Note du 29 juin 2020
Sans connaitre encore le temps que dureront les mesures de distances sociales liées à la pandémie de Covid-19, et quels que soient les changements qui ont dû être opérés dans l’évaluation de la session de juin 2020 par rapport à ce que prévoit la présente fiche descriptive, de nouvelles modalités d’évaluation des unités d’enseignement peuvent encore être adoptées par l’enseignant ; des précisions sur ces modalités ont été -ou seront-communiquées par les enseignant·es aux étudiant·es dans les plus brefs délais.
Sans connaitre encore le temps que dureront les mesures de distances sociales liées à la pandémie de Covid-19, et quels que soient les changements qui ont dû être opérés dans l’évaluation de la session de juin 2020 par rapport à ce que prévoit la présente fiche descriptive, de nouvelles modalités d’évaluation des unités d’enseignement peuvent encore être adoptées par l’enseignant ; des précisions sur ces modalités ont été -ou seront-communiquées par les enseignant·es aux étudiant·es dans les plus brefs délais.
5 crédits
30.0 h + 22.5 h
Q2
Enseignants
Aghezzaf El-Houssaine (supplée Papavasiliou Anthony); Papavasiliou Anthony;
Langue
d'enseignement
d'enseignement
Anglais
Préalables
· Un cours de programmation linéaire, non-linéaire, et de programmation en nombres entiers.
· Calcul des probabilités: espace de probabilité, probabilité, variable aléatoire, espérance mathématique, indépendance, loi forte des grands nombres, théorème central limite.
· Connaissance d'un langage de programmation mathématique (AMPL, Matlab, OPL-Studio,')
· Calcul des probabilités: espace de probabilité, probabilité, variable aléatoire, espérance mathématique, indépendance, loi forte des grands nombres, théorème central limite.
· Connaissance d'un langage de programmation mathématique (AMPL, Matlab, OPL-Studio,')
Thèmes abordés
Comment formuler un problème d'optimisation dans lequel les données sont sujettes à l'incertitude? Comment prendre en compte les informations et les valeurs révélées des données au cours des étapes du processus d'optimisation? Comment résoudre les modèles d'optimisation ainsi obtenues? L'optimisation stochastique est le cadre idéal pour traiter de telles questions. Un ensemble de méthodes de résolution pour les problèmes de grandes tailles seront aussi abordées: Décomposition de Benders, décomposition de Benders imbriquée, méthodes Lagrangiennes,' Applications: Production, logistique, finance, '
Acquis
d'apprentissage
d'apprentissage
A la fin de cette unité d’enseignement, l’étudiant est capable de : | |
| 1 |
Au terme du cours, l'étudiant sera en mesure de:
|
La contribution de cette UE au développement et à la maîtrise des compétences et acquis du (des) programme(s) est accessible à la fin de cette fiche, dans la partie « Programmes/formations proposant cette unité d’enseignement (UE) ».
Contenu
- Fondements mathématiques (dualité, théorie des probabilités)
- Modèles de programmation stochastique
- Valeur d'information parfaite et valeur de solution stochastique
- Algorithmes cutting plane
- Programmation dynamique
- Programmation dynamique stochastique duale
- Relaxation lagrangienne
Méthodes d'enseignement
2 heures de cours magistraux par semaine, et 2 heures de TP par semaine. Les devoirs seront évalués par l'enseignant et / ou l'assistant.
Modes d'évaluation
des acquis des étudiants
des acquis des étudiants
- Examen écrit
- Des devoirs réguliers
Ressources
en ligne
en ligne
Bibliographie
- Notes de cours
- Impressions de manuels ou articles fournies au cours. Le livre suivant servira de support pour la plupart du cours : John Birge, Francois Louveaux, "Introduction to Stochastic Programming"
Faculté ou entité
en charge
en charge
MAP
