Planifica(on du stockage intermédiaire dans l industrie du shampoing
|
|
- Jean-Michel Beauchamp
- il y a 8 ans
- Total affichages :
Transcription
1 dans l industrie du shampoing R. Belaid, V. T kindt, C. Esswein, rabah.belaid@etu.univ-tours.fr Université François Rabelais Tours Laboratoire d Informatique 64 avenue Jean Portalis, 37200, Tours Journées STP du GDR MACS ANNECY
2 PLAN Contexte industriel Le problème Définitions Modélisation Complexité Méthodes de résolution Résultats Perspectives Journées STP du GDR MACS ANNECY 2
3 PLAN Contexte industriel Le problème Définitions Modélisation Complexité Méthodes de résolution Résultats Perspectives Journées STP du GDR MACS ANNECY 3
4 Contexte industriel Client x Client y Filiale 1 Filiale.. Site de production Filiale 2 Filiale K Livraisons Demandes Journées STP du GDR MACS ANNECY 4
5 Contexte industriel Fabrication Filiales Besoins Planification Besoins 12t 12t Stockage intermédiaire 20t 12t 24t Expédition Palettes Conditionnement Journées STP du GDR MACS ANNECY 5
6 Contexte industriel Plannings quotidiens coordinateur Fabrication Stockage intermédiaire Lignes de Conditionnement Salle de fabrication Salle de fabrication Journées STP du GDR MACS ANNECY 6
7 PLAN Contexte industriel Le problème Définitions Modélisation Complexité Méthodes de résolution Résultats Perspectives Journées STP du GDR MACS ANNECY 7
8 Définitions Un batch : Lot de 12t de shampoing Un jus Ordre de fabrication La ligne de conditionnement Date de début de conditionnement Journées STP du GDR MACS ANNECY 8
9 Définitions Une cuve : Conteneur Capacité : 12t, 20t, 24t Contient uniquement des batchs de même Jus Lavage si succession de deux batchs de Jus différents Cuves réparties dans des salles de stockage Chaque salle est dédiée à un sous-ensemble de lignes de conditionnement Journées STP du GDR MACS ANNECY 9
10 Définitions Objectif : Ordonnancer tous les batchs sur les cuves de stockages en vu de minimiser le nombre de lavages. Journées STP du GDR MACS ANNECY 10
11 PLAN Contexte industriel Le problème Définitions Modélisation Complexité Méthodes de résolution Résultats Perspectives Journées STP du GDR MACS ANNECY 11
12 Modélisation Stocker le batch i : Première opération : Opération de remplissage O i,1 Durée opératoire commune P 1 Un séjour dans la cuve Deuxième opération : Opération de vidage O i,2 Durée opératoire P i,2 Date de début au plus tôt r i Journées STP du GDR MACS ANNECY 12
13 Modélisation Le problème général: t1,1 t2,1 t3,1 p1 Remplir q1 q2 buffer 2,3 q3 Vider r1,2 P1,2 r2,2 lavage r3,2 qi : repos de la mousse i,j : si les lignes destinatrice sont différentes Journées STP du GDR MACS ANNECY 13
14 Modélisation Cas particulier : Retard moyen actuel inférieur à 1% r i date de début d exécution FIXED INTERVAL SCHEDULING Assez de cuves pour stocker tous les batchs Coût d une affectation ne dépend pas du batch Journées STP du GDR MACS ANNECY 14
15 PLAN Contexte industriel Le problème Définitions Modélisation Complexité Méthodes de résolution Résultats Perspectives Journées STP du GDR MACS ANNECY 15
16 Complexité Problème général NP-difficile Cas particulier : (dates de début d exécution fixés) Polynomial si : capacité des cuves < 24t Problème d affectation. P ou NP (?) si : capacité des cuves 24t Problème d affectation multi-index. Journées STP du GDR MACS ANNECY 16
17 Complexité Capacité des cuves < 24t : problème d affectation Couplage parfait de coût minimum dans un graphe biparti 1 [coût] [coût] 3 2 [coût] [coût] 4 [coût] [coût] Batch fictif (état initial de la cuve) Batch fictif de fin de séquence Batch [coût] Journées STP du GDR MACS ANNECY 17
18 Complexité Capacité des cuves < 24t : problème d affectation Couplage parfait de coût minimum dans un graphe biparti [coût] [coût] 1 2 [coût] [coût] PRED [coût] [coût] [coût] [coût] 3 4 SUCC Journées STP du GDR MACS ANNECY 18
19 Complexité Capacité des cuves < 24t : problème d affectation Couplage parfait de coût minimum dans un graphe biparti La solution : Chemins du couplage : Source : sommet état initial d une cuve Destination : sommet batch de fin de séquence Nombre de chemins = nombre de cuves Couplage parfait tous les sommets sont saturés Exemple de chemin : Journées STP du GDR MACS ANNECY 19
20 Complexité Capacité des cuves 24t 24t 2 batchs La relation de précédence ne peut pas toujours être établie entre 2 batchs Modélisable en un problème d affectation multi-index Nombre d index = capacité batch +1 Affectation multi-index : NP-difficile Journées STP du GDR MACS ANNECY 20
21 PLAN Contexte industriel Le problème Définitions Modélisation Complexité Méthodes de résolution Résultats Perspectives Journées STP du GDR MACS ANNECY 21
22 Méthodes de résolution Algorithme glouton Règle de priorité Descente locale Fonction de voisinage : 2-opt Colonies de fourmis artificielles Hybridation avec le recuit simulé Journées STP du GDR MACS ANNECY 22
23 Méthodes de résolution Colonies de fourmis artificielles : Matrice de phéromone Batch cuve 1 Batch cuve 2 Batch 1 Batch2 Batch3 1 Շ 1 Շ 2 Շ 3 Շ 2 Շ 2 Շ 3 Շ 3 Շ 3 Շ Journées STP du GDR MACS ANNECY 23
24 Méthodes de résolution L algorithme : Journées STP du GDR MACS ANNECY 24
25 PLAN Contexte industriel Le problème Définitions Modélisation Complexité Méthodes de résolution Résultats Perspectives Journées STP du GDR MACS ANNECY 25
26 Résultats Résultats préliminaires : Caractéristiques des instances générées proches des instances réelles Petites instances : batchs, MIP : CPLEX Grandes instances: batchs, Algorithme glouton + descente locale Journées STP du GDR MACS ANNECY 26
27 Résultats Petites instances: 100,0% 90,0% 80,0% 70,0% 60,0% 50,0% 40,0% 30,0% 20,0% 10,0% Planifica(on du stockage fun porba () : log(iter)/log(it) F = 20 fourmis; IT = 150 itérations; 60% de réparation; Pourcentage de Solutions optimales,0% SACO Journées STP du GDR MACS ANNECY 27
28 Résultats Petites instances: fun porba (): log(iter)/log(it) F = 20 fourmis; IT = 150 itérations; 60% de réparation; 10,00% 9,00% 8,00% 7,00% 6,00% 5,00% 4,00% 3,00% 2,00% 1,00% 0,00% Deviation relative moyenne Nombre de batchs SACO Journées STP du GDR MACS ANNECY 28
29 Résultats Grandes instances: fun porba (): log(iter)/log(it) F = 15 fourmis; IT = 100 itérations; 60% de réparation; Pourcentage des meilleures solutions 100,0% 90,0% 80,0% 70,0% 60,0% 50,0% 40,0% 30,0% 20,0% 10,0%,0% Nombre de batchs SACO Journées STP du GDR MACS ANNECY 29
30 Résultats Grandes instances: fun porba (): log(iter)/log(it) F = 20 fourmis; IT = 150 itérations; 60% de réparation; Déviation Relative 50,0% 45,0% 40,0% 35,0% 30,0% 25,0% 20,0% 15,0% 10,0% 5,0%,0% Nombre de batchs Deviation moyenne deviation Max Journées STP du GDR MACS ANNECY 30
31 Résultats Grandes instances: fun porba (): log(iter)/log(it) F = 20 fourmis; IT = 150 itérations; 60% de réparation; Déviation absolue Nombre de lavage Nombre de batchs absolue MOY Absolue Max Journées STP du GDR MACS ANNECY 31
32 PLAN Contexte industriel Le problème Définitions Modélisation Complexité Méthodes de résolution Résultats Perspectives Journées STP du GDR MACS ANNECY 32
33 Perspectives Fixer une version définitive Effectuer des tests sur des instances réelles Proposer d autres méthodes de résolution Algorithme en deux phases : Résoudre le problème d affectation simple Appliquer une procédure de réparation pour générer des solutions faisables Journées STP du GDR MACS ANNECY 33
34 Merci pour votre attention
Annexe 6. Notions d ordonnancement.
Annexe 6. Notions d ordonnancement. APP3 Optimisation Combinatoire: problèmes sur-contraints et ordonnancement. Mines-Nantes, option GIPAD, 2011-2012. Sophie.Demassey@mines-nantes.fr Résumé Ce document
Plus en détailProblèmes d ordonnancement dans les systèmes de production. Journée Automatique et Optimisation Université de Paris 12 20 Mars 2003
Problèmes d ordonnancement dans les systèmes de production Michel Gourgand Université Blaise Pascal Clermont Ferrand LIMOS CNRS UMR 6158 1 Le LIMOS Laboratoire d Informatique, de Modélisation et d Optimisation
Plus en détailJean-Philippe Préaux http://www.i2m.univ-amu.fr/~preaux
Colonies de fourmis Comment procèdent les colonies de fourmi pour déterminer un chemin presque géodésique de la fourmilière à un stock de nourriture? Les premières fourmis se déplacent au hasard. Les fourmis
Plus en détailCours de Recherche Opérationnelle IUT d Orsay. Nicolas M. THIÉRY. E-mail address: Nicolas.Thiery@u-psud.fr URL: http://nicolas.thiery.
Cours de Recherche Opérationnelle IUT d Orsay Nicolas M. THIÉRY E-mail address: Nicolas.Thiery@u-psud.fr URL: http://nicolas.thiery.name/ CHAPTER 1 Introduction à l optimisation 1.1. TD: Ordonnancement
Plus en détailExemples de problèmes et d applications. INF6953 Exemples de problèmes 1
Exemples de problèmes et d applications INF6953 Exemples de problèmes Sommaire Quelques domaines d application Quelques problèmes réels Allocation de fréquences dans les réseaux radio-mobiles Affectation
Plus en détailCours des Méthodes de Résolution Exactes Heuristiques et Métaheuristiques
Université Mohammed V, Faculté des Sciences de Rabat Laboratoire de Recherche Mathématiques, Informatique et Applications Cours des Méthodes de Résolution Exactes Heuristiques et Métaheuristiques MASTER
Plus en détailProgrammation linéaire
1 Programmation linéaire 1. Le problème, un exemple. 2. Le cas b = 0 3. Théorème de dualité 4. L algorithme du simplexe 5. Problèmes équivalents 6. Complexité de l Algorithme 2 Position du problème Soit
Plus en détailOptimisation for Cloud Computing and Big Data
1 / 23 Optimisation for Cloud Computing and Big Data Olivier Beaumont, Lionel Eyraud-Dubois 2 / 23 Aujourd hui Problèmes de fiabilité on va oublier la dynamicité Placement de VMs en programmation par contraintes
Plus en détail3 - Sélection des fournisseurs... 4. 4 Marche courante... 5. 4.1 Conditionnement Transport... 5. 4.2 Livraison... 5
1 SOMMAIRE 1 Introduction... 3 2 Principes... 3 3 - Sélection des fournisseurs... 4 4 Marche courante... 5 4.1 Conditionnement Transport... 5 4.2 Livraison... 5 4.3 - Garantie qualité / Conformité... 5
Plus en détailBig Data et Graphes : Quelques pistes de recherche
Big Data et Graphes : Quelques pistes de recherche Hamamache Kheddouci Laboratoire d'informatique en Image et Systèmes d'information LIRIS UMR 5205 CNRS/INSA de Lyon/Université Claude Bernard Lyon 1/Université
Plus en détailCommunications collectives et ordonnancement en régime permanent pour plates-formes hétérogènes
Loris MARCHAL Laboratoire de l Informatique du Parallélisme Équipe Graal Communications collectives et ordonnancement en régime permanent pour plates-formes hétérogènes Thèse réalisée sous la direction
Plus en détailLa NP-complétude. Johanne Cohen. PRISM/CNRS, Versailles, France.
La NP-complétude Johanne Cohen PRISM/CNRS, Versailles, France. Références 1. Algorithm Design, Jon Kleinberg, Eva Tardos, Addison-Wesley, 2006. 2. Computers and Intractability : A Guide to the Theory of
Plus en détailInfo0804. Cours 6. Optimisation combinatoire : Applications et compléments
Recherche Opérationnelle Optimisation combinatoire : Applications et compléments Pierre Delisle Université de Reims Champagne-Ardenne Département de Mathématiques et Informatique 17 février 2014 Plan de
Plus en 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 détailGestion réactive des opérations de maintien et d actualisation réglementaire et technologique des systèmes complexes.
Gestion réactive des opérations de maintien et d actualisation réglementaire et technologique des systèmes complexes. LE QUERE Yann, SEVAUX Marc, TRENTESAUX Damien, TAHON Christian Equipe Systèmes de Production
Plus en détailOptimisation Combinatoire et Colonies de Fourmis Nicolas Monmarche April 21, 1999 Sommaire Inspiration biologiques Ant Colony Optimization Applications TSP QAP Flow Shop Problemes dynamiques 1 Historique
Plus en détailSurveillance et maintenance prédictive : évaluation de la latence de fautes. Zineb SIMEU-ABAZI Univ. Joseph Fourier, LAG)
Surveillance et maintenance prédictive : évaluation de la latence de fautes Zineb SIMEU-ABAZI Univ. Joseph Fourier, LAG) SURVEILLANCE Analyser une situation et fournir des indicateurs! Détection de symptômes!
Plus en détailObjectifs du cours d aujourd hui. Informatique II : Cours d introduction à l informatique et à la programmation objet. Complexité d un problème (2)
Objectifs du cours d aujourd hui Informatique II : Cours d introduction à l informatique et à la programmation objet Complexité des problèmes Introduire la notion de complexité d un problème Présenter
Plus en détailLES MÉTA-HEURISTIQUES : quelques conseils pour en faire bon usage
LES MÉTA-HEURISTIQUES : quelques conseils pour en faire bon usage Alain HERTZ Ecole Polytechnique - GERAD Département de mathématiques et de génie industriel CP 679, succ. Centre-ville, Montréal (QC) H3C
Plus en détailAVERTISSEMENT. D'autre part, toute contrefaçon, plagiat, reproduction encourt une poursuite pénale. LIENS
AVERTISSEMENT Ce document est le fruit d'un long travail approuvé par le jury de soutenance et mis à disposition de l'ensemble de la communauté universitaire élargie. Il est soumis à la propriété intellectuelle
Plus en détailCours Optimisation Partie Optimisation Combinatoire. Année scolaire 2008-2009. Gérard Verfaillie ONERA/DCSD/CD, Toulouse Gerard.Verfaillie@onera.
Cours Optimisation Partie Optimisation Combinatoire 3ième année ISAE Année scolaire 2008-2009 Gérard Verfaillie ONERA/DCSD/CD, Toulouse Gerard.Verfaillie@onera.fr Septembre 2008 Résumé Ce document couvre
Plus en détailPROBLEMES D'ORDONNANCEMENT AVEC RESSOURCES
Leçon 11 PROBLEMES D'ORDONNANCEMENT AVEC RESSOURCES Dans cette leçon, nous retrouvons le problème d ordonnancement déjà vu mais en ajoutant la prise en compte de contraintes portant sur les ressources.
Plus en 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 détailBig Data et Graphes : Quelques pistes de recherche
Big Data et Graphes : Quelques pistes de recherche Hamamache Kheddouci http://liris.cnrs.fr/hamamache.kheddouci Laboratoire d'informatique en Image et Systèmes d'information LIRIS UMR 5205 CNRS/INSA de
Plus en détailOrdonnancement. N: nains de jardin. X: peinture extérieure. E: électricité T: toit. M: murs. F: fondations CHAPTER 1
CHAPTER 1 Ordonnancement 1.1. Étude de cas Ordonnancement de tâches avec contraintes de précédences 1.1.1. Exemple : construction d'une maison. Exercice. On veut construire une maison, ce qui consiste
Plus en détailModule Planification
1 Module Planification Interface MS Project 2 a) Charge atelier OF selon délai ou début de fabrication Export charge atelier sous Excel Capacité machine pour la période prédéfinie Date de début et fin
Plus en détailOrdonnancement robuste et décision dans l'incertain
Ordonnancement robuste et décision dans l'incertain 4 ème Conférence Annuelle d Ingénierie Système «Efficacité des entreprises et satisfaction des clients» Centre de Congrès Pierre Baudis,TOULOUSE, 2-4
Plus en détailModélisation multi-agents - Agents réactifs
Modélisation multi-agents - Agents réactifs Syma cursus CSI / SCIA Julien Saunier - julien.saunier@ifsttar.fr Sources www-lih.univlehavre.fr/~olivier/enseignement/masterrecherche/cours/ support/algofourmis.pdf
Plus en détailRecherche locale pour un problème d optimisation de tournées de véhicules avec gestion des stocks
8 e Conférence Internationale de MOdélisation et SIMulation - MOSIM 10-10 au 12 mai 2010 - Hammamet - Tunisie «Évaluation et optimisation des systèmes innovants de production de biens et de services» Recherche
Plus en détailOrdonnancement en temps réel d un jobshop par métaheuristique hybride : étude comparative
Ordonnancement en temps réel d un jobshop par métaheuristique hybride : étude comparative Y. Houbad, M. Souier, A. Hassam, Z.Sari Laboratoire d automatique Tlemcen Faculté de technologie, Université Abou
Plus en détailLE DIPLOME DE MAGISTER
Département d Informatique MEMOIRE Présenté par DEDDOUCHE Yamina Pour obtenir LE DIPLOME DE MAGISTER Spécialité : Informatique Option : Informatique et Automatique Intitulé : Contribution à l Ordonnancement
Plus en détailInnovation Technologique et Eco-Conception
Innovation Technologique et Eco-Conception Projet 1 : Le n-copter Notes des revues de projet SANL Lycée Jean Macé Revue de projet 1 Lot Analyse Fonctionnelle et Etude de faisabilité Classeur Rapport Ecrit
Plus en détailSystème Immunitaire Artificiel Parallèle appliqué aux Flow Shop Hybride (FSH)
République Algérienne Démocratique et Populaire Ministère de l Enseignement Supérieur et de la Recherche Scientifique Université des Sciences et de la Technologie d Oran -Mohamed Boudiaf USTO-MB Faculté
Plus en détailLe S.I. - colonne vertébrale de la Supply Chain étendue : deux approches pour réussir votre projet
Le S.I. - colonne vertébrale de la Supply Chain étendue : deux approches pour réussir votre projet 27 mars 2014 1 28/03/2014 itelligence Deux approches pour réussir votre projet S.I. de Supply Chain étendue
Plus en détailils entretiennent entre eux des flux, ils partagent des perceptions sur l environnement
Les modèles de Flux Introduction L analyse systémique fournie une modélisation de l organisation échangeant et transformant des flux Cette modélisation du S.I. reste trop générale Il faut découper l organisation
Plus en détailLa programmation linéaire : une introduction. Qu est-ce qu un programme linéaire? Terminologie. Écriture mathématique
La programmation linéaire : une introduction Qu est-ce qu un programme linéaire? Qu est-ce qu un programme linéaire? Exemples : allocation de ressources problème de recouvrement Hypothèses de la programmation
Plus en détailAlgorithme des fourmis appliqué à la détection et au suivi de contours dans une image
IN52-IN54 A2008 Algorithme des fourmis appliqué à la détection et au suivi de contours dans une image Etudiants : Nicolas MONNERET Alexandre HAFFNER Sébastien DE MELO Responsable : Franck GECHTER Sommaire
Plus en détailOptimisation multi-critère pour l allocation de ressources sur Clouds distribués avec prise en compte de l énergie
Optimisation multi-critère pour l allocation de ressources sur Clouds distribués avec prise en compte de l énergie 1 Présenté par: Yacine KESSACI Encadrement : N. MELAB E-G. TALBI 31/05/2011 Plan 2 Motivation
Plus en détailComment Utiliser son ERP pour Soutenir le Déploiement du Lean?
Comment Utiliser son ERP pour Soutenir le Déploiement du Lean? Philippe COURTY, CFPIM Dirigeant de CJP-Conseils www.cjp-conseils.com 1 Comment Utiliser son ERP pour Soutenir le Déploiement du Lean? Les
Plus en détailLA GESTION DE PROJET INFORMATIQUE
Structurer, assurer et optimiser le bon déroulement d un projet implique la maîtrise des besoins, des objectifs, des ressources, des coûts et des délais. Dans le cadre de la gestion d un projet informatique
Plus en détailLA GESTION DE PROJET INFORMATIQUE
LA GESTION DE PROJET INFORMATIQUE Lorraine Structurer, assurer et optimiser le bon déroulement d un projet implique la maîtrise des besoins, des objectifs, des ressources, des coûts et des délais. Dans
Plus en détailHela Boukef. To cite this version: HAL Id: tel-00577101 https://tel.archives-ouvertes.fr/tel-00577101
Sur l ordonnancement d ateliers job-shop flexibles et flow-shop en industries pharmaceutiques : optimisation par algorithmes génétiques et essaims particulaires Hela Boukef To cite this version: Hela Boukef.
Plus en détailSouad 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 détailOptimisation Combinatoire (Méthodes approchées) II. Recherche Locale simple (Les bases)
Optimisation Combinatoire (Méthodes approchées) II. Recherche Locale simple (Les bases) Heuristique Constructive Itérativement, ajoute de nouvelles composantes à une solution partielle candidate Espace
Plus en détailAtelier Transversal AT11. Activité «Fourmis» Pierre Chauvet. pierre.chauvet@uco.fr
Atelier Transversal AT11 Activité «Fourmis» Pierre Chauvet pierre.chauvet@uco.fr Ant : un algorithme inspiré de l éthologie L éthologie Etude scientifique des comportements animaux, avec une perspective
Plus en détailRétablissement d un réseau cellulaire après un désastre
Rétablissement d un réseau cellulaire après un désastre Anaïs Vergne avec Laurent Decreusefond, Ian Flint, et Philippe Martins Journées MAS 2014 29 août 2014 Rétablissement d un réseau cellulaire après
Plus en détailMlle Yasmin A. RÍOS SOLÍS
Thèse de DOCTORAT de l UNIVERSITÉ PARIS VI - PIERRE ET MARIE CURIE Spécialité : INFORMATIQUE présentée par : Mlle Yasmin A. RÍOS SOLÍS pour obtenir le grade de DOCTEUR de l UNIVERSITÉ PARIS VI Sujet de
Plus en détailMaîtriser les mutations
Maîtriser les mutations Avec UNE Supply chain AGILE La réflexion porte ses fruits www.cereza.fr TALAN Group Notre savoir-faire : maîtriser les mutations et en faire une force pour l entreprise Cereza,
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 détailMinistère de l Enseignement Supérieur et de la Recherche Scientifique. Mémoire de fin d études. Thème
Ministère de l Enseignement Supérieur et de la Recherche Scientifique Institut National de formation en Informatique (I.N.I.) Oued-Smar Alger Mémoire de fin d études Pour l obtention du diplôme d ingénieur
Plus en détailINFO-F-425 Modèles mathématiques et algorithmes pour l ordonnancement. Bernard Fortz
INFO-F-425 Modèles mathématiques et algorithmes pour l ordonnancement Bernard Fortz 2008-2009 Table des matières 1 Définition et classification des problèmes d ordonnancement 2 1.1 Introduction....................................
Plus en détailBaccalauréat ES Polynésie (spécialité) 10 septembre 2014 Corrigé
Baccalauréat ES Polynésie (spécialité) 10 septembre 2014 Corrigé A. P. M. E. P. Exercice 1 5 points 1. Réponse d. : 1 e Le coefficient directeur de la tangente est négatif et n est manifestement pas 2e
Plus en détailEn vue de l'obtention du. Présentée et soutenue par Abir BEN HMIDA SAKLY Le 12/12/2009
THÈSE En vue de l'obtention du DOCTORAT DE L UNIVERSITÉ DE TOULOUSE Délivré par l'institut National des Sciences Appliquées de Toulouse Discipline ou spécialité : Systèmes Informatiques Présentée et soutenue
Plus en détailMAITRISE DE LA CHAINE LOGISTIQUE GLOBALE (SUPPLY CHAIN MANAGEMENT) Dimensionnement et pilotage des flux de produits
MAITRISE DE LA CHAINE LOGISTIQUE GLOBALE (SUPPLY CHAIN MANAGEMENT) Dimensionnement et pilotage des flux de produits Préambule La performance flux, quel que soit le vocable sous lequel on la désigne ( Juste
Plus en détailde calibration Master 2: Calibration de modèles: présentation et simulation d
Master 2: Calibration de modèles: présentation et simulation de quelques problèmes de calibration Plan de la présentation 1. Présentation de quelques modèles à calibrer 1a. Reconstruction d une courbe
Plus en 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 détailPlus courts chemins, programmation dynamique
1 Plus courts chemins, programmation dynamique 1. Plus courts chemins à partir d un sommet 2. Plus courts chemins entre tous les sommets 3. Semi-anneau 4. Programmation dynamique 5. Applications à la bio-informatique
Plus en détailLa programmation à mémoire adaptative ou l évolution des algorithmes évolutifs
La programmation à mémoire adaptative ou l évolution des algorithmes évolutifs Éric D. Taillard 1 Luca M. Gambardella 1 Michel Gendreau 2 Jean-Yves Potvin 2 1 IDSIA, Corso Elvezia 36, CH-6900 Lugano. E-mail
Plus en détailIBM Tivoli Monitoring, version 6.1
Superviser et administrer à partir d une unique console l ensemble de vos ressources, plates-formes et applications. IBM Tivoli Monitoring, version 6.1 Points forts! Surveillez de façon proactive les éléments
Plus en détailThéorie des Graphes Cours 3: Forêts et Arbres II / Modélisation
IFIPS S7 - informatique Université Paris-Sud 11 1er semestre 2009/2010 Théorie des Graphes Cours 3: Forêts et Arbres II / 1 Forêts et arbres II Théorème 1.1. Les assertions suivantes sont équivalentes
Plus en détailParamétrage d une Gestion de Production
Prélude 7 ERP Paramétrage d une Gestion de Production Jeu compétitif de gestion de flux sur un horizon fixé Christian van DELFT HEC Paris Ce jeu nécessite de disposer de la licence au niveau intermédiaire.
Plus en détailGroupe Areva Usine de La Hague Métier CNP
Groupe Areva Usine de La Hague Métier CNP Jean-Christophe Dalouzy ANP 17 Novembre 2014 Rencontres Jeunes Chercheurs Sommaire Présentation du groupe AREVA Présentation du cycle du combustible Présentation
Plus en détailITIL Gestion de la capacité
ITIL Sommaire 1 GENERALITES 3 2 PERIMETRE DE LA GESTION DES CAPACITES 3 3 ACTIVITES ET LIVRABLES DE LA GESTION DES CAPACITES 4 3.1 ACTIVITES ITERATIVES OU GESTION DE PERFORMANCES : 4 3.2 GESTION DE LA
Plus en détailIntroduction. Nicolas Phalippon IR3. Source: rapport commandé par le Congrès américain. Présentation du 24/10/02
Présentation du 24/10/02 Nicolas Phalippon IR3 Introduction 2% des logiciels fonctionnent à la livraison 3% de plus fonctionneront après quelques modifications mineures 20% seront utilisés après des modifications
Plus en détailOptimisation non linéaire Irène Charon, Olivier Hudry École nationale supérieure des télécommunications
Optimisation non linéaire Irène Charon, Olivier Hudry École nationale supérieure des télécommunications A. Optimisation sans contrainte.... Généralités.... Condition nécessaire et condition suffisante
Plus en détailSommaire. Introduction.2. 1. Définition..2. 2. Historique.2. 3. Domaine d application.2. 4.Les Travaux réalisés sur les domaines d application.
Sommaire Introduction.2 1. Définition..2 2. Historique.2 3. Domaine d application.2 4.Les Travaux réalisés sur les domaines d application.3 5.Algorithme 4 6.Exemple d application 5 7. Avantage et inconvénient..6
Plus en détailCHAPITRE 5 OUTILS DE GESTION PRÉDICTIVE DES BLOCS OPÉRATOIRES : IDENTIFICATION ET COMPLEXITÉ 1. GESTION PRÉDICTIVE DES BLOCS OPÉRATOIRES
CHAPITRE 5 OUTILS DE GESTION PRÉDICTIVE DES BLOCS OPÉRATOIRES : IDENTIFICATION ET COMPLEXITÉ Dans les chapitres précédents nous avons situé notre action dans le cadre de la gestion prédictive des blocs
Plus en détailSegmentation d'images à l'aide d'agents sociaux : applications GPU
Segmentation d'images à l'aide d'agents sociaux : applications GPU Richard MOUSSA Laboratoire Bordelais de Recherche en Informatique (LaBRI) - UMR 5800 Université de Bordeaux - France Laboratoire de recherche
Plus en détailLe 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 détailFrancis BISSON (06 794 819) Kenny CÔTÉ (06 836 427) Pierre-Luc ROGER (06 801 883) IFT702 Planification en intelligence artificielle
Francis BISSON (06 794 819) Kenny CÔTÉ (06 836 427) Pierre-Luc ROGER (06 801 883) PLANIFICATION DE TÂCHES DANS MS PROJECT IFT702 Planification en intelligence artificielle Présenté à M. Froduald KABANZA
Plus en détailProgrammation Linéaire - Cours 1
Programmation Linéaire - Cours 1 P. Pesneau pierre.pesneau@math.u-bordeaux1.fr Université Bordeaux 1 Bât A33 - Bur 265 Ouvrages de référence V. Chvátal - Linear Programming, W.H.Freeman, New York, 1983.
Plus en détailProblème à résoudre. min f(s) s.c. s S
Métaheuristiques Le mot métaheuristique est dérivé de la composition de deux mots grecs: - heuristique qui vient du verbe heuriskein (ευρισκειν) et qui signifie trouver - meta qui est un suffixe signifiant
Plus en détailElaboration et Suivi des Budgets
Elaboration et Suivi des Budgets 1 1- La Notion Du contrôle de Gestion 2- La Place du Contrôle de Gestion dans le système organisationnel 3- La Notion des Centres de responsabilité 4- La procédure budgétaire
Plus en détailTechniques d ordonnancement pour les SoC
Techniques d ordonnancement pour les SoC Pierre Boulet équipe WEST Pierre.Boulet@lifl.fr Ordonnancement DEA informatique Lille p. 1/104 Plan Ordonnancement de tâches Placement sur SoC Ordonnancement de
Plus en détailApplication de K-means à la définition du nombre de VM optimal dans un cloud
Application de K-means à la définition du nombre de VM optimal dans un cloud EGC 2012 : Atelier Fouille de données complexes : complexité liée aux données multiples et massives (31 janvier - 3 février
Plus en détailOUTILS EN INFORMATIQUE
OUTILS EN INFORMATIQUE Brice Mayag brice.mayag@dauphine.fr LAMSADE, Université Paris-Dauphine R.O. Excel brice.mayag@dauphine.fr (LAMSADE) OUTILS EN INFORMATIQUE R.O. Excel 1 / 35 Plan Présentation générale
Plus en détailUne méthode heuristique pour l ordonnancement de projets avec contraintes de ressources et chevauchement d activités
Une méthode heuristique pour l ordonnancement de projets avec contraintes de ressources et chevauchement d activités Lucas Grèze Robert Pellerin Patrice Leclaire Nathalie Perrier Mai 2012 CIRRELT-2012-18
Plus en détailSéparation et Evaluation pour le problème d ordonnancement avec blocage.
Séparation et Evaluation pour le problème d ordonnancement avec blocage. Abdelhakim Ait Zai 1, Abdelkader Bentahar 1, Hamza Bennoui 1, Mourad Boudhar 2 et Yazid Mati 3 1 Faculté d Electronique et d Informatique,
Plus en détailProgrammation linéaire
Programmation linéaire DIDIER MAQUIN Ecole Nationale Supérieure d Electricité et de Mécanique Institut National Polytechnique de Lorraine Mathématiques discrètes cours de 2ème année Programmation linéaire
Plus en détailContrainte de flot pour RCPSP avec temps de transfert
Contrainte de flot et x-rcpsc T 1 Contrainte de flot pour RCPSP avec temps de transfert PS temp, s ij Cmax BENOIST Thierry BOUYGUES/e-Lab DIAMANTINI Maurice ENSTA/LMA Contrainte de flot et x-rcpsc T Présentation
Plus en détailGESTION LOGISTIQUE GESTION COMMERCIALE GESTION DE PRODUCTION
GESTION LOGISTIQUE GESTION COMMERCIALE GESTION DE PRODUCTION Votre contact : Pierre Larchères 06 30 35 96 46 18, rue de la Semm - 68000 COLMAR p.larcheres@agelis.fr PRESENTATION GENERALE LES PROGICIELS
Plus en détailGestion de Production
Gestion de Production Pierre Lopez LAAS-CNRS Laboratoire d'analyse et d'architecture des Systèmes Centre National de la Recherche Scientifique Toulouse P. Lopez LAAS-CNRS Gestion de Production 1 Plan du
Plus en détailDéfinir une politique de maintenance et sa stratégie de mise en œuvre de responsabilités
Chapitre 1 Définir une politique de maintenance et sa stratégie de mise en œuvre de responsabilités La politique de maintenance, entre prévention et correction 25 f Qu est-ce que le «préventif» et le «correctif»?
Plus en détailConception d'un réseau de transport d'électricité
La Fédération Française des Jeux Mathématiques et la Société de Calcul Mathématique SA avec l'appui de Réseau de Transport d'electricité Conception d'un réseau de transport d'électricité Auteurs : Florian
Plus en détailLES OUTILS DE GESTION DE PROJET
LES OUTILS DE GESTION DE PROJET 1 Qu est-ce qu un projet? Quelle est la définition? En quoi diffère-t-il de l activité d une entreprise, d un ensemble de personnes? Listez tous les ingrédients, aspects,
Plus en détailPAS X. PAS-X Services. Competence. Implementation. Support. Vue d ensemble des services SERVICES PAS-X. Centres de services internationaux
PAS-X PAS-X SERVICES PAS-X Vue d ensemble des services Centres de services internationaux Dans le cadre d une approche globale, Werum offre l accès à son service d aide et de support, dans le monde entier
Plus en détailPrincipes d implémentation des métaheuristiques
Chapitre 2 Principes d implémentation des métaheuristiques Éric D. Taillard 1 2.1 Introduction Les métaheuristiques ont changé radicalement l élaboration d heuristiques : alors que l on commençait par
Plus en détailUne application des algorithmes génétiques à l ordonnancement d atelier
Une application des algorithmes génétiques à l ordonnancement d atelier VACHER Jean-Philippe - GALINHO Thierry - MAMMERI Zoubir Laboratoire d Informatique du Havre Université du Havre 25, Rue Philippe
Plus en détailFORMAT FORMA ION SUR LA ION SUR LA GESTION DE PROJET & MS PROJECT
FORMATION SUR LA GESTION DE PROJET & MS PROJECT Présentation rapide Jamal Achiq Consultant - Formateur sur le management de projet, MS Project, et EPM Certifications: Management de projet : «PRINCE2, Praticien»
Plus en détailUNIVERSITÉ DU QUÉBEC À CHICOUTIMI UNIVERSITÉ DU QUÉBEC À MONTRÉAL
UNIVERSITÉ DU QUÉBEC À CHICOUTIMI UNIVERSITÉ DU QUÉBEC À MONTRÉAL MÉTAHEURISTIQUES HYBRIDES POUR LA RÉSOLUTION DU PROBLÈME D'ORDONNANCEMENT DE VOITURES DANS UNE CHAÎNE D'ASSEMBLAGE AUTOMOBILE MÉMOIRE PRÉSENTÉ
Plus en détail1220 Promenade du St-Laurent, Batiscan, QC, G0X1A0 Tél: 819-415-0451
Un logiciel sophistiqué, simple à utiliser et conçu avec la toute dernière technologie informatique. Orchestra version Web est un logiciel de Management des ressources de production de type ERP. Il est
Plus en détailVOUS OFFRIR UN SERVICE IMMOBILIER COMPLET ET UNIQUE, POUR VOUS ACCOMPAGNER EN TOUTE INDEPENDANCE DANS LA REUSSITE DE VOS PROJETS IMMOBILIERS.
VOUS OFFRIR UN SERVICE IMMOBILIER COMPLET ET UNIQUE, POUR VOUS ACCOMPAGNER EN TOUTE INDEPENDANCE DANS LA REUSSITE DE VOS PROJETS IMMOBILIERS. Yamed Capital est un groupe indépendant de services immobiliers
Plus en détailTHÈSE. présentée à l Université d Avignon et des Pays de Vaucluse pour obtenir le diplôme de DOCTORAT
ACADÉMIE D AIX-MARSEILLE UNIVERSITÉ D AVIGNON ET DES PAYS DE VAUCLUSE THÈSE présentée à l Université d Avignon et des Pays de Vaucluse pour obtenir le diplôme de DOCTORAT SPÉCIALITÉ : Informatique École
Plus en détailL Emballage: Sourcing Stratégique. Badreddine NAOUAR Consultant Indépendant en Achat
L Emballage: Sourcing Stratégique Badreddine NAOUAR Consultant Indépendant en Achat Sommaire L emballage Définition Fonction de l emballage L utilisation de l emballage Sourcing Stratégique Les Productivités
Plus en détailL alternative, c est malin 1. Comment faire plein de choses pour pas cher sur MacIntosh
L alternative, c est malin 1 ou Comment faire plein de choses pour pas cher sur MacIntosh (Les logiciels : Pages et Keynote de la suite iwork) (Jean Aboudarham 2006) 1 Merci à François Béranger pour qui
Plus en détailFIMA, 7 juillet 2005
F. Corset 1 S. 2 1 LabSAD Université Pierre Mendes France 2 Département de Mathématiques Université de Franche-Comté FIMA, 7 juillet 2005 Plan de l exposé plus court chemin Origine du problème Modélisation
Plus en détailTechniques d optimisation des requêtes dans les data warehouses
Techniques d optimisation des requêtes dans les data warehouses Ladjel Bellatreche LISI/ENSMA Téléport2-1, Avenue Clément Ader 86960 Futuroscope - FRANCE bellatreche@ensma.fr Résumé Un entrepôt de données
Plus en détailSAP SAP APO APS. Logiciels de planification. Pour vos appels d offre. 2 e ÉDITION. SupplyChainMagazine.fr 19, rue Saint-Georges - 94700 Maisons-Alfort
Mars 2010 Pour vos appels d offre APS Logiciels de planification 2 e ÉDITION SAP SAP APO SupplyChainMagazine.fr 19, rue Saint-Georges - 94700 Maisons-Alfort 1. NOM de l'éditeur SAP 2. Appartenance à un
Plus en détailALGORITHMIQUE II NOTION DE COMPLEXITE. SMI AlgoII
ALGORITHMIQUE II NOTION DE COMPLEXITE 1 2 Comment choisir entre différents algorithmes pour résoudre un même problème? Plusieurs critères de choix : Exactitude Simplicité Efficacité (but de ce chapitre)
Plus en détailFaceBook aime les Maths!
FaceBook aime les Maths! Michel Rigo http://www.discmath.ulg.ac.be/ http://orbi.ulg.ac.be/ Réseaux Visualizing my Twitter Network by number of followers. Michael Atkisson http://woknowing.wordpress.com/
Plus en détail