Autres langages de l IA
|
|
- Paulette Fleury
- il y a 8 ans
- Total affichages :
Transcription
1 Autres langages de l IA Cours en cours de réalisation Module Programmation Logique Pierre De Loor enib deloor@enib.fr
2 Exemples Programmation logiques par contraintes Programmation fonctionnelle CLIPS SOAR Programmation logique parallèle Programmation des logiques modales Programmation des logiques temporelles Programmation logique inductive Programmation logique abductive
3 Programmation logique par contraintes CHIP CLP CLP(FD) Distribution AWC
4 Programmation fonctionnelle (PF) Fonctions Origine mathématique Lambda-calcul : Church 1932 Formalisation de la notion de fonctions Exclusion de la dualité Intension/extension Fonctions définies par des règles Récursivité intrinsèque : le domaine des lambdafonctions est l ensemble des termes du lambdacalcul Applications Mathématiques Informatique Linguistique
5 PF : lambda calcul Langage naturel Appliquer la consigne au véhicule Partir en véhicule consigne En utilisant Un traineau Partir en traineau
6 PF : lambda-calcul Lambda Langage λ.x Partir en x consigne En utilisant Un traineau Partir en traineau
7 PF : lambda calcul Lambda-calcul λ.x(partir en x) traineau
8 PF : lambda calcul Mise en cascade λ.y(λ.x(partir en x y) traîneau) bleu) Réduction λ.x(partir en x bleu) traîneau (partir en traîneau bleu)
9 PF : lambda calcul Récursivité F (G F) Exemple du factoriel G λ.f[λ.n[if(=n 0) 1 (* n(f(-n 1)))]]
10 PF : Exemple en LISP (defun fact (n)) (if (eq n 0) 1 (* n fact (- n 1)) ) )
11 PF : conclusion (1/2) Puissance d expression Parler de fonctions sans connaitre leur valeur Fonctions d ordres supérieurs Languages : LISP Miranda OCaml Haskell
12 PF : conclusion (2/2) PF et PL Pas d unification ni de retour arrière Ordre supérieur Fusionner les deux? Curry
13 CLIPS NASA (CLIPS 1985 CLIPS ) «Système de production» Langage de description de S.E. Noyau de plusieurs milliers de SE. Faits et règles typés Assertion et délétion Chaînage avant Hiérarchie des règles «salience» Règles actives à un instant : agenda Réfraction Algorithme RETE : complexité linéaire nbfait nbrègles
14 CLIPS : Principe Base de règles règles Type de faits réfraction Agenda Règles «activables» activation Faits cycle production Appariement (Rete)
15 CLIPS : Mots clés Base de règles règles defrule deftemplate Type de faits Agenda Règles «activables» refresh réfraction activation assert/modify duplicate/retract/deffacts/reset Faits run<n> production appariement
16 CLIPS : Execution Une règle activée est mise dans l agenda Lorsqu elle est exécutée elle est retirée de l agenda : «refraction» Au prochain pas, elle ne sera pas réactivée Sauf si c est par de nouveaux faits Une régle peut être mise en plusieurs exemplaires dans l agenda si elle est activée par plusieurs faits La fonction (refresh <règle>) remet la règle dans l agenda comme si elle n avait pas été activée
17 CLIPS : Types faits et règles exemple 1 (deftemplate objet (slot nom) (slot position) (slot couleur)) (deftemplate posseder (slot objet)) (deftemplate liste-nombres (multislot values)) (defrule prendre (objet (nom?unnom)) => (assert(posseder (objet?unnom))
18 CLIPS : Types faits et règles exemple 1 ; faits initiaux en ligne : assert (assert(objet (nom cafetiere) (position 5-7) (couleur bleue))) ; faits initiaux en vrac : deffacts ; ils seront insérés suite à l'instruction (reset) (deffacts scene1 "Exemple de scene" (objet (nom theiere) (position 4-4) (couleur verte)) (objet (nom chaise) (position 1-1) (couleur jaune)) (objet (nom pomme) (position 4-8) (couleur rouge)))
19 CLIPS : Exemple d exécution exemple 1 {deloor@deloor}~/enseignement/ia/clips/examples/pdl$ clips CLIPS (V /15/03) CLIPS> (load "coursexample1.clp") Defining deftemplate: objet Defining deftemplate: posseder Defining deftemplate: liste-nombres Defining defrule: prendre +j Defining deffacts: scene1 TRUE CLIPS> (assert (objet (nom cafetiere) (position 1-2) (couleur bleue))) <Fact-0> CLIPS> (facts) f-0 (objet (nom cafetiere) (position 1-2) (couleur bleue)) For a total of 1 fact. CLIPS> (agenda) 0 prendre: f-0 For a total of 1 activation. CLIPS> (run) CLIPS> (facts) f-0 (objet (nom cafetiere) (position 1-2) (couleur bleue)) f-1 (posseder (objet cafetiere)) For a total of 2 facts. CLIPS> (agenda) CLIPS> (reset) CLIPS> (facts) f-0 (initial-fact) f-1 (objet (nom theiere) (position 4-4) (couleur verte)) f-2 (objet (nom chaise) (position 1-1) (couleur jaune)) f-3 (objet (nom pomme) (position 4-8) (couleur rouge)) For a total of 4 facts. CLIPS> (agenda) 0 prendre: f-3 0 prendre: f-2 0 prendre: f-1 For a total of 3 activations. CLIPS> (run) CLIPS> (facts) f-0 (initial-fact) f-1 (objet (nom theiere) (position 4-4) (couleur verte)) f-2 (objet (nom chaise) (position 1-1) (couleur jaune)) f-3 (objet (nom pomme) (position 4-8) (couleur rouge)) For a total of 4 facts. CLIPS> (agenda) 0 prendre: f-3 0 prendre: f-2 0 prendre: f-1 For a total of 3 activations. CLIPS> (run) CLIPS> (facts) f-0 (initial-fact) f-1 (objet (nom theiere) (position 4-4) (couleur verte)) f-2 (objet (nom chaise) (position 1-1) (couleur jaune)) f-3 (objet (nom pomme) (position 4-8) (couleur rouge)) f-4 (posseder (objet pomme)) f-5 (posseder (objet chaise)) f-6 (posseder (objet theiere)) For a total of 7 facts. CLIPS> (agenda) CLIPS>
20 CLIPS : Exemple 2 (deftemplate vehicule (slot nom) (slot position) (slot vitesse)) (defrule sortirparking?f1 <- (vehicule (position parking)) => (modify?f1 (position route) (vitesse 40km/heures))) {deloor@deloor}~/enseignement/ia/clips/examples/pdl$ clips CLIPS (V /15/03) CLIPS> (load "coursexemple2.clp") Defining deftemplate: vehicule Defining defrule: sortirparking +j TRUE CLIPS> (assert (vehicule (nom trotinette) (position parking) (vitesse 0))) <Fact-0> CLIPS> (assert (vehicule (nom kart) (position route) (vitesse 12km/h))) <Fact-1> CLIPS> (facts) f-0 (vehicule (nom trotinette) (position parking) (vitesse 0)) f-1 (vehicule (nom kart) (position route) (vitesse 12km/h)) For a total of 2 facts. CLIPS> (agenda) 0 sortirparking: f-0 For a total of 1 activation. CLIPS> (run) CLIPS> (facts) f-1 (vehicule (nom kart) (position route) (vitesse 12km/h)) f-2 (vehicule (nom trotinette) (position route) (vitesse 40km/heures)) For a total of 2 facts. CLIPS> (agenda) CLIPS>
21 CLIPS : Hiérarchiser les règles Utilisation de salience Méta-règles Exemple : Utiliser les règles relatives à la couleur des champignons Puis celles relatives à la température Sauf si l on rencontre certains faits
22 CLIPS : Stratégie de chaînage Correspond à un tri par défaut des règles Largeur + salience Profondeur + salience Aléatoire Lexicale Complexité
23 CLIPS : calcul de la salience Explicitée par l utilisateur Règles pré-définies : Lors de l activation des règles Lors de la définitions de règles A Chaque cycles
24 CLIPS : conclusions C Language Integrated Production System Version JAVA : Jess CLIPS et PL? Chaînage avant Unification Mixage? «Quelle est donc cette fleur» [Aichelle] Beaucoup de Systèmes Experts définis en CLIPS
25 Programmation Logique Parallèle Quoi : paralléliser la résolution de Prolog a :- b,c,d. a :- c,d. a :- f. % règle r1 % règle r2 % règle r3 prolog est séquentiel : scrutation des conjonctions (b puis c puis d) scrutation des disjonctions (r1 puis r2 puis r3)
26 PLP : Pourquoi paralléliser prolog Pas de justification de la scrutation séquentielle Branches infinies Optimisation
27 PLP : Exemple concaplat(t1,t2,t3): aplatir(t1,t1p), aplatir(t2,t2p), conc(t1p,t2p,t3). conc peut commencer dès que l on a le début de T1P et de T2P. mieux : concaplat peut commencer dès que l on a le début de T1 et T2 (possibilité de listes infinies). lazy evaluation. problème : il existe une règle conc([],[],[]).
28 PLP : Parallélisation des conjonctions a(x,y) :- b(x,z),c(z,q),d(x,q,y). en parallèle problème d unification priorités? direction (flots de données) échec ou «suspension»
29 PLP : Parallélisation des disjonctions couleur(jaune). couleur(vert). couleur(orange). en parallèle -? couleur(x). problème de choix indeterminisme problème de suspension
30 PLP : Imposer des flots Parlog Concurrent Prolog mode conc(?,?, ). mode applatir(?, ). mode concapplat(?,?, ). concapplat aplatir aplatir conc
31 PLP : Revoir l unification Si une entrée est une variable la règle n est pas en échec elle est «suspendue» ensuite : unification classique
32 PLP : Exemple -? concaplat([a,[b]],[c,d],l): 1 2 aplatir([a,[b]],x) aplatir([c,d],y) aplatir([[b]],x1) X=[a X1] aplatir([d],x2) Y=[d X2] Dès que 1 et 2 sont finies on peut lancer conc([a X1],[b X2],L) Si 1 va + vite que 2 on peut arriver à conc([a,b],[c X2]). Si 2 va + vite que 1 on peut arriver à conc([a X1],[c,d]).
33 PLP : Indéterminisme par essence plusieurs processus peuvent être la source d une même variable. solution dépendante de la «vitesse» relative des processus. la solution est «logiquement» bonne
34 PLP : Le retour arrière n existe plus comme si chaque prédicat commençait par un! toutes les unifications des têtes sont évaluées en parallèle l engagement : la première tête unifiable trouvée a gagné les autres sont abandonnées non déterministe choix délibéré : engagement dans une branche si la branche est en échec «fail» et c est tout on ne trouve qu une solution ou aucune (incomplet)
35 PLP : Limiter les engagements : les gardes «:» régle :- g1,g2 : b1,b2. garde engagement si la garde est vraie sinon suspension : attente d une garde vraie mode on_ord_tree(?,,?). on_ord_tree(key,value,bt(x,(key,value),y)). on_ord_tree(key,value,bt(x,(key2,_),y)):- KEY<KEY2 : on_ord_tree(key,value,x). on_ord_tree(key,value,bt(x,(key2,_),y)):-key>key2 on_ord_tree(key,value,y):.
36 PLP : Pas facile de trouver les gardes Exemple de recherche sur un arbre non ordonné mode on_tree(?,,?). on_tree(key,value,bt(x,(key,value),y)). on_tree(key,value,bt(x,(_,_),y)):- on_tree(key,value,x):. on_tree(key,value,bt(x,(_,_),y)):- on_tree(key,value,y):.
37 PLP : Quelques variantes Concerne surtout le mécanisme de garde L évaluation de la garde ne peut «envoyer» de résultats aux buts (sauf lors de l engagement) Que faire si la résolution des buts modifie la valeur de la garde? Concurrent Prolog [Shapiro, 1983] Guarded Horn Clauses [Ueda 1985] Parlog [Gregory 1987] travaux récents : «Continuations for Parallel Logic Programming (2000)» [Eneia Todoran]
38 Programmation en Logique Modale : PLM Objectifs : Expressivité Spécification plus «naturelle» Modalité : vouloir, savoir, pouvoir, croire, devoir, possible Puissance Extension du système de résolution (ou système de preuve)
39 PLM : Rappel sur les systèmes formels réel Concept Principe Idée formaliser théorie système formel prédire fonctionne seul
40 PLM : Rappel sur les systèmes formels complétude réel modèle axiomatique adéquation Notion de vérité {v,f} de validité Notion de preuve : théorèmes
41 PLM : Calcul propositionnel Langage : propositions, connecteurs, règle d équivalence Axiomatique : 3 axiomes, 1 règle d inférence Modèle : tables de vérité Proposition langage naturel
42 PLM : Logiques Modales Langage : propositions, connecteurs modaux, règle d équivalence Axiomatique : T S1..S5 Modèle : mondes possibles Modalités de raisonnement
43 PLM : Paradoxe d implication matérielle A B (A B) (A B) (A B) (A B) t t t t t t t f f f f t f t f t f t f f t t f f Si A = f, A B est vrai (quelque soit B)!!
44 PLM : Modalités selon le dictionnaire Linguistique Comparer les langues Mots qui représentent des valeurs Désirative, éventuelle, hypothétique, probable, possible, nécessaire Représentant des opinions, attitudes, jugements, propositions Déontique, épistémique, aléthique Logiciens Fluctuation entre le nécessaire, le possible et le probable
45 PLM : Modalités, différents courants Philosophie/logique Propositions modales Aristote : Possibilité/nécessité Kant : Problématique Assertorique Logique classique : Possibilité/impossibilité Contingence/nécessité
46 PLM : modalités (exemple de classification d après Paul Laurendeau) Assertion Modalisation Modalité objective Modalité subjective Modalité Mixte Ontique (stabilité) Aléthique (fluctuation s à être) Épistémique (connaissance du sujet, fluctuation sur le connaître) Appréciative (bon/mauvaisnormal/étrang e) Déontique (devoir être) -objectif +subjectif (morale) Volitive (désir, volonté) assertion stricte Assertion subjective (selon mon expérience) Négation d une fluctuation, prise en charge, prise en compte Possible, probable, incertain. S appuie sur un étalon extérieur au sujet Jugement de valeur + être et ne pas être dans le monde Subjectivité (je réclame) + être et n être pas dans le monde Il fait chaud Il fait, selon moi, chaud Je dis qu il vient Je t assure qu il vient Je vais peut-être visiter cette ville. Il va bien venir. Il est probable qu il vienne Je crois qu il vient Je prétends qu il viendra J ai peutêtre visité cette ville Je me réjouis qu il vienne Tu devrais rendre visite àta mère Je veux qu il vienne
47 PLM : modalités (selon Antoine Culioli)
48 PLM : Logiques Aléthiques Opérateurs modaux : Possibilité : Nécessité : Modèles : mondes possibles Spécialisation : Logique des connaissances SAVOIR COMPATIBLE AVEC MES CONNAISSANCES Logique des croyances Logiques temporelle modales (toujours/parfois)
49 PLM : modèle : pas de table de vérité Exemple Fait : le ciel est bleu Ciel_bleu
50 Bibliographie [Aichelle] Aichelle D., «Quelle est donc cette fleur», Fernand Nathan. [All 92] Alliot J.M. et al, «Implementing Prolog extensions : A Parallel Inference Machine», International Conference on Fifth Generation Computer System, [Bal 88] Balbiani P., Farinas del Cerro L. Herzig A, «Declarative semantics for modal logic programs», Proc. Int. Conf. On Fifth Generation Computer Systems (FGCS-88). [Dix 98] Dix J. et al «The Logic Programming Paradigm», AI Communication vol 11, pages , [Fish 93] Fisher M. et al, «An Introduction to Executable Modal and Temporal Logics» In Proc. of the IJCAI 93 workshop on Executable Modal and Temporal Logics, volume 897 of LNAI, pages 1-20, springerverlag, [Ger 01] Gergatsoulis «Temporal and Modal Logic Programming Langages», Encyclopedia of Microcomputers, vol 27, supplement 6, pages , New-York, [Giarratano 98] Giarratano & Ripley, «Expert Systems, Principles and programming», PWS Publishing Compagny, [Gre 87] Gregory S. «Parallel Logic Programming in PARLOG», [Liu 98] Liu C. «A Temporal Reasoning Methodology for Concurrent Systems Using Chronolog (MC)», Proc of the 2st Australian Computer Science Conference, [Org 93] Orgun M.A «Chronolog(Z): Linear-time Logic programming», in Proc of the Fith International Conference on Computing and Information, pages , IEE Computer Society Press, [Ron 98] Rondogiannis P. et al, «Branching-time Logic Programming: The Language Cactus and its Applications», Computer Languages Vol 24, Issue 3, pages , [Sha 83] Shapiro, «Concurrent Prolog», [Tod 00] Eneia Tordoran, «Continuation for Parallel Logic Programming», [Ued 85] Ueda, «Guarded Horn Clauses»,
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 détailCours de Master Recherche
Cours de Master Recherche Spécialité CODE : Résolution de problèmes combinatoires Christine Solnon LIRIS, UMR 5205 CNRS / Université Lyon 1 2007 Rappel du plan du cours 16 heures de cours 1 - Introduction
Plus en détailInformatique Machines à calculer en théorie et en pratique
Licence Physique-Chimie Histoire des Sciences Informatique Machines à calculer en théorie et en pratique Notes de Cours 1 Introduction Étymologie En Allemagne (1957) le terme «Informatik» est créé par
Plus en détailÉvaluation 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 détailBases de données Cours 5 : Base de données déductives
Cours 5 : ESIL Université de la méditerranée Odile.Papini@esil.univmed.fr http://odile.papini.perso.esil.univmed.fr/sources/bd.html Plan du cours 1 Introduction 2 approche sémantique approche axiomatique
Plus en détailSystèmes 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 détailIntelligence 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 détailJade. 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 détailVérification formelle de la plate-forme Java Card
Vérification formelle de la plate-forme Java Card Thèse de doctorat Guillaume Dufay INRIA Sophia Antipolis Cartes à puce intelligentes Java Card : Environnement de programmation dédié. Dernières générations
Plus en détailCours 1 : La compilation
/38 Interprétation des programmes Cours 1 : La compilation Yann Régis-Gianas yrg@pps.univ-paris-diderot.fr PPS - Université Denis Diderot Paris 7 2/38 Qu est-ce que la compilation? Vous avez tous déjà
Plus en détailSuivant les langages de programmation, modules plus avancés : modules imbriqués modules paramétrés par des modules (foncteurs)
Modularité Extensions Suivant les langages de programmation, modules plus avancés : modules imbriqués modules paramétrés par des modules (foncteurs) généricité modules de première classe : peuvent être
Plus en détailGrandes lignes ASTRÉE. Logiciels critiques. Outils de certification classiques. Inspection manuelle. Definition. Test
Grandes lignes Analyseur Statique de logiciels Temps RÉel Embarqués École Polytechnique École Normale Supérieure Mercredi 18 juillet 2005 1 Présentation d 2 Cadre théorique de l interprétation abstraite
Plus en détailMétriques 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 détailInitiation 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 détailIntelligence Artificielle et Robotique
Intelligence Artificielle et Robotique Introduction à l intelligence artificielle David Janiszek david.janiszek@parisdescartes.fr http://www.math-info.univ-paris5.fr/~janiszek/ PRES Sorbonne Paris Cité
Plus en détailIntelligence 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 détailThéorie de la Programmation
Théorie de la Programmation http://perso.ens-lyon.fr/daniel.hirschkoff/thpr hop Programmation, Théorie de la programmation Langages de programmation I il existe de nombreux langages de programmation I
Plus en détailIntelligence 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 détail3. 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# let rec concat l1 l2 = match l1 with [] -> l2 x::l 1 -> x::(concat l 1 l2);; val concat : a list -> a list -> a list = <fun>
94 Programmation en OCaml 5.4.8. Concaténation de deux listes Définissons maintenant la fonction concat qui met bout à bout deux listes. Ainsi, si l1 et l2 sont deux listes quelconques, concat l1 l2 constitue
Plus en détailAlgorithmique 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 détailProgrammation d'agents intelligents Vers une refonte des fils de raisonnement. Stage de fin d'études Master IAD 2006
vendredi 8 septembre 2006 Programmation d'agents intelligents Vers une refonte des fils de raisonnement Stage de fin d'études Master IAD 2006 Benjamin DEVEZE Responsable : M. Patrick TAILLIBERT Plan Plan
Plus en détailManuel d utilisation 26 juin 2011. 1 Tâche à effectuer : écrire un algorithme 2
éducalgo Manuel d utilisation 26 juin 2011 Table des matières 1 Tâche à effectuer : écrire un algorithme 2 2 Comment écrire un algorithme? 3 2.1 Avec quoi écrit-on? Avec les boutons d écriture........
Plus en détailLa formule Leadership en Action TM. Améliorer de façon durable les compétences managériales de vos cadres. Leadership en Action TM
La formule Améliorer de façon durable les compétences managériales de vos cadres. Nous contacter : Monique Cumin, monique.cumin@lasting-success.com Tel : 06 95 09 10 31 La formule Formation-action : entraînement
Plus en détailSynthèse d'images I. Venceslas BIRI IGM Université de Marne La
Synthèse d'images I Venceslas BIRI IGM Université de Marne La La synthèse d'images II. Rendu & Affichage 1. Introduction Venceslas BIRI IGM Université de Marne La Introduction Objectif Réaliser une image
Plus en détailOnce the installation is complete, you can delete the temporary Zip files..
Sommaire Installation... 2 After the download... 2 From a CD... 2 Access codes... 2 DirectX Compatibility... 2 Using the program... 2 Structure... 4 Lier une structure à une autre... 4 Personnaliser une
Plus en détailOrdonnancement temps réel
Ordonnancement temps réel Laurent.Pautet@enst.fr Version 1.5 Problématique de l ordonnancement temps réel En fonctionnement normal, respecter les contraintes temporelles spécifiées par toutes les tâches
Plus en détailAnalyse,, Conception des Systèmes Informatiques
Analyse,, Conception des Systèmes Informatiques Méthode Analyse Conception Introduction à UML Génie logiciel Définition «Ensemble de méthodes, techniques et outils pour la production et la maintenance
Plus en détailFICHE UE Licence/Master Sciences, Technologies, Santé Mention Informatique
NOM DE L'UE : Algorithmique et programmation C++ LICENCE INFORMATIQUE Non Alt Alt S1 S2 S3 S4 S5 S6 Parcours : IL (Ingénierie Logicielle) SRI (Systèmes et Réseaux Informatiques) MASTER INFORMATIQUE Non
Plus en détailIntroduction aux systèmes temps réel. Iulian Ober IRIT ober@iut-blagnac.fr
Introduction aux systèmes temps réel Iulian Ober IRIT ober@iut-blagnac.fr Définition Systèmes dont la correction ne dépend pas seulement des valeurs des résultats produits mais également des délais dans
Plus en détailChapitre 5 : Flot maximal dans un graphe
Graphes et RO TELECOM Nancy A Chapitre 5 : Flot maximal dans un graphe J.-F. Scheid 1 Plan du chapitre I. Définitions 1 Graphe Graphe valué 3 Représentation d un graphe (matrice d incidence, matrice d
Plus en détailFormula Negator, Outil de négation de formule.
Formula Negator, Outil de négation de formule. Aymerick Savary 1,2, Mathieu Lassale 1,2, Jean-Louis Lanet 1 et Marc Frappier 2 1 Université de Limoges 2 Université de Sherbrooke Résumé. Cet article présente
Plus en détailConception 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 détailSolution A La Gestion Des Objets Java Pour Des Systèmes Embarqués
International Journal of Engineering Research and Development e-issn: 2278-067X, p-issn: 2278-800X, www.ijerd.com Volume 7, Issue 5 (June 2013), PP.99-103 Solution A La Gestion Des Objets Java Pour Des
Plus en détailOptimisation et programmation mathématique. Professeur Michel de Mathelin. Cours intégré : 20 h
Télécom Physique Strasbourg Master IRIV Optimisation et programmation mathématique Professeur Michel de Mathelin Cours intégré : 20 h Programme du cours d optimisation Introduction Chapitre I: Rappels
Plus en détailMerci d utiliser la clef haut débit à port USB. Avec cette clef, vous pourrez accéder aux réseaux sans fil haute vitesse. Remarque : Ce guide décrit
Merci d utiliser la clef haut débit à port USB. Avec cette clef, vous pourrez accéder aux réseaux sans fil haute vitesse. Remarque : Ce guide décrit la clé USB ainsi que les procédures de préparation,
Plus en détail4.2 Unités d enseignement du M1
88 CHAPITRE 4. DESCRIPTION DES UNITÉS D ENSEIGNEMENT 4.2 Unités d enseignement du M1 Tous les cours sont de 6 ECTS. Modélisation, optimisation et complexité des algorithmes (code RCP106) Objectif : Présenter
Plus en détailSAS ENTERPRISE MINER POUR L'ACTUAIRE
SAS ENTERPRISE MINER POUR L'ACTUAIRE Conférence de l Association des Actuaires I.A.R.D. 07 JUIN 2013 Sylvain Tremblay Spécialiste en formation statistique SAS Canada AGENDA Survol d Enterprise Miner de
Plus en détailInitiation à l algorithmique
Informatique S1 Initiation à l algorithmique procédures et fonctions 2. Appel d une fonction Jacques TISSEAU Ecole Nationale d Ingénieurs de Brest Technopôle Brest-Iroise CS 73862-29238 Brest cedex 3 -
Plus en détaillength : A N add : Z Z Z (n 1, n 2 ) n 1 + n 2
1 Univ. Lille1 - Licence info 3ème année 2013-2014 Expression Logique et Fonctionnelle... Évidemment Cours n o 1 : Introduction à la programmation fonctionnelle 1 Introduction La programmation fonctionnelle
Plus en détailAC AB. A B C x 1. x + 1. d où. Avec un calcul vu au lycée, on démontre que cette solution admet deux solutions dont une seule nous intéresse : x =
LE NOMBRE D OR Présentation et calcul du nombre d or Euclide avait trouvé un moyen de partager en deu un segment selon en «etrême et moyenne raison» Soit un segment [AB]. Le partage d Euclide consiste
Plus en détailApprentissage. Intelligence Artificielle NFP106 Année 2012-2013. Plan. Apprentissage. Apprentissage
Intelligence Artificielle NFP106 Année 2012-2013 Apprentissage! F.-Y. Villemin! Plan! Apprentissage! Induction! Règles d'inférence inductive! Apprentissage de concepts!! Arbres de décision! ID3! Analogie
Plus en détailResolution limit in community detection
Introduction Plan 2006 Introduction Plan Introduction Introduction Plan Introduction Point de départ : un graphe et des sous-graphes. But : quantifier le fait que les sous-graphes choisis sont des modules.
Plus en détailEtude comparative de différents motifs utilisés pour le lancé de rayon
Etude comparative de différents motifs utilisés pour le lancé de rayon Alexandre Bonhomme Université de Montréal 1 Introduction Au cours des dernières années les processeurs ont vu leurs capacités de calcul
Plus en détailLaboratoire 4 Développement d un système intelligent
DÉPARTEMENT DE GÉNIE LOGICIEL ET DES TI LOG770 - SYSTÈMES INTELLIGENTS ÉTÉ 2012 Laboratoire 4 Développement d un système intelligent 1 Introduction Ce quatrième et dernier laboratoire porte sur le développement
Plus en détailExclusion Mutuelle. Arnaud Labourel Courriel : arnaud.labourel@lif.univ-mrs.fr. Université de Provence. 9 février 2011
Arnaud Labourel Courriel : arnaud.labourel@lif.univ-mrs.fr Université de Provence 9 février 2011 Arnaud Labourel (Université de Provence) Exclusion Mutuelle 9 février 2011 1 / 53 Contexte Epistémologique
Plus en détailCours No 3 : Identificateurs, Fonctions, Premières Structures de contrôle.
Université Montpellier-II UFR des Sciences - Département Informatique - Licence Informatique UE GLIN302 - Programmation Applicative et Récursive Cours No 3 : Identificateurs, Fonctions, Premières Structures
Plus en détailLe génie logiciel. maintenance de logiciels.
Le génie logiciel Définition de l IEEE (IEEE 1990): L application d une approche systématique, disciplinée et quantifiable pour le développement, l opération et la maintenance de logiciels. Introduction
Plus en détailÉléments de programmation et introduction à Java
Éléments de programmation et introduction à Java Jean-Baptiste Vioix (jean-baptiste.vioix@iut-dijon.u-bourgogne.fr) IUT de Dijon-Auxerre - LE2I http://jb.vioix.free.fr 1-20 Les différents langages informatiques
Plus en détailFondements 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 détailSemestre 1. Objectifs Approfondissement de l environnement Java et de son interface de programmation d applications : réseaux, et processus.
Programmation Java avancée (3 ECTS 36h) Semestre 1 Approfondissement de l environnement Java et de son interface de programmation d applications : réseaux, et processus. Introduction. Rappels des concepts
Plus en détailL 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 détailLicence ST Université Claude Bernard Lyon I LIF1 : Algorithmique et Programmation C Bases du langage C 1 Conclusion de la dernière fois Introduction de l algorithmique générale pour permettre de traiter
Plus en détailVers une approche Adaptative pour la Découverte et la Composition Dynamique des Services
69 Vers une approche Adaptative pour la Découverte et la Composition Dynamique des Services M. Bakhouya, J. Gaber et A. Koukam Laboratoire Systèmes et Transports SeT Université de Technologie de Belfort-Montbéliard
Plus en détailUrbanisation de système d'information. PLM 6 (Product Lifecycle Management) Collaboration et partage d'informations
Urbanisation de système d'information PLM 6 (Product Lifecycle Management) Collaboration et partage d'informations Gestion de données techniques et Gestion électronique de documents Diversité des modalités
Plus en détailRéalisabilité 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 détailTABLE DES MATIÈRES. Bruxelles, De Boeck, 2011, 736 p.
STATISTIQUE THÉORIQUE ET APPLIQUÉE Tome 2 Inférence statistique à une et à deux dimensions Pierre Dagnelie TABLE DES MATIÈRES Bruxelles, De Boeck, 2011, 736 p. ISBN 978-2-8041-6336-5 De Boeck Services,
Plus en détailOptimisation Discrète
Prof F Eisenbrand EPFL - DISOPT Optimisation Discrète Adrian Bock Semestre de printemps 2011 Série 7 7 avril 2011 Exercice 1 i Considérer le programme linéaire max{c T x : Ax b} avec c R n, A R m n et
Plus en détailAnne Tasso. Java. Le livre de. premier langage. 10 e édition. Avec 109 exercices corrigés. Groupe Eyrolles, 2000-2015, ISBN : 978-2-212-14154-2
Anne Tasso Java Le livre de premier langage 10 e édition Avec 109 exercices corrigés Groupe Eyrolles, 2000-2015, ISBN : 978-2-212-14154-2 Table des matières Avant-propos Organisation de l ouvrage..............................
Plus en détail1 Recherche en table par balayage
1 Recherche en table par balayage 1.1 Problème de la recherche en table Une table désigne une liste ou un tableau d éléments. Le problème de la recherche en table est celui de la recherche d un élément
Plus en détailFormalisation de systèmes d agent cognitif, de la confiance, et des émotions
Chapitre 1 Formalisation de systèmes d agent cognitif, de la confiance, et des émotions Résumé Un agent cognitif est un agent dont la conception se fonde sur des propriétés que l on attribue habituellement
Plus en détailMETTRE A NIVEAU VOTRE ORDINATEUR
C H A P I T R E Q U A T R E METTRE A NIVEAU VOTRE ORDINATEUR Dans ce chapitre, vous apprendrez à mettre à niveau la mémoire DRAM, le disque dur et à installer la carte réseau sans fil optionnelle au format
Plus en détailL'intelligence d'affaires: la statistique dans nos vies de consommateurs
L'intelligence d'affaires: la statistique dans nos vies de consommateurs Jean-François Plante, HEC Montréal Marc Fredette, HEC Montréal Congrès de l ACFAS, Université Laval, 6 mai 2013 Intelligence d affaires
Plus en détailComprendre l Univers grâce aux messages de la lumière
Seconde / P4 Comprendre l Univers grâce aux messages de la lumière 1/ EXPLORATION DE L UNIVERS Dans notre environnement quotidien, les dimensions, les distances sont à l échelle humaine : quelques mètres,
Plus en détailJulien 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 détailJeux sous forme extensive (Jeux dynamiques)
(Jeux dynamiques) Plan du chapitre ( juillet 008) / éfinitions, exemples et équivalences Arbres de jeux, information et mémoire tratégies et réduction en forme normale Équilibre de Nash parfait en sous-jeux
Plus en détailLA NOTATION STATISTIQUE DES EMPRUNTEURS OU «SCORING»
LA NOTATION STATISTIQUE DES EMPRUNTEURS OU «SCORING» Gilbert Saporta Professeur de Statistique Appliquée Conservatoire National des Arts et Métiers Dans leur quasi totalité, les banques et organismes financiers
Plus en détail1 de 46. Algorithmique. Trouver et Trier. Florent Hivert. Mél : Florent.Hivert@lri.fr Page personnelle : http://www.lri.fr/ hivert
1 de 46 Algorithmique Trouver et Trier Florent Hivert Mél : Florent.Hivert@lri.fr Page personnelle : http://www.lri.fr/ hivert 2 de 46 Algorithmes et structures de données La plupart des bons algorithmes
Plus en détailTP1 : Initiation à Java et Eclipse
TP1 : Initiation à Java et Eclipse 1 TP1 : Initiation à Java et Eclipse Systèmes d Exploitation Avancés I. Objectifs du TP Ce TP est une introduction au langage Java. Il vous permettra de comprendre les
Plus en détailAPPROCHE DE LA SURVEILLANCE DES SYSTEMES PAR RESEAUX DE PETRI SYNCHRONISES FLOUS
THE PUBLISHING HOUSE PROCEEDINGS OF THE ROMANIAN ACADEMY, Series A, OF THE ROMANIAN ACADEMY Volume 9, Number 2/2008, pp. 000 000 APPROCHE DE LA SURVEILLANCE DES SYSTEMES PAR RESEAUX DE PETRI SYNCHRONISES
Plus en détailIntroduction au datamining
Introduction au datamining Patrick Naïm janvier 2005 Définition Définition Historique Mot utilisé au départ par les statisticiens Le mot indiquait une utilisation intensive des données conduisant à des
Plus en détailGénie Logiciel avec Ada. 4 février 2013
Génie Logiciel 4 février 2013 Plan I. Généralités II. Structures linéaires III. Exceptions IV. Structures arborescentes V. Dictionnaires I. Principes II. Notions propres à la POO I. Principes Chapitre
Plus en détailUNIVERSITÉ DU QUÉBEC EN OUTAOUAIS VÉRIFICATION ET ANALYSE DES POLITIQUES DE CONTRÔLE D ACCÈS : APPLICATION AU LANGAGE XACML
UNIVERSITÉ DU QUÉBEC EN OUTAOUAIS VÉRIFICATION ET ANALYSE DES POLITIQUES DE CONTRÔLE D ACCÈS : APPLICATION AU LANGAGE XACML MÉMOIRE PRÉSENTÉ COMME EXIGENCE PARTIELLE DE LA MAÎTRISE EN INFORMATIQUE PAR
Plus en détailUniversité du Québec à Chicoutimi. Département d informatique et de mathématique. Plan de cours. Titre : Élément de programmation.
Université du Québec à Chicoutimi Département d informatique et de mathématique Plan de cours Titre : Élément de programmation Sigle : 8inf 119 Session : Automne 2001 Professeur : Patrice Guérin Local
Plus en détailBALISE GPS. Modèle EOLE. MANUEL INSTALLATEUR Version 3.4 GPS+GSM+SMS/GPRS
BALISE GPS GPS+GSM+SMS/GPRS Modèle EOLE MANUEL INSTALLATEUR Version 3.4 Vous venez de faire l acquisition de notre balise EOLE et nous vous remercions de votre confiance. EOLE est une balise utilisant
Plus en détail6. Les différents types de démonstrations
LES DIFFÉRENTS TYPES DE DÉMONSTRATIONS 33 6. Les différents types de démonstrations 6.1. Un peu de logique En mathématiques, une démonstration est un raisonnement qui permet, à partir de certains axiomes,
Plus en détailProgrammation. fonctionnelle, impérative, logique et orientée objet
Programmation fonctionnelle, impérative, logique et orientée objet Introduction Les langages de programmation permettent de décrire des calculs de façon plus abstraite qu'un programme machine. Les programmes
Plus en détailUEO11 COURS/TD 1. nombres entiers et réels codés en mémoire centrale. Caractères alphabétiques et caractères spéciaux.
UEO11 COURS/TD 1 Contenu du semestre Cours et TDs sont intégrés L objectif de ce cours équivalent a 6h de cours, 10h de TD et 8h de TP est le suivant : - initiation à l algorithmique - notions de bases
Plus en détailLa sémantique du possible : approche linguistique, logique et traitement informatique dans les textes
UNIVERSITE DE PARIS IV SORBONNE École Doctorale Concepts et Langages Thèse de Doctorat Discipline : Linguistique Informatique La sémantique du possible : approche linguistique, logique et traitement informatique
Plus en détailEntraînement au concours ACM-ICPC
Entraînement au concours ACM-ICPC Concours ACM-ICPC : format et stratégies Page 1 / 16 Plan Présentation Stratégies de base Page 2 / 16 Qu est-ce que c est? ACM-ICPC : International Collegiate Programming
Plus en détailQuelques points importants pour mieux connaître votre clé Internet mobile
Merci d'avoir choisi la clé Internet mobile E3276 4G LTE de Huawei. Grâce à votre clé Internet mobile, vous pourrez profiter d'une connexion Internet haute vitesse, peu importe où vous êtes. Ce guide vous
Plus en détailPlan du cours : Zippers. Des fonctions sur les listes avec position. Des fonctions sur les listes avec position
Plan du cours : Le problème : naviguer efficacement une structure de données Ce qui ne marche pas Ce qui marche : les de Huet Exemples Comment dériver des pour tout type de données Pour en savoir plus
Plus en détailAlgorithmique 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 détailLogiciel Libre Cours 3 Fondements: Génie Logiciel
Logiciel Libre Cours 3 Fondements: Génie Logiciel Stefano Zacchiroli zack@pps.univ-paris-diderot.fr Laboratoire PPS, Université Paris Diderot 2013 2014 URL http://upsilon.cc/zack/teaching/1314/freesoftware/
Plus en détailCours 1 : Qu est-ce que la programmation?
1/65 Introduction à la programmation Cours 1 : Qu est-ce que la programmation? Yann Régis-Gianas yrg@pps.univ-paris-diderot.fr Université Paris Diderot Paris 7 2/65 1. Sortez un appareil qui peut se rendre
Plus en détailSimulation centrée individus
Simulation centrée individus Théorie des jeux Bruno BEAUFILS Université de Lille Année 4/5 Ce document est mis à disposition selon les termes de la Licence Creative Commons Attribution - Partage dans les
Plus en détailArchitecture des Systèmes d Information Architecture des Systèmes d Information
Plan... Tableaux et tris I3 - Algorithmique et programmation 1 Rappels Nicol Delestre 2 Tableaux à n dimensions 3 Initiation aux tris Tableaux - v2.0.1 1 / 27 Tableaux - v2.0.1 2 / 27 Rappels : tableau
Plus en détailAlgorithmique I. Augustin.Lux@imag.fr Roger.Mohr@imag.fr Maud.Marchal@imag.fr. Algorithmique I 20-09-06 p.1/??
Algorithmique I Augustin.Lux@imag.fr Roger.Mohr@imag.fr Maud.Marchal@imag.fr Télécom 2006/07 Algorithmique I 20-09-06 p.1/?? Organisation en Algorithmique 2 séances par semaine pendant 8 semaines. Enseignement
Plus en détailLe Futur de la Visualisation d Information. Jean-Daniel Fekete Projet in situ INRIA Futurs
Le Futur de la Visualisation d Information Jean-Daniel Fekete Projet in situ INRIA Futurs La visualisation d information 1.Présentation 2.Bilan 3.Perspectives Visualisation : 3 domaines Visualisation scientifique
Plus en détailExercices types Algorithmique et simulation numérique Oral Mathématiques et algorithmique Banque PT
Exercices types Algorithmique et simulation numérique Oral Mathématiques et algorithmique Banque PT Ces exercices portent sur les items 2, 3 et 5 du programme d informatique des classes préparatoires,
Plus en détailRappels sur les suites - Algorithme
DERNIÈRE IMPRESSION LE 14 septembre 2015 à 12:36 Rappels sur les suites - Algorithme Table des matières 1 Suite : généralités 2 1.1 Déition................................. 2 1.2 Exemples de suites............................
Plus en détailModel 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 détailARDUINO DOSSIER RESSOURCE POUR LA CLASSE
ARDUINO DOSSIER RESSOURCE POUR LA CLASSE Sommaire 1. Présentation 2. Exemple d apprentissage 3. Lexique de termes anglais 4. Reconnaître les composants 5. Rendre Arduino autonome 6. Les signaux d entrée
Plus en détail1ère 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 détailAutomatique Linéaire 1 Travaux Dirigés 1A ISMIN
Automatique Linéaire 1 Travaux Dirigés Travaux dirigés, Automatique linéaire 1 J.M. Dutertre 2014 TD 1 Introduction, modélisation, outils. Exercice 1.1 : Calcul de la réponse d un 2 nd ordre à une rampe
Plus en détailMachines virtuelles Cours 1 : Introduction
Machines virtuelles Cours 1 : Introduction Pierre Letouzey 1 pierre.letouzey@inria.fr PPS - Université Denis Diderot Paris 7 janvier 2012 1. Merci à Y. Régis-Gianas pour les transparents Qu est-ce qu une
Plus en détailBoîtier pour disque dur externe 3,5" (8,89cm) USB 2.0
Boîtier pour disque dur externe 3,5" (8,89cm) USB 2.0 Guide d'utilisation DA-71051 Avant-propos Nous tenons à vous féliciter d'avoir choisi l'un de nos produits! Nous allons vous montrer un nouveau concept
Plus en détailAlgèbre binaire et Circuits logiques (2007-2008)
Université Mohammed V Faculté des Sciences Département de Mathématiques et Informatique Filière : SMI Algèbre binaire et Circuits logiques (27-28) Prof. Abdelhakim El Imrani Plan. Algèbre de Boole 2. Circuits
Plus en détailTABLE DES MATIERES. C Exercices complémentaires 42
TABLE DES MATIERES Chapitre I : Echantillonnage A - Rappels de cours 1. Lois de probabilités de base rencontrées en statistique 1 1.1 Définitions et caractérisations 1 1.2 Les propriétés de convergence
Plus en détail