Optimisation multidisciplinaireL'Optimisation de Conception Multidisciplinaire (OMD ou MDO, Multidisciplinary Design Optimisation, en anglais) est un domaine d'ingénierie qui utilise des méthodes d'optimisation afin de résoudre des problèmes de conception mettant en œuvre plusieurs disciplines. La MDO permet aux concepteurs d'incorporer les effets de chacune des disciplines en même temps. L'optimum global ainsi trouvé est meilleur que la configuration trouvée en optimisant chaque discipline indépendamment des autres, car l'on prend en compte les interactions entre les disciplines.
Scenario optimizationThe scenario approach or scenario optimization approach is a technique for obtaining solutions to robust optimization and chance-constrained optimization problems based on a sample of the constraints. It also relates to inductive reasoning in modeling and decision-making. The technique has existed for decades as a heuristic approach and has more recently been given a systematic theoretical foundation. In optimization, robustness features translate into constraints that are parameterized by the uncertain elements of the problem.
Règle des phasesEn physique, et particulièrement en thermodynamique chimique, la règle des phases (ou règle des phases de Gibbs, ou règle de Gibbs) donne le nombre maximum de paramètres intensifs qu'un opérateur peut fixer librement sans rompre l'équilibre d'un système thermodynamique. Ce nombre de paramètres indépendants est appelé variance. Les paramètres sont choisis le plus souvent parmi la pression, la température et les concentrations des diverses espèces chimiques dans les diverses phases présentes.
Hyperparameter optimizationIn machine learning, hyperparameter optimization or tuning is the problem of choosing a set of optimal hyperparameters for a learning algorithm. A hyperparameter is a parameter whose value is used to control the learning process. By contrast, the values of other parameters (typically node weights) are learned. The same kind of machine learning model can require different constraints, weights or learning rates to generalize different data patterns.
Linear fractional transformationIn mathematics, a linear fractional transformation is, roughly speaking, an invertible transformation of the form The precise definition depends on the nature of a, b, c, d, and z. In other words, a linear fractional transformation is a transformation that is represented by a fraction whose numerator and denominator are linear. In the most basic setting, a, b, c, d, and z are complex numbers (in which case the transformation is also called a Möbius transformation), or more generally elements of a field.
Point critique (thermodynamique)vignette| Le point critique d'un corps pur est le point du diagramme température-pression, généralement noté C, où s'arrête la courbe d'équilibre liquide-gaz. La température T et la pression P du point critique sont appelées température critique et pression critique du corps pur. Le volume molaire et la masse volumique du corps pur à ces température et pression (V et ρ) sont appelés volume critique et masse volumique critique (plus souvent, mais improprement, densité critique).
Interprocedural optimizationInterprocedural optimization (IPO) is a collection of compiler techniques used in computer programming to improve performance in programs containing many frequently used functions of small or medium length. IPO differs from other compiler optimizations by analyzing the entire program as opposed to a single function or block of code. IPO seeks to reduce or eliminate duplicate calculations and inefficient use of memory and to simplify iterative sequences such as loops.
Optimizing compilerIn computing, an optimizing compiler is a compiler that tries to minimize or maximize some attributes of an executable computer program. Common requirements are to minimize a program's execution time, memory footprint, storage size, and power consumption (the last three being popular for portable computers). Compiler optimization is generally implemented using a sequence of optimizing transformations, algorithms which take a program and transform it to produce a semantically equivalent output program that uses fewer resources or executes faster.
Randonnée pédestrevignette|Itinéraire de randonnée pédestre en montagne, à proximité du glacier du Tour. La randonnée pédestre est un loisir de marche à pied qui s'effectue dans la nature en suivant un itinéraire, balisé ou non, seul ou en groupe. C'est à la fois une activité physique, un sport et un loisir de découverte et de contemplation. La randonnée pédestre est une promenade sportive qui s'effectue à pied, généralement sur des sentiers dans la nature, en plaine comme en montagne.
Algorithme de colonies de fourmisLes algorithmes de colonies de fourmis (, ou ACO) sont des algorithmes inspirés du comportement des fourmis, ou d'autres espèces formant un superorganisme, et qui constituent une famille de métaheuristiques d’optimisation. Initialement proposé par Marco Dorigo dans les années 1990, pour la recherche de chemins optimaux dans un graphe, le premier algorithme s’inspire du comportement des fourmis recherchant un chemin entre leur colonie et une source de nourriture.
Groupe général linéaireEn mathématiques, le groupe général linéaire — ou groupe linéaire — de degré n d’un corps commutatif K (ou plus généralement d'un anneau commutatif unifère) est le groupe des matrices inversibles de taille n à coefficients dans K, muni du produit matriciel. On le note GL(K) ou GL(n, K) et il représente les automorphismes de l’espace vectoriel K. Ce groupe est non abélien dès lors que n > 1. Lorsque K est un corps commutatif, l’ensemble GL(n, K) est en outre un ouvert pour la topologie de Zariski.
Automated machine learningAutomated machine learning (AutoML) is the process of automating the tasks of applying machine learning to real-world problems. AutoML potentially includes every stage from beginning with a raw dataset to building a machine learning model ready for deployment. AutoML was proposed as an artificial intelligence-based solution to the growing challenge of applying machine learning. The high degree of automation in AutoML aims to allow non-experts to make use of machine learning models and techniques without requiring them to become experts in machine learning.
