RESUME COURS :
L'Intelligence Artificielle (IA) s'intéresse à la définition de cadres formels permettant à un agent intelligent de résoudre des problèmes divers. Pour qu'un agent soit capable de s'adapter à de nouvelles situations, il est important qu'un tel cadre soit suffisamment général, afin pouvoir traiter une large palette de problèmes. Mais ce cadre doit aussi être suffisamment précis, pour que l'on puisse décrire et coder des méthodes et algorithmes permettant de résoudre les problèmes auxquels l'agent doit faire face.
Ce cours présente un cadre générique, dans lequel un problème est formalisé sous la forme d'un CSP L'Intelligence Artificielle (IA) s'intéresse à la définition de cadres formels permettant à un agent intelligent de résoudre des problèmes divers. Pour qu'un agent soit capable de s'adapter à de nouvelles situations, il est important qu'un tel cadre soit suffisamment général, afin pouvoir traiter une large palette de problèmes. Mais ce cadre doit aussi être suffisamment précis, pour que l'on puisse décrire et coder des méthodes et algorithmes permettant de résoudre les problèmes auxquels l'agent doit faire face.
Ce cours présente un cadre générique, dans lequel un problème est formalisé sous la forme d'un CSP (Constraint Satisfaction Problem), caractérisé par un ensemble de variables (les inconnues du problème), dont on cherche à déterminer la valeur parmi un ensemble de valeurs possibles (les domaines respectifs des variables) et de telle façon qu'un certain nombre de contraintes sur ces variables soient satisfaites.
Le cours montre comment construire une telle formalisation et décrit des méthodes génériques permettant de résoudre des problèmes de ce type. Il montre comment les mettre en œuvre dans un solveur de contraintes et illustre l'utilisation de ce type d'outil pour résoudre des problèmes pratiques. Il décrit également comment de tels solveurs peuvent être utilisés pour résoudre des problèmes d'optimisation sous contraintes pour l'informatique décisionnelle.
, caractérisé par un ensemble de variables (les inconnues du problème), dont on cherche à déterminer la valeur parmi un ensemble de valeurs possibles (les domaines respectifs des variables) et de telle façon qu'un certain nombre de contraintes sur ces variables soient satisfaites.
Le cours montre comment construire une telle formalisation et décrit des méthodes génériques permettant de résoudre des problèmes de ce type. Il montre comment les mettre en œuvre dans un solveur de contraintes et illustre l'utilisation de ce type d'outil pour résoudre des problèmes pratiques. Il décrit également comment de tels solveurs peuvent être utilisés pour résoudre des problèmes d'optimisation sous contraintes pour l'informatique décisionnelle.
L'Intelligence Artificielle (IA) s'intéresse à la définition de cadres formels permettant à un agent intelligent de résoudre des problèmes divers. Pour qu'un agent soit capable de s'adapter à de nouvelles situations, il est important qu'un tel cadre soit suffisamment général, afin pouvoir traiter une large palette de problèmes. Mais ce cadre doit aussi être suffisamment précis, pour que l'on puisse décrire et coder des méthodes et algorithmes permettant de résoudre les problèmes auxquels l'agent doit faire face.
Ce cours présente un cadre générique, dans lequel un problème est formalisé sous la forme d'un CSP L'Intelligence Artificielle (IA) s'intéresse à la définition de cadres formels permettant à un agent intelligent de résoudre des problèmes divers. Pour qu'un agent soit capable de s'adapter à de nouvelles situations, il est important qu'un tel cadre soit suffisamment général, afin pouvoir traiter une large palette de problèmes. Mais ce cadre doit aussi être suffisamment précis, pour que l'on puisse décrire et coder des méthodes et algorithmes permettant de résoudre les problèmes auxquels l'agent doit faire face.
Ce cours présente un cadre générique, dans lequel un problème est formalisé sous la forme d'un CSP (Constraint Satisfaction Problem), caractérisé par un ensemble de variables (les inconnues du problème), dont on cherche à déterminer la valeur parmi un ensemble de valeurs possibles (les domaines respectifs des variables) et de telle façon qu'un certain nombre de contraintes sur ces variables soient satisfaites.
Le cours montre comment construire une telle formalisation et décrit des méthodes génériques permettant de résoudre des problèmes de ce type. Il montre comment les mettre en œuvre dans un solveur de contraintes et illustre l'utilisation de ce type d'outil pour résoudre des problèmes pratiques. Il décrit également comment de tels solveurs peuvent être utilisés pour résoudre des problèmes d'optimisation sous contraintes pour l'informatique décisionnelle.
, caractérisé par un ensemble de variables (les inconnues du problème), dont on cherche à déterminer la valeur parmi un ensemble de valeurs possibles (les domaines respectifs des variables) et de telle façon qu'un certain nombre de contraintes sur ces variables soient satisfaites.
Le cours montre comment construire une telle formalisation et décrit des méthodes génériques permettant de résoudre des problèmes de ce type. Il montre comment les mettre en œuvre dans un solveur de contraintes et illustre l'utilisation de ce type d'outil pour résoudre des problèmes pratiques. Il décrit également comment de tels solveurs peuvent être utilisés pour résoudre des problèmes d'optimisation sous contraintes pour l'informatique décisionnelle.
- Enseignant: Philippe Chatalic
Année: 23/24