La NP-complétude. Johanne Cohen. PRISM/CNRS, Versailles, France.
|
|
|
- Marie-Noëlle St-Denis
- il y a 8 ans
- Total affichages :
Transcription
1 La NP-complétude Johanne Cohen PRISM/CNRS, Versailles, France.
2 Références 1. Algorithm Design, Jon Kleinberg, Eva Tardos, Addison-Wesley, Computers and Intractability : A Guide to the Theory of NP-Completeness, M. R. Garey, D. S. Johnson, Transparents inspirés du cours Fondements de l informatique : Logique, Modèles, Calculs d Olivier Bournez.
3 3 Plan Retour sur l épisode précédent Une convention Pourquoi cette convention? Les classes P et NP La notion de réduction NP-complétude Théorème de Cook-Levin Comment pour prouver la NP-complétude Exemple de réduction Problème de la couverture de sommet Problème du cycle hamiltonien Problème de la somme de sous-ensembles
4 4 Objectif de ce cours Distinguer ce qui est raisonnable de ce qui n est pas raisonnable en terme de temps de calcul.
5 4 Objectif de ce cours Distinguer ce qui est raisonnable de ce qui n est pas raisonnable en terme de temps de calcul. Problèmes décidables.
6 4 Objectif de ce cours Distinguer ce qui est raisonnable de ce qui n est pas raisonnable en terme de temps de calcul. Problèmes décidables. Raisonnable?
7 Complexité d un algorithme, d un problème Complexite(A, d) est le nombre d opérations effectuées par algorithme A ayant d comme une entrée. On cherche souvent à évaluer cette complexité en fonction de la taille des entrées taille(d). On peut alors parler de la complexité (au pire cas) d un algorithme (on fait varier seulement les entrées) Complexite A (n) = max Complexite(A, d). d/taille(d)=n d un problème (on fait varier l algorithme, et les entrées) inf A correct Complexite A(n).
8 Retour sur l épisode précédent Une convention Pourquoi cette convention? Plus précisément
9 7 Une convention La convention suivante s est imposée en informatique : CONVENTION : Temps raisonnable = temps polynomial, c est-à-dire en O(n k ) pour un entier k.
10 7 Une convention La convention suivante s est imposée en informatique : CONVENTION : Temps raisonnable = temps polynomial, c est-à-dire en O(n k ) pour un entier k. Graphiquement : Problèmes décidables. Raisonnable
11 7 Une convention La convention suivante s est imposée en informatique : CONVENTION : Temps raisonnable = temps polynomial, c est-à-dire en O(n k ) pour un entier k. Graphiquement : Problèmes décidables. P Exemples :
12 7 Une convention La convention suivante s est imposée en informatique : CONVENTION : Temps raisonnable = temps polynomial, c est-à-dire en O(n k ) pour un entier k. Graphiquement : Problèmes décidables. P Exemples : Décider si un graphe est eulerien est dans P.
13 7 Une convention La convention suivante s est imposée en informatique : CONVENTION : Temps raisonnable = temps polynomial, c est-à-dire en O(n k ) pour un entier k. Graphiquement : Problèmes décidables. P Exemples : Décider si un graphe est eulerien est dans P. On ne sait pas si le problème du cycle hamiltonien est dans P.
14 Retour sur l épisode précédent Une convention Pourquoi cette convention? Plus précisément
15 9 Raison 1 : s affranchir du modèle de calcul Thèse de Church : Les modèles suivants se simulent deux à deux : Les machines de Turing à un ruban. Les machines de Turing à deux rubans. Les machines à k 2 piles Les machines RAM Les programmes JAVA, C, CAML,...
16 9 Raison 1 : s affranchir du modèle de calcul Thèse de Church : Les modèles suivants se simulent deux à deux : Les machines de Turing à un ruban. Les machines de Turing à deux rubans. Les machines à k 2 piles Les machines RAM Les programmes JAVA, C, CAML,... de telle sorte que : t instructions de l un sont simulées par un nombre d instructions polynomial en t par l autre.
17 Raison 1 : s affranchir du modèle de calcul Graphe Algorithme Java Résultat Nombre d instructions : T
18 10 Raison 1 : s affranchir du modèle de calcul Graphe Machine RAM Résultat Nombre d instructions : T k
19 10 Raison 1 : s affranchir du modèle de calcul Graphe Algorithme CAML Résultat Nombre d instructions : (T k ) k = T kk
20 10 Raison 1 : s affranchir du modèle de calcul Graphe Machine de Turing Résultat Nombre d instructions : (T kk ) k = T kk k
21 10 Raison 1 : s affranchir du modèle de calcul Graphe Machine de Turing Résultat Nombre d instructions : (T kk ) k = T kk k On peut donc parler d algorithme efficace sans avoir à préciser dans quel langage / avec quel modèle l algorithme est implémenté.
22 Raison 1 : s affranchir du modèle de calcul Graphe Machine de Turing Résultat Nombre d instructions : (T kk ) k = T kk k On peut donc parler d algorithme efficace sans avoir à préciser dans quel langage / avec quel modèle l algorithme est implémenté. Le temps correspond au nombre d instructions dans chacun de ces modèles. (à la composition par un polynôme près)
23 11 Raison 2 : s affranchir de problèmes du codage Graphe Algorithme Résultat Temps : T (taille(graphe))
24 11 Raison 2 : s affranchir de problèmes du codage Graphe Algorithme Résultat Temps : T (taille(graphe)) La plupart des objets informatiques usuels peuvent se représenter de différentes façons...
25 11 Raison 2 : s affranchir de problèmes du codage Graphe Algorithme Résultat Temps : T (taille(graphe)) La plupart des objets informatiques usuels peuvent se représenter de différentes façons... Exemple : un graphe peut se représenter par une matrice d adjacence. par une liste d adjacence.
26 11 Raison 2 : s affranchir de problèmes du codage Liste Algorithme Résultat Temps : T (taille(liste)) La plupart des objets informatiques usuels peuvent se représenter de différentes façons... Exemple : un graphe peut se représenter par une matrice d adjacence. par une liste d adjacence.
27 11 Raison 2 : s affranchir de problèmes du codage Matrice Algorithme Résultat Temps : T (taille(matrice)) La plupart des objets informatiques usuels peuvent se représenter de différentes façons... Exemple : un graphe peut se représenter par une matrice d adjacence. par une liste d adjacence.
28 Raison 2 : s affranchir de problèmes du codage Matrice Algorithme Résultat Temps : T (taille(matrice)) La plupart des objets informatiques usuels peuvent se représenter de différentes façons... Exemple : un graphe peut se représenter par une matrice d adjacence. par une liste d adjacence....mais passer d une façon de les représenter à l autre est possible en un temps qui reste polynomial en la taille du codage.
29 11 Raison 2 : s affranchir de problèmes du codage Matrice Algorithme Résultat Temps : T (taille(matrice)) La plupart des objets informatiques usuels peuvent se représenter de différentes façons... Exemple : un graphe peut se représenter par une matrice d adjacence. par une liste d adjacence....mais passer d une façon de les représenter à l autre est possible en un temps qui reste polynomial en la taille du codage. Exemple : on peut transformer une liste d adjacence en une matrice d adjacence en temps polynomial (et réciproquement).
30 11 Raison 2 : s affranchir de problèmes du codage Liste f Matrice Algorithme Résultat Temps : T (taille(liste)) = T f (taille(liste)) + T (taille(matrice)) La plupart des objets informatiques usuels peuvent se représenter de différentes façons... Exemple : un graphe peut se représenter par une matrice d adjacence. par une liste d adjacence....mais passer d une façon de les représenter à l autre est possible en un temps qui reste polynomial en la taille du codage. Exemple : on peut transformer une liste d adjacence en une matrice d adjacence en temps polynomial (et réciproquement).
31 11 Raison 2 : s affranchir de problèmes du codage Liste f Matrice Algorithme Résultat Temps : T (taille(liste)) = T f (taille(liste)) + T (taille(matrice)) La plupart des objets informatiques usuels peuvent se représenter de différentes façons... Exemple : un graphe peut se représenter par une matrice d adjacence. par une liste d adjacence....mais passer d une façon de les représenter à l autre est possible en un temps qui reste polynomial en la taille du codage. Exemple : on peut transformer une liste d adjacence en une matrice d adjacence en temps polynomial (et réciproquement).
32 Raison 2 : s affranchir de problèmes du codage Liste f n Algorithme Résultat Temps : T (taille(liste)) = T (n k ) La plupart des objets informatiques usuels peuvent se représenter de différentes façons... Exemple : un graphe peut se représenter par une matrice d adjacence. par une liste d adjacence....mais passer d une façon de les représenter à l autre est possible en un temps qui reste polynomial en la taille du codage. Exemple : on peut transformer une liste d adjacence en une matrice d adjacence en temps polynomial (et réciproquement).
33 Raison 2 : s affranchir de problèmes du codage Graphe Algorithme Résultat Temps : Polynomial/Non polynomial La plupart des objets informatiques usuels peuvent se représenter de différentes façons... Exemple : un graphe peut se représenter par une matrice d adjacence. par une liste d adjacence....mais passer d une façon de les représenter à l autre est possible en un temps qui reste polynomial en la taille du codage. Exemple : on peut transformer une liste d adjacence en une matrice d adjacence en temps polynomial (et réciproquement). On peut donc parler d algorithme raisonnable sur ces objets sans avoir à rentrer dans les détails du codage ces objets.
34 Raison 2 : s affranchir de problèmes du codage Graphe Algorithme Résultat Temps : Polynomial/Non polynomial On peut donc parler d algorithme raisonnable sur ces objets sans avoir à rentrer dans les détails du codage ces objets.
35 12 Plan Retour sur l épisode précédent Une convention Pourquoi cette convention? Les classes P et NP La notion de réduction NP-complétude Théorème de Cook-Levin Comment pour prouver la NP-complétude Exemple de réduction Problème de la couverture de sommet Problème du cycle hamiltonien Problème de la somme de sous-ensembles
36 La classe P Rappel : Un problème de décision Π est un ensemble d instances I Π et un sous-ensemble Oui(Π) d instances positives. Exemple : Graphe eulerien Données : un graphe non-orienté G = (V, E). Question : G a-il un cycle eulerien? Définition La classe P est la classe des problèmes de décision qui admettent un algorithme de complexité polynomale.
37 La classe NP 14 Définition La classe NP est formée des problèmes de décision Π qui possèdent un vérificateur polynomial. Un vérificateur V est un algorithme qui prend une information en plus (certificat) pour vérifier qu une instance est positive. Exemple 1 : Graphe Hamiltonien Données : un graphe non-orienté G = (V, E). Question : G a-il un cycle hamiltonien? Le certificat correspond à une suite S de sommets V vérifie que S est un cycle et qu il transverse chaque sommet une unique fois. V fonctionne bien en temps polynomial.
38 Comparaison entre les deux classes P et NP. 15 Problèmes NP Problèmes P Par définition P NP.
39 Les classes P et NP La notion de réduction Plus précisément
40 17 Comment comparer les problèmes Soient A et B deux problèmes de décision. Une réduction de A vers B est une fonction f : I A I B calculable en temps polynomial telle que w Oui(A) ssi f (w) Oui(B). On note A B lorsque A se réduit à B. Instance du problème A f Instance du problème B Algorithme oui non
41 17 Comment comparer les problèmes Soient A et B deux problèmes de décision. Une réduction de A vers B est une fonction f : I A I B calculable en temps polynomial telle que w Oui(A) ssi f (w) Oui(B). On note A B lorsque A se réduit à B. intuitivement : A B signifie que A est plus facile que B. Instance du problème A f Instance du problème B Algorithme oui non
42 Principales propriétés Théorème est un préordre (= est reflexive, transitive) : 1. L L ; 2. L 1 L 2, L 2 L 3 impliquent L 1 L 3. Preuve: Intuitivement : un problème est aussi facile (et difficile) que lui-même il suffit de considérer la fonction identité pour f Intuitivement : la relation être plus facile que est transitive. L 1 L 2 via la réduction f = x OUI (I L1 ) ssi g(f (x)) OUI (I L2 ). L 2 L 3 via la réduction g La composée de deux fonctions calculable en temps polynomial est calculable. 18
43 Théorèmes 19 Théorème Si A B, et si A est dans P, alors B est dans P. Théorème Si A B, et si A n est pas dans P, alors B n est pas dans P. Instance du problème A f Instance du problème B Algorithme oui non
44 20 Plan Retour sur l épisode précédent Une convention Pourquoi cette convention? Les classes P et NP La notion de réduction NP-complétude Théorème de Cook-Levin Comment pour prouver la NP-complétude Exemple de réduction Problème de la couverture de sommet Problème du cycle hamiltonien Problème de la somme de sous-ensembles
45 21 Motivation On souhaite comprendre quels sont les problèmes les plus difficiles dans NP.
46 21 Motivation On souhaite comprendre quels sont les problèmes les plus difficiles dans NP. Un problème A est dit NP-difficile si tout autre problème B de NP est tel que B A. Intuitivement : il est plus difficile que tous les problèmes dans la classe.
47 21 Motivation On souhaite comprendre quels sont les problèmes les plus difficiles dans NP. Un problème A est dit NP-difficile si tout autre problème B de NP est tel que B A. Intuitivement : il est plus difficile que tous les problèmes dans la classe. Un problème A est dit NP-complet si en plus on a A NP. Autrement dit : A est NP-complet signifie que A est un élément maximum dans NP pour.
48 Plus précisément NP-complétude Théorème de Cook-Levin Comment pour prouver la NP-complétude
49 Théorème de Cook-Levin Théorème Cook-Levin Le problème SAT est NP-complet. Problèmes NP-complets Problèmes NP Problèmes P
50 Théorème de Cook-Levin Théorème Cook-Levin Le problème SAT est NP-complet. Problèmes NP-complets SAT Problèmes NP Problèmes P
51 Corollaire Preuve: Conséquense P = NP si et seulement si SAT P.
52 Conséquense Corollaire P = NP si et seulement si SAT P. Preuve: Si P = NP, alors puisque SAT est dans NP, SAT P.
53 Conséquense Corollaire P = NP si et seulement si SAT P. Preuve: Si P = NP, alors puisque SAT est dans NP, SAT P. Réciproquement, si SAT P, Puisque SAT est complet, pour tout problème B NP, B SAT Donc B P
54 Conséquense Corollaire P = NP si et seulement si SAT P. Preuve: Si P = NP, alors puisque SAT est dans NP, SAT P. Réciproquement, si SAT P, Puisque SAT est complet, pour tout problème B NP, B SAT Donc B P Remarque: généralisation à n importe problème NP-complet Soit A un problème NP-complet. P = NP si et seulement si A P. D où l intérêt de produire de nombreux problèmes NP-complets
55 A quoi sert de prouver la NP-complétude d un problème? 25 Arriver à prouver que P = NP...
56 A quoi sert de prouver la NP-complétude d un problème? 25 Arriver à prouver que P = NP... Si un problème A et un problème B sont NP-complets, alors A B et B A : Tous les problèmes NP-complets sont donc de même difficulté.
57 A quoi sert de prouver la NP-complétude d un problème? 25 Arriver à prouver que P = NP... Si un problème A et un problème B sont NP-complets, alors A B et B A : Tous les problèmes NP-complets sont donc de même difficulté. Surtout : Supposons que l on n arrive pas à trouver un algorithme polynomial pour un problème. Prouver sa NP-complétude permet de se convaincre que cela n est pas possible, sauf si P = NP.
58 Plus précisément NP-complétude Théorème de Cook-Levin Comment pour prouver la NP-complétude
59 Stratégie pour prouver la NP-complétude 27 Pour prouver la NP-complétude d un problème A, il suffit : 1. de prouver qu il admet un vérificateur polynomial ; 2. de prouver que B A pour un problème B NP-complet Pourquoi?
60 Stratégie pour prouver la NP-complétude 27 Pour prouver la NP-complétude d un problème A, il suffit : 1. de prouver qu il admet un vérificateur polynomial ; 2. de prouver que B A pour un problème B NP-complet Pourquoi? le point 1. permet de garantir que A NP,
61 Stratégie pour prouver la NP-complétude Pour prouver la NP-complétude d un problème A, il suffit : 1. de prouver qu il admet un vérificateur polynomial ; 2. de prouver que B A pour un problème B NP-complet Pourquoi? le point 1. permet de garantir que A NP, le point 2. permet que on a C A pour tout problème C NP on a C B comme B est NP-complet, et C A puisque B A.
62 28 Plan Retour sur l épisode précédent Une convention Pourquoi cette convention? Les classes P et NP La notion de réduction NP-complétude Théorème de Cook-Levin Comment pour prouver la NP-complétude Exemple de réduction Problème de la couverture de sommet Problème du cycle hamiltonien Problème de la somme de sous-ensembles
63 Ce qu on va prouver dans la suite 29 SAT 3-SAT 4-SAT NAE VC Cycle Hamiltonien Chaine Hamiltonienne Somme de sous-ensemble 3-SAT NAE Stable Clique Dominant 2-partition Le symbole désigne le relation est plus facile que
64 30 Plus précisément Exemple de réduction Problème de la couverture de sommet Problème du cycle hamiltonien Problème de la somme de sous-ensembles
65 Couverture sommet 31 Couverture de sommets (VC) Données : un graphe non-orienté G = (V, E) et un entier k. Question : G contient-il une couverture de sommets S de cardinalité au plus k? Les sommets en bleu font partie de la couverture sommet
66 Couverture sommet 31 Couverture de sommets (VC) Données : un graphe non-orienté G = (V, E) et un entier k. Question : G contient-il une couverture de sommets S de cardinalité au plus k? Théorème Le problème Couverture de sommets est NP-complet. Les sommets en bleu font partie de la couverture sommet
67 VC est dans NP Certificat : liste S de sommets. On peut vérifier en temps polynomial que 1. la cardinalité de S est inférieure ou égale à k ; 2. pour chaque arête (u, v) E, u ou v est dans S
68 3-SAT VC 3-SAT Données : un ensemble U de variables {u 1, u 2,..., u n } et une formule logique L = C 1 C l ayant des clauses de 3 littéraux Question : Existe-t-il une fonction t : U {0, 1} telle que t satisfait L? Nous allons transformer une instance (U, L) de 3-SAT en une instance (G, k) de VC en un temps polynomial.
69 3-SAT VC 3-SAT Données : un ensemble U de variables {u 1, u 2,..., u n } et une formule logique L = C 1 C l ayant des clauses de 3 littéraux Question : Existe-t-il une fonction t : U {0, 1} telle que t satisfait L? Nous allons transformer une instance (U, L) de 3-SAT en une instance (G, k) de VC en un temps polynomial. Pour chaque variable u de U, on associe deux sommets u et u, et une arête (u, u) dans G
70 3-SAT VC 33 3-SAT Données : un ensemble U de variables {u 1, u 2,..., u n } et une formule logique L = C 1 C l ayant des clauses de 3 littéraux Question : Existe-t-il une fonction t : U {0, 1} telle que t satisfait L? Nous allons transformer une instance (U, L) de 3-SAT en une instance (G, k) de VC en un temps polynomial. Pour chaque variable u de U, on associe deux sommets u et u, et une arête (u, u) dans G Pour chaque clause C i = (x 1 x 2 x 3 ),
71 3-SAT VC 33 3-SAT Données : un ensemble U de variables {u 1, u 2,..., u n } et une formule logique L = C 1 C l ayant des clauses de 3 littéraux Question : Existe-t-il une fonction t : U {0, 1} telle que t satisfait L? Nous allons transformer une instance (U, L) de 3-SAT en une instance (G, k) de VC en un temps polynomial. Pour chaque variable u de U, on associe deux sommets u et u, et une arête (u, u) dans G Pour chaque clause C i = (x 1 x 2 x 3 ), on associe un triangle dans G composé des sommets c1,i, c 2,i, c 3,i,
72 3-SAT VC 33 3-SAT Données : un ensemble U de variables {u 1, u 2,..., u n } et une formule logique L = C 1 C l ayant des clauses de 3 littéraux Question : Existe-t-il une fonction t : U {0, 1} telle que t satisfait L? Nous allons transformer une instance (U, L) de 3-SAT en une instance (G, k) de VC en un temps polynomial. Pour chaque variable u de U, on associe deux sommets u et u, et une arête (u, u) dans G Pour chaque clause C i = (x 1 x 2 x 3 ), on associe un triangle dans G composé des sommets c1,i, c 2,i, c 3,i, on relie le sommet c 1,i à l 1 par une arête
73 3-SAT VC 33 3-SAT Données : un ensemble U de variables {u 1, u 2,..., u n } et une formule logique L = C 1 C l ayant des clauses de 3 littéraux Question : Existe-t-il une fonction t : U {0, 1} telle que t satisfait L? Nous allons transformer une instance (U, L) de 3-SAT en une instance (G, k) de VC en un temps polynomial. Pour chaque variable u de U, on associe deux sommets u et u, et une arête (u, u) dans G Pour chaque clause C i = (x 1 x 2 x 3 ), on associe un triangle dans G composé des sommets c1,i, c 2,i, c 3,i, on relie le sommet c 1,i à l 1 par une arête k = U + 2l
74 34 Instance de 3-SAT : Exemple U = {u 1, u 2, u 3, u 4 } de variables C 1 = (u 1 u 2 u 3 ), C 2 = (u 1 u 3 u 4 ), C 3 = (u 2 u 3 u 4 ), Instance de Couverture sommet construite à partir de l instance précédente : u 1 u 1 u 2 u 2 u 3 u 3 u 4 u 4 c3,1 c3,2 c3,3 c1,1 c 2,1 c1,2 c 2,2 c1,3 c 2,3 Les sommets en bleu font partie de la couverture de sommets
75 34 On peut prouver : Exemple Il existe une couverture de sommets du graphe G d au plus k sommets il existe une fonction t : U {0, 1} qui satisfait toutes les clauses C 1,..., C l. u 1 u 1 u 2 u 2 u 3 u 3 u 4 u 4 c3,1 c3,2 c3,3 c1,1 c 2,1 c1,2 c 2,2 c1,3 c 2,3 Les sommets en bleu font partie de la couverture de sommets
76 35 Plus précisément Exemple de réduction Problème de la couverture de sommet Problème du cycle hamiltonien Problème de la somme de sous-ensembles
77 Problème du cycle hamiltonien Cycle Hamiltonien Données : un graphe non-orienté G. Question : G contient-il un cycle hamiltonien?
78 Problème du cycle hamiltonien 36 Cycle Hamiltonien Données : un graphe non-orienté G. Question : G contient-il un cycle hamiltonien? Théorème Le problème Cycle Hamiltonien est NP-complet Preuve: 1. Cycle Hamiltonien est dans NP. 2. VC Cycle Hamiltonien.
79 VC Cycle Hamiltonien. 37 On se donne un graphe G = (V, E) et un entier k (correspondant à une instance de VC). On veut construire un graphe G en temps polynomial tel que il existe une couverture de sommets du graphe G d au plus k sommets le graphe G a un cycle hamiltonien. Pour cela on associe un gadget pour représenter chaque arête de G dans G.
80 Le gadget pour une arête e Pour chaque arête e = (u, v) de G, on lui associe un gadget dans G correspondant à un sous-graphe composé de 12 sommets : (u,e,1) (u,e,2) (u,e,3) (u,e,4) (u,e,5) (u,e,6) (v,e,1) (v,e,2) (v,e,3) (v,e,4) (v,e,5) (v,e,6)
81 Le gadget pour une arête e Pour chaque arête e = (u, v) de G, on lui associe un gadget dans G correspondant à un sous-graphe composé de 12 sommets : (u,e,1) (u,e,2) (u,e,3) (u,e,4) (u,e,5) (u,e,6) (v,e,1) (v,e,2) (v,e,3) (v,e,4) (v,e,5) (v,e,6) Si G a un cycle hamiltonien, alors les seules façons de traverser du cycle dans ce gadget sont les suivantes : Les arêtes bleues correspondent aux arêtes appartenant aux cycles.
82 La transformation de G en G G a k sommets notés 1, 2,..., k. Pour chaque arête e de G, créer un sous-graphe étant une (u,e,1) (u,e,2) (u,e,3) (u,e,4) (u,e,5) (u,e,6) copie du gadget. (v,e,1) (v,e,2) (v,e,3) (v,e,4) (v,e,5) (v,e,6)
83 La transformation de G en G G a k sommets notés 1, 2,..., k. Pour chaque arête e de G, créer un sous-graphe étant une (u,e,1) (u,e,2) (u,e,3) (u,e,4) (u,e,5) (u,e,6) copie du gadget. Pour chaque sommet u de G, 1. Numéroter les arêtes incidentes à u : e 1, e 2,... e d (v,e,1) (v,e,2) (v,e,3) (v,e,4) (v,e,5) (v,e,6)
84 La transformation de G en G G a k sommets notés 1, 2,..., k. Pour chaque arête e de G, créer un sous-graphe étant une (u,e,1) (u,e,2) (u,e,3) (u,e,4) (u,e,5) (u,e,6) copie du gadget. (v,e,1) (v,e,2) (v,e,3) (v,e,4) (v,e,5) (v,e,6) Pour chaque sommet u de G, 1. Numéroter les arêtes incidentes à u : e 1, e 2,... e d 2. Créer un chemin entre tous les sommets de type (u, e i, ) de la façon suivante : 2.1 Relier (u, e i, 6) à (u, e i+1, 1) par une arête (pour i allant de 1 à d 1) 2.2 Ajouter une arête entre (u, e 1, 1) et j, et une autre arête (u, e d, 6) à j (pour j allant de 1 à k)
85 Un exemple 40 Une instance (G, k) de VC : x l instance obtenue par transformation : u w v 1 2
86 Un exemple 40 Une instance (G, k) de VC : x l instance obtenue par transformation : u w v On peut prouver que il existe une couverture de sommets du graphe G d au plus k sommets G a un cycle hamiltionien. 1 2
87 41 Plus précisément Exemple de réduction Problème de la couverture de sommet Problème du cycle hamiltonien Problème de la somme de sous-ensembles
88 Somme de sous-ensembles 42 SOMME DE SOUS-ENSEMBLE Données : un ensemble fini d entiers A = {a 1, a 2,..., a l } et un entier t N Question : Existe-t-il un sous-ensemble A A fonction t : U {0, 1} telle que a A a = t? Théorème Le problème SOMME DE SOUS-ENSEMBLE est NP-complet. Preuve: SOMME DE SOUS-ENSEMBLE est dans NP. Couverture sommet SOMME DE SOUS-ENSEMBLE
89 Couverture sommet SOMME DE SOUS-ENSEMBLE (1/2) 43 On se donne un graphe G = (V, E) et un entier k. Il nous faut construire un ensemble d entiers A à partir de G.
90 Couverture sommet SOMME DE SOUS-ENSEMBLE (1/2) On se donne un graphe G = (V, E) et un entier k. Il nous faut construire un ensemble d entiers A à partir de G.
91 Couverture sommet SOMME DE SOUS-ENSEMBLE (1/2) 43 On se donne un graphe G = (V, E) et un entier k. Il nous faut construire un ensemble d entiers A à partir de G. Pour cela, on numérote une numérotation des sommets et des arêtes entre 0 et m 1. pour chaque couple (arête,sommet), b ij = 1 si l arête i est incidente au sommet j, sinon b ij = 0
92 Couverture sommet SOMME DE SOUS-ENSEMBLE (1/2) 43 On se donne un graphe G = (V, E) et un entier k. Il nous faut construire un ensemble d entiers A à partir de G. Pour cela, on numérote une numérotation des sommets et des arêtes entre 0 et m 1. pour chaque couple (arête,sommet), b ij = 1 si l arête i est incidente au sommet j, sinon b ij = 0 On construit l ensemble A de la façon suivante : (b = 4) Pour chaque sommet j : a j = b m + m 1 i=0 b ijb i
93 Couverture sommet SOMME DE SOUS-ENSEMBLE (1/2) 43 On se donne un graphe G = (V, E) et un entier k. Il nous faut construire un ensemble d entiers A à partir de G. Pour cela, on numérote une numérotation des sommets et des arêtes entre 0 et m 1. pour chaque couple (arête,sommet), b ij = 1 si l arête i est incidente au sommet j, sinon b ij = 0 On construit l ensemble A de la façon suivante : (b = 4) Pour chaque sommet j : a j = b m + m 1 i=0 b ijb i On construit l entier t : t = }{{} kb m + m 1 i=0 }{{} 2b i cardinalite de la couverture combien de sommets couvrent i
94 Couverture sommet SOMME DE SOUS-ENSEMBLE (1/2) 43 On se donne un graphe G = (V, E) et un entier k. Il nous faut construire un ensemble d entiers A à partir de G. Pour cela, on numérote une numérotation des sommets et des arêtes entre 0 et m 1. pour chaque couple (arête,sommet), b ij = 1 si l arête i est incidente au sommet j, sinon b ij = 0 On construit l ensemble A de la façon suivante : (b = 4) Pour chaque sommet j : a j = b m + m 1 i=0 b ijb i Pour chaque arête j : est associé l entier b i On construit l entier t : t = }{{} kb m + m 1 i=0 }{{} 2b i cardinalite de la couverture combien de sommets couvrent i
95 Couverture sommet SOMME DE SOUS-ENSEMBLE (2/2) La réduction se fait en temps polynomial : pour chaque arête et pour chaque sommet, est construit un entier codé en base 4 en O( E ) opérations On peut prouver : il existe une couverture sommet du graphe G de cardinalité k il existe un sous-ensemble A A tel que a A a = t
Exemples de problèmes et d applications. INF6953 Exemples de problèmes 1
Exemples de problèmes et d applications INF6953 Exemples de problèmes Sommaire Quelques domaines d application Quelques problèmes réels Allocation de fréquences dans les réseaux radio-mobiles Affectation
Objectifs du cours d aujourd hui. Informatique II : Cours d introduction à l informatique et à la programmation objet. Complexité d un problème (2)
Objectifs du cours d aujourd hui Informatique II : Cours d introduction à l informatique et à la programmation objet Complexité des problèmes Introduire la notion de complexité d un problème Présenter
Théorie des Graphes Cours 3: Forêts et Arbres II / Modélisation
IFIPS S7 - informatique Université Paris-Sud 11 1er semestre 2009/2010 Théorie des Graphes Cours 3: Forêts et Arbres II / 1 Forêts et arbres II Théorème 1.1. Les assertions suivantes sont équivalentes
Chapitre 5 : Flot maximal dans un graphe
Graphes et RO TELECOM Nancy A Chapitre 5 : Flot maximal dans un graphe J.-F. Scheid 1 Plan du chapitre I. Définitions 1 Graphe Graphe valué 3 Représentation d un graphe (matrice d incidence, matrice d
Introduction à la théorie des graphes. Solutions des exercices
CAHIERS DE LA CRM Introduction à la théorie des graphes Solutions des exercices Didier Müller CAHIER N O 6 COMMISSION ROMANDE DE MATHÉMATIQUE 1 Graphes non orientés Exercice 1 On obtient le graphe biparti
Baccalauréat ES Polynésie (spécialité) 10 septembre 2014 Corrigé
Baccalauréat ES Polynésie (spécialité) 10 septembre 2014 Corrigé A. P. M. E. P. Exercice 1 5 points 1. Réponse d. : 1 e Le coefficient directeur de la tangente est négatif et n est manifestement pas 2e
Fondements de l informatique Logique, modèles, et calculs
Fondements de l informatique Logique, modèles, et calculs Cours INF423 de l Ecole Polytechnique Olivier Bournez Version du 20 septembre 2013 2 Table des matières 1 Introduction 9 1.1 Concepts mathématiques........................
Cours de Probabilités et de Statistique
Cours de Probabilités et de Statistique Licence 1ère année 2007/2008 Nicolas Prioux Université Paris-Est Cours de Proba-Stat 2 L1.2 Science-Éco Chapitre Notions de théorie des ensembles 1 1.1 Ensembles
Année 2014/15 2. 1 er septembre 2014. 2. Version de Anca Muscholl, issue du poly de Marc Zeitoun. 1/143
Modèles de calcul Année 2014/15 2 M1, Univ. Bordeaux http://www.labri.fr/perso/anca/mc.html 1 er septembre 2014 2. Version de Anca Muscholl, issue du poly de Marc Zeitoun. 1/143 Modalités du cours 12 cours,
Machines virtuelles Cours 1 : Introduction
Machines virtuelles Cours 1 : Introduction Pierre Letouzey 1 pierre.letouzey@inria.fr PPS - Université Denis Diderot Paris 7 janvier 2012 1. Merci à Y. Régis-Gianas pour les transparents Qu est-ce qu une
Le théorème de Perron-Frobenius, les chaines de Markov et un célèbre moteur de recherche
Le théorème de Perron-Frobenius, les chaines de Markov et un célèbre moteur de recherche Bachir Bekka Février 2007 Le théorème de Perron-Frobenius a d importantes applications en probabilités (chaines
Programmation linéaire
1 Programmation linéaire 1. Le problème, un exemple. 2. Le cas b = 0 3. Théorème de dualité 4. L algorithme du simplexe 5. Problèmes équivalents 6. Complexité de l Algorithme 2 Position du problème Soit
Baccalauréat ES Antilles Guyane 12 septembre 2014 Corrigé
Baccalauréat ES Antilles Guyane 12 septembre 2014 Corrigé EXERCICE 1 5 points Commun à tous les candidats 1. Réponse c : ln(10)+2 ln ( 10e 2) = ln(10)+ln ( e 2) = ln(10)+2 2. Réponse b : n 13 0,7 n 0,01
Rapport de stage de première année de Master Optimisation de cache d instructions
Rapport de stage de première année de Master Optimisation de cache d instructions Benoit Boissinot Benoit.Boissinot@ens-lyon.fr Université Lyon 1 sous la direction de Fabrice Rastello Fabrice.Rastello@ens-lyon.fr
BACCALAUREAT GENERAL MATHÉMATIQUES
BACCALAUREAT GENERAL FEVRIER 2014 MATHÉMATIQUES SERIE : ES Durée de l épreuve : 3 heures Coefficient : 5 (ES), 4 (L) 7(spe ES) Les calculatrices électroniques de poche sont autorisées, conformement à la
Limites finies en un point
8 Limites finies en un point Pour ce chapitre, sauf précision contraire, I désigne une partie non vide de R et f une fonction définie sur I et à valeurs réelles ou complees. Là encore, les fonctions usuelles,
Eteindre. les. lumières MATH EN JEAN 2013-2014. Mme BACHOC. Elèves de seconde, première et terminale scientifiques :
MTH EN JEN 2013-2014 Elèves de seconde, première et terminale scientifiques : Lycée Michel Montaigne : HERITEL ôme T S POLLOZE Hélène 1 S SOK Sophie 1 S Eteindre Lycée Sud Médoc : ROSIO Gauthier 2 nd PELGE
Baccalauréat ES/L Métropole La Réunion 13 septembre 2013 Corrigé
Baccalauréat S/L Métropole La Réunion 13 septembre 2013 Corrigé A. P. M.. P. XRCIC 1 Commun à tous les candidats Partie A 1. L arbre de probabilité correspondant aux données du problème est : 0,3 0,6 H
Image d un intervalle par une fonction continue
DOCUMENT 27 Image d un intervalle par une fonction continue La continuité d une fonction en un point est une propriété locale : une fonction est continue en un point x 0 si et seulement si sa restriction
chapitre 4 Nombres de Catalan
chapitre 4 Nombres de Catalan I Dénitions Dénition 1 La suite de Catalan (C n ) n est la suite dénie par C 0 = 1 et, pour tout n N, C n+1 = C k C n k. Exemple 2 On trouve rapidement C 0 = 1, C 1 = 1, C
Cours Optimisation Partie Optimisation Combinatoire. Année scolaire 2008-2009. Gérard Verfaillie ONERA/DCSD/CD, Toulouse Gerard.Verfaillie@onera.
Cours Optimisation Partie Optimisation Combinatoire 3ième année ISAE Année scolaire 2008-2009 Gérard Verfaillie ONERA/DCSD/CD, Toulouse Gerard.Verfaillie@onera.fr Septembre 2008 Résumé Ce document couvre
Chapitre 2 Le problème de l unicité des solutions
Université Joseph Fourier UE MAT 127 Mathématiques année 2011-2012 Chapitre 2 Le problème de l unicité des solutions Ce que nous verrons dans ce chapitre : un exemple d équation différentielle y = f(y)
Resolution 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.
Réalisabilité et extraction de programmes
Mercredi 9 mars 2005 Extraction de programme: qu'est-ce que c'est? Extraire à partir d'une preuve un entier x N tel que A(x). π x N A(x) (un témoin) (En fait, on n'extrait pas un entier, mais un programme
Exercices types Algorithmique et simulation numérique Oral Mathématiques et algorithmique Banque PT
Exercices types Algorithmique et simulation numérique Oral Mathématiques et algorithmique Banque PT Ces exercices portent sur les items 2, 3 et 5 du programme d informatique des classes préparatoires,
Souad 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
Eléments de Théorie des Graphes et Programmation Linéaire
INSTITUT NATIONAL POLYTECHNIQUE DE LORRAINE Ecole Nationale Supérieure d Electricité et de Mécanique Eléments de Théorie des Graphes et Programmation Linéaire Didier Maquin Professeur à l INPL Version
Problèmes de Mathématiques Filtres et ultrafiltres
Énoncé Soit E un ensemble non vide. On dit qu un sous-ensemble F de P(E) est un filtre sur E si (P 0 ) F. (P 1 ) (X, Y ) F 2, X Y F. (P 2 ) X F, Y P(E) : X Y Y F. (P 3 ) / F. Première Partie 1. Que dire
Intégration et probabilités TD1 Espaces mesurés
Intégration et probabilités TD1 Espaces mesurés 2012-2013 1 Petites questions 1) Est-ce que l ensemble des ouverts de R est une tribu? 2) Si F et G sont deux tribus, est-ce que F G est toujours une tribu?
Nombres premiers. Comment reconnaître un nombre premier? Mais...
Introduction Nombres premiers Nombres premiers Rutger Noot IRMA Université de Strasbourg et CNRS Le 19 janvier 2011 IREM Strasbourg Definition Un nombre premier est un entier naturel p > 1 ayant exactement
MIS 102 Initiation à l Informatique
MIS 102 Initiation à l Informatique Responsables et cours : Cyril Gavoille Catherine Pannier Matthias Robine Marc Zeitoun Planning : 6 séances de cours 5 séances de TD (2h40) 4 séances de TP (2h40) + environ
Chaînes de Markov au lycée
Journées APMEP Metz Atelier P1-32 du dimanche 28 octobre 2012 Louis-Marie BONNEVAL Chaînes de Markov au lycée Andreï Markov (1856-1922) , série S Problème 1 Bonus et malus en assurance automobile Un contrat
Big Data et Graphes : Quelques pistes de recherche
Big Data et Graphes : Quelques pistes de recherche Hamamache Kheddouci Laboratoire d'informatique en Image et Systèmes d'information LIRIS UMR 5205 CNRS/INSA de Lyon/Université Claude Bernard Lyon 1/Université
De même, le périmètre P d un cercle de rayon 1 vaut P = 2π (par définition de π). Mais, on peut démontrer (difficilement!) que
Introduction. On suppose connus les ensembles N (des entiers naturels), Z des entiers relatifs et Q (des nombres rationnels). On s est rendu compte, depuis l antiquité, que l on ne peut pas tout mesurer
FIMA, 7 juillet 2005
F. Corset 1 S. 2 1 LabSAD Université Pierre Mendes France 2 Département de Mathématiques Université de Franche-Comté FIMA, 7 juillet 2005 Plan de l exposé plus court chemin Origine du problème Modélisation
FONCTIONS DE PLUSIEURS VARIABLES (Outils Mathématiques 4)
FONCTIONS DE PLUSIEURS VARIABLES (Outils Mathématiques 4) Bernard Le Stum Université de Rennes 1 Version du 13 mars 2009 Table des matières 1 Fonctions partielles, courbes de niveau 1 2 Limites et continuité
1 Définition et premières propriétés des congruences
Université Paris 13, Institut Galilée Département de Mathématiques Licence 2ème année Informatique 2013-2014 Cours de Mathématiques pour l Informatique Des nombres aux structures Sylviane R. Schwer Leçon
Triangle de Pascal dans Z/pZ avec p premier
Triangle de Pascal dans Z/pZ avec p premier Vincent Lefèvre (Lycée P. de Fermat, Toulouse) 1990, 1991 1 Introduction Nous allons étudier des propriétés du triangle de Pascal dans Z/pZ, p étant un nombre
Annexe 6. Notions d ordonnancement.
Annexe 6. Notions d ordonnancement. APP3 Optimisation Combinatoire: problèmes sur-contraints et ordonnancement. Mines-Nantes, option GIPAD, 2011-2012. Sophie.Demassey@mines-nantes.fr Résumé Ce document
Calculs de probabilités conditionelles
Calculs de probabilités conditionelles Mathématiques Générales B Université de Genève Sylvain Sardy 20 mars 2008 1. Indépendance 1 Exemple : On lance deux pièces. Soit A l évènement la première est Pile
COURS EULER: PROGRAMME DE LA PREMIÈRE ANNÉE
COURS EULER: PROGRAMME DE LA PREMIÈRE ANNÉE Le cours de la première année concerne les sujets de 9ème et 10ème années scolaires. Il y a bien sûr des différences puisque nous commençons par exemple par
Cours de mathématiques
DEUG MIAS premier niveau Cours de mathématiques année 2003/2004 Guillaume Legendre (version révisée du 3 avril 2015) Table des matières 1 Éléments de logique 1 1.1 Assertions...............................................
Calculs de probabilités
Calculs de probabilités Mathématiques Générales B Université de Genève Sylvain Sardy 13 mars 2008 1. Définitions et notations 1 L origine des probabilités est l analyse de jeux de hasard, tels que pile
Chapitre 3. Quelques fonctions usuelles. 1 Fonctions logarithme et exponentielle. 1.1 La fonction logarithme
Chapitre 3 Quelques fonctions usuelles 1 Fonctions logarithme et eponentielle 1.1 La fonction logarithme Définition 1.1 La fonction 7! 1/ est continue sur ]0, +1[. Elle admet donc des primitives sur cet
Arithmétique binaire. Chapitre. 5.1 Notions. 5.1.1 Bit. 5.1.2 Mot
Chapitre 5 Arithmétique binaire L es codes sont manipulés au quotidien sans qu on s en rende compte, et leur compréhension est quasi instinctive. Le seul fait de lire fait appel au codage alphabétique,
Intégration et probabilités TD1 Espaces mesurés Corrigé
Intégration et probabilités TD1 Espaces mesurés Corrigé 2012-2013 1 Petites questions 1 Est-ce que l ensemble des ouverts de R est une tribu? Réponse : Non, car le complémentaire de ], 0[ n est pas ouvert.
Baccalauréat 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
INF 232: Langages et Automates. Travaux Dirigés. Université Joseph Fourier, Université Grenoble 1 Licence Sciences et Technologies
INF 232: Langages et Automates Travaux Dirigés Université Joseph Fourier, Université Grenoble 1 Licence Sciences et Technologies Année Académique 2013-2014 Année Académique 2013-2014 UNIVERSITÉ JOSEPH
Cours d Analyse. Fonctions de plusieurs variables
Cours d Analyse Fonctions de plusieurs variables Licence 1ère année 2007/2008 Nicolas Prioux Université de Marne-la-Vallée Table des matières 1 Notions de géométrie dans l espace et fonctions à deux variables........
Introduction à la théorie des graphes
CAHIERS DE LA CRM Introduction à la théorie des graphes Didier Müller CAHIER N O 6 COMMISSION ROMANDE DE MATHÉMATIQUE Table des matières Avant-propos But de ce fascicule................................
Logique. Plan du chapitre
Logique Ce chapitre est assez abstrait en première lecture, mais est (avec le chapitre suivant «Ensembles») probablement le plus important de l année car il est à la base de tous les raisonnements usuels
Optimisation Discrète
Prof F Eisenbrand EPFL - DISOPT Optimisation Discrète Adrian Bock Semestre de printemps 2011 Série 7 7 avril 2011 Exercice 1 i Considérer le programme linéaire max{c T x : Ax b} avec c R n, A R m n et
FaceBook aime les Maths!
FaceBook aime les Maths! Michel Rigo http://www.discmath.ulg.ac.be/ http://orbi.ulg.ac.be/ Réseaux Visualizing my Twitter Network by number of followers. Michael Atkisson http://woknowing.wordpress.com/
Manuel d utilisation 26 juin 2011. 1 Tâche à effectuer : écrire un algorithme 2
éducalgo Manuel d utilisation 26 juin 2011 Table des matières 1 Tâche à effectuer : écrire un algorithme 2 2 Comment écrire un algorithme? 3 2.1 Avec quoi écrit-on? Avec les boutons d écriture........
A. Définition et formalisme
Les cardinalités et les différents types d'associations I. Les cardinalités A. Définition et formalisme Les cardinalités sont des couples de valeur que l'on trouve entre chaque entité et ses associations
Exercices - Polynômes : corrigé. Opérations sur les polynômes
Opérations sur les polynômes Exercice 1 - Carré - L1/Math Sup - Si P = Q est le carré d un polynôme, alors Q est nécessairement de degré, et son coefficient dominant est égal à 1. On peut donc écrire Q(X)
Décision Markovienne appliquée à un jeu de stop ou encore : Pickomino (Heckmeck Am Bratwurmeck)
Décision Markovienne appliquée à un jeu de stop ou encore : Pickomino (Heckmeck Am Bratwurmeck) Stéphane Cardon Nathalie Chetcuti-Sperandio Fabien Delorme Sylvain agrue CRI - Université d Artois {cardon,chetcuti,delorme,lagrue}@cril.univ-artois.fr
La 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
6. Les différents types de démonstrations
LES DIFFÉRENTS TYPES DE DÉMONSTRATIONS 33 6. Les différents types de démonstrations 6.1. Un peu de logique En mathématiques, une démonstration est un raisonnement qui permet, à partir de certains axiomes,
Transmission d informations sur le réseau électrique
Transmission d informations sur le réseau électrique Introduction Remarques Toutes les questions en italique devront être préparées par écrit avant la séance du TP. Les préparations seront ramassées en
Calcul matriciel. Définition 1 Une matrice de format (m,n) est un tableau rectangulaire de mn éléments, rangés en m lignes et n colonnes.
1 Définitions, notations Calcul matriciel Définition 1 Une matrice de format (m,n) est un tableau rectangulaire de mn éléments, rangés en m lignes et n colonnes. On utilise aussi la notation m n pour le
Plus courts chemins, programmation dynamique
1 Plus courts chemins, programmation dynamique 1. Plus courts chemins à partir d un sommet 2. Plus courts chemins entre tous les sommets 3. Semi-anneau 4. Programmation dynamique 5. Applications à la bio-informatique
Algorithmique et Programmation Fonctionnelle
Algorithmique et Programmation Fonctionnelle RICM3 Cours 9 : Lambda-calcul Benjamin Wack Polytech 2014-2015 1 / 35 La dernière fois Typage Polymorphisme Inférence de type 2 / 35 Plan Contexte λ-termes
Soit la fonction affine qui, pour représentant le nombre de mois écoulés, renvoie la somme économisée.
ANALYSE 5 points Exercice 1 : Léonie souhaite acheter un lecteur MP3. Le prix affiché (49 ) dépasse largement la somme dont elle dispose. Elle décide donc d économiser régulièrement. Elle a relevé qu elle
Continuité et dérivabilité d une fonction
DERNIÈRE IMPRESSIN LE 7 novembre 014 à 10:3 Continuité et dérivabilité d une fonction Table des matières 1 Continuité d une fonction 1.1 Limite finie en un point.......................... 1. Continuité
Bases de données. Chapitre 1. Introduction
Références : Bases de données Pierre Wolper Email : pw@montefiore.ulg.ac.be URL : http : //www.montefiore.ulg.ac.be/~pw/ http : //www.montefiore.ulg.ac.be/ ~pw/cours/bd.html Henry F. Korth, Abraham Silberschatz,
Approximations variationelles des EDP Notes du Cours de M2
Approximations variationelles des EDP Notes du Cours de M2 Albert Cohen Dans ce cours, on s intéresse à l approximation numérique d équations aux dérivées partielles linéaires qui admettent une formulation
Université Paris-Dauphine DUMI2E 1ère année, 2009-2010. Applications
Université Paris-Dauphine DUMI2E 1ère année, 2009-2010 Applications 1 Introduction Une fonction f (plus précisément, une fonction réelle d une variable réelle) est une règle qui associe à tout réel x au
I - PUISSANCE D UN POINT PAR RAPPORT A UN CERCLE CERCLES ORTHOGONAUX POLES ET POLAIRES
I - PUISSANCE D UN POINT PAR RAPPORT A UN CERCLE CERCLES ORTHOGONAUX POLES ET POLAIRES Théorème - Définition Soit un cercle (O,R) et un point. Une droite passant par coupe le cercle en deux points A et
Cours de Recherche Opérationnelle IUT d Orsay. Nicolas M. THIÉRY. E-mail address: Nicolas.Thiery@u-psud.fr URL: http://nicolas.thiery.
Cours de Recherche Opérationnelle IUT d Orsay Nicolas M. THIÉRY E-mail address: Nicolas.Thiery@u-psud.fr URL: http://nicolas.thiery.name/ CHAPTER 1 Introduction à l optimisation 1.1. TD: Ordonnancement
* très facile ** facile *** difficulté moyenne **** difficile ***** très difficile I : Incontournable T : pour travailler et mémoriser le cours
Exo7 Continuité (étude globale). Diverses fonctions Exercices de Jean-Louis Rouget. Retrouver aussi cette fiche sur www.maths-france.fr * très facile ** facile *** difficulté moyenne **** difficile *****
Communications collectives et ordonnancement en régime permanent pour plates-formes hétérogènes
Loris MARCHAL Laboratoire de l Informatique du Parallélisme Équipe Graal Communications collectives et ordonnancement en régime permanent pour plates-formes hétérogènes Thèse réalisée sous la direction
Big Data et Graphes : Quelques pistes de recherche
Big Data et Graphes : Quelques pistes de recherche Hamamache Kheddouci http://liris.cnrs.fr/hamamache.kheddouci Laboratoire d'informatique en Image et Systèmes d'information LIRIS UMR 5205 CNRS/INSA de
Chapitre 1 : Évolution COURS
Chapitre 1 : Évolution COURS OBJECTIFS DU CHAPITRE Savoir déterminer le taux d évolution, le coefficient multiplicateur et l indice en base d une évolution. Connaître les liens entre ces notions et savoir
Première partie. Préliminaires : noyaux itérés. MPSI B 6 juin 2015
Énoncé Soit V un espace vectoriel réel. L espace vectoriel des endomorphismes de V est désigné par L(V ). Lorsque f L(V ) et k N, on désigne par f 0 = Id V, f k = f k f la composée de f avec lui même k
Filtrage stochastique non linéaire par la théorie de représentation des martingales
Filtrage stochastique non linéaire par la théorie de représentation des martingales Adriana Climescu-Haulica Laboratoire de Modélisation et Calcul Institut d Informatique et Mathématiques Appliquées de
Fonctions de plusieurs variables, intégrales multiples, et intégrales dépendant d un paramètre
IUFM du Limousin 2009-10 PLC1 Mathématiques S. Vinatier Rappels de cours Fonctions de plusieurs variables, intégrales multiples, et intégrales dépendant d un paramètre 1 Fonctions de plusieurs variables
Continuité d une fonction de plusieurs variables
Chapitre 2 Continuité d une fonction de plusieurs variables Maintenant qu on a défini la notion de limite pour des suites dans R n, la notion de continuité s étend sans problème à des fonctions de plusieurs
Rappels sur les suites - Algorithme
DERNIÈRE IMPRESSION LE 14 septembre 2015 à 12:36 Rappels sur les suites - Algorithme Table des matières 1 Suite : généralités 2 1.1 Déition................................. 2 1.2 Exemples de suites............................
Capacité d un canal Second Théorème de Shannon. Théorie de l information 1/34
Capacité d un canal Second Théorème de Shannon Théorie de l information 1/34 Plan du cours 1. Canaux discrets sans mémoire, exemples ; 2. Capacité ; 3. Canaux symétriques ; 4. Codage de canal ; 5. Second
Premiers exercices d Algèbre. Anne-Marie Simon
Premiers exercices d Algèbre Anne-Marie Simon première version: 17 août 2005 version corrigée et complétée le 12 octobre 2010 ii Table des matières 1 Quelques structures ensemblistes 1 1.0 Ensembles, relations,
Structures algébriques
Structures algébriques 1. Lois de composition s Soit E un ensemble. Une loi de composition interne sur E est une application de E E dans E. Soient E et F deux ensembles. Une loi de composition externe
Cours 1 : Qu est-ce que la programmation?
1/65 Introduction à la programmation Cours 1 : Qu est-ce que la programmation? Yann Régis-Gianas yrg@pps.univ-paris-diderot.fr Université Paris Diderot Paris 7 2/65 1. Sortez un appareil qui peut se rendre
LE PROBLEME DU PLUS COURT CHEMIN
LE PROBLEME DU PLUS COURT CHEMIN Dans cette leçon nous définissons le modèle de plus court chemin, présentons des exemples d'application et proposons un algorithme de résolution dans le cas où les longueurs
ÉPREUVE COMMUNE DE TIPE 2008 - Partie D
ÉPREUVE COMMUNE DE TIPE 2008 - Partie D TITRE : Les Fonctions de Hachage Temps de préparation :.. 2 h 15 minutes Temps de présentation devant le jury :.10 minutes Entretien avec le jury :..10 minutes GUIDE
Qu est-ce qu une probabilité?
Chapitre 1 Qu est-ce qu une probabilité? 1 Modéliser une expérience dont on ne peut prédire le résultat 1.1 Ensemble fondamental d une expérience aléatoire Une expérience aléatoire est une expérience dont
UEO11 COURS/TD 1. nombres entiers et réels codés en mémoire centrale. Caractères alphabétiques et caractères spéciaux.
UEO11 COURS/TD 1 Contenu du semestre Cours et TDs sont intégrés L objectif de ce cours équivalent a 6h de cours, 10h de TD et 8h de TP est le suivant : - initiation à l algorithmique - notions de bases
ALGORITHMIQUE II NOTION DE COMPLEXITE. SMI AlgoII
ALGORITHMIQUE II NOTION DE COMPLEXITE 1 2 Comment choisir entre différents algorithmes pour résoudre un même problème? Plusieurs critères de choix : Exactitude Simplicité Efficacité (but de ce chapitre)
Jean-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
www.h-k.fr/publications/objectif-agregation
«Sur C, tout est connexe!» www.h-k.fr/publications/objectif-agregation L idée de cette note est de montrer que, contrairement à ce qui se passe sur R, «sur C, tout est connexe». Cet abus de langage se
3 Approximation de solutions d équations
3 Approximation de solutions d équations Une équation scalaire a la forme générale f(x) =0où f est une fonction de IR dans IR. Un système de n équations à n inconnues peut aussi se mettre sous une telle
Compression Compression par dictionnaires
Compression Compression par dictionnaires E. Jeandel Emmanuel.Jeandel at lif.univ-mrs.fr E. Jeandel, Lif CompressionCompression par dictionnaires 1/25 Compression par dictionnaire Principe : Avoir une
PROBLEMES D'ORDONNANCEMENT AVEC RESSOURCES
Leçon 11 PROBLEMES D'ORDONNANCEMENT AVEC RESSOURCES Dans cette leçon, nous retrouvons le problème d ordonnancement déjà vu mais en ajoutant la prise en compte de contraintes portant sur les ressources.
Algorithmes 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
Modèles à Événements Discrets. Réseaux de Petri Stochastiques
Modèles à Événements Discrets Réseaux de Petri Stochastiques Table des matières 1 Chaînes de Markov Définition formelle Idée générale Discrete Time Markov Chains Continuous Time Markov Chains Propriétés
Cours de Master Recherche
Cours de Master Recherche Spécialité CODE : Résolution de problèmes combinatoires Christine Solnon LIRIS, UMR 5205 CNRS / Université Lyon 1 2007 Rappel du plan du cours 16 heures de cours 1 - Introduction
Résolution de systèmes linéaires par des méthodes directes
Résolution de systèmes linéaires par des méthodes directes J. Erhel Janvier 2014 1 Inverse d une matrice carrée et systèmes linéaires Ce paragraphe a pour objet les matrices carrées et les systèmes linéaires.
Correction 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)
Raisonnement par récurrence Suites numériques
Chapitre 1 Raisonnement par récurrence Suites numériques Terminale S Ce que dit le programme : CONTENUS CAPACITÉS ATTENDUES COMMENTAIRES Raisonnement par récurrence. Limite finie ou infinie d une suite.
Calculabilité Cours 3 : Problèmes non-calculables. http://www.irisa.fr/lande/pichardie/l3/log/
Calculabilité Cours 3 : Problèmes non-calculables http://www.irisa.fr/lande/pichardie/l3/log/ Problèmes et classes de décidabilité Problèmes et classes de décidabilité Nous nous intéressons aux problèmes