Mathématiques discrètes
Transcription
Mathématiques discrètes
MATHEMATIQUES DISCRETES 9 janvier 2007 Stéphanie FLOSSE 1 Plan • présentation des mathématiques discrètes • les enseignements • programmation linéaire – définition – l’algorithme du simplexe – exemple d’application • théorie du signal : approximation multirésolutions 9 janvier 2007 2 Définition • Mathématiques discrètes : étude des structures mathématiques fondamentalement discrètes, dans le sens où la notion de continuité n'est pas exigée ou supportée • Mathématiques discrètes : populaires du fait de leurs applications dans l’informatique. – notations et concepts des mathématiques discrètes utilisés pour exprimer ou étudier des problèmes et des objets en algorithmique et en programmation 9 janvier 2007 3 Enseignements • théorie des codes : polynômes sur les corps finis, codes correcteurs • informatique : programmation C / C++, Java ; arbres, graphes ; base de données • probabilités • réseaux • théorie des jeux – optimisation • théorie du signal : transformation de Fourier, filtres, convolution, ondelettes, approximation multi-résolutions 9 janvier 2007 4 OPTIMISATION : PROGRAMMATION LINEAIRE 9 janvier 2007 5 Programmation linéaire : exemple, résolution graphique • Exemple : 24C03Z, intervention sur le cristallin, séjour < 2 j. valeur = 1530,19€ 24C04Z, affectation de la CMD 02 avec acte opératoire, séjour < 2 j., valeur = 973,74€ 1 chirurgien, 1 infirmière et 1 secrétaire pour ces séjours 24C03Z : 20 min. chirurgien, 30 min. infirmière, 6 min. secr. 24C04Z : 10 min. chirurgien, 40 min. infirmière, 18 min. secr. 9 janvier 2007 6 Programmation linéaire : exemple, résolution graphique Chirurgien : disponible au plus 1000 min / semaine Infirmière : disponible au plus 2000 min / semaine Secrétaire : disponible au plus 720 min / semaine x : nb de séjours dans GHM 24C03Z y : nb de séjours dans GHM 24C04Z But : déterminer x et y tel que le bénéfice lié à ces séjours et à ces contraintes soit maximum. 9 janvier 2007 7 Programmation linéaire : exemple, résolution graphique Écriture du PL : 20x + 10y ≤ 1000 30x + 40y ≤ 2000 6x + 18y ≤ 720 Bénéfice = 1530,19x + 973,74y Résolution graphique : - trace les droites correspondants aux contraintes aire - intersection aire et droite bénéfice tq ord. origine soit max donne le couple (x,y) recherché 9 janvier 2007 8 Programmation linéaire : exemple, résolution graphique Écriture du PL : 20x + 10y ≤ 1000 30x + 40y ≤ 2000 6x + 18y ≤ 720 Bénéfice = 1530,19x + 973,74y Pour x = 40 et y = 20 : Bénéfice max = 80 682,40 € 9 janvier 2007 9 Programmation linéaire : définitions • Problème de programmation linéaire (PL), forme canonique : Soit n variables x1 , K x n tel que ∀i, xi ≥ 0 et m contraintes linéaires : a11 x1 + K + a1n x n ≤ b1 M a x + K + a x ≤ b mn n m m1 1 Maximiser la fonction objectif : z = c1 x1 + K + c n x n • Problème de programmation linéaire (PL), forme standard : Soit m variables x n +1 ,K x n + m supplémentaires, telles que ∀i, xi ≥ 0. Le dictionnaire dans la base des variables d' écarts est : x n +1 = b1 − (a11 x1 + K + a1n x n ) M x n + m = bm − (a m1 x1 + K + a mn x n ) Maximiser la fonction objectif : z = c1 x1 + K + c n x n 9 janvier 2007 10 Programmation linéaire : méthode du simplexe • Écriture du PL sous forme standard x3 = 1000 − 20 x1 − 10 x 2 x 4 = 2000 − 30 x1 − 40 x 2 x = 720 − 6 x − 18 x 1 2 5 z = 1530,19 x1 + 973,74 x 2 c1 = 1530,19 > c 2 = 973,74 * * • Une solution évidente est : x = (0, 0,1000, 2000, 720) et z = 0 x1 ≤ 50 200 d' où le choix x1 = 50 Augmentons x1 x ≤ 1 3 x1 ≤ 120 Nouvelle solution : (50,0,0,500,420 ) z * = 1530,19 * 50 = 76 509,5 9 janvier 2007 11 Programmation linéaire : méthode du simplexe • Le programme s’écrit alors : 1 1 x = 50 − x − x3 2 1 2 20 3 1530,19 1530,19 z = 1530,19 * 50 + 973,74 − x3 x2 − x 4 = 500 − 25 x 2 + x3 2 2 20 x5 = 420 − 15 x 2 + 3 x3 10 x 2 ≤ 100 Augmentons x 2 x 2 ≤ 20 d' où le choix x 2 = 20 x ≤ 28 2 Nouvelle solution : x * (40,20,0,0,120 ) z * = 80 682,4 En remplaçant x1 et x 2 : z = 80 682,4 - 63,9908 x3 − 8,3458 x 4 Coefficients de x3 et x 4 négatifs, donc le maximum est atteint 9 janvier 2007 pour ( x1 , x 2 ) = (40,20 ) et vaut 80 682,4 € 12 THEORIE DU SIGNAL : APPROXIMATION MULTIRESOLUTIONS 9 janvier 2007 13 Théorie du signal : applications • spatial : imagerie spatiale, compression de données • téléphone et internet : compression de données, réduction d’echos • audiovisuel : stockage et compression de données • industriel : prospection minière et pétrolière • ponts et chaussées : calcul de déflexion de chaussée • médical : imagerie médicale et compression de données 9 janvier 2007 14 APPROXIMATION MULTIRESOLUTIONS a1 a1 + a 2 2 a2 a 2 − a1 a3 + a 4 2 a 4 − a3 a1 + a 2 + a3 + a 4 4 9 janvier 2007 a4 a3 a5 a6 a5 + a6 2 a6 − a5 a7 a 7 + a8 2 a8 niveau fin a8 − a 7 a 5 + a 6 + a 7 + a8 4 a 3 + a 4 − a1 − a 2 a 7 + a8 − a 5 − a 6 niveau grossier 2 2 15 APPROXIMATION MULTIRESOLUTIONS • Suite d’espaces d’approximation emboîtés : V j ⊂ V j +1 • Supplémentaire permettant de passer de Vj à Vj+1 : Wj V j +1 = V j ⊕ W j • { f ∈ L2 (ℜ ) = f tq ∫ f ( ) Soit ϕ kj+1 k∈Z 2 } < +∞ , notons Pj +1 f sa projection sur V j +1 une base de V j +1 , on peut écrire Pj +1 f = ∑ c kj +1ϕ kj+1 k∈Z Notons Q j f la projection de f sur W j . On peut écrire : Pj +1 f = ∑ c kj ϕ kj + ∑ d kjψ kj k∈Z 9 janvier 2007 k∈Z 16 APPROXIMATION MULTIRESOLUTIONS • Considérons les fonctions vérifiant une relation de changement d' échelle : ϕ ( x ) = ∑ hnϕ (2 x − n ) Les f ° de base aux différentes échelles sont les n∈Z dilatées et translatées d' une unique f ° appellée fonction d' échelle. ( ) Les fonctions de base ψ kj k∈Z des W j sont les translatées dilatées d' une unique fonction appellée ondelette. • Posons ϕ (x ) = 2 2 ϕ (2 j x − k ). On définit la fontion d' échelle duale : j k ϕ~ ( x ) = j ~~ ∑ hnϕ (2 x − n) et ϕ , ϕ~(. − n = δ [n] n∈Z 9 janvier 2007 17 APPROXIMATION MULTIRESOLUTIONS • On dit qu' une suite (V j ) d' espaces est une approximation multi - résolutions (APM) si les propriétés suivantes sont vérifiées : i) V j ⊂ V j +1 ii ) f (.) ∈ V j ⇔ f (2.) ∈ V j +1 ⇔ f (2 − j .) ∈ V 0 +∞ iii ) U V j = lim V j = L2 (ℜ ) j = −∞ j → +∞ iv ) I V j = lim V j = {0} j → −∞ v ) Il existe une fonction ϕ telle que (ϕ (.-n ))n forme une base de Riesz de V 0 9 janvier 2007 18 APPROXIMATION MULTIRESOLUTIONS • Relations : ~ ϕ ( x ) = ∑ hnϕ (2 x − n ) ; ϕ~ (x ) = ∑ hnϕ~ (2 x − n ) n∈Z n∈Z ψ ( x ) = ∑ g nϕ (2 x − n ) ; ψ~ (x ) = ∑ g~nϕ~(2 x − n ) n∈Z g n = (− 1) n +1 ~ h1− n n∈Z n +1 ; g~n = (− 1) h1− n f j +1 = ∑ c nj ϕ nj + ∑ d njψ nj = ∑ c nj +1ϕ nj+1 n∈Z 9 janvier 2007 n∈Z n∈Z 19 APPROXIMATION MULTIRESOLUTIONS • Calcul de la décomposition en ondelettes : c kj = ~ 1 j +1 j ~ c j +1 h c ; d = g ∑ n−2 k n ∑ n−2k n k 2 n 2 n 1 • Reconstruction (transformée en ondelettes inverse) : c 9 janvier 2007 j +1 m = 1 2 ∑ (c h j k m−2k + d kj g m − 2 k ) k 20 APPROXIMATION MULTIRESOLUTIONS • Exemple : ondelette de Haar Schéma de décomposition : c 2jk+1 + c 2jk++11 ; d kj = c 2jk++11 − c 2jk+1 c = 2 Recomposition : j k c mj +1 9 janvier 2007 1 j j c + m −1 2 d m −1 si m est impair 2 = 2 c j − 1 d j si m est pair m m 2 2 2 21 APPROXIMATION MULTIRESOLUTIONS • Seuillage c c d M d c d Kd c d Kd d d Kd M d d K d si d < seuil, alors d = 0 Taux de compression correspond au % de 0 dans la matrice décomposée 9 janvier 2007 22 APPROXIMATION MULTIRESOLUTIONS Image décomposée, 38% de zéros Image originale Image recomposée sans seuillage = image originale 9 janvier 2007 Seuil = 1 ; 86% de zéros A l’œil nu, pas de différences entre l’image reconstruite et l’image originale Seuil = 5 ; 97% de zéros Mauvaise qualité de l’image reconstruite sur les dégradés. 23 APPROXIMATION MULTIRESOLUTIONS Image originale 9 janvier 2007 Image décomposée 9% de zéros 24 APPROXIMATION MULTIRESOLUTIONS Seuil = 2 ; 37% de zéros A l’œil nu, pas de différences entre l’image reconstruite et l’image originale 9 janvier 2007 Seuil = 7 ; 65% de zéros Le chien a été bien reconstruit, mais dans le fond, apparition de « carrés » à la place du dégradé 25 APPROXIMATION MULTIRESOLUTIONS • Haar : – mauvais sur les dégradés / bon sur les contrastes – utilisation pour la reconnaissance d’écriture • Il existe bien d’autres ondelettes : – Morlet, Daubechies, biorthogonales interpolantes, etc. 9 janvier 2007 26 Bibliographie • Programmation linéaire – Chvatal, Linear Programming • Ondelettes – – – – – cours de M.SONNENDRÜCKER S. Mallat, Une exploration des signaux en ondelettes I. Daubechies, Ten Lectures on Wavelets http://www-lmc.imag.fr/lmc-cf/Valerie.Perrier www.python.org 9 janvier 2007 27