommunications

Optimisation 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 détail

Programmation linéaire

Programmation 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 détail

Souad EL Bernoussi. Groupe d Analyse Numérique et Optimisation Rabat http ://www.fsr.ac.ma/ano/

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 détail

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

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

Plus en détail

Objectifs 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 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 détail

Chapitre 1 : Introduction aux bases de données

Chapitre 1 : Introduction aux bases de données Chapitre 1 : Introduction aux bases de données Les Bases de Données occupent aujourd'hui une place de plus en plus importante dans les systèmes informatiques. Les Systèmes de Gestion de Bases de Données

Plus en détail

Proposition d un modèle pour Ordonnancement d un Système Automatisé de Production Applications des algorithmes génétiques hybrides

Proposition d un modèle pour Ordonnancement d un Système Automatisé de Production Applications des algorithmes génétiques hybrides Proposition d un modèle pour Ordonnancement d un Système Automatisé de Production Applications des algorithmes génétiques hybrides Djamila Bouhalouan 1, Nassima Aissani 1, Bouziane Beldjilali 2 1 Département

Plus en détail

Sciences de Gestion Spécialité : SYSTÈMES D INFORMATION DE GESTION

Sciences de Gestion Spécialité : SYSTÈMES D INFORMATION DE GESTION Sciences de Gestion Spécialité : SYSTÈMES D INFORMATION DE GESTION Classe de terminale de la série Sciences et Technologie du Management et de la Gestion Préambule Présentation Les technologies de l information

Plus en détail

Ministère de l Enseignement Supérieur et de la Recherche Scientifique. Mémoire de fin d études. Thème

Ministère de l Enseignement Supérieur et de la Recherche Scientifique. Mémoire de fin d études. Thème Ministère de l Enseignement Supérieur et de la Recherche Scientifique Institut National de formation en Informatique (I.N.I.) Oued-Smar Alger Mémoire de fin d études Pour l obtention du diplôme d ingénieur

Plus en détail

MS PROJECT 2000. Prise en main. Date: Mars 2003. Anère MSI. 12, rue Chabanais 75 002 PARIS E mail : jcrussier@anere.com Site : www.anere.

MS PROJECT 2000. Prise en main. Date: Mars 2003. Anère MSI. 12, rue Chabanais 75 002 PARIS E mail : jcrussier@anere.com Site : www.anere. DOCUMENTATION MS PROJECT 2000 Prise en main Date: Mars 2003 Anère MSI 12, rue Chabanais 75 002 PARIS E mail : jcrussier@anere.com Site : www.anere.com Le présent document est la propriété exclusive d'anère

Plus en détail

COMMUNICATEUR BLISS COMMANDE PAR UN SENSEUR DE POSITION DE L'OEIL

COMMUNICATEUR BLISS COMMANDE PAR UN SENSEUR DE POSITION DE L'OEIL COMMUNICATEUR BLISS COMMANDE PAR UN SENSEUR DE POSITION DE L'OEIL J. TICHON(1) (2), J.-M. TOULOTTE(1), G. TREHOU (1), H. DE ROP (2) 1. INTRODUCTION Notre objectif est de réaliser des systèmes de communication

Plus en détail

LE DIPLOME DE MAGISTER

LE DIPLOME DE MAGISTER Département d Informatique MEMOIRE Présenté par DEDDOUCHE Yamina Pour obtenir LE DIPLOME DE MAGISTER Spécialité : Informatique Option : Informatique et Automatique Intitulé : Contribution à l Ordonnancement

Plus en détail

Communications collectives et ordonnancement en régime permanent pour plates-formes hétérogènes

Communications 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 détail

Christophe CANDILLIER Cours de DataMining mars 2004 Page 1

Christophe CANDILLIER Cours de DataMining mars 2004 Page 1 Christophe CANDILLIER Cours de DataMining mars 2004 age 1 1. Introduction 2. rocessus du DataMining 3. Analyse des données en DataMining 4. Analyse en Ligne OLA 5. Logiciels 6. Bibliographie Christophe

Plus en détail

Francis BISSON (06 794 819) Kenny CÔTÉ (06 836 427) Pierre-Luc ROGER (06 801 883) IFT702 Planification en intelligence artificielle

Francis BISSON (06 794 819) Kenny CÔTÉ (06 836 427) Pierre-Luc ROGER (06 801 883) IFT702 Planification en intelligence artificielle Francis BISSON (06 794 819) Kenny CÔTÉ (06 836 427) Pierre-Luc ROGER (06 801 883) PLANIFICATION DE TÂCHES DANS MS PROJECT IFT702 Planification en intelligence artificielle Présenté à M. Froduald KABANZA

Plus en détail

DES FOURMIS POUR LIVRER DU MAZOUT

DES FOURMIS POUR LIVRER DU MAZOUT DES FOURMIS POUR LIVRER DU MAZOUT É. D. Taillard (1), G. Agazzi (2), L.-M. Gambardella (3) Résumé La livraison de certains biens peut engendrer des coûts non négligeables par rapport à la valeur de la

Plus en détail

DATE DU CONCOURS: SAMEDI 18 OCTOBRE

DATE DU CONCOURS: SAMEDI 18 OCTOBRE République Algérienne Démocratique et Populaire Ministère de l Enseignement Supérieur et de la Recherche Scientifique Université des Sciences et de la Technologie d Oran BOUDIAF Vice-Rectorat chargé de

Plus en détail

Analyse hiérarchique de tâches (AHT)

Analyse hiérarchique de tâches (AHT) (AHT) Définition Cette méthode consiste à décomposer la tâche principale (ou le but) de l'opérateur en sous-tâches (ou sous-buts), puis chacune de ces sous-tâches en plusieurs sous-sous-tâches, et ainsi

Plus en détail

LES DECIMALES DE π BERNARD EGGER

LES DECIMALES DE π BERNARD EGGER LES DECIMALES DE π BERNARD EGGER La génération de suites de nombres pseudo aléatoires est un enjeu essentiel pour la simulation. Si comme le dit B Ycard dans le cours écrit pour le logiciel SEL, «Paradoxalement,

Plus en détail

Sujet proposé par Yves M. LEROY. Cet examen se compose d un exercice et de deux problèmes. Ces trois parties sont indépendantes.

Sujet proposé par Yves M. LEROY. Cet examen se compose d un exercice et de deux problèmes. Ces trois parties sont indépendantes. Promotion X 004 COURS D ANALYSE DES STRUCTURES MÉCANIQUES PAR LA MÉTHODE DES ELEMENTS FINIS (MEC 568) contrôle non classant (7 mars 007, heures) Documents autorisés : polycopié ; documents et notes de

Plus en détail

Modélisation multi-agents - Agents réactifs

Modélisation multi-agents - Agents réactifs Modélisation multi-agents - Agents réactifs Syma cursus CSI / SCIA Julien Saunier - julien.saunier@ifsttar.fr Sources www-lih.univlehavre.fr/~olivier/enseignement/masterrecherche/cours/ support/algofourmis.pdf

Plus en détail

Apprentissage par renforcement (1a/3)

Apprentissage par renforcement (1a/3) Apprentissage par renforcement (1a/3) Bruno Bouzy 23 septembre 2014 Ce document est le chapitre «Apprentissage par renforcement» du cours d apprentissage automatique donné aux étudiants de Master MI, parcours

Plus en détail

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

Nouvelles propositions pour la résolution exacte du problème de sac à dos bi-objectif unidimensionnel en variables binaires Nouvelles propositions pour la résolution exacte du problème de sac à dos bi-objectif unidimensionnel en variables binaires Julien Jorge, Xavier Gandibleux Laboratoire d Informatique de Nantes Atlantique

Plus en détail

VIII- Circuits séquentiels. Mémoires

VIII- Circuits séquentiels. Mémoires 1 VIII- Circuits séquentiels. Mémoires Maintenant le temps va intervenir. Nous avions déjà indiqué que la traversée d une porte ne se faisait pas instantanément et qu il fallait en tenir compte, notamment

Plus en détail

L utilisation d un réseau de neurones pour optimiser la gestion d un firewall

L utilisation d un réseau de neurones pour optimiser la gestion d un firewall L utilisation d un réseau de neurones pour optimiser la gestion d un firewall Réza Assadi et Karim Khattar École Polytechnique de Montréal Le 1 mai 2002 Résumé Les réseaux de neurones sont utilisés dans

Plus en détail

Statistiques Descriptives à une dimension

Statistiques Descriptives à une dimension I. Introduction et Définitions 1. Introduction La statistique est une science qui a pour objectif de recueillir et de traiter les informations, souvent en très grand nombre. Elle regroupe l ensemble des

Plus en détail

Ebauche Rapport finale

Ebauche 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 détail

Centre de tournage. et de fraisage CNC TNX65/42

Centre de tournage. et de fraisage CNC TNX65/42 Centre de tournage et de fraisage CNC TNX65/42 Le tour TRAUB TNX65/42 pose de nouveaux jalons dans l'usinage à haute performance. Le concept de machine futuriste avec l'incomparable nouvelle unité de fraisage

Plus en détail

Les indices à surplus constant

Les indices à surplus constant Les indices à surplus constant Une tentative de généralisation des indices à utilité constante On cherche ici en s inspirant des indices à utilité constante à définir un indice de prix de référence adapté

Plus en détail

Atelier Transversal AT11. Activité «Fourmis» Pierre Chauvet. pierre.chauvet@uco.fr

Atelier Transversal AT11. Activité «Fourmis» Pierre Chauvet. pierre.chauvet@uco.fr Atelier Transversal AT11 Activité «Fourmis» Pierre Chauvet pierre.chauvet@uco.fr Ant : un algorithme inspiré de l éthologie L éthologie Etude scientifique des comportements animaux, avec une perspective

Plus en détail

Métriques de performance pour les algorithmes et programmes parallèles

Métriques de performance pour les algorithmes et programmes parallèles Métriques de performance pour les algorithmes et programmes parallèles 11 18 nov. 2002 Cette section est basée tout d abord sur la référence suivante (manuel suggéré mais non obligatoire) : R. Miller and

Plus en détail

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

Plus en détail

Préparation des données d entrée pour la définition d un plan de validation

Préparation des données d entrée pour la définition d un plan de validation L ingénierie des systèmes complexes Préparation des données d entrée pour la définition d un plan de validation Référence Internet 22745.010 Saisissez la Référence Internet 22745.010 dans le moteur de

Plus en détail

2. Activités et Modèles de développement en Génie Logiciel

2. Activités et Modèles de développement en Génie Logiciel 2. Activités et Modèles de développement en Génie Logiciel Bernard ESPINASSE Professeur à l'université d'aix-marseille Plan Les Activités du GL Analyse des besoins Spécification globale Conceptions architecturale

Plus en détail

COMMENT MAITRISER LA GESTION DES APPROVISIONNEMENTS ET DES STOCKS DE MEDICAMENTS

COMMENT MAITRISER LA GESTION DES APPROVISIONNEMENTS ET DES STOCKS DE MEDICAMENTS 1 sur 9 COMMENT MAITRISER LA GESTION DES APPROVISIONNEMENTS ET DES STOCKS DE MEDICAMENTS (L'article intégral est paru dans Gestions Hospitalières n 357 de juin-juillet 1996) Pour plus d'informations concernant

Plus en détail

Nom-Projet MODELE PLAN DE MANAGEMENT DE PROJET

Nom-Projet MODELE PLAN DE MANAGEMENT DE PROJET Nom-Projet MODELE PLAN DE MANAGEMENT DE PROJET Glossaire La terminologie propre au projet, ainsi que les abréviations et sigles utilisés sont définis dans le Glossaire. Approbation Décision formelle, donnée

Plus en détail

Séparation et Evaluation pour le problème d ordonnancement avec blocage.

Séparation et Evaluation pour le problème d ordonnancement avec blocage. Séparation et Evaluation pour le problème d ordonnancement avec blocage. Abdelhakim Ait Zai 1, Abdelkader Bentahar 1, Hamza Bennoui 1, Mourad Boudhar 2 et Yazid Mati 3 1 Faculté d Electronique et d Informatique,

Plus en détail

La fonction exponentielle

La 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 détail

modélisation solide et dessin technique

modélisation solide et dessin technique CHAPITRE 1 modélisation solide et dessin technique Les sciences graphiques regroupent un ensemble de techniques graphiques utilisées quotidiennement par les ingénieurs pour exprimer des idées, concevoir

Plus en détail

Big Data et Graphes : Quelques pistes de recherche

Big Data et Graphes : Quelques pistes de recherche Big Data et Graphes : Quelques pistes de recherche Hamamache Kheddouci Laboratoire d'informatique en Image et Systèmes d'information LIRIS UMR 5205 CNRS/INSA de Lyon/Université Claude Bernard Lyon 1/Université

Plus en détail

En vue de l'obtention du. Présentée et soutenue par Abir BEN HMIDA SAKLY Le 12/12/2009

En vue de l'obtention du. Présentée et soutenue par Abir BEN HMIDA SAKLY Le 12/12/2009 THÈSE En vue de l'obtention du DOCTORAT DE L UNIVERSITÉ DE TOULOUSE Délivré par l'institut National des Sciences Appliquées de Toulouse Discipline ou spécialité : Systèmes Informatiques Présentée et soutenue

Plus en détail

Développement itératif, évolutif et agile

Développement itératif, évolutif et agile Document Développement itératif, évolutif et agile Auteur Nicoleta SERGI Version 1.0 Date de sortie 23/11/2007 1. Processus Unifié Développement itératif, évolutif et agile Contrairement au cycle de vie

Plus en détail

Stratégie de recherche adaptative en programmation par contrainte

Stratégie de recherche adaptative en programmation par contrainte Université Paul Sabatier École Nationale de l Aviation Civile Master 2 Recherche Informatique et Télécommunication parcours Intelligence Artificielle Simon Marchal Stratégie de recherche adaptative en

Plus en détail

CHAPITRE VIII : Les circuits avec résistances ohmiques

CHAPITRE VIII : Les circuits avec résistances ohmiques CHAPITRE VIII : Les circuits avec résistances ohmiques VIII. 1 Ce chapitre porte sur les courants et les différences de potentiel dans les circuits. VIII.1 : Les résistances en série et en parallèle On

Plus en détail

Item 169 : Évaluation thérapeutique et niveau de preuve

Item 169 : Évaluation thérapeutique et niveau de preuve Item 169 : Évaluation thérapeutique et niveau de preuve COFER, Collège Français des Enseignants en Rhumatologie Date de création du document 2010-2011 Table des matières ENC :...3 SPECIFIQUE :...3 I Différentes

Plus en détail

Travaux pratiques. Compression en codage de Huffman. 1.3. Organisation d un projet de programmation

Travaux 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 détail

Perrothon Sandrine UV Visible. Spectrophotométrie d'absorption moléculaire Étude et dosage de la vitamine B 6

Perrothon Sandrine UV Visible. Spectrophotométrie d'absorption moléculaire Étude et dosage de la vitamine B 6 Spectrophotométrie d'absorption moléculaire Étude et dosage de la vitamine B 6 1 1.But et théorie: Le but de cette expérience est de comprendre l'intérêt de la spectrophotométrie d'absorption moléculaire

Plus en détail

Approche d'évaluation pour les problèmes d'ordonnancement multicritères : Méthode d'agrégation avec direction de recherche dynamique

Approche d'évaluation pour les problèmes d'ordonnancement multicritères : Méthode d'agrégation avec direction de recherche dynamique Approche d'évaluation pour les problèmes d'ordonnancement multicritères : Méthode d'agrégation avec direction de recherche dynamiue D. BERKOUNE 2, K. MESGHOUNI, B. RABENASOLO 2 LAGIS UMR CNRS 846, Ecole

Plus en détail

THÈSE. présentée à l Université d Avignon et des Pays de Vaucluse pour obtenir le diplôme de DOCTORAT

THÈSE. présentée à l Université d Avignon et des Pays de Vaucluse pour obtenir le diplôme de DOCTORAT ACADÉMIE D AIX-MARSEILLE UNIVERSITÉ D AVIGNON ET DES PAYS DE VAUCLUSE THÈSE présentée à l Université d Avignon et des Pays de Vaucluse pour obtenir le diplôme de DOCTORAT SPÉCIALITÉ : Informatique École

Plus en détail

LES CARTES À POINTS : POUR UNE MEILLEURE PERCEPTION

LES CARTES À POINTS : POUR UNE MEILLEURE PERCEPTION LES CARTES À POINTS : POUR UNE MEILLEURE PERCEPTION DES NOMBRES par Jean-Luc BREGEON professeur formateur à l IUFM d Auvergne LE PROBLÈME DE LA REPRÉSENTATION DES NOMBRES On ne conçoit pas un premier enseignement

Plus en détail

Etude d Algorithmes Parallèles de Data Mining

Etude d Algorithmes Parallèles de Data Mining REPUBLIQUE TUNISIENNE MINISTERE DE L ENSEIGNEMENT SUPERIEUR, DE LA TECHNOLOGIE ET DE LA RECHERCHE SCIENTIFIQUE UNIVERSITE DE TUNIS ELMANAR FACULTE DES SCIENCES DE TUNIS DEPARTEMENT DES SCIENCES DE L INFORMATIQUE

Plus en détail

Modélisation aléatoire en fiabilité des logiciels

Modélisation aléatoire en fiabilité des logiciels collection Méthodes stochastiques appliquées dirigée par Nikolaos Limnios et Jacques Janssen La sûreté de fonctionnement des systèmes informatiques est aujourd hui un enjeu économique et sociétal majeur.

Plus en détail

Minimisation de la somme des retards dans un jobshop flexible

Minimisation de la somme des retards dans un jobshop flexible Minimisation de la somme des retards dans un jobshop flexible Nozha ZRIBI, Imed KACEM, Abdelkader EL KAMEL, Pierre BORNE LAGIS Ecole Centrale de Lille, BP 48, 5965 Villeneuve d Ascq Cedex, France ISTIT

Plus en détail

Algorithme des fourmis appliqué à la détection et au suivi de contours dans une image

Algorithme des fourmis appliqué à la détection et au suivi de contours dans une image IN52-IN54 A2008 Algorithme des fourmis appliqué à la détection et au suivi de contours dans une image Etudiants : Nicolas MONNERET Alexandre HAFFNER Sébastien DE MELO Responsable : Franck GECHTER Sommaire

Plus en détail

Concevoir et déployer un data warehouse

Concevoir et déployer un data warehouse Concevoir et déployer un data warehouse Ralph Kimball Éditions Eyrolles ISBN : 2-212-09165-6 2000 2 Le cycle de vie dimensionnel Avant d étudier de plus près les spécificités de la conception, du développement

Plus en détail

Classe de première L

Classe de première L Classe de première L Orientations générales Pour bon nombre d élèves qui s orientent en série L, la classe de première sera une fin d étude en mathématiques au lycée. On a donc voulu ici assurer à tous

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

Big Data et Graphes : Quelques pistes de recherche

Big Data et Graphes : Quelques pistes de recherche Big Data et Graphes : Quelques pistes de recherche Hamamache Kheddouci http://liris.cnrs.fr/hamamache.kheddouci Laboratoire d'informatique en Image et Systèmes d'information LIRIS UMR 5205 CNRS/INSA de

Plus en détail

L apprentissage automatique

L apprentissage automatique L apprentissage automatique L apprentissage automatique L'apprentissage automatique fait référence au développement, à l analyse et à l implémentation de méthodes qui permettent à une machine d évoluer

Plus en détail

Intelligence Artificielle et Systèmes Multi-Agents. Badr Benmammar bbm@badr-benmammar.com

Intelligence Artificielle et Systèmes Multi-Agents. Badr Benmammar bbm@badr-benmammar.com Intelligence Artificielle et Systèmes Multi-Agents Badr Benmammar bbm@badr-benmammar.com Plan La première partie : L intelligence artificielle (IA) Définition de l intelligence artificielle (IA) Domaines

Plus en détail

OPTIMISATION À UNE VARIABLE

OPTIMISATION 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 détail

Les 10 grands principes de l utilisation du data mining pour une gestion de la relation client réussie

Les 10 grands principes de l utilisation du data mining pour une gestion de la relation client réussie Les 10 grands principes de l utilisation du data mining pour une gestion de la relation client réussie Découvrir les stratégies ayant fait leurs preuves et les meilleures pratiques Points clés : Planifier

Plus en détail

ELEC2753 Electrotechnique examen du 11/06/2012

ELEC2753 Electrotechnique examen du 11/06/2012 ELEC2753 Electrotechnique examen du 11/06/2012 Pour faciliter la correction et la surveillance, merci de répondre aux 3 questions sur des feuilles différentes et d'écrire immédiatement votre nom sur toutes

Plus en détail

CHAPITRE IX : Les appareils de mesures électriques

CHAPITRE IX : Les appareils de mesures électriques CHAPITRE IX : Les appareils de mesures électriques IX. 1 L'appareil de mesure qui permet de mesurer la différence de potentiel entre deux points d'un circuit est un voltmètre, celui qui mesure le courant

Plus en détail

Traitement des données avec Microsoft EXCEL 2010

Traitement des données avec Microsoft EXCEL 2010 Traitement des données avec Microsoft EXCEL 2010 Vincent Jalby Septembre 2012 1 Saisie des données Les données collectées sont saisies dans une feuille Excel. Chaque ligne correspond à une observation

Plus en détail

Ordonnancement robuste et décision dans l'incertain

Ordonnancement robuste et décision dans l'incertain Ordonnancement robuste et décision dans l'incertain 4 ème Conférence Annuelle d Ingénierie Système «Efficacité des entreprises et satisfaction des clients» Centre de Congrès Pierre Baudis,TOULOUSE, 2-4

Plus en détail

UNIVERSITÉ DU QUÉBEC À CHICOUTIMI UNIVERSITÉ DU QUÉBEC À MONTRÉAL

UNIVERSITÉ DU QUÉBEC À CHICOUTIMI UNIVERSITÉ DU QUÉBEC À MONTRÉAL UNIVERSITÉ DU QUÉBEC À CHICOUTIMI UNIVERSITÉ DU QUÉBEC À MONTRÉAL MÉTAHEURISTIQUES HYBRIDES POUR LA RÉSOLUTION DU PROBLÈME D'ORDONNANCEMENT DE VOITURES DANS UNE CHAÎNE D'ASSEMBLAGE AUTOMOBILE MÉMOIRE PRÉSENTÉ

Plus en détail

LE CHEMINEMENT COMPLEXE D UN VACCIN

LE CHEMINEMENT COMPLEXE D UN VACCIN LE CHEMINEMENT COMPLEXE D UN VACCIN Chaîne de production, exigences réglementaires et accès aux vaccins International Federation of Pharmaceutical Manufacturers & Associations LE CHEMINEMENT COMPLEXE D

Plus en détail

Algorithmique avec Algobox

Algorithmique avec Algobox Algorithmique avec Algobox 1. Algorithme: Un algorithme est une suite d instructions qui, une fois exécutée correctement, conduit à un résultat donné Un algorithme doit contenir uniquement des instructions

Plus en détail

IMMUNOLOGIE. La spécificité des immunoglobulines et des récepteurs T. Informations scientifiques

IMMUNOLOGIE. La spécificité des immunoglobulines et des récepteurs T. Informations scientifiques IMMUNOLOGIE La spécificité des immunoglobulines et des récepteurs T Informations scientifiques L infection par le VIH entraîne des réactions immunitaires de l organisme qui se traduisent par la production

Plus en détail

Julien MATHEVET Alexandre BOISSY GSID 4. Rapport RE09. Load Balancing et migration

Julien MATHEVET Alexandre BOISSY GSID 4. Rapport RE09. Load Balancing et migration Julien MATHEVET Alexandre BOISSY GSID 4 Rapport Load Balancing et migration Printemps 2001 SOMMAIRE INTRODUCTION... 3 SYNTHESE CONCERNANT LE LOAD BALANCING ET LA MIGRATION... 4 POURQUOI FAIRE DU LOAD BALANCING?...

Plus en détail