SlideShare une entreprise Scribd logo
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
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
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
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.
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.
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.
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.
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.
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.
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
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
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
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
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
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.
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.
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.
Algorithmes ´volutionnistes
                               e


Johann Dr´o
         e

Optimisation

M´taheuristiques
 e
Bases
Aspects
th´oriques
  e
Conception
Impl´mentation
     e
logicielle

Application
Algorithmes ´volutionnistes
                               e


Johann Dr´o
         e

Optimisation

M´taheuristiques
 e
Bases
Aspects
th´oriques
  e
Conception
Impl´mentation
     e
logicielle

Application
Algorithmes ´volutionnistes
                               e


Johann Dr´o
         e

Optimisation

M´taheuristiques
 e
Bases
Aspects
th´oriques
  e
Conception
Impl´mentation
     e
logicielle

Application
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
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
Op´rateurs
                     e


Johann Dr´o
         e

Optimisation

M´taheuristiques
 e
Bases
Aspects
th´oriques
  e
Conception
Impl´mentation
     e
logicielle

Application
´
                   Echantillonnage

Johann Dr´o
         e

Optimisation

M´taheuristiques
 e
Bases
Aspects
th´oriques
  e
Conception
Impl´mentation
     e
logicielle

Application
´
                   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.
´
                   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.
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
Johann Dr´o
         e

Optimisation

M´taheuristiques
 e
Bases
Aspects
th´oriques
  e
Conception
Impl´mentation
     e
logicielle

Application
Estimation de distribution


Johann Dr´o
         e

Optimisation

M´taheuristiques
 e
Bases
Aspects
th´oriques
  e
Conception
Impl´mentation
     e
logicielle

Application
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
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
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.
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.
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.
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
Param´trage
                        e


Johann Dr´o
         e

Optimisation

M´taheuristiques
 e
Bases
Aspects
th´oriques
  e
Conception
Impl´mentation
     e
logicielle

Application
Param´trage
                        e


Johann Dr´o
         e

Optimisation

M´taheuristiques
 e
Bases
Aspects
th´oriques
  e
Conception
Impl´mentation
     e
logicielle

Application
Param´trage
                        e


Johann Dr´o
         e

Optimisation

M´taheuristiques
 e
Bases
Aspects
th´oriques
  e
Conception
Impl´mentation
     e
logicielle

Application
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
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.
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.
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.
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.
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.
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
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

Contenu connexe

En vedette

2024 Trend Updates: What Really Works In SEO & Content Marketing
2024 Trend Updates: What Really Works In SEO & Content Marketing2024 Trend Updates: What Really Works In SEO & Content Marketing
2024 Trend Updates: What Really Works In SEO & Content Marketing
Search Engine Journal
 
Storytelling For The Web: Integrate Storytelling in your Design Process
Storytelling For The Web: Integrate Storytelling in your Design ProcessStorytelling For The Web: Integrate Storytelling in your Design Process
Storytelling For The Web: Integrate Storytelling in your Design Process
Chiara Aliotta
 
Artificial Intelligence, Data and Competition – SCHREPEL – June 2024 OECD dis...
Artificial Intelligence, Data and Competition – SCHREPEL – June 2024 OECD dis...Artificial Intelligence, Data and Competition – SCHREPEL – June 2024 OECD dis...
Artificial Intelligence, Data and Competition – SCHREPEL – June 2024 OECD dis...
OECD Directorate for Financial and Enterprise Affairs
 
How to Leverage AI to Boost Employee Wellness - Lydia Di Francesco - SocialHR...
How to Leverage AI to Boost Employee Wellness - Lydia Di Francesco - SocialHR...How to Leverage AI to Boost Employee Wellness - Lydia Di Francesco - SocialHR...
How to Leverage AI to Boost Employee Wellness - Lydia Di Francesco - SocialHR...
SocialHRCamp
 
2024 State of Marketing Report – by Hubspot
2024 State of Marketing Report – by Hubspot2024 State of Marketing Report – by Hubspot
2024 State of Marketing Report – by Hubspot
Marius Sescu
 
Everything You Need To Know About ChatGPT
Everything You Need To Know About ChatGPTEverything You Need To Know About ChatGPT
Everything You Need To Know About ChatGPT
Expeed Software
 
Product Design Trends in 2024 | Teenage Engineerings
Product Design Trends in 2024 | Teenage EngineeringsProduct Design Trends in 2024 | Teenage Engineerings
Product Design Trends in 2024 | Teenage Engineerings
Pixeldarts
 
How Race, Age and Gender Shape Attitudes Towards Mental Health
How Race, Age and Gender Shape Attitudes Towards Mental HealthHow Race, Age and Gender Shape Attitudes Towards Mental Health
How Race, Age and Gender Shape Attitudes Towards Mental Health
ThinkNow
 
AI Trends in Creative Operations 2024 by Artwork Flow.pdf
AI Trends in Creative Operations 2024 by Artwork Flow.pdfAI Trends in Creative Operations 2024 by Artwork Flow.pdf
AI Trends in Creative Operations 2024 by Artwork Flow.pdf
marketingartwork
 
Skeleton Culture Code
Skeleton Culture CodeSkeleton Culture Code
Skeleton Culture Code
Skeleton Technologies
 
PEPSICO Presentation to CAGNY Conference Feb 2024
PEPSICO Presentation to CAGNY Conference Feb 2024PEPSICO Presentation to CAGNY Conference Feb 2024
PEPSICO Presentation to CAGNY Conference Feb 2024
Neil Kimberley
 
Content Methodology: A Best Practices Report (Webinar)
Content Methodology: A Best Practices Report (Webinar)Content Methodology: A Best Practices Report (Webinar)
Content Methodology: A Best Practices Report (Webinar)
contently
 
How to Prepare For a Successful Job Search for 2024
How to Prepare For a Successful Job Search for 2024How to Prepare For a Successful Job Search for 2024
How to Prepare For a Successful Job Search for 2024
Albert Qian
 
Social Media Marketing Trends 2024 // The Global Indie Insights
Social Media Marketing Trends 2024 // The Global Indie InsightsSocial Media Marketing Trends 2024 // The Global Indie Insights
Social Media Marketing Trends 2024 // The Global Indie Insights
Kurio // The Social Media Age(ncy)
 
Trends In Paid Search: Navigating The Digital Landscape In 2024
Trends In Paid Search: Navigating The Digital Landscape In 2024Trends In Paid Search: Navigating The Digital Landscape In 2024
Trends In Paid Search: Navigating The Digital Landscape In 2024
Search Engine Journal
 
5 Public speaking tips from TED - Visualized summary
5 Public speaking tips from TED - Visualized summary5 Public speaking tips from TED - Visualized summary
5 Public speaking tips from TED - Visualized summary
SpeakerHub
 
ChatGPT and the Future of Work - Clark Boyd
ChatGPT and the Future of Work - Clark Boyd ChatGPT and the Future of Work - Clark Boyd
ChatGPT and the Future of Work - Clark Boyd
Clark Boyd
 
Getting into the tech field. what next
Getting into the tech field. what next Getting into the tech field. what next
Getting into the tech field. what next
Tessa Mero
 
Google's Just Not That Into You: Understanding Core Updates & Search Intent
Google's Just Not That Into You: Understanding Core Updates & Search IntentGoogle's Just Not That Into You: Understanding Core Updates & Search Intent
Google's Just Not That Into You: Understanding Core Updates & Search Intent
Lily Ray
 
How to have difficult conversations
How to have difficult conversations How to have difficult conversations
How to have difficult conversations
Rajiv Jayarajah, MAppComm, ACC
 

En vedette (20)

2024 Trend Updates: What Really Works In SEO & Content Marketing
2024 Trend Updates: What Really Works In SEO & Content Marketing2024 Trend Updates: What Really Works In SEO & Content Marketing
2024 Trend Updates: What Really Works In SEO & Content Marketing
 
Storytelling For The Web: Integrate Storytelling in your Design Process
Storytelling For The Web: Integrate Storytelling in your Design ProcessStorytelling For The Web: Integrate Storytelling in your Design Process
Storytelling For The Web: Integrate Storytelling in your Design Process
 
Artificial Intelligence, Data and Competition – SCHREPEL – June 2024 OECD dis...
Artificial Intelligence, Data and Competition – SCHREPEL – June 2024 OECD dis...Artificial Intelligence, Data and Competition – SCHREPEL – June 2024 OECD dis...
Artificial Intelligence, Data and Competition – SCHREPEL – June 2024 OECD dis...
 
How to Leverage AI to Boost Employee Wellness - Lydia Di Francesco - SocialHR...
How to Leverage AI to Boost Employee Wellness - Lydia Di Francesco - SocialHR...How to Leverage AI to Boost Employee Wellness - Lydia Di Francesco - SocialHR...
How to Leverage AI to Boost Employee Wellness - Lydia Di Francesco - SocialHR...
 
2024 State of Marketing Report – by Hubspot
2024 State of Marketing Report – by Hubspot2024 State of Marketing Report – by Hubspot
2024 State of Marketing Report – by Hubspot
 
Everything You Need To Know About ChatGPT
Everything You Need To Know About ChatGPTEverything You Need To Know About ChatGPT
Everything You Need To Know About ChatGPT
 
Product Design Trends in 2024 | Teenage Engineerings
Product Design Trends in 2024 | Teenage EngineeringsProduct Design Trends in 2024 | Teenage Engineerings
Product Design Trends in 2024 | Teenage Engineerings
 
How Race, Age and Gender Shape Attitudes Towards Mental Health
How Race, Age and Gender Shape Attitudes Towards Mental HealthHow Race, Age and Gender Shape Attitudes Towards Mental Health
How Race, Age and Gender Shape Attitudes Towards Mental Health
 
AI Trends in Creative Operations 2024 by Artwork Flow.pdf
AI Trends in Creative Operations 2024 by Artwork Flow.pdfAI Trends in Creative Operations 2024 by Artwork Flow.pdf
AI Trends in Creative Operations 2024 by Artwork Flow.pdf
 
Skeleton Culture Code
Skeleton Culture CodeSkeleton Culture Code
Skeleton Culture Code
 
PEPSICO Presentation to CAGNY Conference Feb 2024
PEPSICO Presentation to CAGNY Conference Feb 2024PEPSICO Presentation to CAGNY Conference Feb 2024
PEPSICO Presentation to CAGNY Conference Feb 2024
 
Content Methodology: A Best Practices Report (Webinar)
Content Methodology: A Best Practices Report (Webinar)Content Methodology: A Best Practices Report (Webinar)
Content Methodology: A Best Practices Report (Webinar)
 
How to Prepare For a Successful Job Search for 2024
How to Prepare For a Successful Job Search for 2024How to Prepare For a Successful Job Search for 2024
How to Prepare For a Successful Job Search for 2024
 
Social Media Marketing Trends 2024 // The Global Indie Insights
Social Media Marketing Trends 2024 // The Global Indie InsightsSocial Media Marketing Trends 2024 // The Global Indie Insights
Social Media Marketing Trends 2024 // The Global Indie Insights
 
Trends In Paid Search: Navigating The Digital Landscape In 2024
Trends In Paid Search: Navigating The Digital Landscape In 2024Trends In Paid Search: Navigating The Digital Landscape In 2024
Trends In Paid Search: Navigating The Digital Landscape In 2024
 
5 Public speaking tips from TED - Visualized summary
5 Public speaking tips from TED - Visualized summary5 Public speaking tips from TED - Visualized summary
5 Public speaking tips from TED - Visualized summary
 
ChatGPT and the Future of Work - Clark Boyd
ChatGPT and the Future of Work - Clark Boyd ChatGPT and the Future of Work - Clark Boyd
ChatGPT and the Future of Work - Clark Boyd
 
Getting into the tech field. what next
Getting into the tech field. what next Getting into the tech field. what next
Getting into the tech field. what next
 
Google's Just Not That Into You: Understanding Core Updates & Search Intent
Google's Just Not That Into You: Understanding Core Updates & Search IntentGoogle's Just Not That Into You: Understanding Core Updates & Search Intent
Google's Just Not That Into You: Understanding Core Updates & Search Intent
 
How to have difficult conversations
How to have difficult conversations How to have difficult conversations
How to have difficult conversations
 

Métaheuristiques et applications

  • 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