Search

Métaheuristiques et applications

Loading...

Flash Player 9 (or above) is needed to view presentations.
We have detected that you do not have it on your computer. To install it, go here.

0 comments

Post a comment

    Post a comment
    Embed Video
    Edit your comment Cancel

    Notes on slide 1

    1 Favorite & 1 Group

    Métaheuristiques et applications - Presentation Transcript

    1. Johann Dr´o e Optimisation M´taheuristiques e Bases Aspects M´taheuristiques & applications e th´oriques e Conception Impl´mentation e logicielle Application Johann Dr´o e 20 septembre 2007
    2. Plan Johann Dr´o e Optimisation Optimisation 1 M´taheuristiques e Bases Aspects th´oriques e M´taheuristiques e Conception 2 Impl´mentation e logicielle Bases Application Aspects th´oriques e Conception Impl´mentation logicielle e Application 3
    3. Plan Johann Dr´o e Optimisation Optimisation 1 M´taheuristiques e Bases Aspects th´oriques e M´taheuristiques e Conception 2 Impl´mentation e logicielle Bases Application Aspects th´oriques e Conception Impl´mentation logicielle e Application 3
    4. Optimisation : exemple Description Johann Dr´o e fonction objectif Optimisation f(solution) = qualit´ e M´taheuristiques e Bases Aspects + contraintes th´oriques e Conception Impl´mentation e logicielle Exemples Application estimation de densit´, e classification, identification, param´trage, e allocation, plus court chemin, etc.
    5. Optimisation : exemple Description Johann Dr´o e fonction objectif Optimisation f(solution) = qualit´ e M´taheuristiques e Bases Aspects + contraintes th´oriques e Conception Impl´mentation e logicielle Exemples Application estimation de densit´, e classification, identification, param´trage, e allocation, plus court chemin, etc.
    6. Optimisation : exemple Description Johann Dr´o e fonction objectif Optimisation f(solution) = qualit´ e M´taheuristiques e Bases Aspects + contraintes th´oriques e Conception Impl´mentation e logicielle Exemples Application estimation de densit´, e classification, identification, param´trage, e allocation, plus court chemin, etc.
    7. Optimisation : exemple Description Johann Dr´o e fonction objectif Optimisation f(solution) = qualit´ e M´taheuristiques e Bases Aspects + contraintes th´oriques e Conception Impl´mentation e logicielle Exemples Application estimation de densit´, e classification, identification, param´trage, e allocation, plus court chemin, etc.
    8. Optimisation : exemple Description Johann Dr´o e fonction objectif Optimisation f(solution) = qualit´ e M´taheuristiques e Bases Aspects + contraintes th´oriques e Conception Impl´mentation e logicielle Exemples Application estimation de densit´, e classification, identification, param´trage, e allocation, plus court chemin, etc.
    9. Optimisation : exemple Description Johann Dr´o e fonction objectif Optimisation f(solution) = qualit´ e M´taheuristiques e Bases Aspects + contraintes th´oriques e Conception Impl´mentation e logicielle Exemples Application estimation de densit´, e classification, identification, param´trage, e allocation, plus court chemin, etc.
    10. Probl`me NP-complet e Johann Dr´o e n1 n2 n3 D´finition e Optimisation n1 x 10 15 Algorithme M´taheuristiques e Bases n2 10 x 13 Non-d´terministe, e Aspects th´oriques e n3 15 13 x Conception r´solution Polynomiale. e Impl´mentation e logicielle Application Algorithme devine toujours la bonne solution Probl`me e estimation polynomiale
    11. Probl`me NP-complet e Johann Dr´o e n1 n2 n3 D´finition e Optimisation n1 x 10 15 Algorithme M´taheuristiques e Bases n2 10 x 13 Non-d´terministe, e Aspects th´oriques e n3 15 13 x Conception r´solution Polynomiale. e Impl´mentation e logicielle Application Algorithme devine toujours la bonne solution Probl`me e estimation polynomiale
    12. Probl`me NP-complet e Johann Dr´o e n1 n2 n3 D´finition e Optimisation n1 x 10 15 Algorithme M´taheuristiques e Bases n2 10 x 13 Non-d´terministe, e Aspects th´oriques e n3 15 13 x Conception r´solution Polynomiale. e Impl´mentation e logicielle Application Algorithme devine toujours la bonne solution Probl`me e estimation polynomiale
    13. Probl`me NP-complet e Johann Dr´o e n1 n2 n3 D´finition e Optimisation n1 x 10 15 Algorithme M´taheuristiques e Bases n2 10 x 13 Non-d´terministe, e Aspects th´oriques e n3 15 13 x Conception r´solution Polynomiale. e Impl´mentation e logicielle Application Algorithme devine toujours la bonne solution Probl`me e estimation polynomiale
    14. Plan Johann Dr´o e Optimisation Optimisation 1 M´taheuristiques e Bases Aspects th´oriques e M´taheuristiques e Conception 2 Impl´mentation e logicielle Bases Application Aspects th´oriques e Conception Impl´mentation logicielle e Application 3
    15. M´taheuristiques : d´finition e e Comment ? Johann Dr´o e algorithmes d’optimisation, haut niveau, g´n´ralistes, ee Optimisation it´ratifs, souvent stochastiques, e M´taheuristiques e Bases utilisant seulement les solutions, type essais/erreurs. Aspects th´oriques e Conception Impl´mentation e logicielle Pour quoi ? Application recherche op´rationnelle, I.A., e ing´nierie, e probl`mes « difficiles »(NP, e optimums locaux, discontinuit´s, etc.), e combinatoires, continus, multi-objectifs, stochastiques, etc.
    16. M´taheuristiques : d´finition e e Comment ? Johann Dr´o e algorithmes d’optimisation, haut niveau, g´n´ralistes, ee Optimisation it´ratifs, souvent stochastiques, e M´taheuristiques e Bases utilisant seulement les solutions, type essais/erreurs. Aspects th´oriques e Conception Impl´mentation e logicielle Pour quoi ? Application recherche op´rationnelle, I.A., e ing´nierie, e probl`mes « difficiles »(NP, e optimums locaux, discontinuit´s, etc.), e combinatoires, continus, multi-objectifs, stochastiques, etc.
    17. M´taheuristiques : d´finition e e Comment ? Johann Dr´o e algorithmes d’optimisation, haut niveau, g´n´ralistes, ee Optimisation it´ratifs, souvent stochastiques, e M´taheuristiques e Bases utilisant seulement les solutions, type essais/erreurs. Aspects th´oriques e Conception Impl´mentation e logicielle Pour quoi ? Application recherche op´rationnelle, I.A., e ing´nierie, e probl`mes e « difficiles »(optimums locaux, discontinuit´s, etc.), e combinatoires, continus, multi-objectifs, stochastiques, etc.
    18. Algorithmes ´volutionnistes e Johann Dr´o e Optimisation M´taheuristiques e Bases Aspects th´oriques e Conception Impl´mentation e logicielle Application
    19. Algorithmes ´volutionnistes e Johann Dr´o e Optimisation M´taheuristiques e Bases Aspects th´oriques e Conception Impl´mentation e logicielle Application
    20. Algorithmes ´volutionnistes e Johann Dr´o e Optimisation M´taheuristiques e Bases Aspects th´oriques e Conception Impl´mentation e logicielle Application
    21. Plan Johann Dr´o e Optimisation Optimisation 1 M´taheuristiques e Bases Aspects th´oriques e M´taheuristiques e Conception 2 Impl´mentation e logicielle Bases Application Aspects th´oriques e Conception Impl´mentation logicielle e Application 3
    22. Comportement g´n´ral ee Johann Dr´o e Optimisation M´taheuristiques e Convergence Bases Aspects G´n´ralement : au pire ee th´oriques e Conception comme une recherche Impl´mentation e logicielle al´atoire, e Application borne difficile ` a d´terminer, e ergodicit´ ou e quasi-ergodicit´. e
    23. Op´rateurs e Johann Dr´o e Optimisation M´taheuristiques e Bases Aspects th´oriques e Conception Impl´mentation e logicielle Application
    24. ´ Echantillonnage Johann Dr´o e Optimisation M´taheuristiques e Bases Aspects th´oriques e Conception Impl´mentation e logicielle Application
    25. ´ Echantillonnage Johann Dr´o e Optimisation M´taheuristiques e Bases Aspects th´oriques e Conception Impl´mentation e logicielle Application ´ Echantillonnage de la fonction objectif “explicite” : distribution → loi → ´chantillon, e “implicite” : ´chantillon → ´chantillon, e e “direct” : fonction objectif → ´chantillon. e Liens avec l’apprentissage artificiel.
    26. ´ Echantillonnage Johann Dr´o e Optimisation M´taheuristiques e Bases Aspects th´oriques e Conception Impl´mentation e logicielle Application ´ Echantillonnage de la fonction objectif “explicite” : distribution → loi → ´chantillon, e “implicite” : ´chantillon → ´chantillon, e e “direct” : fonction objectif → ´chantillon. e Liens avec l’apprentissage artificiel.
    27. Plan Johann Dr´o e Optimisation Optimisation 1 M´taheuristiques e Bases Aspects th´oriques e M´taheuristiques e Conception 2 Impl´mentation e logicielle Bases Application Aspects th´oriques e Conception Impl´mentation logicielle e Application 3
    28. Johann Dr´o e Optimisation M´taheuristiques e Bases Aspects th´oriques e Conception Impl´mentation e logicielle Application
    29. Estimation de distribution Johann Dr´o e Optimisation M´taheuristiques e Bases Aspects th´oriques e Conception Impl´mentation e logicielle Application
    30. Plan Johann Dr´o e Optimisation Optimisation 1 M´taheuristiques e Bases Aspects th´oriques e M´taheuristiques e Conception 2 Impl´mentation e logicielle Bases Application Aspects th´oriques e Conception Impl´mentation logicielle e Application 3
    31. Recherche ` apprentissage adaptatif a Johann Dr´o e Optimisation Cadre commun M´taheuristiques e Bases Algorithmes stochastiques, Aspects th´oriques e Conception ´chantillonnage, e Impl´mentation e logicielle op´rateurs : e Application diversification, intensification, apprentissage. enchaˆ ınement it´ratif des op´rateurs. e e
    32. Open Metaheuristics Johann Dr´o e Framework de conception Optimisation C++, M´taheuristiques e Design par templates, Bases Aspects th´oriques e s´paration algorithme / probl`mes / interface de e e Conception Impl´mentation e communication, logicielle Application sortie XML, ensemble des informations. Outils de tests Python, R, gestion des tests, graphiques, rapports, comparaisons.
    33. Open Metaheuristics Johann Dr´o e Framework de conception Optimisation C++, M´taheuristiques e Design par templates, Bases Aspects th´oriques e s´paration algorithme / probl`mes / interface de e e Conception Impl´mentation e communication, logicielle Application sortie XML, ensemble des informations. Outils de tests Python, R, gestion des tests, graphiques, rapports, comparaisons.
    34. Open Metaheuristics Johann Dr´o e Framework de conception Optimisation C++, M´taheuristiques e Design par templates, Bases Aspects th´oriques e s´paration algorithme / probl`mes / interface de e e Conception Impl´mentation e communication, logicielle Application sortie XML, ensemble des informations. Outils de tests Python, R, gestion des tests, graphiques, rapports, comparaisons.
    35. Efficacit´ e Johann Dr´o e Optimisation M´taheuristiques e Bases Aspects th´oriques e Conception Efficacit´ e Impl´mentation e logicielle No free-lunch Application impl´mentation e tests statistique
    36. Param´trage e Johann Dr´o e Optimisation M´taheuristiques e Bases Aspects th´oriques e Conception Impl´mentation e logicielle Application
    37. Param´trage e Johann Dr´o e Optimisation M´taheuristiques e Bases Aspects th´oriques e Conception Impl´mentation e logicielle Application
    38. Param´trage e Johann Dr´o e Optimisation M´taheuristiques e Bases Aspects th´oriques e Conception Impl´mentation e logicielle Application
    39. Plan Johann Dr´o e Optimisation Optimisation 1 M´taheuristiques e Bases Aspects th´oriques e M´taheuristiques e Conception 2 Impl´mentation e logicielle Bases Application Aspects th´oriques e Conception Impl´mentation logicielle e Application 3
    40. Recalage d’angiographies r´tiniennes e Probl`me e Johann Dr´o e d´calages (entiers), e Optimisation M´taheuristiques e rotations, zooms, Bases Aspects pas de voisinage, th´oriques e Conception Impl´mentation e logicielle M´thode e Application pr´traitement, e m´taheuristiques, e flot optique. R´sultats e temps de calcul, robustesse.
    41. Essaims de robots Johann Dr´o e Probl`mes e Optimisation M´taheuristiques e Livraisons, nettoyage, Bases Aspects surveillance, monitoring, th´oriques e Conception Impl´mentation e guidage, etc. logicielle Application Gestion de l’aspect essaim Organisation des d´placements, e localisation des robots, comportement global/r`gles locales, e simulations sur Player/Stage.
    42. Essaims de robots Johann Dr´o e Probl`mes e Optimisation M´taheuristiques e Livraisons, nettoyage, Bases Aspects surveillance, monitoring, th´oriques e Conception Impl´mentation e guidage, etc. logicielle Application Gestion de l’aspect essaim Organisation des d´placements, e localisation des robots, comportement global/r`gles locales, e simulations sur Player/Stage.
    43. Intelligence en essaim : exemple Johann Dr´o e Optimisation M´taheuristiques e Bases Aspects Mod`le e th´oriques e Conception Recrutement, Impl´mentation e logicielle multi-agents, interactions, Application comportement global, auto-organisation.
    44. Travaux pr´liminaires e Johann Dr´o e Optimisation Reconstruction de mod`le e M´taheuristiques e Physique optique, Bases Aspects th´oriques e mod`le physique de lentille, e Conception Impl´mentation e logicielle reconstruction depuis images. Application R´seaux ad-hocs e R´seaux ad-hocs tr`s dynamiques, e e routage, qualit´ de service, e colonies de fourmis.
    45. Optimisation dynamique Johann Dr´o e Optimisation M´taheuristiques e Probl`me e Bases Aspects Non-stationnaire, th´oriques e Conception Impl´mentation e variables enti`res, e logicielle Application nouveau benchmark. Algorithmes Colonies de fourmis, distribu´, adaptatif. e
    46. Optimisation dynamique Johann Dr´o e Optimisation M´taheuristiques e Probl`me e Bases Aspects Non-stationnaire, th´oriques e Conception Impl´mentation e variables enti`res, e logicielle Application nouveau benchmark. Algorithmes Colonies de fourmis, distribu´, adaptatif. e

    + Johann DréoJohann Dréo, 3 years ago

    custom

    1774 views, 1 favs, 1 embeds more stats

    Présentation générale des métaheuristiques et d more

    More info about this document

    CC Attribution-ShareAlike LicenseCC Attribution-ShareAlike License

    Go to text version

    • Total Views 1774
      • 1773 on SlideShare
      • 1 from embeds
    • Comments 0
    • Favorites 1
    • Downloads 37
    Most viewed embeds
    • 1 views on http://www.nojhan.net

    more

    All embeds
    • 1 views on http://www.nojhan.net

    less

    Flagged as inappropriate Flag as inappropriate
    Flag as inappropriate

    Select your reason for flagging this presentation as inappropriate. If needed, use the feedback form to let us know more details.

    Cancel
    File a copyright complaint
    Having problems? Go to our helpdesk?

    Categories

    Tags

    Groups / Events

    -->
    Search
    RSS Feed
    What's new?

    © 2009 SlideShare Inc. All Rights Reserved