University Sétif 1 FERHAT ABBAS Faculty of Sciences
Détail de l'auteur
Auteur TOUMI, Lyazid |
Documents disponibles écrits par cet auteur
Ajouter le résultat dans votre panier Affiner la rechercheUne approche incrémentale pour la fragmentation horizontale des BIGS DATA WAREHOUSE / Djemouai, selma
Titre : Une approche incrémentale pour la fragmentation horizontale des BIGS DATA WAREHOUSE Type de document : texte imprimé Auteurs : Djemouai, selma ; TOUMI, Lyazid, Directeur de thèse Editeur : Setif:UFA Année de publication : 2017 Importance : 1 vol (97f.) Format : 29 cm Langues : Français (fre) Catégories : Thèses & Mémoires:Informatique Mots-clés : Ingénierie de Données
Technologies Web
Entrepôt de données
conception physique
fragmentation horizontale
sélection incrémentale
algorithme d’optimisation
optimisation Multi-objectiveIndex. décimale : 004 Informatique Résumé :
Résumé
De nos jours, les entrepôts de données stockent des Zeta-octets de données. Les requêtes
décisionnelles définies sur les entrepôts de données sont généralement coûteuses en temps
d'exécution. Plusieurs techniques sont utilisées pour l'optimisation de ces requêtes dans les
entrepôts de données, tels que les index, la fragmentation et les vues matérialisées. Ici, nous
nous concentrons sur le problème de la fragmentation horizontale. Plusieurs approches ont été
proposées pour résoudre le problème de fragmentation horizontale dans les entrepôts de
données, y compris des algorithmes génétiques à l'aide d'un petit ensemble de charge de
requêtes. Nous présentons une nouvelle approche basée sur la sélection incrémentale multiobjective pour résoudre le problème de fragmentation horizontale dans les entrepôts de
données à l'aide d'une charge de requêtes.
Tout d'abord, nous effectuons une analyse incrémentale pour l'extraction des nouveaux
prédicats. Puis, nous utilisons un algorithme d’optimisation appelé Non-dominated Sorting
Genetic Algorithm II (NSGAII) pour la sélection du meilleur schéma de fragmentation.
Plusieurs expériences ont été réalisées pour démontrer l'efficacité de notre approche, les
résultats obtenues sont comparés aux meilleures approches connues jusqu'à présent en état de
l’art : l'approche basée sur l'algorithme génétique et l'approche basée sur l'algorithme
génétique incrémentale. L'approche proposée est jugée plus efficace que les autres approches
pour résoudre le problème de fragmentation horizontale dans les entrepôts de données.Côte titre : MAI/0198 Une approche incrémentale pour la fragmentation horizontale des BIGS DATA WAREHOUSE [texte imprimé] / Djemouai, selma ; TOUMI, Lyazid, Directeur de thèse . - [S.l.] : Setif:UFA, 2017 . - 1 vol (97f.) ; 29 cm.
Langues : Français (fre)
Catégories : Thèses & Mémoires:Informatique Mots-clés : Ingénierie de Données
Technologies Web
Entrepôt de données
conception physique
fragmentation horizontale
sélection incrémentale
algorithme d’optimisation
optimisation Multi-objectiveIndex. décimale : 004 Informatique Résumé :
Résumé
De nos jours, les entrepôts de données stockent des Zeta-octets de données. Les requêtes
décisionnelles définies sur les entrepôts de données sont généralement coûteuses en temps
d'exécution. Plusieurs techniques sont utilisées pour l'optimisation de ces requêtes dans les
entrepôts de données, tels que les index, la fragmentation et les vues matérialisées. Ici, nous
nous concentrons sur le problème de la fragmentation horizontale. Plusieurs approches ont été
proposées pour résoudre le problème de fragmentation horizontale dans les entrepôts de
données, y compris des algorithmes génétiques à l'aide d'un petit ensemble de charge de
requêtes. Nous présentons une nouvelle approche basée sur la sélection incrémentale multiobjective pour résoudre le problème de fragmentation horizontale dans les entrepôts de
données à l'aide d'une charge de requêtes.
Tout d'abord, nous effectuons une analyse incrémentale pour l'extraction des nouveaux
prédicats. Puis, nous utilisons un algorithme d’optimisation appelé Non-dominated Sorting
Genetic Algorithm II (NSGAII) pour la sélection du meilleur schéma de fragmentation.
Plusieurs expériences ont été réalisées pour démontrer l'efficacité de notre approche, les
résultats obtenues sont comparés aux meilleures approches connues jusqu'à présent en état de
l’art : l'approche basée sur l'algorithme génétique et l'approche basée sur l'algorithme
génétique incrémentale. L'approche proposée est jugée plus efficace que les autres approches
pour résoudre le problème de fragmentation horizontale dans les entrepôts de données.Côte titre : MAI/0198 Exemplaires (1)
Code-barres Cote Support Localisation Section Disponibilité MAI/0198 MAI/0198 Mémoire Bibliothéque des sciences Français Disponible
Disponible
Titre : Une approche parallèle a base de GPU pour la sélection d'indexes binaires de jointures dans les entrepôts de données Type de document : texte imprimé Auteurs : yamina Azzi ; TOUMI, Lyazid, Directeur de thèse Editeur : Setif:UFA Année de publication : 2017 Importance : 1 vol (81f.) Format : 29 cm Langues : Français (fre) Catégories : Thèses & Mémoires:Informatique Mots-clés : Ingénierie de Données
Technologies Web
GPU
indexes binairesIndex. décimale : 004 Informatique Côte titre : MAI/0199 Une approche parallèle a base de GPU pour la sélection d'indexes binaires de jointures dans les entrepôts de données [texte imprimé] / yamina Azzi ; TOUMI, Lyazid, Directeur de thèse . - [S.l.] : Setif:UFA, 2017 . - 1 vol (81f.) ; 29 cm.
Langues : Français (fre)
Catégories : Thèses & Mémoires:Informatique Mots-clés : Ingénierie de Données
Technologies Web
GPU
indexes binairesIndex. décimale : 004 Informatique Côte titre : MAI/0199 Exemplaires (1)
Code-barres Cote Support Localisation Section Disponibilité MAI/0199 MAI/0199 Mémoire Bibliothéque des sciences Français Disponible
DisponibleEmployment platform and CrowdSourcing System With in the framework of law 1275 / Souheil djelloul Zineddine
Titre : Employment platform and CrowdSourcing System With in the framework of law 1275 Type de document : document électronique Auteurs : Souheil djelloul Zineddine ; Abdellah Belyacine ; TOUMI, Lyazid, Directeur de thèse Editeur : Setif:UFA Année de publication : 2024 Importance : 1 vol (80 f .) Format : 29 cm Langues : Anglais (eng) Catégories : Thèses & Mémoires:Informatique Mots-clés : Job market landscape
Economic development
Job accessibilityIndex. décimale : 004 Informatique Résumé :
This report provides a comprehensive analysis of "GigOasis," a pioneering
startup project aimed at revolutionizing the job search industry in Algeria and
potentially expanding across the MENA region. "GigOasis" seeks to address the
unique challenges and capitalize on the opportunities within these markets by
establishing a dual-functionality platform that accommodates both traditional
employment and freelance opportunities. This platform is designed to enhance job
accessibility, improve the efficiency of the job matching process, and support the
professional development of its users. Through a detailed examination of industry
dynamics, market trends, and competitive landscapes, this report outlines the
business model, operational strategies, and financial frameworks that underpin
"GigOasis’s" potential for success. Additionally, it discusses the risks, regulatory
considerations, and sustainability aspects associated with the project. By
leveraging advanced digital tools and a localized approach, "GigOasis" aims to
significantly impact employment rates and economic development within the
region, aligning with global trends towards digitization and remote work. This
document serves as a strategic guide for the execution of the project and as a
compelling presentation to stakeholders and potential investors, illustrating the
viability and strategic positioning of "GigOasis" in the evolving job market
landscape.Note de contenu : Contents
Table of Contents
GENERAL INTRODUCTION 10
PURPOSE OF THE REPORT 10
BACKGROUND OF THE PROJECT 10
SIGNIFICANCE OF THE STUDY 11
OBJECTIVES OF THE STARTUP 11
STRUCTURE OF THE REPORT 11
CHAPTER 1: PROBLEMATIC 14
1.1 INTRODUCTION 14
1.2 OUR PROBLEMATIC 14
1.3 RELATED WORK AND RESEARCH 16
1.4 CONCLUSION 18
CHPATER 2: INDUSTRY ANALYSIS 19
2.1 DESCRIPTION OF THE INDUSTRY 19
2.2 DIGITAL TRANSFORMATION AND INTERNET PENETRATION 19
2.3 IMPACT OF COVID-19 ON REMOTE WORK 19
2.4 INTEGRATION OF FREELANCING AND TRADITIONAL EMPLOYMENT 20
2.5 REGULATORY ENVIRONMENT 20
2.6 FUTURE OUTLOOK 20
2.7 CONCLUSION 21
CHAPTER 3: BUSINESS MODEL 22
3.1 VALUE PROPOSITION 23
3.1.1 For Job Seekers: 23
3.1.2 For Employers: 23
3.2 REVENUE MODEL 24
3.3 COST STRUCTURE 25
3.4 KEY PARTNERS AND RESOURCES 26
3.4.1 Key Partners: 27
3.4.2 Key Resources: 27
3.5 CUSTOMER SEGMENTS AND CHANNELS 28
3.5.1 Customer Segments: 28
3.5.2 Channels: 28
3.6 COMPETITIVE ADVANTAGE 29
3.6.1 employment marketplace: 29
3.7 CONCLUSION 30
CHAPTER 4: MARKET ANALYSIS 32
4.1 INTRODUCTION 32
4.2 TARGET DEMOGRAPHIC 32
4.2.1 Freelancers 32
4.2.2 Traditional Job Seekers 32
4.3 MARKET NEEDS 33
4.3.1 Algeria 33
4.3.2 MENA Region 33
4.4 MARKET OPPORTUNITIES 34
4.4.1 Digital Transformation 34
4.4.2 Policy and Economic Trends 34
4.4.3 Technological Advancements 34
4.5 CONCLUSION 34
CHAPTER 5: CONCEPTION 35
5.1 INTRODUCTION 35
5.2 CHALLENGES IN ACCESSING EMPLOYMENT OPPORTUNITIES 35
5.3 LEVERAGING IT SOLUTIONS TO ENFANCE ACCESS 36
5.3.1 Benefits of Responsive Web Applications 36
5.3.2 Disadvantages of Web Applications 37
5.3.3 Single Page Application (SPA) Model 37
5.4 DESCRIPTION OF THE PROPOSED PROTOTYPE 37
CHAPTER 6: THE DEVELOPMENT OF OUR APPLICATION 40
6.1 USER INTERFACE 41
6.1.1 The benefits of Single Page Applications 42
6.2 BACKEND DEVELOPMENT. 42
6.2.1 Python and Django Rest Framework 43
6.2.2 MySQL Database Engine 43
6.2.3 Benefits of Using Python, Django Rest Framework, and MySQL 44
6.2.3 Web App Overview: Two-Step Recommendation Model 46
Conclusion 48
CHAPTER 7: ARCHITECTURE AND MODELING OF OUR PLATFORM 49
7.1 INTRODUCTION 49
7.2 ANALYSIS AND DESIGN 50
7.2.1 Use case diagram 50
7.2.2 Use case diagram of our Web application 51
7.2.3 Sequence diagram 59
7.2.4 Class Diagram 63
CHAPTER 8: WEB APPLICATION INTERFACE 65
8.1 THE LANDING PAGES 65
OUR APPLICATION IS DESIGNED TO SERVE TWO PRIMARY USER GROUPS: JOB SEEKERS AND
ORGANIZATIONS/COMPANIES. TO CATER TO THEIR DISTINCT NEEDS, WE HAVE CREATED TWO DEDICATED LANDING
PAGES, EACH TAILORED TO PROVIDE RELEVANT INFORMATION AND RESOURCES. 65
8.2 USER INTERFACE 66
8.2.1 User information’s sign up page 66
8.2.3 Freelance jobs page 67
8.2.4 Traditional jobs page 69
CHAPTER 9: CONCLUSION 70Côte titre : MAI/0956 Employment platform and CrowdSourcing System With in the framework of law 1275 [document électronique] / Souheil djelloul Zineddine ; Abdellah Belyacine ; TOUMI, Lyazid, Directeur de thèse . - [S.l.] : Setif:UFA, 2024 . - 1 vol (80 f .) ; 29 cm.
Langues : Anglais (eng)
Catégories : Thèses & Mémoires:Informatique Mots-clés : Job market landscape
Economic development
Job accessibilityIndex. décimale : 004 Informatique Résumé :
This report provides a comprehensive analysis of "GigOasis," a pioneering
startup project aimed at revolutionizing the job search industry in Algeria and
potentially expanding across the MENA region. "GigOasis" seeks to address the
unique challenges and capitalize on the opportunities within these markets by
establishing a dual-functionality platform that accommodates both traditional
employment and freelance opportunities. This platform is designed to enhance job
accessibility, improve the efficiency of the job matching process, and support the
professional development of its users. Through a detailed examination of industry
dynamics, market trends, and competitive landscapes, this report outlines the
business model, operational strategies, and financial frameworks that underpin
"GigOasis’s" potential for success. Additionally, it discusses the risks, regulatory
considerations, and sustainability aspects associated with the project. By
leveraging advanced digital tools and a localized approach, "GigOasis" aims to
significantly impact employment rates and economic development within the
region, aligning with global trends towards digitization and remote work. This
document serves as a strategic guide for the execution of the project and as a
compelling presentation to stakeholders and potential investors, illustrating the
viability and strategic positioning of "GigOasis" in the evolving job market
landscape.Note de contenu : Contents
Table of Contents
GENERAL INTRODUCTION 10
PURPOSE OF THE REPORT 10
BACKGROUND OF THE PROJECT 10
SIGNIFICANCE OF THE STUDY 11
OBJECTIVES OF THE STARTUP 11
STRUCTURE OF THE REPORT 11
CHAPTER 1: PROBLEMATIC 14
1.1 INTRODUCTION 14
1.2 OUR PROBLEMATIC 14
1.3 RELATED WORK AND RESEARCH 16
1.4 CONCLUSION 18
CHPATER 2: INDUSTRY ANALYSIS 19
2.1 DESCRIPTION OF THE INDUSTRY 19
2.2 DIGITAL TRANSFORMATION AND INTERNET PENETRATION 19
2.3 IMPACT OF COVID-19 ON REMOTE WORK 19
2.4 INTEGRATION OF FREELANCING AND TRADITIONAL EMPLOYMENT 20
2.5 REGULATORY ENVIRONMENT 20
2.6 FUTURE OUTLOOK 20
2.7 CONCLUSION 21
CHAPTER 3: BUSINESS MODEL 22
3.1 VALUE PROPOSITION 23
3.1.1 For Job Seekers: 23
3.1.2 For Employers: 23
3.2 REVENUE MODEL 24
3.3 COST STRUCTURE 25
3.4 KEY PARTNERS AND RESOURCES 26
3.4.1 Key Partners: 27
3.4.2 Key Resources: 27
3.5 CUSTOMER SEGMENTS AND CHANNELS 28
3.5.1 Customer Segments: 28
3.5.2 Channels: 28
3.6 COMPETITIVE ADVANTAGE 29
3.6.1 employment marketplace: 29
3.7 CONCLUSION 30
CHAPTER 4: MARKET ANALYSIS 32
4.1 INTRODUCTION 32
4.2 TARGET DEMOGRAPHIC 32
4.2.1 Freelancers 32
4.2.2 Traditional Job Seekers 32
4.3 MARKET NEEDS 33
4.3.1 Algeria 33
4.3.2 MENA Region 33
4.4 MARKET OPPORTUNITIES 34
4.4.1 Digital Transformation 34
4.4.2 Policy and Economic Trends 34
4.4.3 Technological Advancements 34
4.5 CONCLUSION 34
CHAPTER 5: CONCEPTION 35
5.1 INTRODUCTION 35
5.2 CHALLENGES IN ACCESSING EMPLOYMENT OPPORTUNITIES 35
5.3 LEVERAGING IT SOLUTIONS TO ENFANCE ACCESS 36
5.3.1 Benefits of Responsive Web Applications 36
5.3.2 Disadvantages of Web Applications 37
5.3.3 Single Page Application (SPA) Model 37
5.4 DESCRIPTION OF THE PROPOSED PROTOTYPE 37
CHAPTER 6: THE DEVELOPMENT OF OUR APPLICATION 40
6.1 USER INTERFACE 41
6.1.1 The benefits of Single Page Applications 42
6.2 BACKEND DEVELOPMENT. 42
6.2.1 Python and Django Rest Framework 43
6.2.2 MySQL Database Engine 43
6.2.3 Benefits of Using Python, Django Rest Framework, and MySQL 44
6.2.3 Web App Overview: Two-Step Recommendation Model 46
Conclusion 48
CHAPTER 7: ARCHITECTURE AND MODELING OF OUR PLATFORM 49
7.1 INTRODUCTION 49
7.2 ANALYSIS AND DESIGN 50
7.2.1 Use case diagram 50
7.2.2 Use case diagram of our Web application 51
7.2.3 Sequence diagram 59
7.2.4 Class Diagram 63
CHAPTER 8: WEB APPLICATION INTERFACE 65
8.1 THE LANDING PAGES 65
OUR APPLICATION IS DESIGNED TO SERVE TWO PRIMARY USER GROUPS: JOB SEEKERS AND
ORGANIZATIONS/COMPANIES. TO CATER TO THEIR DISTINCT NEEDS, WE HAVE CREATED TWO DEDICATED LANDING
PAGES, EACH TAILORED TO PROVIDE RELEVANT INFORMATION AND RESOURCES. 65
8.2 USER INTERFACE 66
8.2.1 User information’s sign up page 66
8.2.3 Freelance jobs page 67
8.2.4 Traditional jobs page 69
CHAPTER 9: CONCLUSION 70Côte titre : MAI/0956 Exemplaires (1)
Code-barres Cote Support Localisation Section Disponibilité MAI/0956 MAI/0956 Mémoire Bibliothéque des sciences Anglais Disponible
Disponible
Titre : Health information System in shadow areas within the framework of law 1275 Type de document : texte imprimé Auteurs : Amani Ghamoud, Auteur ; Nesrine Dimane, Auteur ; TOUMI, Lyazid, Directeur de thèse Année de publication : 2023 Importance : 1 vol (54 f .) Format : 29cm Langues : Français (fre) Catégories : Thèses & Mémoires:Informatique Mots-clés : Doctors
patientsIndex. décimale : 004 Informatique Résumé : In our country, many rural and poorly served areas face difficulties accessing medical
care. Often, we neglect our health and have trouble keeping track of our well-being.
Fortunately, health apps have become essential tools for monitoring our health and
taking preventive measures. It is in this context that we present SIHATI, a mobile
and web platform that aims to improve access to quality care in disadvantaged regions.
Patients can use this app to search for and make appointments with specialists available
in major cities, while doctors have the opportunity to offer their services and plan their
visits to specific areas. Through a grouping function based on patient preferences,
SIHATI optimizes the impact of physicians on patients, thus contributing to reducing
health disparities. Our main goal is to promote equity in access to healthcare through
technology.Côte titre : MAI/0702 En ligne : https://drive.google.com/file/d/1ADgzfOIuzpEUwIoSTXLa0ofHIUVTVjcw/view?usp=drive [...] Format de la ressource électronique : Health information System in shadow areas within the framework of law 1275 [texte imprimé] / Amani Ghamoud, Auteur ; Nesrine Dimane, Auteur ; TOUMI, Lyazid, Directeur de thèse . - 2023 . - 1 vol (54 f .) ; 29cm.
Langues : Français (fre)
Catégories : Thèses & Mémoires:Informatique Mots-clés : Doctors
patientsIndex. décimale : 004 Informatique Résumé : In our country, many rural and poorly served areas face difficulties accessing medical
care. Often, we neglect our health and have trouble keeping track of our well-being.
Fortunately, health apps have become essential tools for monitoring our health and
taking preventive measures. It is in this context that we present SIHATI, a mobile
and web platform that aims to improve access to quality care in disadvantaged regions.
Patients can use this app to search for and make appointments with specialists available
in major cities, while doctors have the opportunity to offer their services and plan their
visits to specific areas. Through a grouping function based on patient preferences,
SIHATI optimizes the impact of physicians on patients, thus contributing to reducing
health disparities. Our main goal is to promote equity in access to healthcare through
technology.Côte titre : MAI/0702 En ligne : https://drive.google.com/file/d/1ADgzfOIuzpEUwIoSTXLa0ofHIUVTVjcw/view?usp=drive [...] Format de la ressource électronique : Exemplaires (1)
Code-barres Cote Support Localisation Section Disponibilité MAI/0702 MAI/0702 Mémoire Bibliothéque des sciences Anglais Disponible
Disponible
Titre : Optimisation des performances par administration et tuning d’entrepôt de données Type de document : texte imprimé Auteurs : TOUMI, Lyazid, Auteur ; Abdelouahab Moussaoui, Directeur de thèse Editeur : Setif:UFA Année de publication : 2015 Importance : 1 vol (134 f .) Format : 29 cm Catégories : Informatique Mots-clés : Entrepôts de données, auto-administration et tuning, conception physique des entrepôts
de données, optimisation, programmation linéaire, fouille de données, fragmentation
horizontale, sélection d’indexes binaires de jointures.Résumé : Résumé :
Cette thèse présente un travail sur l’administration et tuning d’entrepôts de données, précisément
aborde le problème de sélection d’indexes binaires de jointure (PSIJB) et le problème de la
fragmentation horizontale dérivé (PFHD). La thèse propose trois contributions à la recherche, la
première contribution utilise les essaims de particule pour résoudre le PSIJB. La deuxième permet de
modéliser le PSIJB en utilisant la programmation linéaire en nombre entier. Dans la troisième
contribution, nous avons proposé une nouvelle méthodologie pour résoudre le PFHD. Toutes les
approches proposées ont été validées par des tests sous un entrepôt de données utilisant des classes de
problèmes. Ces tests ont montré l’efficacité des approches proposées en terme de temps, de qualité
ainsi que d’exactitudes.
Note de contenu : TABLE OF CONTENTS
Page
List of Tables ix
List of Figures xi
1 Introduction 1
1.1 Introduction . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 1
1.2 Thesis goals and results . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 2
1.3 Thesis outline . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 3
1.4 Academic publication . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 4
I Backgrounds and state of art 7
2 Data warehouses architecture and design 9
2.1 Introduction . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 9
2.2 Data warehouses architecture . . . . . . . . . . . . . . . . . . . . . . . . . . . . 10
2.3 The Data Cube . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 11
2.4 Data warehouse physical design . . . . . . . . . . . . . . . . . . . . . . . . . . 13
2.5 Data warehouse tuning . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 14
2.6 DBMS tuning tools . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 15
2.7 Conclusions . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 15
3 Indexes selection problem in data warehouses 17
3.1 Introduction . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 17
3.2 Indexation techniques . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 18
3.2.1 B-tree index . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 18
3.2.2 Projection index . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 18
3.2.3 Hash index . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 19
3.2.4 Bitmap Index . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 19
3.2.5 Join index . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 20
3.2.6 Star join index . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 21
3.2.7 Bitmap join index . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 21
3.3 Bitmap join indexes selection problem in data warehouses . . . . . . . . . . 22
3.3.1 Problem statement . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 23
3.3.2 Cost models . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 23
3.3.2.1 Data access cost in presence of useful SBJIs (IndexCost) . 24
3.3.2.2 Data access cost in absence of useful SBJIs(JoinCost) . . . 24
3.3.2.3 Size of SBJI . . . . . . . . . . . . . . . . . . . . . . . . . . . . 25
3.4 Background of indexes selection problem . . . . . . . . . . . . . . . . . . . . . 25
3.4.1 Frank et al. approach . . . . . . . . . . . . . . . . . . . . . . . . . . . . 25
3.4.2 Choenni’s approach . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 26
3.4.3 Gundem’s approach . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 27
3.4.4 Golfarelli’s approach . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 27
3.4.5 Data mining based approach . . . . . . . . . . . . . . . . . . . . . . . . 29
3.4.5.1 Mining closed frequent pattern . . . . . . . . . . . . . . . . 29
3.4.5.2 General schema of the data mining approach . . . . . . . . 30
3.4.6 Extended data mining based approach . . . . . . . . . . . . . . . . . . 31
3.4.7 Genetic algorithm based approach . . . . . . . . . . . . . . . . . . . . 32
3.5 Summary . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 32
3.6 Conclusions . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 35
4 Horizontal partitioning in data warehouses 37
4.1 Introduction . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 37
4.2 Horizontal partitioning . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 37
4.3 Horizontal partitioning example . . . . . . . . . . . . . . . . . . . . . . . . . . 38
4.4 Complexity . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 39
4.5 Horizontal partitioning advantages . . . . . . . . . . . . . . . . . . . . . . . . 40
4.5.1 Horizontal Partitioning for databases administration . . . . . . . . . 40
4.5.2 Partitioning for performance optimization . . . . . . . . . . . . . . . 40
4.5.3 Partitioning for the availability . . . . . . . . . . . . . . . . . . . . . . 40
4.6 Horizontal partitioning modes . . . . . . . . . . . . . . . . . . . . . . . . . . . 41
4.6.1 Range partitioning mode . . . . . . . . . . . . . . . . . . . . . . . . . . 41
4.6.2 Hach partitioning mode . . . . . . . . . . . . . . . . . . . . . . . . . . . 42
4.6.3 List partitioning mode . . . . . . . . . . . . . . . . . . . . . . . . . . . . 43
4.6.4 Composite partitioning mode . . . . . . . . . . . . . . . . . . . . . . . . 44
4.6.5 Multicolumn partitioning mode . . . . . . . . . . . . . . . . . . . . . . 46
4.6.6 Reference partitioning mode . . . . . . . . . . . . . . . . . . . . . . . . 47
4.6.7 Virtual column partitioning . . . . . . . . . . . . . . . . . . . . . . . . 48
4.7 Horizontal partitioning problem in data warehouses . . . . . . . . . . . . . . 49
4.7.1 Problem statement . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 49
4.7.2 Cost model . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 49
4.8 Background of approaches for the horizontal partitioning Problem . . . . . 50
4.8.1 Workload-based approach . . . . . . . . . . . . . . . . . . . . . . . . . . 50
4.8.2 Attribute affinity based approach . . . . . . . . . . . . . . . . . . . . . 51
4.8.3 Cost based approach . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 52
4.8.4 Data mining based approach . . . . . . . . . . . . . . . . . . . . . . . . 52
4.8.5 Constrained cost based approach . . . . . . . . . . . . . . . . . . . . . 53
4.9 Summary . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 53
4.10 Conclusions . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 55
II Contributions 57
5 Particle swarm optimization for solving SBJISP 59
5.1 Introduction . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 59
5.2 Particle Swarm Optimization (PSO) . . . . . . . . . . . . . . . . . . . . . . . . 59
5.2.1 The PSO Algorithm . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 60
5.2.2 Binary particle swarm optimization (BPSO) . . . . . . . . . . . . . . . 61
5.2.3 Inertia weight considerations for BPSO . . . . . . . . . . . . . . . . . 62
5.3 BPSO for the SBJI selection problem . . . . . . . . . . . . . . . . . . . . . . . 62
5.3.1 Query workload parsing . . . . . . . . . . . . . . . . . . . . . . . . . . . 64
5.3.2 Solution coding . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 64
5.3.3 Fitness function . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 65
5.4 Experimental Results . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 65
5.4.1 Problem instances . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 65
5.4.2 Preview . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 67
5.4.3 Performance Study . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 68
5.4.3.1 The smaller size problem set CSP results . . . . . . . . . . 69
5.4.3.2 The moderate size problem set CMP results . . . . . . . . 72
5.4.3.3 The larger size problem set CLP results . . . . . . . . . . . 74
5.4.4 Performance Scalability Study . . . . . . . . . . . . . . . . . . . . . . . 76
5.4.4.1 Scalability results for the smaller size problem set CSP. . 76
5.4.4.2 Scalability results for the moderate size problem set CMP. 79
5.4.4.3 Scalability results for the larger size problem set CLP. . . 82
5.4.5 Performance results for the classes CSP, CMP and CLP using Oracle
DBMS cost models . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 85
5.5 Conclusions . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 88
6 Mixed-Integer linear programming for SBJISP 91
6.1 Introduction . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 91
6.2 Linear programming definition . . . . . . . . . . . . . . . . . . . . . . . . . . . 91
6.2.1 Linear program solution time . . . . . . . . . . . . . . . . . . . . . . . 92
6.2.2 Mixed Integer Programming . . . . . . . . . . . . . . . . . . . . . . . . 92
6.3 Mathematical formulation of SBJI selection problem . . . . . . . . . . . . . . 92
6.3.1 SBJISP constraints . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 94
6.3.2 SBJISP objective Function . . . . . . . . . . . . . . . . . . . . . . . . . 95
6.4 Experimental Results . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 95
6.4.1 Problem instances . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 95
6.4.2 Performance Study . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 95
6.4.2.1 The smaller size problem set CSP results . . . . . . . . . . 98
6.4.2.2 The moderate size problem set CMP results . . . . . . . . 98
6.4.2.3 The larger size problem set CLP results . . . . . . . . . . . 101
6.4.3 Performance Scalability Study . . . . . . . . . . . . . . . . . . . . . . . 101
6.4.3.1 Scalability results for the smaller size problem set CSP. . 101
6.4.3.2 Scalability results for the moderate size problem set CMP. 102
6.4.3.3 Scalability results for the larger size problem set CLP. . . 105
6.5 Conclusions . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 107
7 Efficient methodology for Reference Horizontal partitioning in data warehouses 109
7.1 Introduction . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 109
7.2 The proposed methodology . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 110
7.2.1 Predicates attraction . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 110
7.2.2 Clustering of Predicates . . . . . . . . . . . . . . . . . . . . . . . . . . . 111
7.2.3 Determining the number of clusters . . . . . . . . . . . . . . . . . . . 113
7.2.3.1 Solution coding . . . . . . . . . . . . . . . . . . . . . . . . . . 113
7.2.4 Discrete particle swarm optimization for selecting horizontal partitioning schema . . . . . . . . . . . . . 114
7.2.4.1 Fitness function . . . . . . . . . . . . . . . . . . . . . . . . . . 115
7.3 Experimental Results . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 115
7.3.1 Problem instances . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 115
7.3.2 Preview . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 116
7.3.3 Performance Study . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 116
7.3.3.1 The smaller size problem set CSP results . . . . . . . . . . 117
7.3.3.2 The moderate size problem set CMP results . . . . . . . . 120
7.3.3.3 The larger size problem set CLP results . . . . . . . . . . . 122
7.4 Conclusions . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 124
8 Conclusions 125
8.1 Results . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 125
8.2 Future research directions . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 126
Bibliography 127Côte titre : DI/0022 En ligne : https://drive.google.com/file/d/1qaEXnuqod_wfImnJx2cU1N0-S8Fil2eT/view?usp=shari [...] Format de la ressource électronique : Optimisation des performances par administration et tuning d’entrepôt de données [texte imprimé] / TOUMI, Lyazid, Auteur ; Abdelouahab Moussaoui, Directeur de thèse . - [S.l.] : Setif:UFA, 2015 . - 1 vol (134 f .) ; 29 cm.
Catégories : Informatique Mots-clés : Entrepôts de données, auto-administration et tuning, conception physique des entrepôts
de données, optimisation, programmation linéaire, fouille de données, fragmentation
horizontale, sélection d’indexes binaires de jointures.Résumé : Résumé :
Cette thèse présente un travail sur l’administration et tuning d’entrepôts de données, précisément
aborde le problème de sélection d’indexes binaires de jointure (PSIJB) et le problème de la
fragmentation horizontale dérivé (PFHD). La thèse propose trois contributions à la recherche, la
première contribution utilise les essaims de particule pour résoudre le PSIJB. La deuxième permet de
modéliser le PSIJB en utilisant la programmation linéaire en nombre entier. Dans la troisième
contribution, nous avons proposé une nouvelle méthodologie pour résoudre le PFHD. Toutes les
approches proposées ont été validées par des tests sous un entrepôt de données utilisant des classes de
problèmes. Ces tests ont montré l’efficacité des approches proposées en terme de temps, de qualité
ainsi que d’exactitudes.
Note de contenu : TABLE OF CONTENTS
Page
List of Tables ix
List of Figures xi
1 Introduction 1
1.1 Introduction . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 1
1.2 Thesis goals and results . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 2
1.3 Thesis outline . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 3
1.4 Academic publication . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 4
I Backgrounds and state of art 7
2 Data warehouses architecture and design 9
2.1 Introduction . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 9
2.2 Data warehouses architecture . . . . . . . . . . . . . . . . . . . . . . . . . . . . 10
2.3 The Data Cube . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 11
2.4 Data warehouse physical design . . . . . . . . . . . . . . . . . . . . . . . . . . 13
2.5 Data warehouse tuning . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 14
2.6 DBMS tuning tools . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 15
2.7 Conclusions . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 15
3 Indexes selection problem in data warehouses 17
3.1 Introduction . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 17
3.2 Indexation techniques . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 18
3.2.1 B-tree index . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 18
3.2.2 Projection index . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 18
3.2.3 Hash index . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 19
3.2.4 Bitmap Index . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 19
3.2.5 Join index . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 20
3.2.6 Star join index . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 21
3.2.7 Bitmap join index . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 21
3.3 Bitmap join indexes selection problem in data warehouses . . . . . . . . . . 22
3.3.1 Problem statement . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 23
3.3.2 Cost models . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 23
3.3.2.1 Data access cost in presence of useful SBJIs (IndexCost) . 24
3.3.2.2 Data access cost in absence of useful SBJIs(JoinCost) . . . 24
3.3.2.3 Size of SBJI . . . . . . . . . . . . . . . . . . . . . . . . . . . . 25
3.4 Background of indexes selection problem . . . . . . . . . . . . . . . . . . . . . 25
3.4.1 Frank et al. approach . . . . . . . . . . . . . . . . . . . . . . . . . . . . 25
3.4.2 Choenni’s approach . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 26
3.4.3 Gundem’s approach . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 27
3.4.4 Golfarelli’s approach . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 27
3.4.5 Data mining based approach . . . . . . . . . . . . . . . . . . . . . . . . 29
3.4.5.1 Mining closed frequent pattern . . . . . . . . . . . . . . . . 29
3.4.5.2 General schema of the data mining approach . . . . . . . . 30
3.4.6 Extended data mining based approach . . . . . . . . . . . . . . . . . . 31
3.4.7 Genetic algorithm based approach . . . . . . . . . . . . . . . . . . . . 32
3.5 Summary . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 32
3.6 Conclusions . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 35
4 Horizontal partitioning in data warehouses 37
4.1 Introduction . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 37
4.2 Horizontal partitioning . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 37
4.3 Horizontal partitioning example . . . . . . . . . . . . . . . . . . . . . . . . . . 38
4.4 Complexity . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 39
4.5 Horizontal partitioning advantages . . . . . . . . . . . . . . . . . . . . . . . . 40
4.5.1 Horizontal Partitioning for databases administration . . . . . . . . . 40
4.5.2 Partitioning for performance optimization . . . . . . . . . . . . . . . 40
4.5.3 Partitioning for the availability . . . . . . . . . . . . . . . . . . . . . . 40
4.6 Horizontal partitioning modes . . . . . . . . . . . . . . . . . . . . . . . . . . . 41
4.6.1 Range partitioning mode . . . . . . . . . . . . . . . . . . . . . . . . . . 41
4.6.2 Hach partitioning mode . . . . . . . . . . . . . . . . . . . . . . . . . . . 42
4.6.3 List partitioning mode . . . . . . . . . . . . . . . . . . . . . . . . . . . . 43
4.6.4 Composite partitioning mode . . . . . . . . . . . . . . . . . . . . . . . . 44
4.6.5 Multicolumn partitioning mode . . . . . . . . . . . . . . . . . . . . . . 46
4.6.6 Reference partitioning mode . . . . . . . . . . . . . . . . . . . . . . . . 47
4.6.7 Virtual column partitioning . . . . . . . . . . . . . . . . . . . . . . . . 48
4.7 Horizontal partitioning problem in data warehouses . . . . . . . . . . . . . . 49
4.7.1 Problem statement . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 49
4.7.2 Cost model . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 49
4.8 Background of approaches for the horizontal partitioning Problem . . . . . 50
4.8.1 Workload-based approach . . . . . . . . . . . . . . . . . . . . . . . . . . 50
4.8.2 Attribute affinity based approach . . . . . . . . . . . . . . . . . . . . . 51
4.8.3 Cost based approach . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 52
4.8.4 Data mining based approach . . . . . . . . . . . . . . . . . . . . . . . . 52
4.8.5 Constrained cost based approach . . . . . . . . . . . . . . . . . . . . . 53
4.9 Summary . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 53
4.10 Conclusions . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 55
II Contributions 57
5 Particle swarm optimization for solving SBJISP 59
5.1 Introduction . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 59
5.2 Particle Swarm Optimization (PSO) . . . . . . . . . . . . . . . . . . . . . . . . 59
5.2.1 The PSO Algorithm . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 60
5.2.2 Binary particle swarm optimization (BPSO) . . . . . . . . . . . . . . . 61
5.2.3 Inertia weight considerations for BPSO . . . . . . . . . . . . . . . . . 62
5.3 BPSO for the SBJI selection problem . . . . . . . . . . . . . . . . . . . . . . . 62
5.3.1 Query workload parsing . . . . . . . . . . . . . . . . . . . . . . . . . . . 64
5.3.2 Solution coding . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 64
5.3.3 Fitness function . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 65
5.4 Experimental Results . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 65
5.4.1 Problem instances . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 65
5.4.2 Preview . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 67
5.4.3 Performance Study . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 68
5.4.3.1 The smaller size problem set CSP results . . . . . . . . . . 69
5.4.3.2 The moderate size problem set CMP results . . . . . . . . 72
5.4.3.3 The larger size problem set CLP results . . . . . . . . . . . 74
5.4.4 Performance Scalability Study . . . . . . . . . . . . . . . . . . . . . . . 76
5.4.4.1 Scalability results for the smaller size problem set CSP. . 76
5.4.4.2 Scalability results for the moderate size problem set CMP. 79
5.4.4.3 Scalability results for the larger size problem set CLP. . . 82
5.4.5 Performance results for the classes CSP, CMP and CLP using Oracle
DBMS cost models . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 85
5.5 Conclusions . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 88
6 Mixed-Integer linear programming for SBJISP 91
6.1 Introduction . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 91
6.2 Linear programming definition . . . . . . . . . . . . . . . . . . . . . . . . . . . 91
6.2.1 Linear program solution time . . . . . . . . . . . . . . . . . . . . . . . 92
6.2.2 Mixed Integer Programming . . . . . . . . . . . . . . . . . . . . . . . . 92
6.3 Mathematical formulation of SBJI selection problem . . . . . . . . . . . . . . 92
6.3.1 SBJISP constraints . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 94
6.3.2 SBJISP objective Function . . . . . . . . . . . . . . . . . . . . . . . . . 95
6.4 Experimental Results . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 95
6.4.1 Problem instances . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 95
6.4.2 Performance Study . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 95
6.4.2.1 The smaller size problem set CSP results . . . . . . . . . . 98
6.4.2.2 The moderate size problem set CMP results . . . . . . . . 98
6.4.2.3 The larger size problem set CLP results . . . . . . . . . . . 101
6.4.3 Performance Scalability Study . . . . . . . . . . . . . . . . . . . . . . . 101
6.4.3.1 Scalability results for the smaller size problem set CSP. . 101
6.4.3.2 Scalability results for the moderate size problem set CMP. 102
6.4.3.3 Scalability results for the larger size problem set CLP. . . 105
6.5 Conclusions . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 107
7 Efficient methodology for Reference Horizontal partitioning in data warehouses 109
7.1 Introduction . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 109
7.2 The proposed methodology . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 110
7.2.1 Predicates attraction . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 110
7.2.2 Clustering of Predicates . . . . . . . . . . . . . . . . . . . . . . . . . . . 111
7.2.3 Determining the number of clusters . . . . . . . . . . . . . . . . . . . 113
7.2.3.1 Solution coding . . . . . . . . . . . . . . . . . . . . . . . . . . 113
7.2.4 Discrete particle swarm optimization for selecting horizontal partitioning schema . . . . . . . . . . . . . 114
7.2.4.1 Fitness function . . . . . . . . . . . . . . . . . . . . . . . . . . 115
7.3 Experimental Results . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 115
7.3.1 Problem instances . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 115
7.3.2 Preview . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 116
7.3.3 Performance Study . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 116
7.3.3.1 The smaller size problem set CSP results . . . . . . . . . . 117
7.3.3.2 The moderate size problem set CMP results . . . . . . . . 120
7.3.3.3 The larger size problem set CLP results . . . . . . . . . . . 122
7.4 Conclusions . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 124
8 Conclusions 125
8.1 Results . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 125
8.2 Future research directions . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 126
Bibliography 127Côte titre : DI/0022 En ligne : https://drive.google.com/file/d/1qaEXnuqod_wfImnJx2cU1N0-S8Fil2eT/view?usp=shari [...] Format de la ressource électronique : Exemplaires (1)
Code-barres Cote Support Localisation Section Disponibilité DI/0022 DI/0022 Thèse Bibliothéque des sciences Français Disponible
DisponiblePermalink
Permalink
