*** Nos bureaux étant fermés pendant les fêtes, toutes les commandes de livre au format papier reçues entre le 19 décembre et le 5 janvier ne seront traitées qu’à partir du 6 janvier ***.
Nous vous souhaitons de joyeuses fêtes.
– Papier (Collections classiques, Encyclopédie SCIENCES) :
Livraison offerte pour toute commande directe effectuée sur le site istegroup.com
Délai de livraison : environ deux semaines
Envois uniquement vers : France métropolitaine, Belgique, Suisse et Luxembourg
Impression en couleur
Un ebook de l’ouvrage (à l’exception des titres de l’Encyclopédie SCIENCES) est offert pour tout achat
de sa version papier sur notre site, il vous sera envoyé après la finalisation de votre commande
Offre non applicable aux librairies
– Ebook (Collections classiques, Encyclopédie SCIENCES, Abrégés) :
Prix réservé aux particuliers
Pour les institutions : nous contacter
Nos ebooks sont au format PDF (compatible sur tout support)
Les métaheuristiques sont utilisées pour résoudre des problèmes d’optimisation complexes, à chaque fois que l’on veut identifier, avec un temps de calcul raisonnable, des solutions efficaces. Il s’agit donc d’une approche pragmatique, qui a des sources d’inspiration multiples.
La série Les métaheuristiques a pour objectif d’étendre leur champ d’application, en proposant des approches transversales du domaine, des études centrées sur des applications spécifiques ou encore des analyses consacrées à des familles de métaheuristiques particulières.
Les métaheuristiques d’optimisation procèdent à un « tirage au hasard » pour effectuer certains choix ou appliquer certaines règles, pour cela elles doivent faire appel à un ou plusieurs générateurs de nombres aléatoires (GNA).
De nombreux types de GNA existent, de l’aléatoire vrai jusqu’au codé simple. Ils peuvent être manipulés pour produire des distributions spécifiques.
Les performances d’un algorithme dépendent du GNA utilisé. Cet ouvrage s’intéresse à la comparaison d’optimiseurs, il définit une approche effort-résultat d’où peuvent être dérivés tous les critères classiques (médiane, moyenne, etc.) et d’autres plus sophistiqués.
Les codes-sources utilisés pour les exemples sont aussi présentés, ainsi qu’une réflexion sur le « hasard superflu », expliquant succinctement pourquoi et comment l’aspect stochastique de l’optimisation pourrait être évité dans certains cas.
Partie 1. Le hasard en optimisation
1. Le risque nécessaire
2. Générateurs de nombres aléatoires (GNA)
3. Les effets du hasard
Partie 2. Comparaisons d’optimiseurs
4. Algorithmes et optimiseurs
5. Critères de performance
6. Comparer des optimiseurs
Partie 3. Annexes
7. Le hasard superflu ? Optimiseurs à liste
8. Biais et signatures
9. Un pseudo-article scientifique
10. Petit bêtisier
11. Compléments mathématiques
12. Problèmes
13. Codes sources
