Plan Introduction Parcours de Graphe Optimisation et Graphes

Slides:



Advertisements
Présentations similaires
Calcul du flot maximum Algorithme de Ford Fulkerson Maxime Chambreuil | Nicolas Fournel | Vianney Gremmel | Leïla Traoré | Marouane Zehni UV RO.
Advertisements


UMLV 1 Problème G = (S, A) graphe (orienté) Calculer H = (S, B) où B est la clôture réflexive et transitive de A. Note : (s,t) B ssi il existe un chemin.
Modélisation par le concept de graphe
Mise à Niveau en Recherche Opérationnelle
Bloc1 : Théorie des graphes et problèmes d’ordonnancement
A.Faÿ 1 Recherche opérationnelle Résumé de cours.
IN302 – Chapitre 1 Notions de base, connexité. Rappels sur la complexité
Plus courts chemins On présente dans ce chapitre un problème typique de cheminement dans les graphes : la recherche d'un plus court chemin entre deux sommets.
Optimisation et Complexité
Structures de données IFT-2000
Structures de données IFT-2000


Programmation linéaire et Recherche opérationnelle
MODULE 6 Optimisation de GRAPHES
Mise en oeuvre des MMCs L'utilisation des MMCs en reconnaissance des formes s'effectue en trois étapes : définition de la topologie de la chaîne de Markov,
21 février 2006Cours de graphes 2 - Intranet1 Cours de graphes Les plus courts chemins, les chemins les plus légers : à laide de la vague, à laide de la.
Graphes 1. Introduction 2. Définition 3. Représentation mémoire
Arbres et graphes.
On cherche le plus court chemin de E à S sur le graphe suivant :
Graph cuts et applications
LE FLOT MAXIMAL et LA COUPE MINIMALE
Ceci est un graphe valué Des arcs : 1-2, 1-4, 7-10,…..
Algorithme de DIJKSTRA
Sixième étape : pondérer les graphes. Longueur d’une chaîne d’un graphe quelconque = nombre des arêtes qui la constituent. Distance entre deux sommets.
Vincent PagéUniversité Antilles Guyane Algorithmique Avancee Licence MI Plis fòs ba pengwen là !
CINI – Li115 1 Semaine 9 Algorithmes de tri ● Introduction ● Tri à bulle ● - principe ● - algorithme ● - efficacité ● Tri par sélection ● - principe, algorithme,
Nicolas DUVERNEUIL - Nicolas DEMAY - Corinne GRONDIN Présentent Labyrinthis 2 juin 2006.
François Charron Publicité Facebook.
Coloration de graphe, backtracking, branch and bound
V Graphes étiquetés Ce sont des graphes orientés où les arêtes sont affectées d’étiquettes. Lorsque les étiquettes sont des nombres, on dit que le graphe.
Notions de base, connexité
Occuper l’espace en Largeur et Profondeur
Université Abou Bakr Belkaid Faculté des Sciences Département d’informatique Algorithmique Avancée et Complexité Chap5: Les méthodes de résolution exactes.
Techniques d’Optimisation Chapitre 2: Problème de flôt
Systèmes Distribués et Autostabilisation
Routage S 3 - Questionnaire N°1
IFT 615 – Intelligence artificielle Recherche heuristique
Recherche plus court Chemin par A*
Occuper l’espace en Largeur et Profondeur
CCNP Routage Chapitre 4 - Questionnaire N°1
Pr ZEGOUR Djamel Eddine
Plan Introduction Parcours de Graphe Optimisation et Graphes
Technologies de l’intelligence d’affaires Séance 11
Université Abou Bakr Belkaid Faculté des Sciences Département d’informatique Algorithmique Avancée et Complexité Chap7: Les méthodes de résolution exactes.
INTELLIGENCE ARTIFICIELLE
Sujets Spéciaux en informatique II
Cours N°9: Algorithmiques Les Tableaux 1
1 RECURSIVITE PRESENTATION Ch. PAUL ALGORITHMIQUE Présentation de la récursivité.
Branch-and-price algorithms for the solution of the multi-trip vehicle routing problem with time windows (MTVRPTW) 1.
OPTIMISATION 1ère année ingénieurs
Ruoqi He & Chia-Man Hung

Problèmes de traversée
Arbres de décision.
Plan Introduction Parcours de Graphe Optimisation et Graphes
Information, Calcul, Communication
Leçon Les Forces N°1 1. Rôle des forces
RABAH M ed Ali 2018/2019
Piles et files.
IN302 – Chapitre 3 Plus courts chemins.
Arbres et arborescences
Exercice 5 : Soient les courbes des fonctions définies sur R par f(x) = 8x² - 8x – 10 et g(x) = 2x² - 8x °) Déterminez les points d’intersections.
UMLV ã Plus courts chemins Toutes paires d'états
Recherche de chemin et labyrinthe
LES NOMBRES ENTIERS.
Chapitre P4 : Mouvement d’un solide indéformable I) Quelques rappels de seconde : 1)Nécessité d’un référentielNécessité d’un référentiel 2)TrajectoireTrajectoire.
La programmation dynamique
Transcription de la présentation:

Plan Introduction Parcours de Graphe Optimisation et Graphes Plus courts chemins Généralités De 1 vers n - Valuations positives - Algorithme de Dijkstra De 1 vers n - Valuations quelconques - Algorithme de Bellman-Ford Plus courts chemins de n vers n Problèmes de flots Changer le plan Introduction (Prévisions: C1) p8 Généralités C1 Quelques définitions C1 p15 Représentations informatiques C1 p28 Parcours de Graphes (Prévisions : C1 C2) p39 Principe du parcours C1 Parcours en profondeur C2 p50 Parcours en largeur C2 p56 Premiers problèmes de Graphes (C2, C3) p61 Connexité et Forte connexité C2 (et exercice graphe inverse à déplacer après CFC) Tri topologique C3, C3 p73 Chemins, Fermeture Transitive C3 p81 Optimisation et Graphes (C4, C5, C6, C7, C8) p91 Plus courts chemins C4 (Dijkstra avant variantes) C5 (fin Dijkstra, Bellman p114 et variantes, Floyd p126) Arbres C6 Flots C7, C8 p 132 C6 flot max

3.2. Plus courts chemins – Algorithme de Dijkstra : Principe But : Plus court chemin d’une origine vers tous les autres sommets Principe Label : Cout du chemin à l’origine s = 0 Cout du chemin aux autres sommets  ∞ Adaptation d’un parcours en largeur A chaque étape : Sélectionner le sommet de cout le plus faible et marquer ce sommet comme visité (son cout ne changera plus) Actualiser les couts des sommets adjacents non marqués Arrêt Tous les sommets sont marqués

3.2. Plus courts chemins – Algorithme de Dijkstra : Exemple Application : plus court chemin à partir de x1 Pour chaque sommet, mémoriser : Son meilleur cout courant, le sommet précédent pour ce meilleur cout un marquage x1 x2 X3 x4 x5  10, x1 5, x1  8, x4 14,x4 7,x4 12,x5 9,x2 x1 x2 x3 x4 x5  10, x1 5, x1  8, x4 14, x4 7, x4 12,x5 7,x4 9, x2 9,x2 x1 x2 x3 x4 x5  10, x1 5, x1  8, x4 14,x4 7,x4 12,x5 x1 x2 x3 x4 x5  10, x1 5, x1  8, x4 14, x4 7, x4 x1 x2 x3 x4 x5  10, x1 5, x1 x1 x2 x3 x4 x5  DEROULEMENT ALGO SUR 1 ligne : marquage + actualisation des voisins (= itération de Dijkstra)