Algorithme Génétique et Gestion de Projet

Slides:



Advertisements
Présentations similaires
Introduction à l’analyse
Advertisements

Calcul du flot maximum Algorithme de Ford Fulkerson Maxime Chambreuil | Nicolas Fournel | Vianney Gremmel | Leïla Traoré | Marouane Zehni UV RO.
Soutenance du stage de DEA.
Présentation du prototype :
Connexité.
Recherche de motifs par méthodes exploratoires: Comparaisons de performances et statistiques sur le score.
Risques d’erreur statistique et test statistique
Informatique en Biologie Institut Pasteur S P I N Search in Protein Interaction Network Elisabeth Rémy Karine Robbe Mathieu Barthélémy Tuteur :
Informatique en Biologie 2004, Institut Pasteur
(Dé)Placement de réplicas en environnement pervasif
But de l’exercice 3.1 PREPARER UN ALGORITHME QUI EFFECTUE DEUX TACHES IMPORTANTES : PREMIERE TACHE : Grâce à la fonction aléatoire, un nombre compris entre.
Inférence statistique
Système T.Flow Hygro B Mode d’emploi Mars 2012.
Les TESTS STATISTIQUES
Métrologie pour lInternet. Jean-Loup Guillaume Journées Franciliennes de Recherche Opérationnelle.
TYCOON.AGENT Simulation et analyse de coopérations entre agent logiciels C. Vignoles LIMSI-CNRS JC Martin.
PROCEDURE TYPE DE DEFINITION DES MODALITES
Application aux NK-landscape...
IN302 – Chapitre 1 Notions de base, connexité. Rappels sur la complexité
« Small World » Modélisation
Quelques algorithmes au lycée…
Statistiques et Probabilités au lycée
Autres LOIS de PROBABILITES
Enseignement de spécialité en S
Application des algorithmes génétiques
Objectif général Les compétences à développer : mettre en œuvre une recherche de façon autonome ; mener des raisonnements ; avoir une attitude critique.
06/12/2005 C. Massot À PROPOS DE LOGICIELS STATISTIQUES.
L’inférence statistique
Construction de modèles visuels
Accès à une quantité impressionnante de données Classement en 10 chapitres.
Master professionnel Statistique, informatique et techniques numériques (SITN)
Recherche Opérationnelle
Comparaisons multiples
P. David, V. Idasiak, F. Kratz PRISME / L.V.R
Soit la fonction f (x) = x2 + 1
Recherche d’ensembles chromatiques
Comparaison entre RIP et OSPF en utilisant OPNET
1 Introduction à la théorie des tests. 2 Plan I- choix entre 2 paramètres de tendance centrale Choix entre 2 proportions pour un caractère qualitatif.
GRAPHES EN INFORMATIQUE. INTRODUCTION Les objets mathématiques appelés graphes apparaissent dans de nombreux domaines comme les mathématiques, la biologie,
Digitaliser des images
Distribution géographique d’un réseau de relations interpersonnelles. Pauline Dedeurwaerder Promoteur : V. Blondel MAP22.
une introduction pragmatique
BIO 4518: Biostatistiques appliquées Le 4 octobre 2005 Laboratoire 3 ANOVA à un critère de classification.
Exposée: impédancemétrique
STATISTIQUES – PROBABILITÉS
Vibert Dimitri CSII3 Tuteur : Volker Bäcker.  Présentation de Montpellier RIO Imaging  La mission  Les langages et outils utilisés  Le planning 
Zéros de polynômes Loi du produit nul. Les zéros d’un polynôme sont les valeurs de la variable ou des variables qui annulent ce polynôme. EXEMPLES : Dans.
Fabienne BUSSAC FONCTIONS LINEAIRES – PROPORTIONNALITE
Fabienne BUSSAC MOYENNE 1. Moyenne Définition :
Principales distributions théoriques
Struture du web et de l’internet
Présentation de l’équipe
Test.
Implémentation d’un opérateur de répartition de sources lumineuses
20/06/2015propagation de signatures lexicales dans le graphe du Web 1 Propagation de signatures lexicales dans le graphe du Web M. Bouklit M. Lafourcade.
ANNEE UNIVERSITAIRE :2010/2011
Diffusion Nationale TOULOUSE –MAJ Avril 2009 STSWEB Gestion des années scolaires Création de l’année en préparation.
Accès à une quantité impressionnante de données Classement en 10 chapitres.
Localisation collaborative dans les réseaux de capteurs
Seconde 8 Module 7 M. FELT 03/11/ Module 7: Algorithmique #2  Objectifs:  AlgoBox.  Définition d’un algorithme.  Affectation de variable. 
Introduction à l’Informatique Licence SPI Mme Delmotte.
Les étapes de l’algorithme choisi -Calcul des fitness -Mélange si stagnation -Sélection quasi-élitiste -Croisement -Mutation.
23/05/2016 Déterminer la taille des échantillons notion sous-jacente : puissance d'un test Claire Chabanet fonction F4, étendre l'écran configurer le diaporama,
Test.
Test.
test
TEST.
Test test.
Transcription de la présentation:

Algorithme Génétique et Gestion de Projet B. Batut, M. Chevalier, E. Girard et N. Parisot

Objectif A partir d’un graphe aléatoire, Obtenir un graphe biologiquement réaliste via l’utilisation d’un Algorithme Génétique

Première Etape : Graphes Choisir un type de graphe biologique à imiter Graphe de réactions métaboliques http://pbil.univ-lyon1.fr/software/motus Motif Search in Metabolic Networks Récupération des 76 graphes disponibles au format XML

Première Etape : Graphes Sélection des graphes entre 100 et 500 noeuds (± 10%) 48 Graphes Calcul des caractéristiques de ces graphes Réseau métabolique moyen

Première Etape : Graphes Réseau Métabolique Moyen Degré moyen d’un noeud : 4.05 ± 0.93 Coefficient de clustering : 0.37 ± 0.06 Nombre de cliques (normalisé par nombre de noeuds) : 0.7 ± 0.05 Mean Free Path : 5.78 ± 1.52

Deuxième Etape : Algo Gen Développement du logiciel Interface Graphique CAPTURE

Deuxième Etape : Algo Gen Définition de la fitness Adéquation de la distribution des degrés à une loi de puissance de paramètre 2.2 (Valeur trouvée dans la littérature) Test de Kolmogorov-Smirnov p-value doit être < 1e-6 Nombre de cliques Doit être compris entre Coefficient de clustering Connexité Egale à 1 obligatoirement Mean Free Path

Deuxième Etape : Algo Gen Pondération de la fonction de fitness Additif Test vs

Tests

Résultats