A Fuzzy Decision Strategy for Topic Identification and Dynamic Selection of Language Models

International audience

Necessidade de cognição, memória de trabalho e recuperação de contra-exemplos para condicionais causais

A procura de contra-exemplos é provavelmente a fase mais importante do raciocí - nio dedutivo, uma vez que visa garantir a validade da conclusão. A explicação mais difundida para a diminuta procura de contra-exemplos é a capacidade limitada da memória de trabalho (Markovits & Barrouillet 2002; De Neys, Schaeken & d’Ydewalle, 2002; 2003; 2005a; 2005b) o que não parece ser suficiente para explicar a pouca iniciativa dos sujeitos em utilizarem a procura de contra-exemplos como estratégia de verificação (Oakhill, & Johnson-Laird, 1985). No presente trabalho testou-se a hipótese de que a necessidade de cognição dos sujeitos (Cacioppo & Petty, 1982) tem influência no processo de recuperação de contra-exemplos, para condicionais causais, de modo aprofundar o conhecimento das razões que levam a que os sujeitos procurem tão poucos contra-exemplos durante o raciocínio dedutivo (Oakhill, & Johnson-Laird, 1985; Johnson-laird, 2006). Para o efeito, um total de 60 participantes (15 alunos do mestrado integrado em psicologia, 15 alunos de doutoramento, 15 operários fabris e 15 empregados de mesa) realizou 3 tarefas: escala Necessidade de Cognição (Silva & Garcia-Marques, 2006), uma tarefa de raciocínio e uma tarefa para avaliar a capacidade da memória de trabalho (Guerreiro, Quelhas & Garcia-Madruga, 2006). Os resultados indicam que o processo de recuperação de contra-exemplos é influenciado pela necessidade de cognição e que esta influência além de significativa é superior à influência da capacidade da memória de trabalho.

Combinaison de modèles de langage pour l'identification de thèmes

National audience

An experimental study of adaptive control for evolutionary algorithms

International audience

Tabu search for the cyclic bandwidth problem

International audience

Boosting the performance of metaheuristics for the MinLA problem using a more discriminating evaluation function

International audience

Climbing Combinatorial Fitness Landscapes

International audience

Conditional mutual inclusive information enables accurate quantification of associations in gene regulatory networks

International audience

Identifying cancer-related microRNAs based on gene expression data

International audience

Iterated responsive threshold search for the quadratic multiple knapsack problem

International audience

Effective Learning-Based Hybrid Search for Bandwidth Coloring

International audience

Path relinking for the fixed spectrum frequency assignment problem

International audience

Development of new scenario decomposition techniques for linear and nonlinear stochastic programming

Une approche classique pour traiter les problèmes d’optimisation avec incertitude à deux- et multi-étapes est d’utiliser l’analyse par scénario. Pour ce faire, l’incertitude de certaines données du problème est modélisée par vecteurs aléatoires avec des supports finis spécifiques aux étapes. Chacune de ces réalisations représente un scénario. En utilisant des scénarios, il est possible d’étudier des versions plus simples (sous-problèmes) du problème original. Comme technique de décomposition par scénario, l’algorithme de recouvrement progressif est une des méthodes les plus populaires pour résoudre les problèmes de programmation stochastique multi-étapes. Malgré la décomposition complète par scénario, l’efficacité de la méthode du recouvrement progressif est très sensible à certains aspects pratiques, tels que le choix du paramètre de pénalisation et la manipulation du terme quadratique dans la fonction objectif du lagrangien augmenté. Pour le choix du paramètre de pénalisation, nous examinons quelques-unes des méthodes populaires, et nous proposons une nouvelle stratégie adaptive qui vise à mieux suivre le processus de l’algorithme. Des expériences numériques sur des exemples de problèmes stochastiques linéaires multi-étapes suggèrent que la plupart des techniques existantes peuvent présenter une convergence prématurée à une solution sous-optimale ou converger vers la solution optimale, mais avec un taux très lent. En revanche, la nouvelle stratégie paraît robuste et efficace. Elle a convergé vers l’optimalité dans toutes nos expériences et a été la plus rapide dans la plupart des cas. Pour la question de la manipulation du terme quadratique, nous faisons une revue des techniques existantes et nous proposons l’idée de remplacer le terme quadratique par un terme linéaire. Bien que qu’il nous reste encore à tester notre méthode, nous avons l’intuition qu’elle réduira certaines difficultés numériques et théoriques de la méthode de recouvrement progressif.

Interrelated product design activities sequencing with efficient tabu search algorithms

This paper proposes and investigates a metaheuristic tabu search algorithm (TSA) that generates optimal or near optimal solutions sequences for the feedback length minimization problem (FLMP) associated to a design structure matrix (DSM). The FLMP is a non-linear combinatorial optimization problem, belonging to the NP-hard class, and therefore finding an exact optimal solution is very hard and time consuming, especially on medium and large problem instances. First, we introduce the subject and provide a review of the related literature and problem definitions. Using the tabu search method (TSM) paradigm, this paper presents a new tabu search algorithm that generates optimal or sub-optimal solutions for the feedback length minimization problem, using two different neighborhoods based on swaps of two activities and shifting an activity to a different position. Furthermore, this paper includes numerical results for analyzing the performance of the proposed TSA and for fixing the proper values of its parameters. Then we compare our results on benchmarked problems with those already published in the literature. We conclude that the proposed tabu search algorithm is very promising because it outperforms the existing methods, and because no other tabu search method for the FLMP is reported in the literature. The proposed tabu search algorithm applied to the process layer of the multidimensional design structure matrices proves to be a key optimization method for an optimal product development.

An adaptive neighborhood search algorithm for optimizing stochastic mining complexes

Les métaheuristiques sont très utilisées dans le domaine de l'optimisation discrète. Elles permettent d’obtenir une solution de bonne qualité en un temps raisonnable, pour des problèmes qui sont de grande taille, complexes, et difficiles à résoudre. Souvent, les métaheuristiques ont beaucoup de paramètres que l’utilisateur doit ajuster manuellement pour un problème donné. L'objectif d'une métaheuristique adaptative est de permettre l'ajustement automatique de certains paramètres par la méthode, en se basant sur l’instance à résoudre. La métaheuristique adaptative, en utilisant les connaissances préalables dans la compréhension du problème, des notions de l'apprentissage machine et des domaines associés, crée une méthode plus générale et automatique pour résoudre des problèmes. L’optimisation globale des complexes miniers vise à établir les mouvements des matériaux dans les mines et les flux de traitement afin de maximiser la valeur économique du système. Souvent, en raison du grand nombre de variables entières dans le modèle, de la présence de contraintes complexes et de contraintes non-linéaires, il devient prohibitif de résoudre ces modèles en utilisant les optimiseurs disponibles dans l’industrie. Par conséquent, les métaheuristiques sont souvent utilisées pour l’optimisation de complexes miniers. Ce mémoire améliore un procédé de recuit simulé développé par Goodfellow & Dimitrakopoulos (2016) pour l’optimisation stochastique des complexes miniers stochastiques. La méthode développée par les auteurs nécessite beaucoup de paramètres pour fonctionner. Un de ceux-ci est de savoir comment la méthode de recuit simulé cherche dans le voisinage local de solutions. Ce mémoire implémente une méthode adaptative de recherche dans le voisinage pour améliorer la qualité d'une solution. Les résultats numériques montrent une augmentation jusqu'à 10% de la valeur de la fonction économique.