University Sétif 1 FERHAT ABBAS Faculty of Sciences
Catégories
Ajouter le résultat dans votre panier Affiner la recherche
Titre : Apprentissage machine : De la théorie à la pratique Type de document : texte imprimé Auteurs : Massih-Reza Amini, Auteur Editeur : Paris : Eyrolles Année de publication : 2015 Collection : Algorithmes (Paris), ISSN 1625-113X Importance : 1 vol. (272 p.) Présentation : ill., fig., couv. ill. en coul. Format : 23 cm ISBN/ISSN/EAN : 978-2-212-13800-9 Note générale : 978-2-212-13800-9 Langues : Français (fre) Catégories : Informatique Mots-clés : Apprentissage supervisé (intelligence artificielle)
Apprentissage automatique
Intelligence computationnelle
Intelligence artificielleIndex. décimale : 006.3 Intelligence artificielle Résumé :
L'apprentissage machine est l'un des domaines phares de l'intelligence artificielle. Il concerne l'étude et le développement de modèles quantitatifs permettant à un ordinateur d'accomplir des tâches sans qu'il soit explicitement programmé à les faire. Apprendre dans ce contexte revient à reconnaître des formes complexes et à prendre des décisions intelligentes. Compte tenu de toutes les entrées existantes, la complexité pour y arriver réside dans le fait que l'ensemble des décisions possibles est généralement très difficile à énumérer. Les algorithmes en apprentissage machine ont par conséquent été conçus dans le but d'acquérir de la connaissance sur le problème à traiter en se basant sur un ensemble de données limitées issues de ce problème.
Un ouvrage de référence
Cet ouvrage présente les fondements scientifiques de la théorie de l'apprentissage supervisé, les algorithmes les plus répandus développés suivant ce domaine ainsi que les deux cadres de l'apprentissage semi-supervisé et de l'ordonnancement, à un niveau accessible aux étudiants de master et aux élèves ingénieurs. Nous avons eu ici le souci de fournir un exposé cohérent reliant la théorie aux algorithmes développés dans cette sphère. Mais cette étude ne se limite pas à présenter ces fondements, vous trouverez ainsi quelques programmes des algorithmes classiques proposés dans ce manuscrit, écrits en langage C (langage à la fois simple et populaire), et à destination des lecteurs qui cherchent à connaître le fonctionnement de ces modèles désignés parfois comme des boîtes noires.
À qui s'adresse ce livre ?
Aux élèves ingénieurs, étudiants de master et doctorants en mathématiques appliquées, algorithmique, recherche opérationnelle, gestion de production, aide à la décision.
Aux ingénieurs, enseignants-chercheurs, informaticiens, industriels, économistes et décideurs ayant à résoudre des problèmes de classification, de partitionnement et d'ordonnancement à large échelle.Note de contenu :
Sommaire
Introduction à la théorie de l'apprentissage
Algorithmes d'optimisation convexe non-contrainte
Classification bi-classes
Classification multi-classes
Apprentissage semi-supervisé
Apprentissage de modèles d'ordonnancement
Annexes (rappels de probabilités, code programmes)Côte titre : Fs/16096-16100 En ligne : https://www.amazon.fr/Apprentissage-machine-pratique-fondamentaux-Learning/dp/22 [...] Format de la ressource électronique : Apprentissage machine : De la théorie à la pratique [texte imprimé] / Massih-Reza Amini, Auteur . - Paris : Eyrolles, 2015 . - 1 vol. (272 p.) : ill., fig., couv. ill. en coul. ; 23 cm. - (Algorithmes (Paris), ISSN 1625-113X) .
ISBN : 978-2-212-13800-9
978-2-212-13800-9
Langues : Français (fre)
Catégories : Informatique Mots-clés : Apprentissage supervisé (intelligence artificielle)
Apprentissage automatique
Intelligence computationnelle
Intelligence artificielleIndex. décimale : 006.3 Intelligence artificielle Résumé :
L'apprentissage machine est l'un des domaines phares de l'intelligence artificielle. Il concerne l'étude et le développement de modèles quantitatifs permettant à un ordinateur d'accomplir des tâches sans qu'il soit explicitement programmé à les faire. Apprendre dans ce contexte revient à reconnaître des formes complexes et à prendre des décisions intelligentes. Compte tenu de toutes les entrées existantes, la complexité pour y arriver réside dans le fait que l'ensemble des décisions possibles est généralement très difficile à énumérer. Les algorithmes en apprentissage machine ont par conséquent été conçus dans le but d'acquérir de la connaissance sur le problème à traiter en se basant sur un ensemble de données limitées issues de ce problème.
Un ouvrage de référence
Cet ouvrage présente les fondements scientifiques de la théorie de l'apprentissage supervisé, les algorithmes les plus répandus développés suivant ce domaine ainsi que les deux cadres de l'apprentissage semi-supervisé et de l'ordonnancement, à un niveau accessible aux étudiants de master et aux élèves ingénieurs. Nous avons eu ici le souci de fournir un exposé cohérent reliant la théorie aux algorithmes développés dans cette sphère. Mais cette étude ne se limite pas à présenter ces fondements, vous trouverez ainsi quelques programmes des algorithmes classiques proposés dans ce manuscrit, écrits en langage C (langage à la fois simple et populaire), et à destination des lecteurs qui cherchent à connaître le fonctionnement de ces modèles désignés parfois comme des boîtes noires.
À qui s'adresse ce livre ?
Aux élèves ingénieurs, étudiants de master et doctorants en mathématiques appliquées, algorithmique, recherche opérationnelle, gestion de production, aide à la décision.
Aux ingénieurs, enseignants-chercheurs, informaticiens, industriels, économistes et décideurs ayant à résoudre des problèmes de classification, de partitionnement et d'ordonnancement à large échelle.Note de contenu :
Sommaire
Introduction à la théorie de l'apprentissage
Algorithmes d'optimisation convexe non-contrainte
Classification bi-classes
Classification multi-classes
Apprentissage semi-supervisé
Apprentissage de modèles d'ordonnancement
Annexes (rappels de probabilités, code programmes)Côte titre : Fs/16096-16100 En ligne : https://www.amazon.fr/Apprentissage-machine-pratique-fondamentaux-Learning/dp/22 [...] Format de la ressource électronique : Exemplaires (5)
Code-barres Cote Support Localisation Section Disponibilité Fs/16096 Fs/16096-16100 livre Bibliothéque des sciences Français Disponible
DisponibleFs/16097 Fs/16096-16100 livre Bibliothéque des sciences Français Disponible
DisponibleFs/16098 Fs/16096-16100 livre Bibliothéque des sciences Français Disponible
DisponibleFs/16099 Fs/16096-16100 livre Bibliothéque des sciences Français Disponible
DisponibleFs/16100 Fs/16096-16100 livre Bibliothéque des sciences Français Disponible
Disponible
Titre : Apprentissage rapide du basic Type de document : texte imprimé Auteurs : Claude j De rossi, Auteur Mention d'édition : 4e éd Editeur : Paris : Eyrolles Année de publication : 1983 Importance : 1 vol. (207 p.) Format : 23 cm Langues : Français (fre) Catégories : Informatique Mots-clés : BASIC (langage de programmation) Index. décimale : 004 - Informatique Côte titre : Fs/8170 Apprentissage rapide du basic [texte imprimé] / Claude j De rossi, Auteur . - 4e éd . - Paris : Eyrolles, 1983 . - 1 vol. (207 p.) ; 23 cm.
Langues : Français (fre)
Catégories : Informatique Mots-clés : BASIC (langage de programmation) Index. décimale : 004 - Informatique Côte titre : Fs/8170 Exemplaires (1)
Code-barres Cote Support Localisation Section Disponibilité Fs/8170 Fs/8170 livre Bibliothéque des sciences Français Disponible
Disponible
Titre : Approche bio-inspirée pour l’extraction des règles d’association Type de document : texte imprimé Auteurs : Heraguemi kamel addine, Auteur ; Habiba DRIAS, Directeur de thèse Editeur : Setif:UFA Année de publication : 2017 Importance : 1 vol (145 f .) Format : 29 cm Catégories : Informatique Mots-clés : bio-inspirée l’extraction des règles
d’associationRésumé : Résumé
L’extraction des règles d’association (ARM) peut être considérée comme un
problème combinatoire Dans le but d'extraire les corrélations entre les éléments dans des
ensembles de données considérables. Les nombreux algorithmes exacts polynômes déjÃ
proposés pour ARM deviennent inadapté aux grandes bases de données et surtout à ceux qui
existent sur le Web en raison au grand nombre de règles générées et aux exigences de temps.
Attendu que les utilisateurs ne peut pas exploiter toutes les règles obtenues par le processus
de recherche dans des algorithmes exhaustifs et ne peut pas perdre beaucoup de temps
lorsque la base de données augmente. Ainsi, la création de de nouveaux cadres et outils pour
la problématique ARM deviennent indispensables. Par conséquent, cette thèse de doctorat
propose plusieurs algorithmes pour la règle d'association minière à partir de données stockées
basées sur l'intelligence de l'essaim qui est un mécanisme moderne et efficace pour résoudre
des problèmes d'informatique, d'ingénierie, d'économie et d'optimisation, c'est un
comportement collectif de décentralisation et de système d'auto-organisation. Le point focal
de ce travail est consacré à l'algorithme Bat qui est développé récemment. BA a déjà prouvé
son efficacité et sa supériorité dans plusieurs champs d'application. Ici, nous proposons trois
propositions avancées basées sur l’algorithme bat pour découvrir le meilleur ensemble de
règles d'association à partir des données, L’algorithme Bat pour l'exploitation minière des
règles d'association minière, Algorithme coopératif multi-essaim pour ARM et algorithme
Bat multi-objectifs pour l'ARM.
Tous les algorithmes proposés dans cette thèse sont évalués à l'aide d'une série appropriée
d'expériences, en utilisant plusieurs ensembles de données bien connus dans le domaine
d’ARM et la performance de chaque approche proposée est évalué et comparé à ceux d'autres
méthodes récemment publiées. Les résultats montrent une nette supériorité de nos
propositions contre d'autres approches en termes du temps et de la qualité des règles.Note de contenu : Table of Contents
Declaration of Authorship iii
Abstract v
Acknowledgements vii
Table of Contents ix
List of Figures xiii
List of Tables xv
List of Algorithms xvii
Abbreviations xviii
1 Introduction 1
1.1 Goals and Objectives . . . . . . . . . . . . . . . . . . . . . . . . . . 3
1.2 Thesis organization . . . . . . . . . . . . . . . . . . . . . . . . . . . 5
2 Background on Association Rule Mining 7
2.1 Introduction . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 7
2.2 Knowledge discovery in databases and Data mining . . . . . . . . . 8
2.2.1 Data Preprocessing . . . . . . . . . . . . . . . . . . . . . . . 9
2.2.2 Data mining . . . . . . . . . . . . . . . . . . . . . . . . . . . 10
2.2.3 Post-mining phase in KDD . . . . . . . . . . . . . . . . . . . 13
2.3 Association rule mining . . . . . . . . . . . . . . . . . . . . . . . . . 14
2.3.1 Basics of association rule mining . . . . . . . . . . . . . . . . 14
2.3.2 Association rules measures . . . . . . . . . . . . . . . . . . . 19
2.3.3 Applications of AR . . . . . . . . . . . . . . . . . . . . . . . 23
2.4 Exhaustive Search algorithms for ARM . . . . . . . . . . . . . . . . 24
2.5 Conclusion . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 35
3 Computational intelligence 37
3.1 Introduction . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 37
3.2 Artificial or Computational intelligence and soft computing . . . . . 38
3.3 Principal paradigms of computational intelligence . . . . . . . . . . 40
3.3.1 Neural Networks . . . . . . . . . . . . . . . . . . . . . . . . 41
3.3.2 Fuzzy Systems . . . . . . . . . . . . . . . . . . . . . . . . . 42
3.3.3 Evolutionary computing . . . . . . . . . . . . . . . . . . . . 43
3.3.4 Swarm intelligence . . . . . . . . . . . . . . . . . . . . . . . 45
3.4 Swarm intelligence algorithms instances . . . . . . . . . . . . . . . . 47
3.4.1 Ant Colony System Algorithm . . . . . . . . . . . . . . . . . 47
3.4.2 Particle Swarm Optimization Algorithm . . . . . . . . . . . 49
3.4.3 Bees Algorithm . . . . . . . . . . . . . . . . . . . . . . . . . 51
3.4.4 Firefly Algorithm . . . . . . . . . . . . . . . . . . . . . . . . 52
3.4.5 Cuckoo search . . . . . . . . . . . . . . . . . . . . . . . . . . 54
3.5 Computational intelligence algorithms for ARM . . . . . . . . . . . 56
3.5.1 Evolutionary algorithms for ARM . . . . . . . . . . . . . . . 58
3.5.2 Swarm intelligence algorithms for ARM . . . . . . . . . . . . 60
3.5.3 Multi-objective Proposals for ARM . . . . . . . . . . . . . . 62
3.6 Conclusion . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 64
4 Bat Algorithm: An Overview 67
4.1 Introduction . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 67
4.2 Natural Bat behavior . . . . . . . . . . . . . . . . . . . . . . . . . . 68
4.3 Original Bat algorithm . . . . . . . . . . . . . . . . . . . . . . . . . 69
4.4 Variants of Bat algorithm . . . . . . . . . . . . . . . . . . . . . . . 71
4.4.1 Multi-swarm bat algorithm . . . . . . . . . . . . . . . . . . . 71
4.4.2 Bat Algorithm for Multi-objective Optimization . . . . . . . 72
4.4.3 Other variants of bat algorithm . . . . . . . . . . . . . . . . 74
4.5 Bat algorithm applications . . . . . . . . . . . . . . . . . . . . . . . 76
4.5.1 Optimization . . . . . . . . . . . . . . . . . . . . . . . . . . 77
4.5.2 Data mining . . . . . . . . . . . . . . . . . . . . . . . . . . . 78
4.5.3 Engineering . . . . . . . . . . . . . . . . . . . . . . . . . . . 79
4.6 Conclusion . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 80
5 Bat algorithm for ARM 81
5.1 Introduction . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 81
5.2 The BAT-ARM algorithm . . . . . . . . . . . . . . . . . . . . . . . 82
5.2.1 Encoding . . . . . . . . . . . . . . . . . . . . . . . . . . . . 82
5.2.2 Fitness Function . . . . . . . . . . . . . . . . . . . . . . . . 83
5.2.3 Virtual Bat Motion . . . . . . . . . . . . . . . . . . . . . . . 83
5.2.4 Complexity of BAT-ARM . . . . . . . . . . . . . . . . . . . 84
5.3 Analysis and comparative study . . . . . . . . . . . . . . . . . . . . 85
5.4 Conclusion . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 87
5.5 Publications Associated with this Chapter . . . . . . . . . . . . . . 89
6 Multi-swarm Cooperative Bat Algorithm for ARM 91
6.1 Introduction . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 91
6.2 The MSB-BAT algorithm . . . . . . . . . . . . . . . . . . . . . . . 92
6.2.1 Dataset representation and Rule encoding . . . . . . . . . . 92
6.2.2 Cooperative strategies in multi-swarm bat algorithm for ARM 92
6.2.2.1 Ring strategy . . . . . . . . . . . . . . . . . . . . . 93
6.2.2.2 Master-Slave strategy . . . . . . . . . . . . . . . . 93
6.2.2.3 Hybrid strategy . . . . . . . . . . . . . . . . . . . . 95
6.3 Experimental Study . . . . . . . . . . . . . . . . . . . . . . . . . . . 96
6.3.1 Datasets description . . . . . . . . . . . . . . . . . . . . . . 96
6.3.2 Experimental Set-up . . . . . . . . . . . . . . . . . . . . . . 98
6.3.3 Analysis and comparison . . . . . . . . . . . . . . . . . . . . 98
6.3.3.1 Stability analysis . . . . . . . . . . . . . . . . . . . 98
6.3.3.2 Comparative study to similar approaches . . . . . . 99
6.3.3.3 Comparative study to multi-objective optimization approaches . . . . . . . . . . . . . . . . .. . 104
6.4 Conclusion . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 105
6.5 Publications Associated with this Chapter . . . . . . . . . . . . . . 107
7 Multi-objective bat algorithm for ARM 109
7.1 Introduction . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 109
7.2 The MOB-ARM algorithm . . . . . . . . . . . . . . . . . . . . . . . 110
7.2.1 Databases layout and rule representation . . . . . . . . . . . 110
7.2.2 Rule encoding . . . . . . . . . . . . . . . . . . . . . . . . . . 111
7.2.3 Objective Functions . . . . . . . . . . . . . . . . . . . . . . 112
7.2.4 The algorithm flow . . . . . . . . . . . . . . . . . . . . . . . 113
7.3 Experimentation and results . . . . . . . . . . . . . . . . . . . . . . 114
7.3.1 Benchmark and setup description . . . . . . . . . . . . . . . 115
7.3.2 Stability analysis . . . . . . . . . . . . . . . . . . . . . . . . 116
7.3.3 Comparative study to single objective approaches . . . . . . 117
7.3.4 Comparative study to multi-objective approaches . . . . . . 118
7.4 Conclusion . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 121
7.5 Publications Associated with this Chapter . . . . . . . . . . . . . . 123
8 Conclusion and future work 125
8.0.1 Future Work and Perspectives . . . . . . . . . . . . . . . . . 126
Bibliography 129Côte titre : DI/0026 En ligne : https://drive.google.com/file/d/1abzHe_6gU2YrehAIhlQOqEu8P2V5K7j2/view?usp=shari [...] Format de la ressource électronique : Approche bio-inspirée pour l’extraction des règles d’association [texte imprimé] / Heraguemi kamel addine, Auteur ; Habiba DRIAS, Directeur de thèse . - [S.l.] : Setif:UFA, 2017 . - 1 vol (145 f .) ; 29 cm.
Catégories : Informatique Mots-clés : bio-inspirée l’extraction des règles
d’associationRésumé : Résumé
L’extraction des règles d’association (ARM) peut être considérée comme un
problème combinatoire Dans le but d'extraire les corrélations entre les éléments dans des
ensembles de données considérables. Les nombreux algorithmes exacts polynômes déjÃ
proposés pour ARM deviennent inadapté aux grandes bases de données et surtout à ceux qui
existent sur le Web en raison au grand nombre de règles générées et aux exigences de temps.
Attendu que les utilisateurs ne peut pas exploiter toutes les règles obtenues par le processus
de recherche dans des algorithmes exhaustifs et ne peut pas perdre beaucoup de temps
lorsque la base de données augmente. Ainsi, la création de de nouveaux cadres et outils pour
la problématique ARM deviennent indispensables. Par conséquent, cette thèse de doctorat
propose plusieurs algorithmes pour la règle d'association minière à partir de données stockées
basées sur l'intelligence de l'essaim qui est un mécanisme moderne et efficace pour résoudre
des problèmes d'informatique, d'ingénierie, d'économie et d'optimisation, c'est un
comportement collectif de décentralisation et de système d'auto-organisation. Le point focal
de ce travail est consacré à l'algorithme Bat qui est développé récemment. BA a déjà prouvé
son efficacité et sa supériorité dans plusieurs champs d'application. Ici, nous proposons trois
propositions avancées basées sur l’algorithme bat pour découvrir le meilleur ensemble de
règles d'association à partir des données, L’algorithme Bat pour l'exploitation minière des
règles d'association minière, Algorithme coopératif multi-essaim pour ARM et algorithme
Bat multi-objectifs pour l'ARM.
Tous les algorithmes proposés dans cette thèse sont évalués à l'aide d'une série appropriée
d'expériences, en utilisant plusieurs ensembles de données bien connus dans le domaine
d’ARM et la performance de chaque approche proposée est évalué et comparé à ceux d'autres
méthodes récemment publiées. Les résultats montrent une nette supériorité de nos
propositions contre d'autres approches en termes du temps et de la qualité des règles.Note de contenu : Table of Contents
Declaration of Authorship iii
Abstract v
Acknowledgements vii
Table of Contents ix
List of Figures xiii
List of Tables xv
List of Algorithms xvii
Abbreviations xviii
1 Introduction 1
1.1 Goals and Objectives . . . . . . . . . . . . . . . . . . . . . . . . . . 3
1.2 Thesis organization . . . . . . . . . . . . . . . . . . . . . . . . . . . 5
2 Background on Association Rule Mining 7
2.1 Introduction . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 7
2.2 Knowledge discovery in databases and Data mining . . . . . . . . . 8
2.2.1 Data Preprocessing . . . . . . . . . . . . . . . . . . . . . . . 9
2.2.2 Data mining . . . . . . . . . . . . . . . . . . . . . . . . . . . 10
2.2.3 Post-mining phase in KDD . . . . . . . . . . . . . . . . . . . 13
2.3 Association rule mining . . . . . . . . . . . . . . . . . . . . . . . . . 14
2.3.1 Basics of association rule mining . . . . . . . . . . . . . . . . 14
2.3.2 Association rules measures . . . . . . . . . . . . . . . . . . . 19
2.3.3 Applications of AR . . . . . . . . . . . . . . . . . . . . . . . 23
2.4 Exhaustive Search algorithms for ARM . . . . . . . . . . . . . . . . 24
2.5 Conclusion . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 35
3 Computational intelligence 37
3.1 Introduction . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 37
3.2 Artificial or Computational intelligence and soft computing . . . . . 38
3.3 Principal paradigms of computational intelligence . . . . . . . . . . 40
3.3.1 Neural Networks . . . . . . . . . . . . . . . . . . . . . . . . 41
3.3.2 Fuzzy Systems . . . . . . . . . . . . . . . . . . . . . . . . . 42
3.3.3 Evolutionary computing . . . . . . . . . . . . . . . . . . . . 43
3.3.4 Swarm intelligence . . . . . . . . . . . . . . . . . . . . . . . 45
3.4 Swarm intelligence algorithms instances . . . . . . . . . . . . . . . . 47
3.4.1 Ant Colony System Algorithm . . . . . . . . . . . . . . . . . 47
3.4.2 Particle Swarm Optimization Algorithm . . . . . . . . . . . 49
3.4.3 Bees Algorithm . . . . . . . . . . . . . . . . . . . . . . . . . 51
3.4.4 Firefly Algorithm . . . . . . . . . . . . . . . . . . . . . . . . 52
3.4.5 Cuckoo search . . . . . . . . . . . . . . . . . . . . . . . . . . 54
3.5 Computational intelligence algorithms for ARM . . . . . . . . . . . 56
3.5.1 Evolutionary algorithms for ARM . . . . . . . . . . . . . . . 58
3.5.2 Swarm intelligence algorithms for ARM . . . . . . . . . . . . 60
3.5.3 Multi-objective Proposals for ARM . . . . . . . . . . . . . . 62
3.6 Conclusion . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 64
4 Bat Algorithm: An Overview 67
4.1 Introduction . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 67
4.2 Natural Bat behavior . . . . . . . . . . . . . . . . . . . . . . . . . . 68
4.3 Original Bat algorithm . . . . . . . . . . . . . . . . . . . . . . . . . 69
4.4 Variants of Bat algorithm . . . . . . . . . . . . . . . . . . . . . . . 71
4.4.1 Multi-swarm bat algorithm . . . . . . . . . . . . . . . . . . . 71
4.4.2 Bat Algorithm for Multi-objective Optimization . . . . . . . 72
4.4.3 Other variants of bat algorithm . . . . . . . . . . . . . . . . 74
4.5 Bat algorithm applications . . . . . . . . . . . . . . . . . . . . . . . 76
4.5.1 Optimization . . . . . . . . . . . . . . . . . . . . . . . . . . 77
4.5.2 Data mining . . . . . . . . . . . . . . . . . . . . . . . . . . . 78
4.5.3 Engineering . . . . . . . . . . . . . . . . . . . . . . . . . . . 79
4.6 Conclusion . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 80
5 Bat algorithm for ARM 81
5.1 Introduction . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 81
5.2 The BAT-ARM algorithm . . . . . . . . . . . . . . . . . . . . . . . 82
5.2.1 Encoding . . . . . . . . . . . . . . . . . . . . . . . . . . . . 82
5.2.2 Fitness Function . . . . . . . . . . . . . . . . . . . . . . . . 83
5.2.3 Virtual Bat Motion . . . . . . . . . . . . . . . . . . . . . . . 83
5.2.4 Complexity of BAT-ARM . . . . . . . . . . . . . . . . . . . 84
5.3 Analysis and comparative study . . . . . . . . . . . . . . . . . . . . 85
5.4 Conclusion . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 87
5.5 Publications Associated with this Chapter . . . . . . . . . . . . . . 89
6 Multi-swarm Cooperative Bat Algorithm for ARM 91
6.1 Introduction . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 91
6.2 The MSB-BAT algorithm . . . . . . . . . . . . . . . . . . . . . . . 92
6.2.1 Dataset representation and Rule encoding . . . . . . . . . . 92
6.2.2 Cooperative strategies in multi-swarm bat algorithm for ARM 92
6.2.2.1 Ring strategy . . . . . . . . . . . . . . . . . . . . . 93
6.2.2.2 Master-Slave strategy . . . . . . . . . . . . . . . . 93
6.2.2.3 Hybrid strategy . . . . . . . . . . . . . . . . . . . . 95
6.3 Experimental Study . . . . . . . . . . . . . . . . . . . . . . . . . . . 96
6.3.1 Datasets description . . . . . . . . . . . . . . . . . . . . . . 96
6.3.2 Experimental Set-up . . . . . . . . . . . . . . . . . . . . . . 98
6.3.3 Analysis and comparison . . . . . . . . . . . . . . . . . . . . 98
6.3.3.1 Stability analysis . . . . . . . . . . . . . . . . . . . 98
6.3.3.2 Comparative study to similar approaches . . . . . . 99
6.3.3.3 Comparative study to multi-objective optimization approaches . . . . . . . . . . . . . . . . .. . 104
6.4 Conclusion . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 105
6.5 Publications Associated with this Chapter . . . . . . . . . . . . . . 107
7 Multi-objective bat algorithm for ARM 109
7.1 Introduction . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 109
7.2 The MOB-ARM algorithm . . . . . . . . . . . . . . . . . . . . . . . 110
7.2.1 Databases layout and rule representation . . . . . . . . . . . 110
7.2.2 Rule encoding . . . . . . . . . . . . . . . . . . . . . . . . . . 111
7.2.3 Objective Functions . . . . . . . . . . . . . . . . . . . . . . 112
7.2.4 The algorithm flow . . . . . . . . . . . . . . . . . . . . . . . 113
7.3 Experimentation and results . . . . . . . . . . . . . . . . . . . . . . 114
7.3.1 Benchmark and setup description . . . . . . . . . . . . . . . 115
7.3.2 Stability analysis . . . . . . . . . . . . . . . . . . . . . . . . 116
7.3.3 Comparative study to single objective approaches . . . . . . 117
7.3.4 Comparative study to multi-objective approaches . . . . . . 118
7.4 Conclusion . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 121
7.5 Publications Associated with this Chapter . . . . . . . . . . . . . . 123
8 Conclusion and future work 125
8.0.1 Future Work and Perspectives . . . . . . . . . . . . . . . . . 126
Bibliography 129Côte titre : DI/0026 En ligne : https://drive.google.com/file/d/1abzHe_6gU2YrehAIhlQOqEu8P2V5K7j2/view?usp=shari [...] Format de la ressource électronique : Exemplaires (1)
Code-barres Cote Support Localisation Section Disponibilité DI/0026 DI/0026 Thèse Bibliothéque des sciences Français Disponible
DisponibleApproches formelles des systèmes embarqués communicants
Titre : Approches formelles des systèmes embarqués communicants Type de document : texte imprimé Auteurs : Olivier H. Roux, Directeur de publication, rédacteur en chef ; Claude Jard (1959-....), Directeur de publication, rédacteur en chef Editeur : Paris : Hermès science publications-Lavoisier Année de publication : 2008 Collection : Traités IC2. Série Informatique et systèmes d'information Sous-collection : Informatique et systèmes d'information Importance : 1 vol. (268 p.) Présentation : ill. Format : 24 cm ISBN/ISSN/EAN : 978-2-7462-1942-7 Note générale : Notes bibliogr. Langues : Français (fre) Catégories : Informatique Mots-clés : Méthodes formelles (informatique)
Systèmes enfouis (informatique)
Temps réel (informatique)
Markov, Processus deIndex. décimale : 621.3 - Éclairage, électronique, électrotechnique, génie informatique, optique appliquée Résumé :
IC2 - Information, Commande, Communication répond au besoin de disposer d'un ensemble complet des connaissances et méthodes nécessaires à la maîtrise des systèmes technologiques.
Conçu volontairement dans un esprit d'échange disciplinaire, IC2 représente l'état de l'art dans les domaines suivants retenus par le comité scientifique :
Cognition et traitement de l'information
Information et sciences du vivant
Informatique et systèmes d'information
Management et gestion des STIC
Réseaux et télécoms
Signal et Image
Systèmes automatisés
Technologies et développement durable
Chaque ouvrage décrit aussi bien les aspects fondamentaux qu'expérimentaux. Une classification des différents articles contenus dans chacun, une bibliographie et un index détaillé orientent le lecteur vers ses points d'intérêt immédiats : celui-ci dispose ainsi d'un guide pour ses réflexions ou pour ses choix.
Les savoirs, théories et méthodes rassemblés dans chaque ouvrage ont été choisis pour leur pertinence dans l'avancée des connaissances ou pour la qualité des résultats obtenus dans le cas d'expérimentations réelles.Note de contenu :
Sommaire
Modéliser et vérifier les systèmes embarqués : pourquoi, comment ?
Les modèles pour les systèmes temps réel embarqués
Model checking temporisé
Contrôle des systèmes temporisés
Vérification quantitative de chaînes de Markov
Outils de Model Checking
Outils pour l'analyse des modèles hybridesCôte titre : Fs/9669-9672 Approches formelles des systèmes embarqués communicants [texte imprimé] / Olivier H. Roux, Directeur de publication, rédacteur en chef ; Claude Jard (1959-....), Directeur de publication, rédacteur en chef . - Paris : Hermès science publications-Lavoisier, 2008 . - 1 vol. (268 p.) : ill. ; 24 cm. - (Traités IC2. Série Informatique et systèmes d'information. Informatique et systèmes d'information) .
ISBN : 978-2-7462-1942-7
Notes bibliogr.
Langues : Français (fre)
Catégories : Informatique Mots-clés : Méthodes formelles (informatique)
Systèmes enfouis (informatique)
Temps réel (informatique)
Markov, Processus deIndex. décimale : 621.3 - Éclairage, électronique, électrotechnique, génie informatique, optique appliquée Résumé :
IC2 - Information, Commande, Communication répond au besoin de disposer d'un ensemble complet des connaissances et méthodes nécessaires à la maîtrise des systèmes technologiques.
Conçu volontairement dans un esprit d'échange disciplinaire, IC2 représente l'état de l'art dans les domaines suivants retenus par le comité scientifique :
Cognition et traitement de l'information
Information et sciences du vivant
Informatique et systèmes d'information
Management et gestion des STIC
Réseaux et télécoms
Signal et Image
Systèmes automatisés
Technologies et développement durable
Chaque ouvrage décrit aussi bien les aspects fondamentaux qu'expérimentaux. Une classification des différents articles contenus dans chacun, une bibliographie et un index détaillé orientent le lecteur vers ses points d'intérêt immédiats : celui-ci dispose ainsi d'un guide pour ses réflexions ou pour ses choix.
Les savoirs, théories et méthodes rassemblés dans chaque ouvrage ont été choisis pour leur pertinence dans l'avancée des connaissances ou pour la qualité des résultats obtenus dans le cas d'expérimentations réelles.Note de contenu :
Sommaire
Modéliser et vérifier les systèmes embarqués : pourquoi, comment ?
Les modèles pour les systèmes temps réel embarqués
Model checking temporisé
Contrôle des systèmes temporisés
Vérification quantitative de chaînes de Markov
Outils de Model Checking
Outils pour l'analyse des modèles hybridesCôte titre : Fs/9669-9672 Exemplaires (4)
Code-barres Cote Support Localisation Section Disponibilité Fs/9669 Fs/9669-9672 livre Bibliothéque des sciences Français Disponible
DisponibleFs/9670 Fs/9669-9672 livre Bibliothéque des sciences Français Disponible
DisponibleFs/9671 Fs/9669-9672 livre Bibliothéque des sciences Français Disponible
DisponibleFs/9672 Fs/9669-9672 livre Bibliothéque des sciences Français Disponible
Disponible
Titre : Approximation algorithms and semidefinite programming Type de document : texte imprimé Auteurs : Bernd Gärtner, Auteur ; Matou¨ek, Jirà Editeur : Heidelberg : Springer Année de publication : 2012 Importance : 1 vol.(251 p.) Présentation : ill. Format : 24 cm ISBN/ISSN/EAN : 978-3-642-22014-2 Note générale : 978-3-642-22014-2 Catégories : Informatique Mots-clés : Approximation algorithms
Semidefinite programming
Algorithmes
Programmation (mathématiques)Index. décimale : 005.741 Méthodes d'accès et organisation des fichiers de données Résumé :
Semidefinite programs constitute one of the largest classes of optimization problems that can be solved with reasonable efficiency - both in theory and practice. They play a key role in a variety of research areas, such as combinatorial optimization, approximation algorithms, computational complexity, graph theory, geometry, real algebraic geometry and quantum computing. This book is an introduction to selected aspects of semidefinite programming and its use in approximation algorithms. It covers the basics but also a significant amount of recent and more advanced material. Â
There are many computational problems, such as MAXCUT, for which one cannot reasonably expect to obtain an exact solution efficiently, and in such case, one has to settle for approximate solutions. For MAXCUT and its relatives, exciting recent results suggest that semidefinite programming is probably the ultimate tool. Indeed, assuming the Unique Games Conjecture, a plausible but as yet unproven hypothesis, it was shown that for these problems, known algorithms based on semidefinite programming deliver the best possible approximation ratios among all polynomial-time algorithms.Côte titre : Fs/16101-16105 En ligne : https://www.amazon.fr/Approximation-Algorithms-Semidefinite-Programming-Gartner/ [...] Format de la ressource électronique : Approximation algorithms and semidefinite programming [texte imprimé] / Bernd Gärtner, Auteur ; Matou¨ek, Jirà . - Heidelberg : Springer, 2012 . - 1 vol.(251 p.) : ill. ; 24 cm.
ISBN : 978-3-642-22014-2
978-3-642-22014-2
Catégories : Informatique Mots-clés : Approximation algorithms
Semidefinite programming
Algorithmes
Programmation (mathématiques)Index. décimale : 005.741 Méthodes d'accès et organisation des fichiers de données Résumé :
Semidefinite programs constitute one of the largest classes of optimization problems that can be solved with reasonable efficiency - both in theory and practice. They play a key role in a variety of research areas, such as combinatorial optimization, approximation algorithms, computational complexity, graph theory, geometry, real algebraic geometry and quantum computing. This book is an introduction to selected aspects of semidefinite programming and its use in approximation algorithms. It covers the basics but also a significant amount of recent and more advanced material. Â
There are many computational problems, such as MAXCUT, for which one cannot reasonably expect to obtain an exact solution efficiently, and in such case, one has to settle for approximate solutions. For MAXCUT and its relatives, exciting recent results suggest that semidefinite programming is probably the ultimate tool. Indeed, assuming the Unique Games Conjecture, a plausible but as yet unproven hypothesis, it was shown that for these problems, known algorithms based on semidefinite programming deliver the best possible approximation ratios among all polynomial-time algorithms.Côte titre : Fs/16101-16105 En ligne : https://www.amazon.fr/Approximation-Algorithms-Semidefinite-Programming-Gartner/ [...] Format de la ressource électronique : Exemplaires (5)
Code-barres Cote Support Localisation Section Disponibilité Fs/16101 Fs/16101-16105 livre Bibliothéque des sciences Français Disponible
DisponibleFs/16105 Fs/16101-16105 livre Bibliothéque des sciences Français Disponible
DisponibleFs/16102 Fs/16101-16105 livre Bibliothéque des sciences Français Disponible
DisponibleFs/16103 Fs/16101-16105 livre Bibliothéque des sciences Français Disponible
DisponibleFs/16104 Fs/16101-16105 livre Bibliothéque des sciences Français Disponible
DisponiblePermalink
PermalinkPermalinkPermalinkPermalinkPermalinkPermalinkPermalinkPermalinkPermalink
