Bases de données Cours 5 : Base de données déductives

Dimension: px
Commencer à balayer dès la page:

Download "Bases de données Cours 5 : Base de données déductives"

Transcription

1 Cours 5 : ESIL Université de la méditerranée Odile.Papini@esil.univmed.fr

2 Plan du cours 1 Introduction 2 approche sémantique approche axiomatique 3 règles de déduction bases de données déductives approche sémantique approche axiomatique 4 programmes en

3 Bibliographie Livres : A. Thayse et al. : Approche logique de l intelligence artificielle. Tome2 : de la logique modale à la logique des bases de données. Dunod ed H. Garcia-Molina, J. D. Ullman, J. Widow : Database systems, the complete book. Prentice Hall ed N.Bidoit : C. Zaniolo : LDL++ tutorial. UCLA Supports de cours : R. Godin : Logique et bases de données. 2004

4 approche sémantique approche axiomatique Logique des prédicats : sémantique des bases de données relationnelles Approche sémantique : BD relationnelle : Langage logique du 1er ordre : LR BD : modèle de Herbrand de certaines formules de ce Langage Evaluation d une requête : sélection des instances fondamentales de la requête dans le modèle Approche axiomatique : BD relationnelle : Théorie logique du 1er ordre Evaluation d une requête : sélection des instances fondamentales de la requête qui sont des théorèmes de la théorie

5 approche sémantique approche axiomatique Langage relationnel Langage relationnel LR : associé au schéma S d une BD (adaptation de la langage logique des prédicats) Vocabulaire Nombre fini de constantes : réunion des domaines de S Pas de symbole fonctionnel Nombre fini de prédicats, un prédicat spécial égalité (noté =) Chaque prédicats de LR : schéma d une relation de S Procédé de formation des formules Même procédé que la logique des prédicats

6 approche sémantique approche axiomatique requêtes < x Q(x) > : x(x 1,,x n ) variables cibles de la requête Q(x) : formule de LR < Q > : requête oui-non Q : formule close de LR exemples de requêtes < x y (pere(x,y) (pere(y,lucie) mere(y,lucie))) > contraintes d intégrité : formules closes de LR x y z ((pere(x,z) mere(y,z)) n (conjoint(x,y,n)))

7 approche sémantique approche axiomatique reformulation des requêtes non acceptables requête non acceptable requête acceptable < x F(x) > < x T(x) F(x) > < y F(x,y) > < y x(t(x) F (x)) > < x,y, z F 1(x,y) F 2(y, z) > < x, y,z F(x,z) (F 1(x,y) F 2(y,z)) >

8 approche sémantique approche axiomatique correspondance LR algèbre relationnelle LR algèbre relationnelle < x r > r < x r(x,a) > π x(σ y=a(r)) < y,x F(x) > D < x F(x) > < x F 1(x 1) F 2(x 2) > < x 1 F 1(x 1) > < x 2 F 2(x 2) > < x F 1(x 1) F 2(x 2) > < x F 1(x 1) > < x F 2(x 2) >

9 approche sémantique approche axiomatique correspondance LR algèbre relationnelle (suite) LR algèbre relationnelle < x yf(x,y) > < x, y F(x,y) > D < x yf(x,y) > π x( < x,y F(x,y) > ) < x F(x) > D n \ < x F(x) > ) α β (α β) (β α)

10 approche sémantique approche axiomatique correspondance LR algèbre relationnelle (suite) α β ( α β) < x x = x > D < x x = a > {(a)} < x x = y > {(a,a) (a) D} < x p(a) > {()} si a p < x p(a) > {} si a p

11 approche sémantique approche axiomatique sémantique de LR interprétation : I = (D,I c,i v ) où D : ensemble non vide, domaine d interprétation I c : la fonction : Cons D D m {0,1} c I c (c) P I c (P) I v : la fonction : Var D x I v (x)

12 approche sémantique approche axiomatique interprétation d une formule de la logique LR A une formule de LR, association d une valeur de vérité I(A) à A si x est une variable libre alors I(x) = I v (x) I(c) = (I c (c)) I(P(t 1,,t m )) = (I c (P))(I(t 1 ),,I(t m )) si A et B sont des formules alors A, A B, A B, A B, A B s interprètent comme dans la logique propositionnel si A est une formule et x une variable alors I( x A) = 1 si I x/d (A) = 1 pour tout élément d D si A est une formule et x une variable alors I( x A) = 1 si I x/d (A) = 1 pour au moins un élément d D

13 approche sémantique approche axiomatique Théorème de Herbrand univers de Herbrand U F associé à un ensemble de formules F : ensemble des constantes apparaissant dans les formules de F base de Herbrand (finie) B F associé à F : ensemble des prédicats construits à partir de F en remplaçant les variables par des éléments de l univers de Herbrand interprétation de Herbrand de F : attribution d une valeur de vérité à chaque formule de B F théorème de Herbrand : F est satisfaisable ssi B F est satisfaisable

14 approche sémantique approche axiomatique Point de vue sémantique Approche centrée sur les interprétations existence d un plus petit modèle de Herbrand M B associé à B M B : intersection de tous les modèles de Herbrand réponse aux requêtes < x,q(x) > ensemble de c = (c 1, c n ) pour lesquels Q(c) est vrai dans M B < x,q(x) > = {c, = MB Q(c)} réponse aux requêtes oui-non <,Q > = {()} <,Q > = {} <, Q > = {()} Q est vrai dans M B Q n est pas vrai dans M B Q est faux dans M B

15 approche sémantique approche axiomatique Approche axiomatique théorie logique de LR : associé á une BD (adaptation de la logique des prédicats) a = (a 1,,a n ) r(a) extension d une relation instance de LR BD : ensemble de formules logiques (théorie) de LR représentant les relations axiomes associés à S c = (c 1,,c n ) r r(c) LR

16 approche sémantique approche axiomatique Point de vue axiomatique Approche centrée sur les axiomes axiomes de complétude A(B) : si c = (c 1,,c n ) r alors r(c) est un axiome hypothèse du monde clos : HMC(B) = { P,p B B et P B} axiome de complétude C(B) : x(r(x) x = c 1 x = c 2 x = c p ) axiome d unicité de nom AUN(B) : c i c j, 1 i < j p axiome de fermeture du domaine AFD(B) : x(x = c 1 x = c p ) ou T B = T HMV B T B = T C B = A(B) HMC(B) AUN(B) AFD(B) = A(B) C(B) AUN(B) AFD(B)

17 approche sémantique approche axiomatique Point de vue axiomatique réponse aux requêtes < x,q(x) > ensemble de c = (c 1, c n ) pour lesquels Q(c) est un théorème de T B < x,q(x) > = {c, T B Q(c)} réponse aux requêtes oui-non <,Q > = {()} Q est un théorème de T B <,Q > = {} Q n est pas un théorème de T B <, Q > = {()} Q est un théorème de T B

18 approche sémantique approche axiomatique Equivalence des points de vue axiomatique et sémantique T HMV B théorème : et TB C sont équivalentes T HMV B théorème : et TB C admettent comme seul modèle M B théorème : Si F est une formule de LR alors < x,f(x) > = < x,f(x) >

19 règles de déduction bases de données déductives approche sémantique approche axiomatique base de donnée relationnelle relation pere et relation mere x y x y a b f b d c e c contraintes d intégrité x y(pere(x,y) parent(x,y)) x y(mere(x,y) parent(x,y))

20 règles de déduction bases de données déductives approche sémantique approche axiomatique redondance entre contraintes d intégrité et extension des relations exemple x y(pere(x,y) parent(x,y)) x y(mere(x,y) parent(x,y)) redondance de parent(a,b) lorsque : pere(a,b) B ou mere(a,b) B

21 règles de déduction bases de données déductives approche sémantique approche axiomatique suppression de la redondance suppression de certaines extensions de prédicats dans la BD remplacement par des définitions en compréhension transformation de contraintes en règles de déduction transformation de certains prédicats relationnels en prédicats virtuels construction d une théorie plus compacte exemple parent(a,b) prédicat virtuel défini en compréhension par les règles de déduction : x y(pere(x,y) parent(x,y)) x y(mere(x,y) parent(x,y))

22 règles de déduction bases de données déductives approche sémantique approche axiomatique règle de déduction t (h(t) y(b 1 b n )) A B : si B alors A h(t) : tête de règle, conséquent y(b 1 b n ) : corps de la règle, antécédent exemple r 1 : parent(x,y) pere(x,y) r 2 : parent(x,y) mere(x,y) r 3 : grand parent(x,y) (parent(x,z) parent(z,y))

23 règles de déduction bases de données déductives approche sémantique approche axiomatique règle de déduction relations de dépendance entre prédicats p dépend directement de q : si q apparaît dans le corps d une règle et p dans la tête p est récursif : si p dépend de p p dépend strictement de q : si p dépend de q et q ne dépend pas de p une règle de déduction est récursive : si son antécédent contient un prédicat qui dépend du conséquent

24 règles de déduction bases de données déductives approche sémantique approche axiomatique base de données déductive une base donnée déductive B, est une théorie comprenant : une base de donnée extensionnelle B E base de données relationnelle une base de donnée intensionnelle B I ensemble de règles de déduction

25 règles de déduction bases de données déductives approche sémantique approche axiomatique base de données déductive une règle de déduction est stricte si les littéraux figurant dans l antécédent sont tous positifs : h(t) (b 1 b n ) une règle de déduction est stricte est équivalente à une clause de Horn : h(t) b 1 b n une base de donnée déductive B est stricte si toute règle de déduction de B I est stricte une base de donnée déductive B stricte est hiérarchique si aucun prédicat virtuel n est récursif

26 règles de déduction bases de données déductives approche sémantique approche axiomatique Approche sémantique théorème Soit B une base de données stricte. L intersection de tous les modèles de Herbrand de B est un modèle de Herbrand théorème Soit M B = {A B B B = A} une base de données stricte. L intersection de tous les modèles de Herbrand de B est un modèle de Herbrand Approche sémantique base de donnée B : plus petit modèle de Herbrand M B évaluation des requêtes : recherche des instances vraies dans M B

27 règles de déduction bases de données déductives approche sémantique approche axiomatique Approche axiomatique Soit B une base de données stricte et B B sa base de Herbrand de B avec HMC(B) = { P P B B et B P} La théorie TB HMC associée à B = B HMC(B) AFD(B) AUN(B) est théorème : la théorie T HMC B est cohérente théorème : T HMC B p(a) ssi B A théorème : M B est le seul modèle de T HMC B théorème : la théorie T HMC B est complète

28 Introduction programmes en sémantique de (modèle minimal) sémantique de (point fixe) négation en base de données relationnelle : données représentées par des tables relation arc relation chemin dep ar dep ar Toulon Marseille Toulon Marseille Toulon Cassis Toulon Cassis Toulon La Ciotat Toulon La Ciotat Cassis Marseille Cassis Marseille La Ciotat Cassis La Ciotat Marseille La Ciotat Cassis relation : nom attribut : ensemble de valeurs sur un domaine D schéma d une relation : nom(a 1 : D 1,...,A n : D n ) algébre relationnelle avec les opérateurs : σ, π,,,,,

29 Modèle relationnel : programmes en sémantique de (modèle minimal) sémantique de (point fixe) négation en fondé sur le concept de table avantages : limites : représentation simple pour les utilisateurs modèle bien fondé formellement algèbre : opérations sur les tables logique : langage relationnel ou théorie du 1er ordre représentation de données sémantiquement plus complexes manipulation : effectuer des inférences

30 programmes en sémantique de (modèle minimal) sémantique de (point fixe) négation en Le langage (DATA base LOGic) langage déclaratif proche du langage de programmation logique PROLOG de ensemble de variables ensemble (non vide) de constantes ensemble (non vide) de prédicats deux connecteurs :,

31 règles en programmes en sémantique de (modèle minimal) sémantique de (point fixe) négation en m 0, L et L i : littéraux positifs règles : L L 1 L m signification de : si L 1 L m alors L L : tête de règle, conséquent L 1 L n : corps de la règle, antécédent règles avec corps vide (faits) : L programme : ensemble de règles

32 exemple de programme (1) programmes en sémantique de (modèle minimal) sémantique de (point fixe) négation en programme : arc(toulon, Marseille) arc(toulon, Cassis) arc(cassis, Marseille) chemin(x,y) arc(x,y) arc(toulon, LaCiotat) arc(laciotat, Cassis) chemin(x,y) arc(x,z) chemin(z,y) requêtes : chemin(toulon, Cassis), chemin(la Ciotat, Marseille), chemin(marseille, La Ciotat), chemin(x, Marseille), chemin(toulon,y), chemin(x,y)

33 exemple de programme (2) programme : parent(jean, Luc) parent(anne, Luc) parent(marie, Paul) parent(luc, Eric) parent(paul, Guy) ancêtre(x,y) parent(x, y) programmes en sémantique de (modèle minimal) sémantique de (point fixe) négation en parent(jean, Eve) parent(anne, Eve) parent(luc, Paul) parent(lucie, Guy) ancêtre(x,y) parent(x, z) ancêtre(z,y) requêtes : ancêtre(marie, Paul), ancêtre(jean, Eric), ancêtre(jean, Guy), ancêtre(x, Guy), ancêtre(anne,y), ancêtre(x,y)

34 programmes en sémantique de (modèle minimal) sémantique de (point fixe) négation en sémantique de (modèle minimal) correspondance et logique des prédicats règles : L L 1 L m formule de L Pr : x 1,,x k ( si y 1, y n (L 1 L m )) alors L x 1,,x k : variables apparaissant dans L y 1, y n : variables apparaissant dans L 1,,L m P P LPr programme ensemble de formules de L Pr P LPr : ensemble de clauses de Horn : L L 1 L m

35 interprétation de Herbrand programmes en sémantique de (modèle minimal) sémantique de (point fixe) négation en interprétation : I = (D,I c ) où D ensemble non vide, ensemble des constantes I c la fonction : D m {0,1} D D P I c (P) c I c (c) BH LPr Base de Herbrand : ensemble de tous les faits positifs construits sur L Pr I interprétation de Herbrand : représenté par un sous-ensemble de BH LPr IH : ensemble des interprétations de Herbrand

36 Hypothèse du monde clos programmes en sémantique de (modèle minimal) sémantique de (point fixe) négation en monde réel décrit de façon incomplète faits positifs uniquement (minimisation du stockage) connaissance du monde supposée complète Hypothèse du monde clos : déduction de faits négatifs à partir de faits positifs L Pr : impossibilité de déduction de faits négatifs à partir de faits positifs mécanime extra-logique pour le traitement de la négation

37 Choix du modèle minimal programmes en sémantique de (modèle minimal) sémantique de (point fixe) négation en modèle satisfaisant le moins de faits positifs possible F un ensemble de formules de L Pr M est un modèle minimal de F si : M un modèle de Herbrand M un modèle de F si M M alors M = M ensemble cohérent de clauses : existence d au moins un modèle minimal ensemble de clauses de Horn : modèle minimal : intersection des modèles de Herbrand

38 modèle d un programme programmes en sémantique de (modèle minimal) sémantique de (point fixe) négation en modèle minimal d un programme P M P modèle minimal de P LPr implication ou conséquences d un programme f L Pr, P = f ssi M P satisfait f implication de faits positifs (f positif) P = f ssi P LPr = f implication de faits négatifs P = f n implique pas P LPr = f

39 programmes en sémantique de (modèle minimal) sémantique de (point fixe) négation en base de données déductive et une base donnée déductive B, comprend : une base de donnée extensionnelle B E une base de donnée intensionnelle B I B E ensemble de schémas de relation B I ensemble de schémas de relation langage programme définissant les relations

40 sémantique du point fixe programmes en sémantique de (modèle minimal) sémantique de (point fixe) négation en vision plus opérationnelle d un programme : faits et règles opérateur : application des règles aux faits afin de produire de nouveaux faits chaînage avant ( bottom-up )

41 sémantique du point fixe programmes en sémantique de (modèle minimal) sémantique de (point fixe) négation en T P : opérateur de conséquence immédiate associé à un programme P T P (I) = {tete(r) r IH P et L corps(r),i = L} pour I IH T P est monotone T P admet un plus petit point fixe pppf (T P ) pppf (T P ) s obtient par l itération de T P

42 sémantique du point fixe programmes en sémantique de (modèle minimal) sémantique de (point fixe) négation en T P (I) = {tete(r) r IH P et L corps(r),i = L} pour I IH pppf (T P (I)) : plus petit point fixe de T P équivalence des sémantiques du point fixe et du modèle minimal P programme, M P modèle minimal de P M P = pppf (T P (I))

43 programmes en sémantique de (modèle minimal) sémantique de (point fixe) négation en : exemple sémantique du point fixe implémentation : stratégie chaînage avant ( bottom-up ) on part des faits de la B E pour dériver de nouveaux faits de la B I faits de la B E : table relationnelle Evaluation de requêtes : requêtes non récursives transformation de la requête sous forme d algèbre relationnelle puis opérations de l algèbre relationnelle requêtes récursives création succéssive de tables intermédiaires

44 exemple de programme programmes en sémantique de (modèle minimal) sémantique de (point fixe) négation en programme : parent(jean, Luc) parent(anne, Luc) parent(marie, Paul) parent(luc, Eric) parent(paul, Guy) parent(jean, Eve) parent(anne, Eve) parent(luc, Paul) parent(lucie, Guy) r 1 ancêtre(x,y) parent(x, y) r 2 ancêtre(x,y) parent(x, z) ancêtre(z,y) requête : ancêtre(x,y)

45 : étape 1 programmes en sémantique de (modèle minimal) sémantique de (point fixe) négation en évaluation de la requête : ancêtre(x,y) étape 1 : création d une table vide ancêtre 0 : ancêtre 0 x y étape 2 :création d une table ancêtre 1 en utilisant la règle r 1 ancêtre(x,y) parent(x, y) la table parent

46 : étape 2 programmes en sémantique de (modèle minimal) sémantique de (point fixe) négation en ancêtre 1 x y Jean Luc Jean Eve Anne Luc Anne Eve Marie Paul Luc Paul Luc Eve Lucie Guy Paul Guy

47 : étape 3 programmes en sémantique de (modèle minimal) sémantique de (point fixe) négation en étape 3 :création d une table ancêtre 2 en utilisant la règle r 2 ancêtre(x,y) parent(x, z) ancêtre(z,y)

48 : étape 3 programmes en sémantique de (modèle minimal) sémantique de (point fixe) négation en ancêtre 2 x y Jean Luc Jean Eve Anne Luc Anne Eve Marie Paul Luc Paul Luc Eve Lucie Guy Paul Guy Jean Jean Anne Anne Marie Luc Paul Eric Paul Eric Guy Guy

49 : étape 4 programmes en sémantique de (modèle minimal) sémantique de (point fixe) négation en étape 4 :création d une table ancêtre 3 en utilisant la règle r 2 ancêtre(x,y) parent(x, z) ancêtre(z,y)

50 : étape 4 programmes en sémantique de (modèle minimal) sémantique de (point fixe) négation en ancêtre 3 x y Jean Luc Jean Eve Anne Luc Anne Eve Marie Paul Luc Paul Luc Eve Lucie Guy Paul Guy Jean Jean Anne Anne Marie Luc Paul Eric Paul Eric Guy Guy Jean Anne Guy Guy

51 Evaluation des requêtes en programmes en sémantique de (modèle minimal) sémantique de (point fixe) négation en évaluation naïve itération de l opérateur de conséquence immédiate à l aide des opérations de l algèbre relationnelle résolution restriction de la résolution de L Pr à un langage sans symbole fonctionnel méthodes des ensembles magiques réécriture du programme en un programme équivalent relativement aux réponses à la requête

52 résolution Introduction programmes en sémantique de (modèle minimal) sémantique de (point fixe) négation en principe de la résolution J. -A. Robinson Soit A, B, X des formules propositionnelles On suppose que A X et A X sont cohérentes si X est cohérente alors B est cohérente X est cohérente alors A est cohérente dans les 2 cas A B est cohérente plus formellement : {A X,B X } = A B

53 résolution en logique propositionnelle programmes en sémantique de (modèle minimal) sémantique de (point fixe) négation en proposition (résolution) S : un ensemble de clauses, c 1, c 2 S si l est un littéral tel que : c 1 = l i1 l i2 l in l et c 2 = l j1 l j2 l jm l alors S = r, avec r = l i1 l i2 l in l j1 l j2 l jm On appelle r la résolvante

54 principe de la résolution programmes en sémantique de (modèle minimal) sémantique de (point fixe) négation en S : une ensemble de clauses (CNF correspondant à F ensemble de formules propositionnelles) proposition : S est incohérent ssi S = (avec : clause vide) Algorithme de résolution début tant que S faire choisir l, c 1, c 2 tels que l c 1 et l c 2 calculer la résolvante r remplacer S par S {r} fin tant que fin

55 propriétés de la résolution programmes en sémantique de (modèle minimal) sémantique de (point fixe) négation en S : un ensemble de clauses, S : ensemble de clauses après résolution F : une formule propositionnelle proposition : si S est satisfaisable alors S est satisfaisable proposition : si F a une preuve par résolution alors F est une tautologie théorème de complétude : si F est une tautologie alors F a une preuve par résolution

56 résolution en logique des prédicats programmes en sémantique de (modèle minimal) sémantique de (point fixe) négation en résolution R et saturation S (instanciation dans l univers de Herbrand H C ) semi-commutatives : plus généralement : R(S(H C )) S(R(H C )) R n (S(H C )) S(R n (H C ))

57 unification Introduction programmes en sémantique de (modèle minimal) sémantique de (point fixe) négation en substitution : Var : ensemble des variables, T : ensemble des termes σ fonction de Var dans T, tq l ensemble {x Var,σ(x) x} est fini instance : t un terme, l : un littéral, instance de t (resp. de l), le terme noté σ(t) (resp. le littéral σ(l)), obtenu en remplaçant toutes les occurences des variables x par σ(x). t 1 et t 2 des termes, t 2 est une instance de t 1 s il existe une substitution σ telle que t 2 = σ(t 1 )

58 unification Introduction programmes en sémantique de (modèle minimal) sémantique de (point fixe) négation en unificateur : 2 littéraux l et l sont unifiables s il existe une substitution σ telle que σ(l) = σ(l ). La substitution est appelée l unificateur. unificateur principal : σ est plus général que σ, s il existe σ tq σ = σ σ il existe un unificateur plus général que tous les autres : unificateur principal

59 algorithme d unification programmes en sémantique de (modèle minimal) sémantique de (point fixe) négation en algorithme unification (t 1, t 2 : des termes) début si l un des termes (t 1 ou t 2) est une variable x, (l autre est t) alors si x = t alors possible vrai σ sinon si x appara^ıt dans t alors possible faux sinon possible vrai σ (σ(x) = t) finsi fin si sinon (t 1 = f (x 1,,x n) et t 2 = g(y 1,,y m)) si f g ou n m alors

60 (suite) algorithme d unification sinon (t 1 = f (x 1,,x n) et t 2 = g(y 1,,y m)) si f g ou n m alors possible faux sinon i 0 possible vrai σ tant que i < n et possible faire i i + 1 (possible, σ ) unification(σ(x i), σ(y i)) si possible alors σ σ σ finsi fin tant que fin si fin si fin programmes en sémantique de (modèle minimal) sémantique de (point fixe) négation en

61 propriétés de la résolution programmes en sémantique de (modèle minimal) sémantique de (point fixe) négation en proposition (résolution) S : un ensemble de clauses, c 1, c 2 S, l 1 apparaît dans c 1 et l 2 apparaît dans c 2 θ une substitution de renommage tq θ(c 1 ) et c 2 n ont aucune variable libre en commun soit σ p l unificateur principal de θ(c 1 ) et c 2 S = S {r} et S {r} = S avec r = σ(θ(c 1 \{l 1 }) (c 2 \{ l 2 })) appelée résolvante

62 Algorithme de résolution programmes en sémantique de (modèle minimal) sémantique de (point fixe) négation en début tant que S faire choisir l 1, l 2, c 1, c 2 tels que l c 1 et l 2 c 2 et l 1, l 2 unifiables calculer la résolvante r à partir de l unificateur principal remplacer S par S {r} fin tant que fin

63 utilisation de la résolution programmes en sémantique de (modèle minimal) sémantique de (point fixe) négation en F un ensemble de formules F = F ssi F { F } est insatisfaisable ou incohérent. transformer l ensemble des formules F en ensembles de clauses S et la formule F en un ensemble de clauses C appliquer la résolution à S C

64 nègation dans programmes en sémantique de (modèle minimal) sémantique de (point fixe) négation en not : négation par échec not P : on ne peut déduire P problèmes : 1 risque de clauses incorrectes 2 il n existe pas toujours de modèle minimal Solutions : 1 condition de sécurité : toute variable apparaît dans une sous-requête non précédée d une négation 2 stratification

65 nègation dans programmes en sémantique de (modèle minimal) sémantique de (point fixe) négation en exemples de clauses incorrectes S(x) not R(x) S(x) R(y) not R(x) S(x) R(y) x > y exemple de clause correcte S(x) R(x) not S(x) MAIS problème!!!

66 programmes en sémantique de (modèle minimal) sémantique de (point fixe) négation en nègation dans : exemples de clause correcte mais problématique S(x) R(x) not S(x) R(1), R(2) évaluation de S étape 1 : S = étape 2 : S = {1,2} étape 3 : S = étape 4 : S = {1,2} contrainte de stratification : la négation ne peut pas être imbriquée dans une récursion

67 nègation stratifiée dans programmes en sémantique de (modèle minimal) sémantique de (point fixe) négation en nègation stratifiée : construction d un graphe de dépendances entre prédicats sommets : prédicats arcs : d un prédicat conséquent C vers un prédicat de l antécent de la règle A ériqueté + : si S C et R A ( S R ) ériqueté - : si S C et not R A ( S not R )

68 nègation stratifiée dans programmes en sémantique de (modèle minimal) sémantique de (point fixe) négation en négation non stratifiée : cycle dans le graphe avec au moins un arc étiqueté - négation stratifiée : pas de cycle strate d un sommet : nombre maximum d arc étiqueté - programme stratifié : tous les prédicats ont une strate finie évaluation des prédicats dans l ordre croissant des strates

69 programmes en sémantique de (modèle minimal) sémantique de (point fixe) négation en nègation stratifiée dans : exemple personne(jean, M) personne(anne, F) personne(guy, M) parent(jean, Luc) parent(jean, Eve) parent(paul, Guy) ancêtre(x,y) parent(x, y) ancêtre(x,y) parent(x, z) ancêtre(z,y) PasdescendantdeLuc(x) personne(x, y) not ancêtre(luc,x) négation stratifiée

70 programmes en sémantique de (modèle minimal) sémantique de (point fixe) négation en nègation stratifiée dans : exemple graphe de dépendances

71 liens avec le modèle relationnel programmes en sémantique de (modèle minimal) sémantique de (point fixe) négation en le langage : langage logique le plus simple pour le modèle relationnel aussi puissant qu une algèbre relationnelle classique, posséde en plus la récursivité

72 liens avec le modèle relationnel programmes en sémantique de (modèle minimal) sémantique de (point fixe) négation en atomes relationnels : relations représentées par des prédicats d arité finie atomes arithmétiques : comparaisons entre 2 expressions arithmétiques variables anonymes : variables utilisées une seule fois règles : tête : atome relationnel, suivi de, suivi du corps : constitué de un ou plusieurs atomes relié éventuellement par les opérateurs et not faits : tête : atome relationnel requête : collection d une ou plusieurs règles

73 programmes en sémantique de (modèle minimal) sémantique de (point fixe) négation en expression des opérateurs relationnels en intersection : P Q R(x,y,z) P(x,y,z) Q(x,y,z) union : P Q R(x,y,z) P(x,y,z) R(x,y,z) Q(x,y,z) difference : P Q R(x,y,z) P(x,y,z) not Q(x,y,z)

74 programmes en sémantique de (modèle minimal) sémantique de (point fixe) négation en expression des opérateurs relationnels en produit : P Q R(x,y,z,a,b,c,d) P(x,y,z) ;Q(a,b,c) projection : π x,y (P) R(x,y) P(x,y,z) jointure : P Q R(x,y,z,t) P(x,y) Q(y,z,t) sélection : σ condition (P) R(x,y,z) P(x,y,z) condition

75 programmes en sémantique de (modèle minimal) sémantique de (point fixe) négation en expression des opérateurs relationnels en : exemples schéma : P(dep : D 1, arr : D 2, d : D 3 ) types : dep : chaîne de caractères, arr : chaîne de caractères, d : entier σ dep= Marseille d 50(P) R(x,y,z) P(x,y,z) z 50 x = Marseille σ dep= Marseille or d 50(P) R(x,y,z) P(x,y,z) z 50 R(x,y,z) P(x,y,z) x = Marseille

76 programmes en sémantique de (modèle minimal) sémantique de (point fixe) négation en expression des opérateurs relationnels en : exemples σ not(dep= Marseille or d 50)(P) R(x,y,z) P(x,y,z) z < 50 x Marseille σ not(dep= Marseille d 50)(P) R(x,y,z) P(x,y,z) z < 50 R(x,y,z) P(x,y,z) x Marseille

77 programmes en sémantique de (modèle minimal) sémantique de (point fixe) négation en une implantation de : LDL++ voir le tutorial de LDL ++ : à télécharger à l URL : http ://pages-perso.esil.univmed.fr/ papini/sources/bd.html

78 spécificités : LDL++ programmes en sémantique de (modèle minimal) sémantique de (point fixe) négation en Syntaxe LDL++ Nom des variables : commence par une majuscule Nom de constantes : commence par une minuscule ou entre la conjocrion : se note, not : se note toutes les règles finissent par un point. parent( Jean, Luc ) parent( Jean, Eve ). parent( Paul, Guy ). ancêtre(x,y) parent(x,y). ancêtre(x,y) parent(x,z), ancêtre(z,y).

1ère partie Nadine Cullot. Bases de données déductives. Bases de données déductives Introduction et Motivation

1ère partie Nadine Cullot. Bases de données déductives. Bases de données déductives Introduction et Motivation Master STIC «Image Informatique et Ingénierie» Module Informatique Modèles de représentation - 10h CM Nadine Cullot Kokou Yétongnon nadine.cullot@u-bourgogne.fr kokou.yetongnon@u-bourgogne.fr 1ère partie

Plus en détail

Systèmes décisionnels et programmation avancée

Systèmes décisionnels et programmation avancée Systèmes décisionnels et programmation avancée M1 SIR Philippe Muller et Mustapha Mojahid, Matthieu Serrurier, Marie-Christine Scheix 2014-2015 Introduction structure du cours intervenants introduction

Plus en détail

Utilisation des tableaux sémantiques dans les logiques de description

Utilisation des tableaux sémantiques dans les logiques de description Utilisation des tableaux sémantiques dans les logiques de description IFT6281 Web Sémantique Jacques Bergeron Département d informatique et de recherche opérationnelle Université de Montréal bergerja@iro.umontreal.ca

Plus en détail

Partie II Cours 3 (suite) : Sécurité de bases de données

Partie II Cours 3 (suite) : Sécurité de bases de données Partie II Cours 3 (suite) : Sécurité de bases de données ESIL Université de la méditerranée Odile.Papini@esil.univ-mrs.fr http://odile.papini.perso.esil.univmed.fr/sources/ssi.html Plan du cours 1 Introduction

Plus en détail

Rappels sur les suites - Algorithme

Rappels 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 détail

Intelligence artificielle appliquée à l automatique

Intelligence artificielle appliquée à l automatique Intelligence artificielle appliquée à l automatique par Sylviane GENTIL Professeur à l École nationale supérieure d ingénieurs électriciens Institut national polytechnique de Grenoble 1. Définitions et

Plus en détail

Logique : ENSIIE 1A - contrôle final

Logique : ENSIIE 1A - contrôle final 1 Logique : ENSIIE 1A - contrôle final - CORRIGÉ Mardi 11 mai 2010 - Sans documents - Sans calculatrice ni ordinateur Durée : 1h30 Les exercices sont indépendants. Exercice 1 (Logique du premier ordre

Plus en détail

Fondements de l informatique Logique, modèles, et calculs

Fondements de l informatique Logique, modèles, et calculs Fondements de l informatique Logique, modèles, et calculs Cours INF423 de l Ecole Polytechnique Olivier Bournez Version du 20 septembre 2013 2 Table des matières 1 Introduction 9 1.1 Concepts mathématiques........................

Plus en détail

3 Approximation de solutions d équations

3 Approximation de solutions d équations 3 Approximation de solutions d équations Une équation scalaire a la forme générale f(x) =0où f est une fonction de IR dans IR. Un système de n équations à n inconnues peut aussi se mettre sous une telle

Plus en détail

Intelligence Artificielle Planification

Intelligence Artificielle Planification Intelligence Artificielle Planification Bruno Bouzy http://web.mi.parisdescartes.fr/~bouzy bruno.bouzy@parisdescartes.fr Licence 3 Informatique UFR Mathématiques et Informatique Université Paris Descartes

Plus en détail

1 Introduction et installation

1 Introduction et installation TP d introduction aux bases de données 1 TP d introduction aux bases de données Le but de ce TP est d apprendre à manipuler des bases de données. Dans le cadre du programme d informatique pour tous, on

Plus en détail

INF 232: Langages et Automates. Travaux Dirigés. Université Joseph Fourier, Université Grenoble 1 Licence Sciences et Technologies

INF 232: Langages et Automates. Travaux Dirigés. Université Joseph Fourier, Université Grenoble 1 Licence Sciences et Technologies INF 232: Langages et Automates Travaux Dirigés Université Joseph Fourier, Université Grenoble 1 Licence Sciences et Technologies Année Académique 2013-2014 Année Académique 2013-2014 UNIVERSITÉ JOSEPH

Plus en détail

Langage SQL (1) 4 septembre 2007. IUT Orléans. Introduction Le langage SQL : données Le langage SQL : requêtes

Langage SQL (1) 4 septembre 2007. IUT Orléans. Introduction Le langage SQL : données Le langage SQL : requêtes Langage SQL (1) Sébastien Limet Denys Duchier IUT Orléans 4 septembre 2007 Notions de base qu est-ce qu une base de données? SGBD différents type de bases de données quelques systèmes existants Définition

Plus en détail

Image d un intervalle par une fonction continue

Image 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 détail

Exemple accessible via une interface Web. Bases de données et systèmes de gestion de bases de données. Généralités. Définitions

Exemple accessible via une interface Web. Bases de données et systèmes de gestion de bases de données. Généralités. Définitions Exemple accessible via une interface Web Une base de données consultable en ligne : Bases de données et systèmes de gestion de bases de données The Trans-atlantic slave trade database: http://www.slavevoyages.org/tast/index.faces

Plus en détail

Raisonnements standard et non-standard pour les systèmes décentralisés de gestion de données et de connaissances

Raisonnements standard et non-standard pour les systèmes décentralisés de gestion de données et de connaissances Raisonnements standard et non-standard pour les systèmes décentralisés de gestion de données et de connaissances Nada Abdallah To cite this version: Nada Abdallah. Raisonnements standard et non-standard

Plus en détail

* très facile ** facile *** difficulté moyenne **** difficile ***** très difficile I : Incontournable T : pour travailler et mémoriser le cours

* très facile ** facile *** difficulté moyenne **** difficile ***** très difficile I : Incontournable T : pour travailler et mémoriser le cours Exo7 Continuité (étude globale). Diverses fonctions Exercices de Jean-Louis Rouget. Retrouver aussi cette fiche sur www.maths-france.fr * très facile ** facile *** difficulté moyenne **** difficile *****

Plus en détail

Polynômes à plusieurs variables. Résultant

Polynômes à plusieurs variables. Résultant Polynômes à plusieurs variables. Résultant Christophe Ritzenthaler 1 Relations coefficients-racines. Polynômes symétriques Issu de [MS] et de [Goz]. Soit A un anneau intègre. Définition 1.1. Soit a A \

Plus en détail

Réalisabilité et extraction de programmes

Réalisabilité et extraction de programmes Mercredi 9 mars 2005 Extraction de programme: qu'est-ce que c'est? Extraire à partir d'une preuve un entier x N tel que A(x). π x N A(x) (un témoin) (En fait, on n'extrait pas un entier, mais un programme

Plus en détail

Bases de données avancées Introduction

Bases de données avancées Introduction Bases de données avancées Introduction Dan VODISLAV Université de Cergy-Pontoise Master Informatique M1 Cours BDA Plan Objectifs et contenu du cours Rappels BD relationnelles Bibliographie Cours BDA (UCP/M1)

Plus en détail

Grandes lignes ASTRÉE. Logiciels critiques. Outils de certification classiques. Inspection manuelle. Definition. Test

Grandes lignes ASTRÉE. Logiciels critiques. Outils de certification classiques. Inspection manuelle. Definition. Test Grandes lignes Analyseur Statique de logiciels Temps RÉel Embarqués École Polytechnique École Normale Supérieure Mercredi 18 juillet 2005 1 Présentation d 2 Cadre théorique de l interprétation abstraite

Plus en détail

Bases de données. Chapitre 1. Introduction

Bases de données. Chapitre 1. Introduction Références : Bases de données Pierre Wolper Email : pw@montefiore.ulg.ac.be URL : http : //www.montefiore.ulg.ac.be/~pw/ http : //www.montefiore.ulg.ac.be/ ~pw/cours/bd.html Henry F. Korth, Abraham Silberschatz,

Plus en détail

De même, le périmètre P d un cercle de rayon 1 vaut P = 2π (par définition de π). Mais, on peut démontrer (difficilement!) que

De même, le périmètre P d un cercle de rayon 1 vaut P = 2π (par définition de π). Mais, on peut démontrer (difficilement!) que Introduction. On suppose connus les ensembles N (des entiers naturels), Z des entiers relatifs et Q (des nombres rationnels). On s est rendu compte, depuis l antiquité, que l on ne peut pas tout mesurer

Plus en détail

Logique. Plan du chapitre

Logique. Plan du chapitre Logique Ce chapitre est assez abstrait en première lecture, mais est (avec le chapitre suivant «Ensembles») probablement le plus important de l année car il est à la base de tous les raisonnements usuels

Plus en détail

Information utiles. cinzia.digiusto@gmail.com. webpage : Google+ : http://www.ibisc.univ-evry.fr/ digiusto/

Information utiles. cinzia.digiusto@gmail.com. webpage : Google+ : http://www.ibisc.univ-evry.fr/ digiusto/ Systèmes de gestion de bases de données Introduction Université d Evry Val d Essonne, IBISC utiles email : cinzia.digiusto@gmail.com webpage : http://www.ibisc.univ-evry.fr/ digiusto/ Google+ : https://plus.google.com/u/0/b/103572780965897723237/

Plus en détail

Le langage SQL Rappels

Le langage SQL Rappels Le langage SQL Rappels Description du thème : Présentation des principales notions nécessaires pour réaliser des requêtes SQL Mots-clés : Niveau : Bases de données relationnelles, Open Office, champs,

Plus en détail

Bases de données déductives

Bases de données déductives Bases de données déductives par Mohand-Saïd HACID Maître de conférences en informatique à l université Lyon-I et Jacques KOULOUMDJIAN Docteur ès sciences Professeur d informatique à l INSA de Lyon 1. Bases

Plus en détail

LES OUTILS D ALIMENTATION DU REFERENTIEL DE DB-MAIN

LES OUTILS D ALIMENTATION DU REFERENTIEL DE DB-MAIN LES OUTILS D ALIMENTATION DU REFERENTIEL DE DB-MAIN Les contenues de ce document sont la propriété exclusive de la société REVER. Ils ne sont transmis qu à titre d information et ne peuvent en aucun cas

Plus en 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

Chap 4: Analyse syntaxique. Prof. M.D. RAHMANI Compilation SMI- S5 2013/14 1

Chap 4: Analyse syntaxique. Prof. M.D. RAHMANI Compilation SMI- S5 2013/14 1 Chap 4: Analyse syntaxique 1 III- L'analyse syntaxique: 1- Le rôle d'un analyseur syntaxique 2- Grammaires non contextuelles 3- Ecriture d'une grammaire 4- Les méthodes d'analyse 5- L'analyse LL(1) 6-

Plus en détail

Bases de données cours 1

Bases de données cours 1 Bases de données cours 1 Introduction Catalin Dima Objectifs du cours Modèle relationnel et logique des bases de données. Langage SQL. Conception de bases de données. SQL et PHP. Cours essentiel pour votre

Plus en détail

La NP-complétude. Johanne Cohen. PRISM/CNRS, Versailles, France.

La 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 détail

I - PUISSANCE D UN POINT PAR RAPPORT A UN CERCLE CERCLES ORTHOGONAUX POLES ET POLAIRES

I - PUISSANCE D UN POINT PAR RAPPORT A UN CERCLE CERCLES ORTHOGONAUX POLES ET POLAIRES I - PUISSANCE D UN POINT PAR RAPPORT A UN CERCLE CERCLES ORTHOGONAUX POLES ET POLAIRES Théorème - Définition Soit un cercle (O,R) et un point. Une droite passant par coupe le cercle en deux points A et

Plus en détail

Exercices - Polynômes : corrigé. Opérations sur les polynômes

Exercices - 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 détail

Limites finies en un point

Limites 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 détail

Évaluation et implémentation des langages

Évaluation et implémentation des langages Évaluation et implémentation des langages Les langages de programmation et le processus de programmation Critères de conception et d évaluation des langages de programmation Les fondations de l implémentation

Plus en détail

M é ca n ism e Pr o lo g. Ex e m p le

M é ca n ism e Pr o lo g. Ex e m p le M é ca n ism e Pr o lo g Principe général : 5. on élimine L du but (le but est géré comme une pile de clauses) 1. on prend dans le but (clause ne contenant que des littéraux négatifs) le premier littéral

Plus en détail

Université Paris-Dauphine DUMI2E 1ère année, 2009-2010. Applications

Université 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 détail

Bases de données - Modèle relationnel

Bases de données - Modèle relationnel Bases de données - Modèle relationnel Introduction SITE :http://www.univ-orleans.fr/lifo/members/mirian.halfeld/ BD - Mírian Halfeld-Ferrari p. 1 Les bases de données - Bibliographie Ullman and Widom,

Plus en détail

Raisonnement probabiliste

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

Plus en détail

Bases de données Cours 1 : Généralités sur les bases de données

Bases de données Cours 1 : Généralités sur les bases de données Cours 1 : Généralités sur les bases de données POLYTECH Université d Aix-Marseille odile.papini@univ-amu.fr http://odile.papini.perso.esil.univmed.fr/sources/bd.html Plan du cours 1 1 Qu est ce qu une

Plus en détail

Première partie. Préliminaires : noyaux itérés. MPSI B 6 juin 2015

Première partie. Préliminaires : noyaux itérés. MPSI B 6 juin 2015 Énoncé Soit V un espace vectoriel réel. L espace vectoriel des endomorphismes de V est désigné par L(V ). Lorsque f L(V ) et k N, on désigne par f 0 = Id V, f k = f k f la composée de f avec lui même k

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

Développements limités. Notion de développement limité

Développements 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 détail

MIS 102 Initiation à l Informatique

MIS 102 Initiation à l Informatique MIS 102 Initiation à l Informatique Responsables et cours : Cyril Gavoille Catherine Pannier Matthias Robine Marc Zeitoun Planning : 6 séances de cours 5 séances de TD (2h40) 4 séances de TP (2h40) + environ

Plus en détail

Chapitre 5 : Flot maximal dans un graphe

Chapitre 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 détail

Équations non linéaires

Équations non linéaires Équations non linéaires Objectif : trouver les zéros de fonctions (ou systèmes) non linéaires, c-à-d les valeurs α R telles que f(α) = 0. y f(x) α 1 α 2 α 3 x Equations non lineaires p. 1/49 Exemples et

Plus en détail

Chap. 3: Le modèle de données entité-association (E.A.)

Chap. 3: Le modèle de données entité-association (E.A.) Chap. 3: Le modèle de données entité-association (E.A.) En anglais: Entity-Relationship (ER) Origines: C.Bachman (1969), P.Chen (1976). Modèle de données > décrire la réalité perçue à travers les données

Plus en détail

Calcul différentiel sur R n Première partie

Calcul différentiel sur R n Première partie Calcul différentiel sur R n Première partie Université De Metz 2006-2007 1 Définitions générales On note L(R n, R m ) l espace vectoriel des applications linéaires de R n dans R m. Définition 1.1 (différentiabilité

Plus en détail

Chapitre 2 Le problème de l unicité des solutions

Chapitre 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 détail

Exercices types Algorithmique et simulation numérique Oral Mathématiques et algorithmique Banque PT

Exercices 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 détail

Initiation à la Programmation en Logique avec SISCtus Prolog

Initiation à la Programmation en Logique avec SISCtus Prolog Initiation à la Programmation en Logique avec SISCtus Prolog Identificateurs Ils sont représentés par une suite de caractères alphanumériques commençant par une lettre minuscule (les lettres accentuées

Plus en détail

CCP PSI - 2010 Mathématiques 1 : un corrigé

CCP PSI - 2010 Mathématiques 1 : un corrigé CCP PSI - 00 Mathématiques : un corrigé Première partie. Définition d une structure euclidienne sur R n [X]... B est clairement symétrique et linéaire par rapport à sa seconde variable. De plus B(P, P

Plus en détail

3. SPÉCIFICATIONS DU LOGICIEL. de l'expression des besoins à la conception. Spécifications fonctionnelles Analyse fonctionnelle et méthodes

3. SPÉCIFICATIONS DU LOGICIEL. de l'expression des besoins à la conception. Spécifications fonctionnelles Analyse fonctionnelle et méthodes PLAN CYCLE DE VIE D'UN LOGICIEL EXPRESSION DES BESOINS SPÉCIFICATIONS DU LOGICIEL CONCEPTION DU LOGICIEL LA PROGRAMMATION TESTS ET MISE AU POINT DOCUMENTATION CONCLUSION C.Crochepeyre Génie Logiciel Diapason

Plus en détail

Le théorème de Perron-Frobenius, les chaines de Markov et un célèbre moteur de recherche

Le théorème de Perron-Frobenius, les chaines de Markov et un célèbre moteur de recherche Le théorème de Perron-Frobenius, les chaines de Markov et un célèbre moteur de recherche Bachir Bekka Février 2007 Le théorème de Perron-Frobenius a d importantes applications en probabilités (chaines

Plus en détail

Chapitre 2. Eléments pour comprendre un énoncé

Chapitre 2. Eléments pour comprendre un énoncé Chapitre 2 Eléments pour comprendre un énoncé Ce chapitre est consacré à la compréhension d un énoncé. Pour démontrer un énoncé donné, il faut se reporter au chapitre suivant. Les tables de vérité données

Plus en détail

Introduction aux bases de données

Introduction aux bases de données Introduction aux bases de données Références bibliographiques Jeff Ullman,Jennifer Widom, «A First Course in Database systems», Prentice-Hall, 3rd Edition, 2008 Hector Garcia-Molina, Jeff Ullman, Jennifer

Plus en détail

Calcul fonctionnel holomorphe dans les algèbres de Banach

Calcul fonctionnel holomorphe dans les algèbres de Banach Chapitre 7 Calcul fonctionnel holomorphe dans les algèbres de Banach L objet de ce chapitre est de définir un calcul fonctionnel holomorphe qui prolonge le calcul fonctionnel polynômial et qui respecte

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

Model checking temporisé

Model checking temporisé Model checking temporisé Béatrice Bérard LAMSADE Université Paris-Dauphine & CNRS berard@lamsade.dauphine.fr ETR 07, 5 septembre 2007 1/44 Nécessité de vérifier des systèmes... 2/44 Nécessité de vérifier

Plus en détail

Programmation Par Contraintes

Programmation Par Contraintes Programmation Par Contraintes Cours 2 - Arc-Consistance et autres amusettes David Savourey CNRS, École Polytechnique Séance 2 inspiré des cours de Philippe Baptiste, Ruslan Sadykov et de la thèse d Hadrien

Plus en détail

CHAPITRE IV. L axiome du choix

CHAPITRE IV. L axiome du choix CHAPITRE IV L axiome du choix Résumé. L axiome du choix AC affirme qu il est légitime de construire des objets mathématiques en répétant un nombre infini de fois l opération de choisir un élément dans

Plus en détail

Raisonnement par récurrence Suites numériques

Raisonnement par récurrence Suites numériques Chapitre 1 Raisonnement par récurrence Suites numériques Terminale S Ce que dit le programme : CONTENUS CAPACITÉS ATTENDUES COMMENTAIRES Raisonnement par récurrence. Limite finie ou infinie d une suite.

Plus en détail

Grammaires d unification

Grammaires d unification Cours sur le traitement automatique des langues (IV) Violaine Prince Université de Montpellier 2 LIRMM-CNRS Grammaires d unification Grammaire catégorielle Grammaire syntagmatique généralisée (GPSG) Les

Plus en détail

Algorithmique et Programmation Fonctionnelle

Algorithmique et Programmation Fonctionnelle Algorithmique et Programmation Fonctionnelle RICM3 Cours 9 : Lambda-calcul Benjamin Wack Polytech 2014-2015 1 / 35 La dernière fois Typage Polymorphisme Inférence de type 2 / 35 Plan Contexte λ-termes

Plus en détail

Résolution d équations non linéaires

Résolution d équations non linéaires Analyse Numérique Résolution d équations non linéaires Said EL HAJJI et Touria GHEMIRES Université Mohammed V - Agdal. Faculté des Sciences Département de Mathématiques. Laboratoire de Mathématiques, Informatique

Plus en détail

Intégration et probabilités TD1 Espaces mesurés

Intégration 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 détail

Bases de Données. Plan

Bases de Données. Plan Université Mohammed V- Agdal Ecole Mohammadia d'ingénieurs Rabat Bases de Données Mr N.EL FADDOULI 2014-2015 Plan Généralités: Définition de Bases de Données Le modèle relationnel Algèbre relationnelle

Plus en détail

I. Polynômes de Tchebychev

I. Polynômes de Tchebychev Première épreuve CCP filière MP I. Polynômes de Tchebychev ( ) 1.a) Tout réel θ vérifie cos(nθ) = Re ((cos θ + i sin θ) n ) = Re Cn k (cos θ) n k i k (sin θ) k Or i k est réel quand k est pair et imaginaire

Plus en détail

Exercice autour de densité, fonction de répatition, espérance et variance de variables quelconques.

Exercice autour de densité, fonction de répatition, espérance et variance de variables quelconques. 14-3- 214 J.F.C. p. 1 I Exercice autour de densité, fonction de répatition, espérance et variance de variables quelconques. Exercice 1 Densité de probabilité. F { ln x si x ], 1] UN OVNI... On pose x R,

Plus en détail

IT203 : Systèmes de gestion de bases de données. A. Zemmari zemmari@labri.fr

IT203 : Systèmes de gestion de bases de données. A. Zemmari zemmari@labri.fr IT203 : Systèmes de gestion de bases de données A. Zemmari zemmari@labri.fr 1 Informations pratiques Intervenants : Cours : (A. Zemmari zemmari@labri.fr) TDs, TPs : S. Lombardy et A. Zemmari Organisation

Plus en détail

Théorie et codage de l information

Théorie 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 détail

Cours Base de données relationnelles. M. Boughanem, IUP STRI

Cours Base de données relationnelles. M. Boughanem, IUP STRI Cours Base de données relationnelles 1 Plan 1. Notions de base 2. Modèle relationnel 3. SQL 2 Notions de base (1) Définition intuitive : une base de données est un ensemble d informations, (fichiers),

Plus en détail

Théorie des Graphes Cours 3: Forêts et Arbres II / Modélisation

Théorie 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 détail

Algorithme. Table des matières

Algorithme. Table des matières 1 Algorithme Table des matières 1 Codage 2 1.1 Système binaire.............................. 2 1.2 La numérotation de position en base décimale............ 2 1.3 La numérotation de position en base binaire..............

Plus en détail

Optimisation des fonctions de plusieurs variables

Optimisation des fonctions de plusieurs variables Optimisation des fonctions de plusieurs variables Hervé Hocquard Université de Bordeaux, France 8 avril 2013 Extrema locaux et globaux Définition On étudie le comportement d une fonction de plusieurs variables

Plus en détail

1 Définition et premières propriétés des congruences

1 Définition et premières propriétés des congruences Université Paris 13, Institut Galilée Département de Mathématiques Licence 2ème année Informatique 2013-2014 Cours de Mathématiques pour l Informatique Des nombres aux structures Sylviane R. Schwer Leçon

Plus en détail

Bases de données et sites WEB Licence d informatique LI345

Bases de données et sites WEB Licence d informatique LI345 Bases de données et sites WEB Licence d informatique LI345 Anne Doucet Anne.Doucet@lip6.fr http://www-bd.lip6.fr/ens/li345-2013/index.php/lescours 1 Contenu Transactions en pratique Modèle relationnel-objet

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

La programmation linéaire : une introduction. Qu est-ce qu un programme linéaire? Terminologie. Écriture mathématique

La programmation linéaire : une introduction. Qu est-ce qu un programme linéaire? Terminologie. Écriture mathématique La programmation linéaire : une introduction Qu est-ce qu un programme linéaire? Qu est-ce qu un programme linéaire? Exemples : allocation de ressources problème de recouvrement Hypothèses de la programmation

Plus en détail

Algorithmique et Programmation, IMA

Algorithmique et Programmation, IMA Algorithmique et Programmation, IMA Cours 2 : C Premier Niveau / Algorithmique Université Lille 1 - Polytech Lille Notations, identificateurs Variables et Types de base Expressions Constantes Instructions

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

Leçon 01 Exercices d'entraînement

Leçon 01 Exercices d'entraînement Leçon 01 Exercices d'entraînement Exercice 1 Etudier la convergence des suites ci-dessous définies par leur terme général: 1)u n = 2n3-5n + 1 n 2 + 3 2)u n = 2n2-7n - 5 -n 5-1 4)u n = lnn2 n+1 5)u n =

Plus en détail

Matrice d accès. Master SEMS, 2013-2014. Pierre Paradinas. October 16, 2013

Matrice d accès. Master SEMS, 2013-2014. Pierre Paradinas. October 16, 2013 Matrice d accès Master SEMS, 2013-2014 Pierre Paradinas October 16, 2013 Le Concept de Matrice d Accès ntroduit en 1971 par Butler Lampson Definition On note O, l ensemble des entités objet qui sont impliquées

Plus en détail

Fonctions de plusieurs variables

Fonctions 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 détail

ARBRES BINAIRES DE RECHERCHE

ARBRES BINAIRES DE RECHERCHE ARBRES BINAIRES DE RECHERCHE Table de symboles Recherche : opération fondamentale données : éléments avec clés Type abstrait d une table de symboles (symbol table) ou dictionnaire Objets : ensembles d

Plus en détail

Conception des bases de données : Modèle Entité-Association

Conception des bases de données : Modèle Entité-Association Conception des bases de données : Modèle Entité-Association La modélisation d un problème, c est-à-dire le passage du monde réel à sa représentation informatique, se définit en plusieurs étapes pour parvenir

Plus en détail

www.h-k.fr/publications/objectif-agregation

www.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 détail

Conception des systèmes répartis

Conception des systèmes répartis Conception des systèmes répartis Principes et concepts Gérard Padiou Département Informatique et Mathématiques appliquées ENSEEIHT Octobre 2012 Gérard Padiou Conception des systèmes répartis 1 / 37 plan

Plus en détail

VÉRIFICATION DES SYSTÈMES À PILE AU MOYEN DES ALGÈBRES DE KLEENE

VÉRIFICATION DES SYSTÈMES À PILE AU MOYEN DES ALGÈBRES DE KLEENE VINCENT MATHIEU VÉRIFICATION DES SYSTÈMES À PILE AU MOYEN DES ALGÈBRES DE KLEENE Mémoire présenté à la Faculté des études supérieures de l Université Laval dans le cadre du programme de maîtrise en informatique

Plus en détail

TD 1 - Structures de Traits et Unification

TD 1 - Structures de Traits et Unification TD 1 - Structures de Traits et Unification 1 Définitions Un trait (en: feature) est un couple attribut-valeur. Une structure de traits (en: feature structure) est un ensemble de traits. On peut les représenter

Plus en détail

Le Langage SQL version Oracle

Le Langage SQL version Oracle Université de Manouba École Supérieure d Économie Numérique Département des Technologies des Systèmes d Information Le Langage SQL version Oracle Document version 1.1 Mohamed Anis BACH TOBJI anis.bach@isg.rnu.tn

Plus en détail

Pour l épreuve d algèbre, les calculatrices sont interdites.

Pour l épreuve d algèbre, les calculatrices sont interdites. Les pages qui suivent comportent, à titre d exemples, les questions d algèbre depuis juillet 003 jusqu à juillet 015, avec leurs solutions. Pour l épreuve d algèbre, les calculatrices sont interdites.

Plus en détail

Chp. 4. Minimisation d une fonction d une variable

Chp. 4. Minimisation d une fonction d une variable Chp. 4. Minimisation d une fonction d une variable Avertissement! Dans tout ce chapître, I désigne un intervalle de IR. 4.1 Fonctions convexes d une variable Définition 9 Une fonction ϕ, partout définie

Plus en détail

16H Cours / 18H TD / 20H TP

16H Cours / 18H TD / 20H TP INTRODUCTION AUX BASES DE DONNEES 16H Cours / 18H TD / 20H TP 1. INTRODUCTION Des Fichiers aux Bases de Données 2. SYSTEME DE GESTION DE BASE DE DONNEES 2.1. INTRODUCTION AUX SYSTEMES DE GESTION DE BASES

Plus en détail

COURS EULER: PROGRAMME DE LA PREMIÈRE ANNÉE

COURS EULER: PROGRAMME DE LA PREMIÈRE ANNÉE COURS EULER: PROGRAMME DE LA PREMIÈRE ANNÉE Le cours de la première année concerne les sujets de 9ème et 10ème années scolaires. Il y a bien sûr des différences puisque nous commençons par exemple par

Plus en détail

Structures algébriques

Structures 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 détail

Baccalauréat ES Polynésie (spécialité) 10 septembre 2014 Corrigé

Baccalauréat 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 détail

Chapitre VIII. Les bases de données. Orientées Objet. Motivation

Chapitre VIII. Les bases de données. Orientées Objet. Motivation Chapitre VIII Motivation Le modèle relationnel connaît un très grand succès et s avère très adéquat pour les applications traditionnelles des bases de données (gestion) Les bases de données Orientées Objet

Plus en détail

Introduction à la théorie des graphes. Solutions des exercices

Introduction 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 détail