OPTIMISATION DE LA TARIFICATION DES RÉSEAUX MOBILES
|
|
- Fabien Isaac Bastien
- il y a 8 ans
- Total affichages :
Transcription
1 OPTIMISATION DE LA TARIFICATION DES RÉSEAUX MOBILES ST50 - Projet de fin d études Matthieu Leromain - Génie Informatique Systèmes temps Réel, Embarqués et informatique Mobile - REM 1 Suiveur en entreprise : Alexandre Caminada Suiveur UTBM : Alexandre Caminada
2 SOMMAIRE Le Laboratoire SeT Le Contexte La Problématique Etat de l Art Modèle Bi-Objectif Modèle Informatique Résultats Obtenus 2
3 LE LABORATOIRE SET 3 Le Contexte La Problématique Etat de l Art Modèle Bi-Objectif Modèle Informatique Résultats Obtenus
4 LE LABORATOIRE SET 3 équipes Equipe Informatique : Communication, Agents et Perception (ICAP) Promouvoir et appliquer travaux de recherche Domaine des transports, systèmes de production, robotique, télécommunications, réalité virtuelle appliquée 80 chercheurs 4
5 Le Laboratoire SeT LE CONTEXTE 5 La Problématique Etat de l Art Modèle Bi-Objectif Modèle Informatique Résultats Obtenus
6 LE CONTEXTE Antennes composent réseau mobile et possèdent une capacité maximale Si à un instant t : charge reçue > capa max congestion Congestion Mauvaise QoS car trafic rejeté Présence de périodes creuses et de périodes surchargées Objectif modifier comportement du client Exploiter sensibilité des usagers aux fluctuations de prix 6
7 LE CONTEXTE Trois types de cellule Non congestionnée Congestion permanente Congestion localisée dans le temps 7
8 LE CONTEXTE Redistribution temporelle de la charge du réseau, lissage temporel de la demande Demande Capacité Heures Figure 1.6.a Demande initiale Figure 1.6.a Demande redistribuée Mustapha Oughdi modèle de comportement de l usager basé sur la variation des prix mais aussi en fonction des préférences de l usager Déterminer une grille tarifaire pour une utilisation maximale du réseau
9 Le Laboratoire SeT Le Contexte LA PROBLÉMATIQUE Etat de l Art Modèle Bi-Objectif Modèle Informatique Résultats Obtenus 9
10 LA PROBLÉMATIQUE Modèle modèle mono-objectif (prise en compte seulement de la maximisation du taux d utilisation du réseau). Après tests le revenu de l opérateur ne varie pas de manière acceptable (parfois moins important qu initialement) Comment prendre en compte l objectif de maximisation du revenu de l opérateur? En mettant en place un algorithme bi-objectif à partir du modèle comportemental déjà étudié Objectif 1 : Maximisation du taux d utilisation du réseau Objectif 2 : Maximisation du revenu de l opérateur 10
11 Le Laboratoire SeT Le Contexte La Problématique ETAT DE L ART Modèle Bi-Objectif Modèle Informatique Résultats Obtenus 11
12 ETAT DE L ART ALGORITHME À ESTIMATION DE DISTRIBUTION (EDA) Front de Pareto Composants pour Hybridation Exemple de EDA 12
13 ALGORITHME À ESTIMATION DE DISTRIBUTION (EDA) Choix d un algorithme à estimation de distribution Algorithme génétique (hormis opérateurs de croisement et de mutation) Métaheuristique stochastique avec population d'individus (ou solutions) Soumis à un modèle de distribution probabiliste Permet de résoudre des problèmes d'optimisation Début Génération de M individus suivant le modèle de probabilité Répéter tant que l'algorithme n'est pas terminé Sélection de N < M individus Estimation de la nouvelle distribution probabiliste Echantillonnage de M nouveaux individus Fin 13
14 ALGORITHME À ESTIMATION DE DISTRIBUTION (EDA) Exemple du problème : one max Chercher à maximiser le nombre de 1 dans une solution Solutions à 3 variables égales à 0 ou à 1 x ={0,1,0} < x ={1,1,0} Optimum x*={1,1,1} On cherche à maximiser la fonction : f(x) = x i, où x i est égal à 0 ou 1 i=1 Probabilité de départ de tirer un 1 : p(x) =
15 ALGORITHME À ESTIMATION DE DISTRIBUTION (EDA) Génération de M individus (ici M=8) suivant le modèle de probabilité i x1 x2 x3 f(x) p(x) 0,5 0,5 0,5 15
16 ALGORITHME À ESTIMATION DE DISTRIBUTION (EDA) Sélection de N individus (ici N = M/2) i x1 x2 x3 f(x) p(x) 0,75 0,5 1 Calcul des nouvelles probabilités pour chaque variable 16
17 ALGORITHME À ESTIMATION DE DISTRIBUTION (EDA) Génération de M nouveaux individus (ici M=8) suivant le nouveau modèle i x1 x2 x3 f(x) p(x) 0,75 0,5 1 17
18 ALGORITHME À ESTIMATION DE DISTRIBUTION (EDA) Les solutions de la population convergent à partir d un certain nombre de générations vers l optimum 18
19 ETAT DE L ART Algorithme à Estimation de Distribution (EDA) FRONT DE PARETO Composants pour Hybridation Exemple de EDA 19
20 FRONT DE PARETO Problème d optimisation multi-objectif pas de solution unique Solutions optimales (ou Pareto-Optimales) Aucune autre solution n est meilleure qu une solution optimale en prenant en compte tous les objectifs Solution a domine solution b SSI : i {1,2,,n} : f i (a) f i (b) ^ j {1,2,,n} t.q. f j (a) < f j (b) Solutions non dominées front de Pareto et sont dites Pareto-Optimales 20
21 ETAT DE L ART Algorithme à Estimation de Distribution (EDA) Front de Pareto COMPOSANTS POUR HYBRIDATION Exemple de EDA 21
22 COMPOSANTS POUR HYBRIDATION EDA seul difficile résoudre problème multi-objectif Nécessaire de le combiner avec d autres algorithmes 2 composants paraissent nécessaires : Méthode de recherche locale Méthode de partionnement Population Sélection Amélioration Elles permettent une amélioration des solutions Modélisation Echantillonage Nouvelle Population 22
23 COMPOSANTS POUR HYBRIDATION Recherche locale (hill climbing) Améliore la qualité des solutions Améliore la convergence des solutions avec celles du front de Pareto Méthode par partitionnement (local PCA) Permet de diviser la population de solutions en plusieurs groupes Permet le maintien de la diversité des solutions le long du front de Pareto Convergence + diversité = bons compromis 23
24 ETAT DE L ART Algorithme à Estimation de Distribution (EDA) Front de Pareto Composants pour Hybridation EXEMPLE DE EDA (MOHEDA) 24
25 EXEMPLE DE EDA (MOHEDA) 25
26 Le Laboratoire SeT Le Contexte La Problématique Etat de l Art MODÈLE BI-OBJECTIF Modèle Informatique Résultats Obtenus 26
27 MODÈLE BI-OBJECTIF f1 : Maximiser l utilisation du réseau = Minimiser la Congestion du Réseau ncell nper f 1 = Σ Σ (max(ρ n,i, ρ n ) - ρ n ) 2 n=1 i=1 ρ n,i charge estimée après optimisation, dans la cellule n en période i ρ n capacité de la cellule ncell nper f 1 = Σ Σ (max(pb n,i, PB) - PB) 2 n=1 i=1 PB n,i probabilité de blocage estimée après optimisation, dans la cellule n en période i PB probabilité de blocage tolérée par l opérateur
28 MODÈLE BI-OBJECTIF f2 : Maximiser le Revenu de l Opérateur = minimiser l écart quadratique entre revenu maximal et revenu obtenu max f 2 = min (f 2 max f 2 )² Minimisation front de Pareto ncell nper f 2 = Σ Σ ( n,i * p n,i * 60) n=1 i=1 o Inconvénients de l écart par rapport à min 1/f 2 : Calcul supplémentaire Pertinence du calcul o Avantages : Meilleures propriétés de discrimination entre les solutions Rapidité de calcul et place mémoire n,i taux de trafic écoulé estimé pour la période i de la cellule n p n,i prix (à la minute) de la période i de la cellule n
29 Le Laboratoire SeT Le Contexte La Problématique Etat de l Art Modèle Bi-Objectif MODÈLE INFORMATIQUE Résultats Obtenus 29
30 MODÈLE INFORMATIQUE Basé sur 2 algorithmes existants : MOHEDA et RM-MEDA Début Initialisation de ni individus Recherche locale sur les individus Evaluation et formation d une population élite Tant que nbgenerations < nbgenerationsmax Faire Sélection de ni individus sur un mélange population courante et population élite Décomposition du domaine en sous domaines Estimation de la distribution de chaque sous domaines Echantillonnage de la nouvelle population Recherche locale sur ni/2 individus Mise à jour de la population élite nbgenerations ++ Fin tant que Fin 30
31 MODÈLE INFORMATIQUE Recherche locale : hill climbing ou descente Début Tant que nbcourant < nbindividus Faire Evaluation de l individu courant Tant que nbiterations < nbiterationsmax Faire Individu temporaire = individu courant Choisir une période et une taxe aléatoirement Evaluation de l individu avec nouvelle taxe Si individu temporaire est meilleur sur un objectif que individu courant Alors Individu courant = individu temporaire Fin Si nbiterations ++ Fin Tant que nbcourant ++ Fin tant que Fin 31
32 MODÈLE INFORMATIQUE Chaque solution de la population courante peut être vu comme un échantillon : x = ξ + ε ξ uniformément distribué le long d une droite C ε bruit Gaussien 32
33 MODÈLE INFORMATIQUE Partitionnement : local PCA (RM-MEDA) Modélisation de C Divise la population en plusieurs groupes Calcul la ligne centrale C i de chaque groupe Modélisation de ε Écart des solutions de chaque groupe par rapport à la ligne centrale 33
34 MODÈLE INFORMATIQUE Echantillonnage de nouvelles solutions #_solutions_c i = Choix aléatoire d un point x1 sur C i Génère un vecteur de bruit Gaussien x2 x = x1 + x2 34
35 MODÈLE INFORMATIQUE Diagramme de classes des données 35
36 MODÈLE INFORMATIQUE Diagramme de classes de l algorithme 36
37 MODÈLE INFORMATIQUE Sauvegarde des données format XML Interfaçage o Choix des paramètres : Qt o Suivi de l avancement : mode console 37
38 Le Laboratoire SeT Le Contexte La Problématique Etat de l Art Modèle Bi-Objectif Modèle Informatique RÉSULTATS OBTENUS 38
39 RÉSULTATS OBTENUS Paramètres : 45 générations 35 individus 25 itérations 6 groupes 4,50E+009 4,00E+009 3,50E+009 3,00E+009 2,50E+009 Initial Exécution 1 Exécution 2 Exécution 3 Exécution 4 Exécution 5 Exécution 6 Exécution 7 2,00E+009 1,50E+009 1,00E+009 5,00E+008 0,00E ,2 0,4 0,6 0,8 1 Exécution 8 Exécution 9 Exécution 10 Exécution 11 Exécution 12 Exécution 13 Exécution 14 Exécution 15 Amélioration des solutions par rapport au résultat initial pour les deux objectifs 39
40 RÉSULTATS OBTENUS Stabilité des résultats obtenus : convergence 0,35 0,30 0,25 0,20 0,15 0,10 0,05 0,00 Exécution 1 Exécution 2 Exécution 3 Exécution 4 Exécution 5 Exécution 6 Exécution 7 Exécution 8 Exécution 9 Exécution 10 Exécution 11 Exécution 12 Exécution 13 Exécution 14 Exécution 15 Moyenne Distance moyenne entre les solutions pour chaque exécution 40
41 RÉSULTATS OBTENUS 3,60E+09 3,10E+09 2,60E+09 2,10E+09 1,60E+09 1,10E+09 0,25 0,3 0,35 0,4 Exécution 1 Exécution 2 Exécution 3 Exécution 4 Exécution 5 Exécution 6 Exécution 7 Exécution 8 Exécution 9 Exécution 10 Exécution 11 Exécution 12 Exécution 13 Exécution 14 Exécution 15 Problème du nombre d individus élite Exécution 1 Exécution 2 Exécution 3 Exécution 4 Exécution 5 Exécution 6 Exécution 7 Exécution 8 Exécution 9 Exécution 10 Exécution 11 Exécution 12 Exécution 13 Exécution 14 Exécution 15 Moyenne 41
42 RÉSULTATS OBTENUS Minimisation de la congestion Meilleurs résultats avec l algorithme mono-objectif Mais algorithme bi-objectif très proche 0,055 0,05 0,045 0,04 0,035 0,03 0,025 0,02 Initial MoyenneMono-Objectif Min Mono-Objectif Moyenne Bi-Objectif Min Bi-Objectif Maximisation du revenu Bien meilleurs résultats avec l algorithme bi-objectif Initial Max Mono-Objectif Max Bi-Objectif Moyenne Mono-Objectif Moyenne Bi-Objectif Max obtenu en monoobjectif < moyenne bi-objectif 42
43 RÉSULTATS OBTENUS Inconvénient de l algorithme bi-objectif : son temps d exécution (70 fois supérieur) 2 min Mono-Objectif Bi-Objectif 135 min 60,00% 40,00% 20,00% Avantage de l algorithme biobjectif : les résultats obtenus 0,00% % amélioration f1 Mono-Objectif % amélioration f1 Bi-Objectif % amélioration f2 Mono-Objectif % amélioration f2 Bi-Objectif Bien que sur f 1 : amélioration de 46% contre 52% Sur f 2 : amélioration de 16% contre 1% Ce qu on perd sur f 1 on le récupère sur le second objectif et de manière encore plus importante 43
44 RÉSULTATS OBTENUS Répartition des taxes en fonction des deux algorithmes 23 Même répartition pour les périodes et ce sont les taxes qui permettent la réduction de la 15 congestion dans le réseau 13 Périodes totalement différentes augmentation du prix pour l algorithme bi-objectif qui permet l augmentation du revenu de l opérateur -0,20-0,15-0,10-0,05 0,00 0,05 0,10 0,15 Mono-Objectif Bi-Objectif 44
45 CONCLUSION Bilan très positif Connaissances acquises Résultats obtenus Développement mais, et surtout, analyse Cadre d un laboratoire très enrichissant 45
46 MERCI DE VOTRE ATTENTION Des questions? 46 Matthieu Leromain - Génie Informatique Systèmes temps Réel, Embarqués et informatique Mobile - REM
Sommaire. Introduction.2. 1. Définition..2. 2. Historique.2. 3. Domaine d application.2. 4.Les Travaux réalisés sur les domaines d application.
Sommaire Introduction.2 1. Définition..2 2. Historique.2 3. Domaine d application.2 4.Les Travaux réalisés sur les domaines d application.3 5.Algorithme 4 6.Exemple d application 5 7. Avantage et inconvénient..6
Plus en détailNouvelles propositions pour la résolution exacte du sac à dos multi-objectif unidimensionnel en variables binaires
Nouvelles propositions pour la résolution exacte du sac à dos multi-objectif unidimensionnel en variables binaires Julien Jorge julien.jorge@univ-nantes.fr Laboratoire d Informatique de Nantes Atlantique,
Plus en détailChapitre 2 : Systèmes radio mobiles et concepts cellulaires
Chapitre 2 : Systèmes radio mobiles et concepts cellulaires Systèmes cellulaires Réseaux cellulaires analogiques de 1ère génération : AMPS (USA), NMT(Scandinavie), TACS (RU)... Réseaux numériques de 2ème
Plus en détailEtude d un cas industriel : Optimisation de la modélisation de paramètre de production
Revue des Sciences et de la Technologie RST- Volume 4 N 1 /janvier 2013 Etude d un cas industriel : Optimisation de la modélisation de paramètre de production A.F. Bernate Lara 1, F. Entzmann 2, F. Yalaoui
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 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 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 détailEchantillonnage Non uniforme
Echantillonnage Non uniforme Marie CHABERT IRIT/INP-ENSEEIHT/ ENSEEIHT/TéSASA Patrice MICHEL et Bernard LACAZE TéSA 1 Plan Introduction Echantillonnage uniforme Echantillonnage irrégulier Comparaison Cas
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 détailSoutenance de stage Laboratoire des Signaux et Systèmes
Soutenance de stage Laboratoire des Signaux et Systèmes Bornes inférieures bayésiennes de l'erreur quadratique moyenne. Application à la localisation de points de rupture. M2R ATSI Université Paris-Sud
Plus en détailDifférentes opérateurs évolutionnaires de permutation: sélections, croisements et mutations
LABORATOIRE D INFORMATIQUE DE L UNIVERSITE DE FRANCHE-COMTE EA 4269 Différentes opérateurs évolutionnaires de permutation: sélections, croisements et mutations Mais HAJ-RACHID, Christelle BLOCH, Wahiba
Plus en détailTP N 57. Déploiement et renouvellement d une constellation de satellites
TP N 57 Déploiement et renouvellement d une constellation de satellites L objet de ce TP est d optimiser la stratégie de déploiement et de renouvellement d une constellation de satellites ainsi que les
Plus en détailFigure 3.1- Lancement du Gambit
3.1. Introduction Le logiciel Gambit est un mailleur 2D/3D; pré-processeur qui permet de mailler des domaines de géométrie d un problème de CFD (Computational Fluid Dynamics).Il génère des fichiers*.msh
Plus en détailALGORITHME GENETIQUE ET MODELE DE SIMULATION POUR L'ORDONNANCEMENT D'UN ATELIER DISCONTINU DE CHIMIE
ALGORITHME GENETIQUE ET MODELE DE SIMULATION POUR L'ORDONNANCEMENT D'UN ATELIER DISCONTINU DE CHIMIE P. Baudet, C. Azzaro-Pantel, S. Domenech et L. Pibouleau Laboratoire de Génie Chimique - URA 192 du
Plus en détailIntroduction au Data-Mining
Introduction au Data-Mining Alain Rakotomamonjy - Gilles Gasso. INSA Rouen -Département ASI Laboratoire PSI Introduction au Data-Mining p. 1/25 Data-Mining : Kèkecé? Traduction : Fouille de données. Terme
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 détailAgrégation de liens xdsl sur un réseau radio
Agrégation de liens xdsl sur un réseau radio Soutenance TX Suiveur: Stéphane Crozat Commanditaire: tetaneutral.net/laurent Guerby 1 02/02/212 Introduction 2 Introduction: schéma 3 Définition d un tunnel
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 détailMASTER SIS PRO : logique et sécurité DÉTECTION D INTRUSIONS. Odile PAPINI, LSIS. Université de Toulon et du Var. papini@univ-tln.
MASTER SIS PRO : logique et sécurité DÉTECTION D INTRUSIONS Odile PAPINI, LSIS. Université de Toulon et du Var. papini@univ-tln.fr Plan Introduction Généralités sur les systèmes de détection d intrusion
Plus en détailLocalisation des points d accès sans fil non autorisés
Localisation des points d accès sans fil non autorisés Un point d accès non autorisé peut compromettre la sécurité du réseau de l entreprise en l exposant au monde extérieur. Pour remédier à cette menace,
Plus en détailMéthodes de Simulation
Méthodes de Simulation JEAN-YVES TOURNERET Institut de recherche en informatique de Toulouse (IRIT) ENSEEIHT, Toulouse, France Peyresq06 p. 1/41 Remerciements Christian Robert : pour ses excellents transparents
Plus en détailData Mining. Vincent Augusto 2012-2013. École Nationale Supérieure des Mines de Saint-Étienne. Data Mining. V. Augusto.
des des Data Mining Vincent Augusto École Nationale Supérieure des Mines de Saint-Étienne 2012-2013 1/65 des des 1 2 des des 3 4 Post-traitement 5 représentation : 6 2/65 des des Définition générale Le
Plus en détailChristophe CANDILLIER Cours de DataMining mars 2004 Page 1
Christophe CANDILLIER Cours de DataMining mars 2004 age 1 1. Introduction 2. rocessus du DataMining 3. Analyse des données en DataMining 4. Analyse en Ligne OLA 5. Logiciels 6. Bibliographie Christophe
Plus en détailChaine de transmission
Chaine de transmission Chaine de transmission 1. analogiques à l origine 2. convertis en signaux binaires Échantillonnage + quantification + codage 3. brassage des signaux binaires Multiplexage 4. séparation
Plus en détailDétection en environnement non-gaussien Cas du fouillis de mer et extension aux milieux
Détection en environnement non-gaussien Cas du fouillis de mer et extension aux milieux hétérogènes Laurent Déjean Thales Airborne Systems/ENST-Bretagne Le 20 novembre 2006 Laurent Déjean Détection en
Plus en détailOptimisation des ressources des produits automobile première
EURIA EURo Optimisation produits automobile première Pauline PERROT promotion 2011 EURIA EURo 1 ère partie : contexte MMA (FFSA) MAAF (GEMA) SGAM : COVEA (AFA) GMF (GEMA) MMA : Plus 3 millions clients
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 détailPrédiction de couverture de champ radioélectrique pour les réseaux radiomobiles : L apport du Système d Information Géographique ArcInfo 8
Prédiction de couverture de champ radioélectrique pour les réseaux radiomobiles : L apport du Système d Information Géographique ArcInfo 8 Christine TURCK 1 * et **, Christiane WEBER**, Dominique THOME*
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 détailLa classification automatique de données quantitatives
La classification automatique de données quantitatives 1 Introduction Parmi les méthodes de statistique exploratoire multidimensionnelle, dont l objectif est d extraire d une masse de données des informations
Plus en détailBaccalauréat ES/L Amérique du Sud 21 novembre 2013
Baccalauréat ES/L Amérique du Sud 21 novembre 2013 A. P. M. E. P. EXERCICE 1 Commun à tous les candidats 5 points Une entreprise informatique produit et vend des clés USB. La vente de ces clés est réalisée
Plus en détailPour un citoyen mieux informé en transports
Pour un citoyen mieux informé en transports Congrès géospatial international 2012 Serge Kéna-Cohen: Vice Président, Géomatique et isociété, Fujitsu Françoys Labonté: CRIM 16 mai 2012 Petite histoire du
Plus en détailJoueur B Pierre Feuille Ciseaux Pierre (0,0) (-1,1) (1,-1) Feuille (1,-1) (0,0) (-1,1) Ciseaux (-1,1) (1,-1) (0.0)
CORRECTION D EXAMEN CONTROLE CONTINU n 1 Question de cours Question 1 : Les équilibres de Cournot et de Stackelberg sont des équilibres de situation de duopole sur un marché non coopératif d un bien homogène.
Plus en détailInstitut Informatique de gestion. Communication en situation de crise
Institut Informatique de gestion Communication en situation de crise 1 Contexte Je ne suis pas un professionnel de la communication Méthode empirique, basée sur l(es) expérience(s) Je suis actif dans un
Plus en détailAssurance maladie publique et «Opting out» - Réflexions théoriques
Assurance maladie publique et «Opting out» - Réflexions théoriques Carine Franc CREGAS INSERM - U 537 Une définition de «l opting out» «to opt out» : choisir de ne pas participer ; [hopital, school] choisir
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 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 détailAgrégation des portefeuilles de contrats d assurance vie
Agrégation des portefeuilles de contrats d assurance vie Est-il optimal de regrouper les contrats en fonction de l âge, du genre, et de l ancienneté des assurés? Pierre-O. Goffard Université d été de l
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 détailCours A7 : Temps Réel
Cours A7 : Temps Réel Pierre.Paradinas / @ / cnam.fr Cnam/Cedric Systèmes Enfouis et Embarqués (SEE) Motivations Du jour : les mécanismes multitâches, la gestion des priorités, l ordonnancement, la gestion
Plus en détailChapitre 5. Équilibre concurrentiel et bien-être
Chapitre 5 Équilibre concurrentiel et bien-être Microéconomie III 5 1 5.1 Qu est-ce qu un équilibre souhaitable socialement? E cacité versus équité Que nous permet de dire la science économique sur l e
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 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 détailRaisonnement 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 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 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 détailChapitre 7. Statistique des échantillons gaussiens. 7.1 Projection de vecteurs gaussiens
Chapitre 7 Statistique des échantillons gaussiens Le théorème central limite met en évidence le rôle majeur tenu par la loi gaussienne en modélisation stochastique. De ce fait, les modèles statistiques
Plus en détailFeuille 6 : Tests. Peut-on dire que l usine a respecté ses engagements? Faire un test d hypothèses pour y répondre.
Université de Nantes Année 2013-2014 L3 Maths-Eco Feuille 6 : Tests Exercice 1 On cherche à connaître la température d ébullition µ, en degrés Celsius, d un certain liquide. On effectue 16 expériences
Plus en détailBaccalauréat ES Pondichéry 7 avril 2014 Corrigé
Baccalauréat ES Pondichéry 7 avril 204 Corrigé EXERCICE 4 points Commun à tous les candidats. Proposition fausse. La tangente T, passant par les points A et B d abscisses distinctes, a pour coefficient
Plus en détailQuantification Scalaire et Prédictive
Quantification Scalaire et Prédictive Marco Cagnazzo Département Traitement du Signal et des Images TELECOM ParisTech 7 Décembre 2012 M. Cagnazzo Quantification Scalaire et Prédictive 1/64 Plan Introduction
Plus en détailContrôle stochastique d allocation de ressources dans le «cloud computing»
Contrôle stochastique d allocation de ressources dans le «cloud computing» Jacques Malenfant 1 Olga Melekhova 1, Xavier Dutreilh 1,3, Sergey Kirghizov 1, Isis Truck 2, Nicolas Rivierre 3 Travaux partiellement
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 détailObject Removal by Exemplar-Based Inpainting
Object Removal by Exemplar-Based Inpainting Kévin Polisano A partir d un article de A. Criminisi, P. Pérez & H. K. Toyama 14/02/2013 Kévin Polisano Object Removal by Exemplar-Based Inpainting 14/02/2013
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 détailCorrection du baccalauréat ES/L Métropole 20 juin 2014
Correction du baccalauréat ES/L Métropole 0 juin 014 Exercice 1 1. c.. c. 3. c. 4. d. 5. a. P A (B)=1 P A (B)=1 0,3=0,7 D après la formule des probabilités totales : P(B)=P(A B)+P(A B)=0,6 0,3+(1 0,6)
Plus en détailLa survie nette actuelle à long terme Qualités de sept méthodes d estimation
La survie nette actuelle à long terme Qualités de sept méthodes d estimation PAR Alireza MOGHADDAM TUTEUR : Guy HÉDELIN Laboratoire d Épidémiologie et de Santé publique, EA 80 Faculté de Médecine de Strasbourg
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 détailFONCTION DE DEMANDE : REVENU ET PRIX
FONCTION DE DEMANDE : REVENU ET PRIX 1. L effet d une variation du revenu. Les lois d Engel a. Conditions du raisonnement : prix et goûts inchangés, variation du revenu (statique comparative) b. Partie
Plus en détailApprentissage Automatique
Apprentissage Automatique Introduction-I jean-francois.bonastre@univ-avignon.fr www.lia.univ-avignon.fr Définition? (Wikipedia) L'apprentissage automatique (machine-learning en anglais) est un des champs
Plus en détailDan Istrate. Directeur de thèse : Eric Castelli Co-Directeur : Laurent Besacier
Détection et reconnaissance des sons pour la surveillance médicale Dan Istrate le 16 décembre 2003 Directeur de thèse : Eric Castelli Co-Directeur : Laurent Besacier Thèse mené dans le cadre d une collaboration
Plus en détailchargement d amplitude variable à partir de mesures Application à l approche fiabiliste de la tolérance aux dommages Modélisation stochastique d un d
Laboratoire de Mécanique et Ingénieriesnieries EA 3867 - FR TIMS / CNRS 2856 ER MPS Modélisation stochastique d un d chargement d amplitude variable à partir de mesures Application à l approche fiabiliste
Plus en détailCoup de Projecteur sur les Réseaux de Neurones
Coup de Projecteur sur les Réseaux de Neurones Les réseaux de neurones peuvent être utilisés pour des problèmes de prévision ou de classification. La représentation la plus populaire est le réseau multicouche
Plus en détail$SSOLFDWLRQGXNULJHDJHSRXUOD FDOLEUDWLRQPRWHXU
$SSOLFDWLRQGXNULJHDJHSRXUOD FDOLEUDWLRQPRWHXU Fabien FIGUERES fabien.figueres@mpsa.com 0RWVFOpV : Krigeage, plans d expériences space-filling, points de validations, calibration moteur. 5pVXPp Dans le
Plus en détailOptimisation multi-objectif par colonies de fourmis : cas des problèmes de sac à dos
Optimisation multi-objectif par colonies de fourmis : cas des problèmes de sac à dos Inès Alaya To cite this version: Inès Alaya. Optimisation multi-objectif par colonies de fourmis : cas des problèmes
Plus en détailModélisation aléatoire en fiabilité des logiciels
collection Méthodes stochastiques appliquées dirigée par Nikolaos Limnios et Jacques Janssen La sûreté de fonctionnement des systèmes informatiques est aujourd hui un enjeu économique et sociétal majeur.
Plus en détailPremier modèle - Version simple
Chapitre 1 Premier modèle - Version simple Les individus vivent chacun six générations successives d adultes, chacune d une durée de dix ans, sans distinction faite entre les individus d une même génération.
Plus en détailEfficacité énergétique des réseaux de cœur et d accès
Efficacité énergétique des réseaux de cœur et d accès David Coudert Joanna Mouliérac, Frédéric Giroire MASCOTTE I3S (CNRS/Université Nice Sophia-Antipolis) INRIA Sophia-Antipolis Méditerranée 1 Contexte
Plus en détailApproche d'évaluation pour les problèmes d'ordonnancement multicritères : Méthode d'agrégation avec direction de recherche dynamique
Approche d'évaluation pour les problèmes d'ordonnancement multicritères : Méthode d'agrégation avec direction de recherche dynamiue D. BERKOUNE 2, K. MESGHOUNI, B. RABENASOLO 2 LAGIS UMR CNRS 846, Ecole
Plus en détailSujet 4: Programmation stochastique propriétés de fonction de recours
Sujet 4: Programmation stochastique propriétés de fonction de recours MSE3313: Optimisation Stochastiqe Andrew J. Miller Dernière mise au jour: October 19, 2011 Dans ce sujet... 1 Propriétés de la fonction
Plus en 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 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 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 détailAnalyse de la vidéo. Chapitre 4.1 - La modélisation pour le suivi d objet. 10 mars 2015. Chapitre 4.1 - La modélisation d objet 1 / 57
Analyse de la vidéo Chapitre 4.1 - La modélisation pour le suivi d objet 10 mars 2015 Chapitre 4.1 - La modélisation d objet 1 / 57 La représentation d objets Plan de la présentation 1 La représentation
Plus en détailRenforcement des trois compétences : compréhension orale, expression orale et expression écrite à partir de documents et vidéos.
Master Mathématiques et Applications Spécialité : Ingénierie mathématique et modélisation Parcours : Mathématique et Informatique : Statistique, Signal, Santé (MI3S) 2015-2016 RÉSUMÉ DES COURS : (dernière
Plus en détailRéseaux grande distance
Chapitre 5 Réseaux grande distance 5.1 Définition Les réseaux à grande distance (WAN) reposent sur une infrastructure très étendue, nécessitant des investissements très lourds. Contrairement aux réseaux
Plus en détailLa nouvelle planification de l échantillonnage
La nouvelle planification de l échantillonnage Pierre-Arnaud Pendoli Division Sondages Plan de la présentation Rappel sur le Recensement de la population (RP) en continu Description de la base de sondage
Plus en détailNouvelles propositions pour la résolution exacte du problème de sac à dos bi-objectif unidimensionnel en variables binaires
Nouvelles propositions pour la résolution exacte du problème de sac à dos bi-objectif unidimensionnel en variables binaires Julien Jorge, Xavier Gandibleux Laboratoire d Informatique de Nantes Atlantique
Plus en détailClasse de première L
Classe de première L Orientations générales Pour bon nombre d élèves qui s orientent en série L, la classe de première sera une fin d étude en mathématiques au lycée. On a donc voulu ici assurer à tous
Plus en détailTHÈSE DE DOCTORAT DE L UNIVERSITÉ PARIS 12-VAL DE MARNE UFR de Sciences et Technologie. par. Walid TFAILI. pour obtenir le grade de
THÈSE DE DOCTORAT DE L UNIVERSITÉ PARIS 12-VAL DE MARNE UFR de Sciences et Technologie par Walid TFAILI pour obtenir le grade de DOCTEUR EN SCIENCES Spécialité : SCIENCES DE L INGÉNIEUR Option : Optimisation
Plus en détailAlgorithmes d'apprentissage
Algorithmes d'apprentissage 1 Agents qui apprennent à partir d'exemples La problématique : prise de décision automatisée à partir d'un ensemble d'exemples Diagnostic médical Réponse à une demande de prêt
Plus en détailMATHS FINANCIERES. Mireille.Bossy@sophia.inria.fr. Projet OMEGA
MATHS FINANCIERES Mireille.Bossy@sophia.inria.fr Projet OMEGA Sophia Antipolis, septembre 2004 1. Introduction : la valorisation de contrats optionnels Options d achat et de vente : Call et Put Une option
Plus en détailClassification non supervisée
AgroParisTech Classification non supervisée E. Lebarbier, T. Mary-Huard Table des matières 1 Introduction 4 2 Méthodes de partitionnement 5 2.1 Mesures de similarité et de dissimilarité, distances.................
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 détailChp. 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 détailExpérience 3 Formats de signalisation binaire
Expérience 3 Formats de signalisation binaire Introduction Procédures Effectuez les commandes suivantes: >> xhost nat >> rlogin nat >> setenv DISPLAY machine:0 >> setenv MATLABPATH /gel/usr/telecom/comm_tbx
Plus en détailProgramme scientifique Majeure INTELLIGENCE NUMERIQUE. Mentions Image et Réalité Virtuelle Intelligence Artificielle et Robotique
É C O L E D I N G É N I E U R D E S T E C H N O L O G I E S D E L I N F O R M A T I O N E T D E L A C O M M U N I C A T I O N Programme scientifique Majeure INTELLIGENCE NUMERIQUE Langage Java Mentions
Plus en détailLaboratoire d Automatique et Productique Université de Batna, Algérie
Anale. Seria Informatică. Vol. IX fasc. 2 Annals. Computer Science Series. 9 th Tome st Fasc. 2 La sélection de paramètres d un système industriel par les colonies de fourmis Ouahab Kadri, L. Hayet Mouss,
Plus en détailArbres binaires de décision
1 Arbres binaires de décision Résumé Arbres binaires de décision Méthodes de construction d arbres binaires de décision, modélisant une discrimination (classification trees) ou une régression (regression
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 détailCAPTEURS - CHAINES DE MESURES
CAPTEURS - CHAINES DE MESURES Pierre BONNET Pierre Bonnet Master GSI - Capteurs Chaînes de Mesures 1 Plan du Cours Propriétés générales des capteurs Notion de mesure Notion de capteur: principes, classes,
Plus en détailAutoconsommation d énergie photovoltaïque
Autoconsommation d énergie photovoltaïque Principe et intérêt de l autoconsommation de l électricité photovoltaïque Atelier technique PV-NET Mardi 3 décembre 2013 Marc Niell Ingénieur chargé d affaires
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 détailApprentissage incrémental par sélection de données dans un flux pour une application de sécurité routière
Apprentissage incrémental par sélection de données dans un flux pour une application de sécurité routière Nicolas Saunier INRETS Télécom Paris Sophie Midenet INRETS Alain Grumbach Télécom Paris Conférence
Plus en détailGènes Diffusion - EPIC 2010
Gènes Diffusion - EPIC 2010 1. Contexte. 2. Notion de génétique animale. 3. Profil de l équipe plateforme. 4. Type et gestion des données biologiques. 5. Environnement Matériel et Logiciel. 6. Analyses
Plus en détailIntroduction à la Statistique Inférentielle
UNIVERSITE MOHAMMED V-AGDAL SCIENCES FACULTE DES DEPARTEMENT DE MATHEMATIQUES SMI semestre 4 : Probabilités - Statistique Introduction à la Statistique Inférentielle Prinemps 2013 0 INTRODUCTION La statistique
Plus en détailSystème immunitaire artificiel
République Algérienne Démocratique et Populaire Ministère de l Enseignement Supérieure Université des Sciences et de la Technologie D Oran Mohammed Boudiaf (USTO) Faculté des Sciences Département d Informatique
Plus en détailAnalyse de la variance Comparaison de plusieurs moyennes
Analyse de la variance Comparaison de plusieurs moyennes Biostatistique Pr. Nicolas MEYER Laboratoire de Biostatistique et Informatique Médicale Fac. de Médecine de Strasbourg Mars 2011 Plan 1 Introduction
Plus en détailGUIDE PRATIQUE déplacements professionnels temporaires en France et à l étranger
GUIDE PRATIQUE déplacements professionnels temporaires en France et à l étranger SOMMAIRE GUIDE PRATIQUE déplacements professionnels temporaires en France et à l étranger o o o o o o o o o o o o
Plus en détailRelever les défis des véhicules autonomes
EMM 2014 12eme rencontre européenne de mécatronique Relever les défis des véhicules autonomes Mathias Perrollaz Ingénieur expert Inria Christian Laugier Directeur de recherche Inria E-Motion Team Annecy,
Plus en détail