dsotofor / Manuscrit

Commit c9708fefec3321991980c57ac689b176fdcd0e0b

Authored by henriet 2025-07-01 16:14:04 +0200

Exists in main

Ajout ESCBR.tex

Showing 9 changed files with 361 additions and 332 deletions Inline Diff

chapters/Architecture.aux
chapters/CBR.aux
chapters/Conclusions.aux
chapters/EIAH.aux
chapters/ESCBR.aux
chapters/ESCBR.tex
chapters/Publications.aux
chapters/TS.aux
chapters/contexte2.aux

\relax	1	1	\relax
\providecommand\hyper@newdestlabel[2]{}	2	2	\providecommand\hyper@newdestlabel[2]{}
\citation{10.1007/978-3-031-63646-2_13}	3	3	\citation{10.1007/978-3-031-63646-2_13}
\citation{Auer}	4	4	\citation{Auer}
\citation{jmse10040464}	5	5	\citation{jmse10040464}
\@writefile{toc}{\contentsline {chapter}{\numberline {5}Architecture Globale du Système AI-VT}{41}{chapter.5}\protected@file@percent }	6	6	\@writefile{toc}{\contentsline {chapter}{\numberline {5}Architecture Globale du Système AI-VT}{41}{chapter.5}\protected@file@percent }
\@writefile{lof}{\addvspace {10\p@ }}	7	7	\@writefile{lof}{\addvspace {10\p@ }}
\@writefile{lot}{\addvspace {10\p@ }}	8	8	\@writefile{lot}{\addvspace {10\p@ }}
\@writefile{toc}{\contentsline {section}{\numberline {5.1}Introduction}{41}{section.5.1}\protected@file@percent }	9	9	\@writefile{toc}{\contentsline {section}{\numberline {5.1}Introduction}{41}{section.5.1}\protected@file@percent }
\citation{Daubias2011}	10	10	\citation{Daubias2011}
\citation{10.1007/978-3-030-01081-2_9}	11	11	\citation{10.1007/978-3-030-01081-2_9}
\@writefile{toc}{\contentsline {section}{\numberline {5.2}Description du système AI-VT}{42}{section.5.2}\protected@file@percent }	12	12	\@writefile{toc}{\contentsline {section}{\numberline {5.2}Description du système AI-VT}{42}{section.5.2}\protected@file@percent }
\@writefile{lof}{\contentsline {figure}{\numberline {5.1}{\ignorespaces Structure du système AI-VT\relax }}{42}{figure.caption.17}\protected@file@percent }	13	13	\@writefile{lof}{\contentsline {figure}{\numberline {5.1}{\ignorespaces Structure du système AI-VT}}{42}{figure.caption.17}\protected@file@percent }
\newlabel{fig:figSys1}{{5.1}{42}{Structure du système AI-VT\relax }{figure.caption.17}{}}	14	14	\newlabel{fig:figSys1}{{5.1}{42}{Structure du système AI-VT}{figure.caption.17}{}}
\@writefile{lot}{\contentsline {table}{\numberline {5.1}{\ignorespaces Un tableau décrivant les caractéristiques du système AI-VT\relax }}{43}{table.caption.18}\protected@file@percent }	15	15	\@writefile{lot}{\contentsline {table}{\numberline {5.1}{\ignorespaces Un tableau décrivant les caractéristiques du système AI-VT}}{43}{table.caption.18}\protected@file@percent }
\newlabel{tabDesc}{{5.1}{43}{Un tableau décrivant les caractéristiques du système AI-VT\relax }{table.caption.18}{}}	16	16	\newlabel{tabDesc}{{5.1}{43}{Un tableau décrivant les caractéristiques du système AI-VT}{table.caption.18}{}}
\@writefile{toc}{\contentsline {section}{\numberline {5.3}Modèle d'architecture proposé}{44}{section.5.3}\protected@file@percent }	17	17	\@writefile{toc}{\contentsline {section}{\numberline {5.3}Modèle d'architecture proposé}{44}{section.5.3}\protected@file@percent }
\@writefile{lof}{\contentsline {figure}{\numberline {5.2}{\ignorespaces Schème de l'architecture proposée\relax }}{45}{figure.caption.19}\protected@file@percent }	18	18	\@writefile{lof}{\contentsline {figure}{\numberline {5.2}{\ignorespaces Schème de l'architecture proposée}}{45}{figure.caption.19}\protected@file@percent }
\newlabel{fig:sa1}{{5.2}{45}{Schème de l'architecture proposée\relax }{figure.caption.19}{}}	19	19	\newlabel{fig:sa1}{{5.2}{45}{Schème de l'architecture proposée}{figure.caption.19}{}}
\@writefile{toc}{\contentsline {subsection}{\numberline {5.3.1}Correction automatique}{46}{subsection.5.3.1}\protected@file@percent }	20	20	\@writefile{toc}{\contentsline {subsection}{\numberline {5.3.1}Correction automatique}{46}{subsection.5.3.1}\protected@file@percent }
\@writefile{toc}{\contentsline {subsection}{\numberline {5.3.2}Identification}{47}{subsection.5.3.2}\protected@file@percent }	21	21	\@writefile{toc}{\contentsline {subsection}{\numberline {5.3.2}Identification}{47}{subsection.5.3.2}\protected@file@percent }
\@writefile{toc}{\contentsline {subsection}{\numberline {5.3.3}Révision}{47}{subsection.5.3.3}\protected@file@percent }	22	22	\@writefile{toc}{\contentsline {subsection}{\numberline {5.3.3}Révision}{47}{subsection.5.3.3}\protected@file@percent }
\@writefile{toc}{\contentsline {subsection}{\numberline {5.3.4}Test}{48}{subsection.5.3.4}\protected@file@percent }	23	23	\@writefile{toc}{\contentsline {subsection}{\numberline {5.3.4}Test}{48}{subsection.5.3.4}\protected@file@percent }
\@writefile{lof}{\contentsline {figure}{\numberline {5.3}{\ignorespaces Relation entre les couches définies de l'architecture.\relax }}{49}{figure.caption.20}\protected@file@percent }	24	24	\@writefile{lof}{\contentsline {figure}{\numberline {5.3}{\ignorespaces Relation entre les couches définies de l'architecture.}}{49}{figure.caption.20}\protected@file@percent }
\newlabel{fig:figLayers}{{5.3}{49}{Relation entre les couches définies de l'architecture.\relax }{figure.caption.20}{}}	25	25	\newlabel{fig:figLayers}{{5.3}{49}{Relation entre les couches définies de l'architecture}{figure.caption.20}{}}
\@writefile{toc}{\contentsline {section}{\numberline {5.4}Conclusion}{49}{section.5.4}\protected@file@percent }	26	26	\@writefile{toc}{\contentsline {section}{\numberline {5.4}Conclusion}{49}{section.5.4}\protected@file@percent }
\@writefile{lof}{\contentsline {figure}{\numberline {5.4}{\ignorespaces Étapes du flux de l'information pour la fonctionnalité de recommandation globale.\relax }}{50}{figure.caption.21}\protected@file@percent }	27	27	\@writefile{lof}{\contentsline {figure}{\numberline {5.4}{\ignorespaces Étapes du flux de l'information pour la fonctionnalité de recommandation globale.}}{50}{figure.caption.21}\protected@file@percent }
\newlabel{fig:figFlow}{{5.4}{50}{Étapes du flux de l'information pour la fonctionnalité de recommandation globale.\relax }{figure.caption.21}{}}	28	28	\newlabel{fig:figFlow}{{5.4}{50}{Étapes du flux de l'information pour la fonctionnalité de recommandation globale}{figure.caption.21}{}}
\@setckpt{./chapters/Architecture}{	29	29	\@setckpt{./chapters/Architecture}{
\setcounter{page}{51}	30	30	\setcounter{page}{51}
\setcounter{equation}{0}	31	31	\setcounter{equation}{0}
\setcounter{enumi}{0}	32	32	\setcounter{enumi}{0}
\setcounter{enumii}{0}	33	33	\setcounter{enumii}{0}
\setcounter{enumiii}{0}	34	34	\setcounter{enumiii}{0}
\setcounter{enumiv}{0}	35	35	\setcounter{enumiv}{0}
\setcounter{footnote}{0}	36	36	\setcounter{footnote}{0}
\setcounter{mpfootnote}{0}	37	37	\setcounter{mpfootnote}{0}
\setcounter{part}{3}	38	38	\setcounter{part}{3}
\setcounter{chapter}{5}	39	39	\setcounter{chapter}{5}
\setcounter{section}{4}	40	40	\setcounter{section}{4}
\setcounter{subsection}{0}	41	41	\setcounter{subsection}{0}
\setcounter{subsubsection}{0}	42	42	\setcounter{subsubsection}{0}
\setcounter{paragraph}{0}	43	43	\setcounter{paragraph}{0}
\setcounter{subparagraph}{0}	44	44	\setcounter{subparagraph}{0}
\setcounter{figure}{4}	45	45	\setcounter{figure}{4}
\setcounter{table}{1}	46	46	\setcounter{table}{1}
		47	\setcounter{section@level}{0}
		48	\setcounter{Item}{0}
		49	\setcounter{Hfootnote}{0}
		50	\setcounter{bookmark@seq@number}{48}
\setcounter{caption@flags}{2}	47	51	\setcounter{caption@flags}{2}
\setcounter{continuedfloat}{0}	48	52	\setcounter{continuedfloat}{0}
\setcounter{subfigure}{0}	49	53	\setcounter{subfigure}{0}
\setcounter{subtable}{0}	50	54	\setcounter{subtable}{0}
		55	\setcounter{tcbbreakpart}{1}
		56	\setcounter{tcblayer}{0}
		57	\setcounter{tcolorbox@number}{1}
\setcounter{parentequation}{0}	51	58	\setcounter{parentequation}{0}
\setcounter{thmt@dummyctr}{0}	52	59	\setcounter{thmt@dummyctr}{0}
\setcounter{vrcnt}{0}	53	60	\setcounter{vrcnt}{0}
\setcounter{upm@subfigure@count}{0}	54	61	\setcounter{upm@subfigure@count}{0}
\setcounter{upm@fmt@mtabular@columnnumber}{0}	55	62	\setcounter{upm@fmt@mtabular@columnnumber}{0}
\setcounter{upm@format@section@sectionlevel}{1}	56	63	\setcounter{upm@format@section@sectionlevel}{0}
		64	\setcounter{ttlp@side}{0}
\setcounter{upm@fmt@savedcounter}{0}	57	65	\setcounter{upm@fmt@savedcounter}{0}
\setcounter{@@upm@fmt@inlineenumeration}{0}	58	66	\setcounter{@@upm@fmt@inlineenumeration}{0}
\setcounter{@upm@fmt@enumdescription@cnt@}{0}	59	67	\setcounter{@upm@fmt@enumdescription@cnt@}{0}
\setcounter{upmdefinition}{0}	60	68	\setcounter{tcb@cnt@upm@definition}{0}
\setcounter{section@level}{1}	61
\setcounter{Item}{0}	62
\setcounter{Hfootnote}{0}	63
\setcounter{bookmark@seq@number}{47}	64
\setcounter{DefaultLines}{2}	65	69	\setcounter{DefaultLines}{2}
\setcounter{DefaultDepth}{0}	66	70	\setcounter{DefaultDepth}{0}
\setcounter{L@lines}{3}	67	71	\setcounter{L@lines}{3}
\setcounter{L@depth}{0}	68	72	\setcounter{L@depth}{0}
\setcounter{float@type}{8}	69	73	\setcounter{float@type}{16}
\setcounter{algorithm}{0}	70	74	\setcounter{algorithm}{0}
\setcounter{ALG@line}{0}	71	75	\setcounter{ALG@line}{0}
\setcounter{ALG@rem}{0}	72	76	\setcounter{ALG@rem}{0}
\setcounter{ALG@nested}{0}	73	77	\setcounter{ALG@nested}{0}
\setcounter{ALG@Lnr}{2}	74	78	\setcounter{ALG@Lnr}{2}
\setcounter{ALG@blocknr}{10}	75	79	\setcounter{ALG@blocknr}{10}
\setcounter{ALG@storecount}{0}	76	80	\setcounter{ALG@storecount}{0}
\setcounter{ALG@tmpcounter}{0}	77	81	\setcounter{ALG@tmpcounter}{0}
}	78	82	}
	79	83

\relax	1	1	\relax
\providecommand\hyper@newdestlabel[2]{}	2	2	\providecommand\hyper@newdestlabel[2]{}
\citation{schank+abelson77}	3	3	\citation{schank+abelson77}
\citation{KOLODNER1983281}	4	4	\citation{KOLODNER1983281}
\citation{Riesbeck1989}	5	5	\citation{Riesbeck1989}
\citation{JUNG20095695}	6	6	\citation{JUNG20095695}
\@writefile{toc}{\contentsline {chapter}{\numberline {4}\'Etat de l'art (Raisonnement à Partir de Cas)}{29}{chapter.4}\protected@file@percent }	7	7	\@writefile{toc}{\contentsline {chapter}{\numberline {4}\'Etat de l'art (Raisonnement à Partir de Cas)}{29}{chapter.4}\protected@file@percent }
\@writefile{lof}{\addvspace {10\p@ }}	8	8	\@writefile{lof}{\addvspace {10\p@ }}
\@writefile{lot}{\addvspace {10\p@ }}	9	9	\@writefile{lot}{\addvspace {10\p@ }}
\@writefile{toc}{\contentsline {section}{\numberline {4.1}Intégration d'un réseau de neurones dans le cycle du RàPC}{29}{section.4.1}\protected@file@percent }	10
\citation{10.1007/978-3-642-15973-2_50}	11	10	\citation{10.1007/978-3-642-15973-2_50}
\citation{PETROVIC201617}	12	11	\citation{PETROVIC201617}
\citation{10.1007/978-3-319-24586-7_20}	13	12	\citation{10.1007/978-3-319-24586-7_20}
\citation{10.1007/978-3-030-58342-2_20}	14	13	\@writefile{toc}{\contentsline {section}{\numberline {4.1}Intégration d'un réseau de neurones dans le cycle du RàPC}{30}{section.4.1}\protected@file@percent }
\@writefile{toc}{\contentsline {section}{\numberline {4.2}Le RàPC pour construire ou corriger un texte, pour consolider ou expliquer les résultats obtenus}{30}{section.4.2}\protected@file@percent }	15	14	\@writefile{toc}{\contentsline {section}{\numberline {4.2}Le RàPC pour construire ou corriger un texte, pour consolider ou expliquer les résultats obtenus}{30}{section.4.2}\protected@file@percent }
		15	\citation{10.1007/978-3-030-58342-2_20}
\citation{wolf2024keep}	16	16	\citation{wolf2024keep}
\citation{PAREJASLLANOVARCED2024111469}	17	17	\citation{PAREJASLLANOVARCED2024111469}
\citation{Muller}	18	18	\citation{Muller}
\citation{10.1007/978-3-319-47096-2_11}	19	19	\citation{10.1007/978-3-319-47096-2_11}
\citation{10.1007/978-3-642-15973-2_50}	20	20	\citation{10.1007/978-3-642-15973-2_50}
\citation{Robertson2014ARO}	21	21	\citation{Robertson2014ARO}
		22	\@writefile{toc}{\contentsline {section}{\numberline {4.3}Travaux récents sur la représentation des cas et le cycle du RàPC}{31}{section.4.3}\protected@file@percent }
\citation{10.1007/978-3-319-47096-2_11}	22	23	\citation{10.1007/978-3-319-47096-2_11}
\citation{10.1007/978-3-319-47096-2_11}	23	24	\citation{10.1007/978-3-319-47096-2_11}
\@writefile{toc}{\contentsline {section}{\numberline {4.3}Travaux récents sur la représentation des cas et le cycle du RàPC}{31}{section.4.3}\protected@file@percent }	24
\citation{ROLDANREYES20151}	25	25	\citation{ROLDANREYES20151}
\citation{ROLDANREYES20151}	26	26	\citation{ROLDANREYES20151}
\citation{ROLDANREYES20151}	27	27	\citation{ROLDANREYES20151}
\citation{10.1007/978-3-319-47096-2_11}	28	28	\citation{10.1007/978-3-319-47096-2_11}
\citation{10.1007/978-3-319-61030-6_1}	29	29	\citation{10.1007/978-3-319-61030-6_1}
\@writefile{lof}{\contentsline {figure}{\numberline {4.1}{\ignorespaces Ajout d'un cycle complémentaire avec \textit {Deep Learning} au RàPC (Traduit de \cite {10.1007/978-3-319-47096-2_11})\relax }}{32}{figure.caption.13}\protected@file@percent }	30	30	\@writefile{lof}{\contentsline {figure}{\numberline {4.1}{\ignorespaces Ajout d'un cycle complémentaire avec \textit {Deep Learning} au RàPC (Traduit de \cite {10.1007/978-3-319-47096-2_11})}}{32}{figure.caption.13}\protected@file@percent }
\newlabel{fig:figMCBR2}{{4.1}{32}{Ajout d'un cycle complémentaire avec \textit {Deep Learning} au RàPC (Traduit de \cite {10.1007/978-3-319-47096-2_11})\relax }{figure.caption.13}{}}	31	31	\newlabel{fig:figMCBR2}{{4.1}{32}{Ajout d'un cycle complémentaire avec \protect \textit {Deep Learning} au RàPC (Traduit de \protect \cite {10.1007/978-3-319-47096-2_11})}{figure.caption.13}{}}
\citation{buildings13030651}	32	32	\citation{buildings13030651}
\citation{YU2023110163}	33	33	\citation{YU2023110163}
\@writefile{lof}{\contentsline {figure}{\numberline {4.2}{\ignorespaces Cycle du RàPC modifié. (Traduit de \cite {ROLDANREYES20151})\relax }}{33}{figure.caption.14}\protected@file@percent }	34	34	\@writefile{lof}{\contentsline {figure}{\numberline {4.2}{\ignorespaces Cycle du RàPC modifié. (Traduit de \cite {ROLDANREYES20151})}}{33}{figure.caption.14}\protected@file@percent }
\newlabel{fig:figMCBR1}{{4.2}{33}{Cycle du RàPC modifié. (Traduit de \cite {ROLDANREYES20151})\relax }{figure.caption.14}{}}	35	35	\newlabel{fig:figMCBR1}{{4.2}{33}{Cycle du RàPC modifié. (Traduit de \protect \cite {ROLDANREYES20151})}{figure.caption.14}{}}
\@writefile{toc}{\contentsline {section}{\numberline {4.4}Intégration d'autres algorithmes dans le cycle du RàPC}{33}{section.4.4}\protected@file@percent }	36	36	\@writefile{toc}{\contentsline {section}{\numberline {4.4}Intégration d'autres algorithmes dans le cycle du RàPC}{33}{section.4.4}\protected@file@percent }
\citation{10.1007/978-3-031-63646-2_4}	37	37	\citation{10.1007/978-3-031-63646-2_4}
\citation{10.1007/978-3-030-01081-2_25}	38	38	\citation{10.1007/978-3-030-01081-2_25}
\citation{10.1007/978-3-030-58342-2_8}	39	39	\citation{10.1007/978-3-030-58342-2_8}
\citation{10.1007/978-3-030-58342-2_5}	40	40	\citation{10.1007/978-3-030-58342-2_5}
\citation{YU2024123745}	41	41	\citation{YU2024123745}
\citation{Sadeghi}	42	42	\citation{Sadeghi}
\@writefile{toc}{\contentsline {section}{\numberline {4.5}Prédiction et interpolation en utilisant le RàPC}{34}{section.4.5}\protected@file@percent }	43	43	\@writefile{toc}{\contentsline {section}{\numberline {4.5}Prédiction et interpolation en utilisant le RàPC}{34}{section.4.5}\protected@file@percent }
\citation{8495930}	44	44	\citation{8495930}
\citation{Obeid}	45	45	\citation{Obeid}
\citation{skittou2024recommender}	46	46	\citation{skittou2024recommender}
\citation{Obeid}	47	47	\citation{Obeid}
\citation{Obeid}	48	48	\citation{Obeid}
\citation{HU2025127130}	49	49	\citation{HU2025127130}
\citation{ALABDULRAHMAN2021114061}	50
\@writefile{toc}{\contentsline {section}{\numberline {4.6}Recommandation, EIAH et RàPC}{35}{section.4.6}\protected@file@percent }	51	50	\@writefile{toc}{\contentsline {section}{\numberline {4.6}Recommandation, EIAH et RàPC}{35}{section.4.6}\protected@file@percent }
\@writefile{toc}{\contentsline {section}{\numberline {4.7}Récapitulatif des limites des travaux présentés dans ce chapitre}{35}{section.4.7}\protected@file@percent }	52	51	\@writefile{toc}{\contentsline {section}{\numberline {4.7}Récapitulatif des limites des travaux présentés dans ce chapitre}{35}{section.4.7}\protected@file@percent }
		52	\citation{ALABDULRAHMAN2021114061}
\citation{JUNG20095695}	53	53	\citation{JUNG20095695}
\citation{10.1007/978-3-642-15973-2_50}	54	54	\citation{10.1007/978-3-642-15973-2_50}
\citation{PETROVIC201617}	55	55	\citation{PETROVIC201617}
\citation{wolf2024keep}	56	56	\citation{wolf2024keep}
\citation{PAREJASLLANOVARCED2024111469}	57	57	\citation{PAREJASLLANOVARCED2024111469}
\citation{ROLDANREYES20151}	58	58	\citation{ROLDANREYES20151}
\citation{10.1007/978-3-319-47096-2_11}	59	59	\citation{10.1007/978-3-319-47096-2_11}
\citation{10.1007/978-3-319-61030-6_1}	60	60	\citation{10.1007/978-3-319-61030-6_1}
\citation{buildings13030651}	61	61	\citation{buildings13030651}
\citation{YU2023110163}	62	62	\citation{YU2023110163}
\citation{Muller}	63	63	\citation{Muller}
\citation{10.1007/978-3-319-24586-7_20}	64	64	\citation{10.1007/978-3-319-24586-7_20}
\citation{10.1007/978-3-030-58342-2_20}	65	65	\citation{10.1007/978-3-030-58342-2_20}
\citation{10.1007/978-3-031-63646-2_4}	66	66	\citation{10.1007/978-3-031-63646-2_4}
\citation{10.1007/978-3-030-01081-2_25}	67	67	\citation{10.1007/978-3-030-01081-2_25}
\citation{10.1007/978-3-030-58342-2_8}	68	68	\citation{10.1007/978-3-030-58342-2_8}
\citation{10.1007/978-3-030-58342-2_5}	69	69	\citation{10.1007/978-3-030-58342-2_5}
\citation{YU2024123745}	70	70	\citation{YU2024123745}
\citation{Sadeghi}	71	71	\citation{Sadeghi}
\citation{8495930}	72	72	\citation{8495930}
\citation{Obeid}	73	73	\citation{Obeid}
\citation{skittou2024recommender}	74	74	\citation{skittou2024recommender}
\@writefile{lof}{\contentsline {figure}{\numberline {4.3}{\ignorespaces Taxonomie des techniques algorithmiques employées pour des modules de recommandation dans les EIAH (Traduit de \cite {Obeid})\relax }}{36}{figure.caption.15}\protected@file@percent }	75	75	\@writefile{lof}{\contentsline {figure}{\numberline {4.3}{\ignorespaces Taxonomie des techniques algorithmiques employées pour des modules de recommandation dans les EIAH (Traduit de \cite {Obeid})}}{36}{figure.caption.15}\protected@file@percent }
\newlabel{fig:figTax}{{4.3}{36}{Taxonomie des techniques algorithmiques employées pour des modules de recommandation dans les EIAH (Traduit de \cite {Obeid})\relax }{figure.caption.15}{}}	76	76	\newlabel{fig:figTax}{{4.3}{36}{Taxonomie des techniques algorithmiques employées pour des modules de recommandation dans les EIAH (Traduit de \protect \cite {Obeid})}{figure.caption.15}{}}
\@writefile{lot}{\contentsline {table}{\numberline {4.1}{\ignorespaces Tableau de synthèse des articles analysés dans l’état de l’art du RàPC\relax }}{37}{table.caption.16}\protected@file@percent }	77	77	\@writefile{lot}{\contentsline {table}{\numberline {4.1}{\ignorespaces Tableau de synthèse des articles analysés dans l’état de l’art du RàPC}}{37}{table.caption.16}\protected@file@percent }
\newlabel{tabArts2}{{4.1}{37}{Tableau de synthèse des articles analysés dans l’état de l’art du RàPC\relax }{table.caption.16}{}}	78	78	\newlabel{tabArts2}{{4.1}{37}{Tableau de synthèse des articles analysés dans l’état de l’art du RàPC}{table.caption.16}{}}
\@setckpt{./chapters/CBR}{	79	79	\@setckpt{./chapters/CBR}{
\setcounter{page}{38}	80	80	\setcounter{page}{38}
\setcounter{equation}{0}	81	81	\setcounter{equation}{0}
\setcounter{enumi}{0}	82	82	\setcounter{enumi}{0}
\setcounter{enumii}{0}	83	83	\setcounter{enumii}{0}
\setcounter{enumiii}{0}	84	84	\setcounter{enumiii}{0}
\setcounter{enumiv}{0}	85	85	\setcounter{enumiv}{0}
\setcounter{footnote}{0}	86	86	\setcounter{footnote}{0}
\setcounter{mpfootnote}{0}	87	87	\setcounter{mpfootnote}{0}
\setcounter{part}{2}	88	88	\setcounter{part}{2}
\setcounter{chapter}{4}	89	89	\setcounter{chapter}{4}
\setcounter{section}{7}	90	90	\setcounter{section}{7}
\setcounter{subsection}{0}	91	91	\setcounter{subsection}{0}
\setcounter{subsubsection}{0}	92	92	\setcounter{subsubsection}{0}
\setcounter{paragraph}{0}	93	93	\setcounter{paragraph}{0}
\setcounter{subparagraph}{0}	94	94	\setcounter{subparagraph}{0}
\setcounter{figure}{3}	95	95	\setcounter{figure}{3}
\setcounter{table}{1}	96	96	\setcounter{table}{1}
		97	\setcounter{section@level}{0}
		98	\setcounter{Item}{0}
		99	\setcounter{Hfootnote}{0}
		100	\setcounter{bookmark@seq@number}{38}
\setcounter{caption@flags}{2}	97	101	\setcounter{caption@flags}{2}
\setcounter{continuedfloat}{0}	98	102	\setcounter{continuedfloat}{0}
\setcounter{subfigure}{0}	99	103	\setcounter{subfigure}{0}
\setcounter{subtable}{0}	100	104	\setcounter{subtable}{0}
		105	\setcounter{tcbbreakpart}{1}
		106	\setcounter{tcblayer}{0}
		107	\setcounter{tcolorbox@number}{1}
\setcounter{parentequation}{0}	101	108	\setcounter{parentequation}{0}
\setcounter{thmt@dummyctr}{0}	102	109	\setcounter{thmt@dummyctr}{0}
\setcounter{vrcnt}{0}	103	110	\setcounter{vrcnt}{0}
\setcounter{upm@subfigure@count}{0}	104	111	\setcounter{upm@subfigure@count}{0}
\setcounter{upm@fmt@mtabular@columnnumber}{0}	105	112	\setcounter{upm@fmt@mtabular@columnnumber}{0}
\setcounter{upm@format@section@sectionlevel}{1}	106	113	\setcounter{upm@format@section@sectionlevel}{0}
		114	\setcounter{ttlp@side}{0}
\setcounter{upm@fmt@savedcounter}{0}	107	115	\setcounter{upm@fmt@savedcounter}{0}
\setcounter{@@upm@fmt@inlineenumeration}{0}	108	116	\setcounter{@@upm@fmt@inlineenumeration}{0}
\setcounter{@upm@fmt@enumdescription@cnt@}{0}	109	117	\setcounter{@upm@fmt@enumdescription@cnt@}{0}
\setcounter{upmdefinition}{0}	110	118	\setcounter{tcb@cnt@upm@definition}{0}
\setcounter{section@level}{1}	111
\setcounter{Item}{0}	112
\setcounter{Hfootnote}{0}	113
\setcounter{bookmark@seq@number}{37}	114
\setcounter{DefaultLines}{2}	115	119	\setcounter{DefaultLines}{2}
\setcounter{DefaultDepth}{0}	116	120	\setcounter{DefaultDepth}{0}
\setcounter{L@lines}{3}	117	121	\setcounter{L@lines}{3}
\setcounter{L@depth}{0}	118	122	\setcounter{L@depth}{0}
\setcounter{float@type}{8}	119	123	\setcounter{float@type}{16}
\setcounter{algorithm}{0}	120	124	\setcounter{algorithm}{0}
\setcounter{ALG@line}{0}	121	125	\setcounter{ALG@line}{0}
\setcounter{ALG@rem}{0}	122	126	\setcounter{ALG@rem}{0}
\setcounter{ALG@nested}{0}	123	127	\setcounter{ALG@nested}{0}
\setcounter{ALG@Lnr}{2}	124	128	\setcounter{ALG@Lnr}{2}
\setcounter{ALG@blocknr}{10}	125	129	\setcounter{ALG@blocknr}{10}
\setcounter{ALG@storecount}{0}	126	130	\setcounter{ALG@storecount}{0}
\setcounter{ALG@tmpcounter}{0}	127	131	\setcounter{ALG@tmpcounter}{0}
}	128	132	}
	129	133

\relax	1	1	\relax
\providecommand\hyper@newdestlabel[2]{}	2	2	\providecommand\hyper@newdestlabel[2]{}
\@writefile{toc}{\contentsline {chapter}{\numberline {8}Conclusions et Perspectives}{101}{chapter.8}\protected@file@percent }	3	3	\@writefile{toc}{\contentsline {chapter}{\numberline {8}Conclusions et Perspectives}{103}{chapter.8}\protected@file@percent }
\@writefile{lof}{\addvspace {10\p@ }}	4	4	\@writefile{lof}{\addvspace {10\p@ }}
\@writefile{lot}{\addvspace {10\p@ }}	5	5	\@writefile{lot}{\addvspace {10\p@ }}
\@writefile{toc}{\contentsline {section}{\numberline {8.1}Conclusion générale}{101}{section.8.1}\protected@file@percent }	6	6	\@writefile{toc}{\contentsline {section}{\numberline {8.1}Conclusion générale}{103}{section.8.1}\protected@file@percent }
\@writefile{toc}{\contentsline {section}{\numberline {8.2}Perspectives}{101}{section.8.2}\protected@file@percent }	7	7	\@writefile{toc}{\contentsline {section}{\numberline {8.2}Perspectives}{104}{section.8.2}\protected@file@percent }
\@setckpt{./chapters/Conclusions}{	8	8	\@setckpt{./chapters/Conclusions}{
\setcounter{page}{103}	9	9	\setcounter{page}{105}
\setcounter{equation}{0}	10	10	\setcounter{equation}{0}
\setcounter{enumi}{0}	11	11	\setcounter{enumi}{0}
\setcounter{enumii}{0}	12	12	\setcounter{enumii}{0}
\setcounter{enumiii}{0}	13	13	\setcounter{enumiii}{0}
\setcounter{enumiv}{0}	14	14	\setcounter{enumiv}{0}
\setcounter{footnote}{0}	15	15	\setcounter{footnote}{0}
\setcounter{mpfootnote}{0}	16	16	\setcounter{mpfootnote}{0}
\setcounter{part}{3}	17	17	\setcounter{part}{3}
\setcounter{chapter}{8}	18	18	\setcounter{chapter}{8}
\setcounter{section}{2}	19	19	\setcounter{section}{2}
\setcounter{subsection}{0}	20	20	\setcounter{subsection}{0}
\setcounter{subsubsection}{0}	21	21	\setcounter{subsubsection}{0}
\setcounter{paragraph}{0}	22	22	\setcounter{paragraph}{0}
\setcounter{subparagraph}{0}	23	23	\setcounter{subparagraph}{0}
\setcounter{figure}{0}	24	24	\setcounter{figure}{0}
\setcounter{table}{0}	25	25	\setcounter{table}{0}
		26	\setcounter{section@level}{0}
		27	\setcounter{Item}{0}
		28	\setcounter{Hfootnote}{0}
		29	\setcounter{bookmark@seq@number}{92}
\setcounter{caption@flags}{2}	26	30	\setcounter{caption@flags}{2}
\setcounter{continuedfloat}{0}	27	31	\setcounter{continuedfloat}{0}
\setcounter{subfigure}{0}	28	32	\setcounter{subfigure}{0}
\setcounter{subtable}{0}	29	33	\setcounter{subtable}{0}
		34	\setcounter{tcbbreakpart}{1}
		35	\setcounter{tcblayer}{0}
		36	\setcounter{tcolorbox@number}{1}
\setcounter{parentequation}{0}	30	37	\setcounter{parentequation}{0}
\setcounter{thmt@dummyctr}{0}	31	38	\setcounter{thmt@dummyctr}{0}
\setcounter{vrcnt}{0}	32	39	\setcounter{vrcnt}{0}
\setcounter{upm@subfigure@count}{0}	33	40	\setcounter{upm@subfigure@count}{0}
\setcounter{upm@fmt@mtabular@columnnumber}{0}	34	41	\setcounter{upm@fmt@mtabular@columnnumber}{0}
\setcounter{upm@format@section@sectionlevel}{1}	35	42	\setcounter{upm@format@section@sectionlevel}{0}
		43	\setcounter{ttlp@side}{0}
\setcounter{upm@fmt@savedcounter}{0}	36	44	\setcounter{upm@fmt@savedcounter}{0}
\setcounter{@@upm@fmt@inlineenumeration}{0}	37	45	\setcounter{@@upm@fmt@inlineenumeration}{0}
\setcounter{@upm@fmt@enumdescription@cnt@}{0}	38	46	\setcounter{@upm@fmt@enumdescription@cnt@}{0}
\setcounter{upmdefinition}{0}	39	47	\setcounter{tcb@cnt@upm@definition}{0}
\setcounter{section@level}{1}	40
\setcounter{Item}{0}	41
\setcounter{Hfootnote}{0}	42
\setcounter{bookmark@seq@number}{91}	43
\setcounter{DefaultLines}{2}	44	48	\setcounter{DefaultLines}{2}
\setcounter{DefaultDepth}{0}	45	49	\setcounter{DefaultDepth}{0}
\setcounter{L@lines}{3}	46	50	\setcounter{L@lines}{3}
\setcounter{L@depth}{0}	47	51	\setcounter{L@depth}{0}
\setcounter{float@type}{8}	48	52	\setcounter{float@type}{16}
\setcounter{algorithm}{1}	49	53	\setcounter{algorithm}{1}
\setcounter{ALG@line}{8}	50	54	\setcounter{ALG@line}{8}
\setcounter{ALG@rem}{8}	51	55	\setcounter{ALG@rem}{8}
\setcounter{ALG@nested}{0}	52	56	\setcounter{ALG@nested}{0}
\setcounter{ALG@Lnr}{2}	53	57	\setcounter{ALG@Lnr}{2}
\setcounter{ALG@blocknr}{10}	54	58	\setcounter{ALG@blocknr}{10}
\setcounter{ALG@storecount}{0}	55	59	\setcounter{ALG@storecount}{0}
\setcounter{ALG@tmpcounter}{0}	56	60	\setcounter{ALG@tmpcounter}{0}
}	57	61	}
	58	62

\relax	1	1	\relax
\providecommand\hyper@newdestlabel[2]{}	2	2	\providecommand\hyper@newdestlabel[2]{}
\citation{ZHANG2021100025}	3	3	\citation{ZHANG2021100025}
\citation{CHIU2023100118}	4	4	\citation{CHIU2023100118}
\@writefile{toc}{\contentsline {chapter}{\numberline {3}Environnements Informatiques d'Apprentissage Humain}{23}{chapter.3}\protected@file@percent }	5	5	\@writefile{toc}{\contentsline {chapter}{\numberline {3}Environnements Informatiques d'Apprentissage Humain}{23}{chapter.3}\protected@file@percent }
\@writefile{lof}{\addvspace {10\p@ }}	6	6	\@writefile{lof}{\addvspace {10\p@ }}
\@writefile{lot}{\addvspace {10\p@ }}	7	7	\@writefile{lot}{\addvspace {10\p@ }}
\@writefile{toc}{\contentsline {section}{\numberline {3.1}L'Intelligence Artificielle}{23}{section.3.1}\protected@file@percent }	8	8	\@writefile{toc}{\contentsline {section}{\numberline {3.1}L'Intelligence Artificielle}{23}{section.3.1}\protected@file@percent }
\citation{Robertson2014ARO}	9	9	\citation{Robertson2014ARO}
\citation{MUANGPRATHUB2020e05227}	10	10	\citation{MUANGPRATHUB2020e05227}
\citation{HUANG2023104684}	11	11	\citation{HUANG2023104684}
\citation{HUANG2023104684}	12	12	\citation{HUANG2023104684}
\citation{HUANG2023104684}	13	13	\citation{HUANG2023104684}
\citation{pmlr-v108-seznec20a}	14	14	\citation{pmlr-v108-seznec20a}
\@writefile{toc}{\contentsline {section}{\numberline {3.2}Systèmes de recommandation dans les EIAH}{24}{section.3.2}\protected@file@percent }	15	15	\@writefile{toc}{\contentsline {section}{\numberline {3.2}Systèmes de recommandation dans les EIAH}{24}{section.3.2}\protected@file@percent }
\citation{INGKAVARA2022100086}	16	16	\citation{INGKAVARA2022100086}
\citation{LALITHA2020583}	17	17	\citation{LALITHA2020583}
\citation{ZHAO2023118535}	18	18	\citation{ZHAO2023118535}
		19	\@writefile{lof}{\contentsline {figure}{\numberline {3.1}{\ignorespaces Traduction de l'architecture du système de recommandation proposé dans \cite {HUANG2023104684}}}{25}{figure.caption.10}\protected@file@percent }
		20	\newlabel{figArch}{{3.1}{25}{Traduction de l'architecture du système de recommandation proposé dans \cite {HUANG2023104684}}{figure.caption.10}{}}
\citation{SU2022109547}	19	21	\citation{SU2022109547}
\citation{MUANGPRATHUB2020e05227}	20	22	\citation{MUANGPRATHUB2020e05227}
\@writefile{lof}{\contentsline {figure}{\numberline {3.1}{\ignorespaces Traduction de l'architecture du système de recommandation proposé dans \cite {HUANG2023104684}\relax }}{25}{figure.caption.10}\protected@file@percent }	21
\newlabel{figArch}{{3.1}{25}{Traduction de l'architecture du système de recommandation proposé dans \cite {HUANG2023104684}\relax }{figure.caption.10}{}}	22
\citation{Zhou2021}	23	23	\citation{Zhou2021}
\citation{EZALDEEN2022100700}	24	24	\citation{EZALDEEN2022100700}
\citation{EZALDEEN2022100700}	25	25	\citation{EZALDEEN2022100700}
\citation{EZALDEEN2022100700}	26	26	\citation{EZALDEEN2022100700}
\citation{ZHANG2021100025}	27	27	\citation{ZHANG2021100025}
\citation{CHIU2023100118}	28	28	\citation{CHIU2023100118}
\citation{Robertson2014ARO}	29	29	\citation{Robertson2014ARO}
\citation{HUANG2023104684}	30	30	\citation{HUANG2023104684}
\citation{pmlr-v108-seznec20a}	31	31	\citation{pmlr-v108-seznec20a}
\citation{INGKAVARA2022100086}	32	32	\citation{INGKAVARA2022100086}
\citation{LALITHA2020583}	33	33	\citation{LALITHA2020583}
\citation{SU2022109547}	34	34	\citation{SU2022109547}
\citation{MUANGPRATHUB2020e05227}	35	35	\citation{MUANGPRATHUB2020e05227}
\citation{Zhou2021}	36	36	\citation{Zhou2021}
\citation{EZALDEEN2022100700}	37	37	\citation{EZALDEEN2022100700}
\@writefile{lof}{\contentsline {figure}{\numberline {3.2}{\ignorespaces Traduction des niveaux du système de recommandation dans \cite {EZALDEEN2022100700}\relax }}{27}{figure.caption.11}\protected@file@percent }	38	38	\@writefile{lof}{\contentsline {figure}{\numberline {3.2}{\ignorespaces Traduction des niveaux du système de recommandation dans \cite {EZALDEEN2022100700}}}{27}{figure.caption.11}\protected@file@percent }
\newlabel{fig:figLevels}{{3.2}{27}{Traduction des niveaux du système de recommandation dans \cite {EZALDEEN2022100700}\relax }{figure.caption.11}{}}	39	39	\newlabel{fig:figLevels}{{3.2}{27}{Traduction des niveaux du système de recommandation dans \protect \cite {EZALDEEN2022100700}}{figure.caption.11}{}}
\@writefile{lot}{\contentsline {table}{\numberline {3.1}{\ignorespaces Tableau de synthèse des articles analysés dans l'état de l'art des EIAH\relax }}{28}{table.caption.12}\protected@file@percent }	40	40	\@writefile{lot}{\contentsline {table}{\numberline {3.1}{\ignorespaces Tableau de synthèse des articles analysés dans l'état de l'art des EIAH}}{28}{table.caption.12}\protected@file@percent }
\newlabel{tabArts}{{3.1}{28}{Tableau de synthèse des articles analysés dans l'état de l'art des EIAH\relax }{table.caption.12}{}}	41	41	\newlabel{tabArts}{{3.1}{28}{Tableau de synthèse des articles analysés dans l'état de l'art des EIAH}{table.caption.12}{}}
\@setckpt{./chapters/EIAH}{	42	42	\@setckpt{./chapters/EIAH}{
\setcounter{page}{29}	43	43	\setcounter{page}{29}
\setcounter{equation}{0}	44	44	\setcounter{equation}{0}
\setcounter{enumi}{0}	45	45	\setcounter{enumi}{0}
\setcounter{enumii}{0}	46	46	\setcounter{enumii}{0}
\setcounter{enumiii}{0}	47	47	\setcounter{enumiii}{0}
\setcounter{enumiv}{0}	48	48	\setcounter{enumiv}{0}
\setcounter{footnote}{0}	49	49	\setcounter{footnote}{0}
\setcounter{mpfootnote}{0}	50	50	\setcounter{mpfootnote}{0}
\setcounter{part}{2}	51	51	\setcounter{part}{2}
\setcounter{chapter}{3}	52	52	\setcounter{chapter}{3}
\setcounter{section}{2}	53	53	\setcounter{section}{2}
\setcounter{subsection}{0}	54	54	\setcounter{subsection}{0}
\setcounter{subsubsection}{0}	55	55	\setcounter{subsubsection}{0}
\setcounter{paragraph}{0}	56	56	\setcounter{paragraph}{0}
\setcounter{subparagraph}{0}	57	57	\setcounter{subparagraph}{0}
\setcounter{figure}{2}	58	58	\setcounter{figure}{2}
\setcounter{table}{1}	59	59	\setcounter{table}{1}
		60	\setcounter{section@level}{0}
		61	\setcounter{Item}{0}
		62	\setcounter{Hfootnote}{0}
		63	\setcounter{bookmark@seq@number}{30}
\setcounter{caption@flags}{2}	60	64	\setcounter{caption@flags}{2}
\setcounter{continuedfloat}{0}	61	65	\setcounter{continuedfloat}{0}
\setcounter{subfigure}{0}	62	66	\setcounter{subfigure}{0}
\setcounter{subtable}{0}	63	67	\setcounter{subtable}{0}
		68	\setcounter{tcbbreakpart}{1}
		69	\setcounter{tcblayer}{0}
		70	\setcounter{tcolorbox@number}{1}
\setcounter{parentequation}{0}	64	71	\setcounter{parentequation}{0}
\setcounter{thmt@dummyctr}{0}	65	72	\setcounter{thmt@dummyctr}{0}
\setcounter{vrcnt}{0}	66	73	\setcounter{vrcnt}{0}
\setcounter{upm@subfigure@count}{0}	67	74	\setcounter{upm@subfigure@count}{0}
\setcounter{upm@fmt@mtabular@columnnumber}{0}	68	75	\setcounter{upm@fmt@mtabular@columnnumber}{0}
\setcounter{upm@format@section@sectionlevel}{1}	69	76	\setcounter{upm@format@section@sectionlevel}{0}
		77	\setcounter{ttlp@side}{0}
\setcounter{upm@fmt@savedcounter}{0}	70	78	\setcounter{upm@fmt@savedcounter}{0}
\setcounter{@@upm@fmt@inlineenumeration}{0}	71	79	\setcounter{@@upm@fmt@inlineenumeration}{0}
\setcounter{@upm@fmt@enumdescription@cnt@}{0}	72	80	\setcounter{@upm@fmt@enumdescription@cnt@}{0}
\setcounter{upmdefinition}{0}	73	81	\setcounter{tcb@cnt@upm@definition}{0}
\setcounter{section@level}{1}	74
\setcounter{Item}{0}	75
\setcounter{Hfootnote}{0}	76
\setcounter{bookmark@seq@number}{29}	77
\setcounter{DefaultLines}{2}	78	82	\setcounter{DefaultLines}{2}
\setcounter{DefaultDepth}{0}	79	83	\setcounter{DefaultDepth}{0}
\setcounter{L@lines}{3}	80	84	\setcounter{L@lines}{3}
\setcounter{L@depth}{0}	81	85	\setcounter{L@depth}{0}
\setcounter{float@type}{8}	82	86	\setcounter{float@type}{16}
\setcounter{algorithm}{0}	83	87	\setcounter{algorithm}{0}
\setcounter{ALG@line}{0}	84	88	\setcounter{ALG@line}{0}
\setcounter{ALG@rem}{0}	85	89	\setcounter{ALG@rem}{0}
\setcounter{ALG@nested}{0}	86	90	\setcounter{ALG@nested}{0}
\setcounter{ALG@Lnr}{2}	87	91	\setcounter{ALG@Lnr}{2}
\setcounter{ALG@blocknr}{10}	88	92	\setcounter{ALG@blocknr}{10}
\setcounter{ALG@storecount}{0}	89	93	\setcounter{ALG@storecount}{0}
\setcounter{ALG@tmpcounter}{0}	90	94	\setcounter{ALG@tmpcounter}{0}
}	91	95	}
	92	96

\relax	1	1	\relax
\providecommand\hyper@newdestlabel[2]{}	2	2	\providecommand\hyper@newdestlabel[2]{}
\citation{10.1007/978-3-031-63646-2_11}	3	3	\citation{10.1007/978-3-031-63646-2_11}
\citation{10.1007/978-3-031-63646-2_11}	4	4	\citation{10.1007/978-3-031-63646-2_11}
\citation{UCI}	5	5	\citation{UCI}
\@writefile{toc}{\contentsline {chapter}{\numberline {6}Le raisonnement à partir de cas (RàPC) pour la régression}{51}{chapter.6}\protected@file@percent }	6	6	\@writefile{toc}{\contentsline {chapter}{\numberline {6}Le raisonnement à partir de cas (RàPC) pour la régression}{51}{chapter.6}\protected@file@percent }
\@writefile{lof}{\addvspace {10\p@ }}	7	7	\@writefile{lof}{\addvspace {10\p@ }}
\@writefile{lot}{\addvspace {10\p@ }}	8	8	\@writefile{lot}{\addvspace {10\p@ }}
\@writefile{toc}{\contentsline {section}{\numberline {6.1}Introduction}{51}{section.6.1}\protected@file@percent }	9	9	\@writefile{toc}{\contentsline {section}{\numberline {6.1}Introduction}{51}{section.6.1}\protected@file@percent }
\citation{BAKUROV2021100913}	10	10	\citation{BAKUROV2021100913}
\citation{Liang}	11	11	\citation{Liang}
\citation{cmc.2023.033417}	12	12	\citation{cmc.2023.033417}
\citation{10.3389/fgene.2021.600040}	13	13	\citation{10.3389/fgene.2021.600040}
\citation{KAMALI2023110242}	14	14	\citation{KAMALI2023110242}
\citation{DIDDEN2023338}	15	15	\citation{DIDDEN2023338}
\citation{HIPOLITO2023103510}	16	16	\citation{HIPOLITO2023103510}
\citation{ZHANG2023110564}	17	17	\citation{ZHANG2023110564}
\@writefile{toc}{\contentsline {section}{\numberline {6.2}Apprentissage par empilement et raisonnement à partir de cas}{53}{section.6.2}\protected@file@percent }	18	18	\@writefile{toc}{\contentsline {section}{\numberline {6.2}Apprentissage par empilement et raisonnement à partir de cas}{53}{section.6.2}\protected@file@percent }
\@writefile{toc}{\contentsline {subsection}{\numberline {6.2.1}Modèle Proposé}{53}{subsection.6.2.1}\protected@file@percent }	19	19	\@writefile{toc}{\contentsline {subsection}{\numberline {6.2.1}Modèle Proposé}{53}{subsection.6.2.1}\protected@file@percent }
\@writefile{lof}{\contentsline {figure}{\numberline {6.1}{\ignorespaces Les deux cycles proposés pour le RàPC\relax }}{53}{figure.caption.22}\protected@file@percent }	20	20	\@writefile{toc}{\contentsline {subsubsection}{\numberline {6.2.1.1}Rechercher}{53}{subsubsection.6.2.1.1}\protected@file@percent }
\newlabel{figNCBR1}{{6.1}{53}{Les deux cycles proposés pour le RàPC\relax }{figure.caption.22}{}}	21	21	\@writefile{lof}{\contentsline {figure}{\numberline {6.1}{\ignorespaces Les deux cycles proposés pour le RàPC}}{54}{figure.caption.22}\protected@file@percent }
\@writefile{lof}{\contentsline {figure}{\numberline {6.2}{\ignorespaces Flux du \textit {Stacking} RàPC\relax }}{54}{figure.caption.23}\protected@file@percent }	22	22	\newlabel{figNCBR1}{{6.1}{54}{Les deux cycles proposés pour le RàPC}{figure.caption.22}{}}
\newlabel{figFlowCBR0}{{6.2}{54}{Flux du \textit {Stacking} RàPC\relax }{figure.caption.23}{}}	23	23	\@writefile{toc}{\contentsline {subsubsection}{\numberline {6.2.1.2}Réutiliser}{54}{subsubsection.6.2.1.2}\protected@file@percent }
\@writefile{toc}{\contentsline {subsubsection}{\numberline {6.2.1.1}Rechercher}{54}{subsubsection.6.2.1.1}\protected@file@percent }	24	24	\@writefile{lof}{\contentsline {figure}{\numberline {6.2}{\ignorespaces Flux du \textit {Stacking} RàPC}}{55}{figure.caption.23}\protected@file@percent }
\@writefile{lot}{\contentsline {table}{\numberline {6.1}{\ignorespaces Variables et paramètres du modèle proposé (Type: p - paramètre, v - variable, f - fonction)\relax }}{55}{table.caption.24}\protected@file@percent }	25	25	\newlabel{figFlowCBR0}{{6.2}{55}{Flux du \textit {Stacking} RàPC}{figure.caption.23}{}}
\newlabel{tabVarPar}{{6.1}{55}{Variables et paramètres du modèle proposé (Type: p - paramètre, v - variable, f - fonction)\relax }{table.caption.24}{}}	26	26	\newlabel{gen00}{{6.1}{55}{Réutiliser}{equation.6.1}{}}
\@writefile{toc}{\contentsline {subsubsection}{\numberline {6.2.1.2}Réutiliser}{55}{subsubsection.6.2.1.2}\protected@file@percent }	27	27	\@writefile{lot}{\contentsline {table}{\numberline {6.1}{\ignorespaces Variables et paramètres du modèle proposé (Type: p - paramètre, v - variable, f - fonction)}}{56}{table.caption.24}\protected@file@percent }
\@writefile{lof}{\contentsline {figure}{\numberline {6.3}{\ignorespaces \textit {Stacking} pour chercher les plus proches voisins\relax }}{56}{figure.caption.25}\protected@file@percent }	28	28	\newlabel{tabVarPar}{{6.1}{56}{Variables et paramètres du modèle proposé (Type: p - paramètre, v - variable, f - fonction)}{table.caption.24}{}}
\newlabel{figSta1}{{6.3}{56}{\textit {Stacking} pour chercher les plus proches voisins\relax }{figure.caption.25}{}}	29	29	\newlabel{gen01}{{6.2}{56}{Réutiliser}{equation.6.2}{}}
\@writefile{lof}{\contentsline {figure}{\numberline {6.4}{\ignorespaces Représentation des solutions connues et générées\relax }}{56}{figure.caption.26}\protected@file@percent }	30	30	\newlabel{gen2}{{6.3}{56}{Réutiliser}{equation.6.3}{}}
\newlabel{figSolRep}{{6.4}{56}{Représentation des solutions connues et générées\relax }{figure.caption.26}{}}	31	31	\newlabel{eqgen3}{{6.4}{56}{Réutiliser}{equation.6.4}{}}
\@writefile{lof}{\contentsline {figure}{\numberline {6.5}{\ignorespaces Génération et vérification automatique des solutions\relax }}{57}{figure.caption.27}\protected@file@percent }	32	32	\@writefile{lof}{\contentsline {figure}{\numberline {6.3}{\ignorespaces \textit {Stacking} pour chercher les plus proches voisins}}{57}{figure.caption.25}\protected@file@percent }
\newlabel{figAuto}{{6.5}{57}{Génération et vérification automatique des solutions\relax }{figure.caption.27}{}}	33	33	\newlabel{figSta1}{{6.3}{57}{\textit {Stacking} pour chercher les plus proches voisins}{figure.caption.25}{}}
\newlabel{gen00}{{6.1}{57}{Réutiliser}{equation.6.2.1}{}}	34	34	\@writefile{lof}{\contentsline {figure}{\numberline {6.4}{\ignorespaces Représentation des solutions connues et générées}}{57}{figure.caption.26}\protected@file@percent }
\newlabel{gen01}{{6.2}{57}{Réutiliser}{equation.6.2.2}{}}	35	35	\newlabel{figSolRep}{{6.4}{57}{Représentation des solutions connues et générées}{figure.caption.26}{}}
\newlabel{gen2}{{6.3}{57}{Réutiliser}{equation.6.2.3}{}}	36	36	\newlabel{eqgen4}{{6.5}{57}{Réutiliser}{equation.6.5}{}}
\newlabel{eqgen3}{{6.4}{58}{Réutiliser}{equation.6.2.4}{}}	37	37	\newlabel{eqgen5}{{6.6}{57}{Réutiliser}{equation.6.6}{}}
\newlabel{eqgen4}{{6.5}{58}{Réutiliser}{equation.6.2.5}{}}	38	38	\newlabel{eqgen6}{{6.7}{57}{Réutiliser}{equation.6.7}{}}
\newlabel{eqgen5}{{6.6}{58}{Réutiliser}{equation.6.2.6}{}}	39	39	\@writefile{lof}{\contentsline {figure}{\numberline {6.5}{\ignorespaces Génération et vérification automatique des solutions}}{58}{figure.caption.27}\protected@file@percent }
\newlabel{eqgen6}{{6.7}{58}{Réutiliser}{equation.6.2.7}{}}	40	40	\newlabel{figAuto}{{6.5}{58}{Génération et vérification automatique des solutions}{figure.caption.27}{}}
\newlabel{eqgen7}{{6.8}{58}{Réutiliser}{equation.6.2.8}{}}	41	41	\newlabel{eqgen7}{{6.8}{58}{Réutiliser}{equation.6.8}{}}
\citation{doi:10.1137/23M1592420}	42	42	\citation{doi:10.1137/23M1592420}
\@writefile{lof}{\contentsline {figure}{\numberline {6.6}{\ignorespaces \textit {Stacking} pour la génération de solutions\relax }}{59}{figure.caption.28}\protected@file@percent }	43	43	\@writefile{lof}{\contentsline {figure}{\numberline {6.6}{\ignorespaces \textit {Stacking} pour la génération de solutions}}{59}{figure.caption.28}\protected@file@percent }
\newlabel{figSta2}{{6.6}{59}{\textit {Stacking} pour la génération de solutions\relax }{figure.caption.28}{}}	44	44	\newlabel{figSta2}{{6.6}{59}{\textit {Stacking} pour la génération de solutions}{figure.caption.28}{}}
\@writefile{toc}{\contentsline {subsubsection}{\numberline {6.2.1.3}Révision}{59}{subsubsection.6.2.1.3}\protected@file@percent }	45	45	\@writefile{toc}{\contentsline {subsubsection}{\numberline {6.2.1.3}Révision}{59}{subsubsection.6.2.1.3}\protected@file@percent }
\newlabel{eqOpt0}{{6.11}{60}{Révision}{equation.6.2.11}{}}	46	46	\newlabel{eqOpt0}{{6.11}{60}{Révision}{equation.6.11}{}}
\newlabel{eqOpt}{{6.12}{60}{Révision}{equation.6.2.12}{}}	47	47	\newlabel{eqOpt}{{6.12}{60}{Révision}{equation.6.12}{}}
\@writefile{lof}{\contentsline {figure}{\numberline {6.7}{\ignorespaces Représentation graphique en deux dimensions du problème de moyenne géométrique. (Points associés au problème ($\lambda _1,..,\lambda _7$) et point rouge solution au problème)\relax }}{60}{figure.caption.29}\protected@file@percent }	48	48	\@writefile{lof}{\contentsline {figure}{\numberline {6.7}{\ignorespaces Représentation graphique en deux dimensions du problème de moyenne géométrique. (Points associés au problème ($\lambda _1,..,\lambda _7$) et point rouge solution au problème)}}{60}{figure.caption.29}\protected@file@percent }
\newlabel{fig:FW}{{6.7}{60}{Représentation graphique en deux dimensions du problème de moyenne géométrique. (Points associés au problème ($\lambda _1,..,\lambda _7$) et point rouge solution au problème)\relax }{figure.caption.29}{}}	49	49	\newlabel{fig:FW}{{6.7}{60}{Représentation graphique en deux dimensions du problème de moyenne géométrique. (Points associés au problème ($\lambda _1,..,\lambda _7$) et point rouge solution au problème)}{figure.caption.29}{}}
\@writefile{toc}{\contentsline {subsubsection}{\numberline {6.2.1.4}Mémorisation}{60}{subsubsection.6.2.1.4}\protected@file@percent }	50	50	\@writefile{toc}{\contentsline {subsubsection}{\numberline {6.2.1.4}Mémorisation}{60}{subsubsection.6.2.1.4}\protected@file@percent }
\@writefile{toc}{\contentsline {subsection}{\numberline {6.2.2}Résultats}{61}{subsection.6.2.2}\protected@file@percent }	51	51	\@writefile{toc}{\contentsline {subsection}{\numberline {6.2.2}Résultats}{61}{subsection.6.2.2}\protected@file@percent }
\@writefile{lot}{\contentsline {table}{\numberline {6.2}{\ignorespaces Description des jeux de données évaluées.\relax }}{61}{table.caption.30}\protected@file@percent }	52	52	\@writefile{lot}{\contentsline {table}{\numberline {6.2}{\ignorespaces Description des jeux de données évaluées.}}{61}{table.caption.30}\protected@file@percent }
\newlabel{tabBases2}{{6.2}{61}{Description des jeux de données évaluées.\relax }{table.caption.30}{}}	53	53	\newlabel{tabBases2}{{6.2}{61}{Description des jeux de données évaluées}{table.caption.30}{}}
\@writefile{lot}{\contentsline {table}{\numberline {6.3}{\ignorespaces Liste des algorithmes évalués\relax }}{61}{table.caption.31}\protected@file@percent }	54	54	\@writefile{lot}{\contentsline {table}{\numberline {6.3}{\ignorespaces Liste des algorithmes évalués}}{61}{table.caption.31}\protected@file@percent }
\newlabel{tabAlgs2}{{6.3}{61}{Liste des algorithmes évalués\relax }{table.caption.31}{}}	55	55	\newlabel{tabAlgs2}{{6.3}{61}{Liste des algorithmes évalués}{table.caption.31}{}}
\@writefile{lot}{\contentsline {table}{\numberline {6.4}{\ignorespaces RMSE calculée sur les dix jeux de données sélectionnés obtenue après exécution des dix algorithmes de régression considérés\relax }}{61}{table.caption.32}\protected@file@percent }	56	56	\@writefile{lot}{\contentsline {table}{\numberline {6.4}{\ignorespaces RMSE calculée sur les dix jeux de données sélectionnés obtenue après exécution des dix algorithmes de régression considérés}}{61}{table.caption.32}\protected@file@percent }
\newlabel{tabRes1_2}{{6.4}{61}{RMSE calculée sur les dix jeux de données sélectionnés obtenue après exécution des dix algorithmes de régression considérés\relax }{table.caption.32}{}}	57	57	\newlabel{tabRes1_2}{{6.4}{61}{RMSE calculée sur les dix jeux de données sélectionnés obtenue après exécution des dix algorithmes de régression considérés}{table.caption.32}{}}
\@writefile{lot}{\contentsline {table}{\numberline {6.5}{\ignorespaces MAE calculée sur les dix jeux de données sélectionnés obtenue après exécution des dix algorithmes de régression considérés\relax }}{62}{table.caption.33}\protected@file@percent }	58	58	\@writefile{lot}{\contentsline {table}{\numberline {6.5}{\ignorespaces MAE calculée sur les dix jeux de données sélectionnés obtenue après exécution des dix algorithmes de régression considérés}}{62}{table.caption.33}\protected@file@percent }
\newlabel{tabRes2_2}{{6.5}{62}{MAE calculée sur les dix jeux de données sélectionnés obtenue après exécution des dix algorithmes de régression considérés\relax }{table.caption.33}{}}	59	59	\newlabel{tabRes2_2}{{6.5}{62}{MAE calculée sur les dix jeux de données sélectionnés obtenue après exécution des dix algorithmes de régression considérés}{table.caption.33}{}}
\@writefile{toc}{\contentsline {subsection}{\numberline {6.2.3}Discussion}{62}{subsection.6.2.3}\protected@file@percent }	60	60	\@writefile{toc}{\contentsline {subsection}{\numberline {6.2.3}Discussion}{62}{subsection.6.2.3}\protected@file@percent }
\@writefile{lof}{\contentsline {figure}{\numberline {6.8}{\ignorespaces Résultats de la métrique MAE (\textit {Median Absolute Error}) pour les dix algorithmes et quatre bases de données représentatives\relax }}{63}{figure.caption.34}\protected@file@percent }	61	61	\@writefile{lof}{\contentsline {figure}{\numberline {6.8}{\ignorespaces Résultats de la métrique MAE (\textit {Median Absolute Error}) pour les dix algorithmes et quatre bases de données représentatives}}{63}{figure.caption.34}\protected@file@percent }
\newlabel{figBox2}{{6.8}{63}{Résultats de la métrique MAE (\textit {Median Absolute Error}) pour les dix algorithmes et quatre bases de données représentatives\relax }{figure.caption.34}{}}	62	62	\newlabel{figBox2}{{6.8}{63}{Résultats de la métrique MAE (\textit {Median Absolute Error}) pour les dix algorithmes et quatre bases de données représentatives}{figure.caption.34}{}}
\@writefile{toc}{\contentsline {subsection}{\numberline {6.2.4}Conclusion}{63}{subsection.6.2.4}\protected@file@percent }	63	63	\@writefile{toc}{\contentsline {subsection}{\numberline {6.2.4}Conclusion}{63}{subsection.6.2.4}\protected@file@percent }
\@writefile{toc}{\contentsline {section}{\numberline {6.3}ESCBR-SMA : Introduction des systèmes multi-agents dans ESCBR}{63}{section.6.3}\protected@file@percent }	64	64	\@writefile{toc}{\contentsline {section}{\numberline {6.3}ESCBR-SMA : Introduction des systèmes multi-agents dans ESCBR}{63}{section.6.3}\protected@file@percent }
\@writefile{toc}{\contentsline {subsection}{\numberline {6.3.1}Modèle Proposé}{64}{subsection.6.3.1}\protected@file@percent }	65	65	\@writefile{toc}{\contentsline {subsection}{\numberline {6.3.1}Modèle Proposé}{64}{subsection.6.3.1}\protected@file@percent }
\@writefile{lof}{\contentsline {figure}{\numberline {6.9}{\ignorespaces Deux cycles du système ESCBR-SMA proposé\relax }}{64}{figure.caption.35}\protected@file@percent }	66	66	\@writefile{lof}{\contentsline {figure}{\numberline {6.9}{\ignorespaces Deux cycles du système ESCBR-SMA proposé}}{64}{figure.caption.35}\protected@file@percent }
\newlabel{figNCBR}{{6.9}{64}{Deux cycles du système ESCBR-SMA proposé\relax }{figure.caption.35}{}}	67	67	\newlabel{figNCBR}{{6.9}{64}{Deux cycles du système ESCBR-SMA proposé}{figure.caption.35}{}}
\@writefile{lot}{\contentsline {table}{\numberline {6.6}{\ignorespaces Variables et paramètres du modèle proposé (Type: p - paramètre, v - variable, f - fonction)\relax }}{65}{table.caption.37}\protected@file@percent }	68	68	\@writefile{lot}{\contentsline {table}{\numberline {6.6}{\ignorespaces Variables et paramètres supplémentaires du modèle ESCBR-SMA (Type: p - paramètre, v - variable, f - fonction)}}{65}{table.caption.37}\protected@file@percent }
\newlabel{tabVarPar2}{{6.6}{65}{Variables et paramètres du modèle proposé (Type: p - paramètre, v - variable, f - fonction)\relax }{table.caption.37}{}}	69	69	\newlabel{tabVarPar2}{{6.6}{65}{Variables et paramètres supplémentaires du modèle ESCBR-SMA (Type: p - paramètre, v - variable, f - fonction)}{table.caption.37}{}}
\@writefile{toc}{\contentsline {subsubsection}{\numberline {6.3.1.1}Algorithmes}{65}{subsubsection.6.3.1.1}\protected@file@percent }	70	70	\@writefile{toc}{\contentsline {subsubsection}{\numberline {6.3.1.1}Algorithmes}{65}{subsubsection.6.3.1.1}\protected@file@percent }
\@writefile{lof}{\contentsline {figure}{\numberline {6.10}{\ignorespaces Flux du \textit {Stacking} du RàPC (* est une tâche effectuée par chaque agent)\relax }}{66}{figure.caption.36}\protected@file@percent }	71	71	\@writefile{lof}{\contentsline {figure}{\numberline {6.10}{\ignorespaces Flux du \textit {Stacking} du RàPC (* : tâche effectuée par chaque agent)}}{66}{figure.caption.36}\protected@file@percent }
\newlabel{figFlowCBR}{{6.10}{66}{Flux du \textit {Stacking} du RàPC (* est une tâche effectuée par chaque agent)\relax }{figure.caption.36}{}}	72	72	\newlabel{figFlowCBR}{{6.10}{66}{Flux du \textit {Stacking} du RàPC (* : tâche effectuée par chaque agent)}{figure.caption.36}{}}
\@writefile{toc}{\contentsline {subsubsection}{\numberline {6.3.1.2}Structure des agents}{67}{subsubsection.6.3.1.2}\protected@file@percent }	73	73	\@writefile{toc}{\contentsline {subsubsection}{\numberline {6.3.1.2}Structure des agents}{66}{subsubsection.6.3.1.2}\protected@file@percent }
\newlabel{eqOpt1}{{6.13}{67}{Structure des agents}{equation.6.3.13}{}}	74	74	\newlabel{eqOpt1}{{6.13}{67}{Structure des agents}{equation.6.13}{}}
\newlabel{eqOpt2}{{6.14}{67}{Structure des agents}{equation.6.3.14}{}}	75	75	\newlabel{eqOpt2}{{6.14}{67}{Structure des agents}{equation.6.14}{}}
\@writefile{toc}{\contentsline {subsubsection}{\numberline {6.3.1.3}Apprentissage des agents}{67}{subsubsection.6.3.1.3}\protected@file@percent }	76	76	\@writefile{toc}{\contentsline {subsubsection}{\numberline {6.3.1.3}Apprentissage des agents}{67}{subsubsection.6.3.1.3}\protected@file@percent }
\@writefile{lof}{\contentsline {figure}{\numberline {6.11}{\ignorespaces Structure interne des agents\relax }}{68}{figure.caption.38}\protected@file@percent }	77	77	\newlabel{eqBay}{{6.15}{67}{Apprentissage des agents}{equation.6.15}{}}
\newlabel{figAgent}{{6.11}{68}{Structure interne des agents\relax }{figure.caption.38}{}}	78	78	\@writefile{lof}{\contentsline {figure}{\numberline {6.11}{\ignorespaces Structure interne des agents}}{68}{figure.caption.38}\protected@file@percent }
\newlabel{eqBay}{{6.15}{68}{Apprentissage des agents}{equation.6.3.15}{}}	79	79	\newlabel{figAgent}{{6.11}{68}{Structure interne des agents}{figure.caption.38}{}}
\newlabel{eqRta}{{6.16}{68}{Apprentissage des agents}{equation.6.3.16}{}}	80	80	\newlabel{eqRta}{{6.16}{68}{Apprentissage des agents}{equation.6.16}{}}
\newlabel{eqRsa}{{6.17}{68}{Apprentissage des agents}{equation.6.3.17}{}}	81	81	\newlabel{eqRsa}{{6.17}{68}{Apprentissage des agents}{equation.6.17}{}}
\@writefile{lof}{\contentsline {figure}{\numberline {6.12}{\ignorespaces Exemple d'évolution Bayésienne des vecteurs pour un agent. a) Initialisation des probabilités $P(B\|A)$ vecteurs pour Retrieve et Reuse, b) Probabilités après quelques itérations $P(A\|B)$ vecteurs pour Retrieve et Reuse\relax }}{69}{figure.caption.39}\protected@file@percent }	82	82	\@writefile{toc}{\contentsline {subsubsection}{\numberline {6.3.1.4}Échanges entre les agents}{68}{subsubsection.6.3.1.4}\protected@file@percent }
\newlabel{fig:bayev}{{6.12}{69}{Exemple d'évolution Bayésienne des vecteurs pour un agent. a) Initialisation des probabilités $P(B\|A)$ vecteurs pour Retrieve et Reuse, b) Probabilités après quelques itérations $P(A\|B)$ vecteurs pour Retrieve et Reuse\relax }{figure.caption.39}{}}	83	83	\@writefile{lof}{\contentsline {figure}{\numberline {6.12}{\ignorespaces Exemple d'évolution Bayésienne des vecteurs pour un agent. a) Initialisation des probabilités $P(B\|A)$ vecteurs pour Retrieve et Reuse, b) Probabilités après quelques itérations $P(A\|B)$ vecteurs pour Retrieve et Reuse}}{69}{figure.caption.39}\protected@file@percent }
\@writefile{toc}{\contentsline {subsubsection}{\numberline {6.3.1.4}Échanges entre les agents}{69}{subsubsection.6.3.1.4}\protected@file@percent }	84	84	\newlabel{fig:bayev}{{6.12}{69}{Exemple d'évolution Bayésienne des vecteurs pour un agent. a) Initialisation des probabilités $P(B\|A)$ vecteurs pour Retrieve et Reuse, b) Probabilités après quelques itérations $P(A\|B)$ vecteurs pour Retrieve et Reuse}{figure.caption.39}{}}
\@writefile{toc}{\contentsline {subsection}{\numberline {6.3.2}Résultats}{69}{subsection.6.3.2}\protected@file@percent }	85	85	\@writefile{toc}{\contentsline {subsection}{\numberline {6.3.2}Résultats}{69}{subsection.6.3.2}\protected@file@percent }
\@writefile{lot}{\contentsline {table}{\numberline {6.7}{\ignorespaces Description des jeux de données évalués. (* après codification comme \textit {String})\relax }}{70}{table.caption.40}\protected@file@percent }	86	86	\@writefile{lot}{\contentsline {table}{\numberline {6.7}{\ignorespaces Description des jeux de données évalués.}}{69}{table.caption.40}\protected@file@percent }
\newlabel{tabBases}{{6.7}{70}{Description des jeux de données évalués. (* après codification comme \textit {String})\relax }{table.caption.40}{}}	87	87	\newlabel{tabBases}{{6.7}{69}{Description des jeux de données évalués}{table.caption.40}{}}
\@writefile{lot}{\contentsline {table}{\numberline {6.8}{\ignorespaces Paramètres de tous les algorithmes comparés\relax }}{70}{table.caption.41}\protected@file@percent }	88	88	\@writefile{lot}{\contentsline {table}{\numberline {6.8}{\ignorespaces Paramètres de tous les algorithmes comparés}}{70}{table.caption.41}\protected@file@percent }
\newlabel{AlgsPar}{{6.8}{70}{Paramètres de tous les algorithmes comparés\relax }{table.caption.41}{}}	89	89	\newlabel{AlgsPar}{{6.8}{70}{Paramètres de tous les algorithmes comparés}{table.caption.41}{}}
\@writefile{lot}{\contentsline {table}{\numberline {6.9}{\ignorespaces Résultat selon la métrique RMSE (Root Mean Squared Error) pour les jeux de données évalués avec les différents algorithmes de régression considérés.\relax }}{71}{table.caption.42}\protected@file@percent }	90	90	\@writefile{lot}{\contentsline {table}{\numberline {6.9}{\ignorespaces Résultat selon la métrique RMSE (Root Mean Squared Error) pour les jeux de données évalués avec les différents algorithmes de régression considérés.}}{70}{table.caption.42}\protected@file@percent }
\newlabel{tabRes1}{{6.9}{71}{Résultat selon la métrique RMSE (Root Mean Squared Error) pour les jeux de données évalués avec les différents algorithmes de régression considérés.\relax }{table.caption.42}{}}	91	91	\newlabel{tabRes1}{{6.9}{70}{Résultat selon la métrique RMSE (Root Mean Squared Error) pour les jeux de données évalués avec les différents algorithmes de régression considérés}{table.caption.42}{}}
\@writefile{lot}{\contentsline {table}{\numberline {6.10}{\ignorespaces Comparaison des résultats MAE (Median Absolute Error) pour les bases de données évaluées avec des algorithmes de régression\relax }}{71}{table.caption.43}\protected@file@percent }	92	92	\@writefile{lot}{\contentsline {table}{\numberline {6.10}{\ignorespaces Comparaison des résultats MAE (Median Absolute Error) pour les bases de données évaluées avec des algorithmes de régression}}{71}{table.caption.43}\protected@file@percent }
\newlabel{tabRes2}{{6.10}{71}{Comparaison des résultats MAE (Median Absolute Error) pour les bases de données évaluées avec des algorithmes de régression\relax }{table.caption.43}{}}	93	93	\newlabel{tabRes2}{{6.10}{71}{Comparaison des résultats MAE (Median Absolute Error) pour les bases de données évaluées avec des algorithmes de régression}{table.caption.43}{}}
\@writefile{lof}{\contentsline {figure}{\numberline {6.13}{\ignorespaces Résultats selon la métrique MAE (Median Absolute Error) pour les dix algorithmes testés\relax }}{71}{figure.caption.44}\protected@file@percent }	94	94	\@writefile{lof}{\contentsline {figure}{\numberline {6.13}{\ignorespaces Résultats selon la métrique MAE (Median Absolute Error) pour les dix algorithmes testés}}{71}{figure.caption.44}\protected@file@percent }
\newlabel{figBox}{{6.13}{71}{Résultats selon la métrique MAE (Median Absolute Error) pour les dix algorithmes testés\relax }{figure.caption.44}{}}	95	95	\newlabel{figBox}{{6.13}{71}{Résultats selon la métrique MAE (Median Absolute Error) pour les dix algorithmes testés}{figure.caption.44}{}}
\@writefile{toc}{\contentsline {subsection}{\numberline {6.3.3}Conclusion}{72}{subsection.6.3.3}\protected@file@percent }	96	96	\@writefile{toc}{\contentsline {subsection}{\numberline {6.3.3}Conclusion}{71}{subsection.6.3.3}\protected@file@percent }
\@setckpt{./chapters/ESCBR}{	97	97	\@setckpt{./chapters/ESCBR}{
\setcounter{page}{73}	98	98	\setcounter{page}{73}
\setcounter{equation}{17}	99	99	\setcounter{equation}{17}
\setcounter{enumi}{0}	100	100	\setcounter{enumi}{0}
\setcounter{enumii}{0}	101	101	\setcounter{enumii}{0}
\setcounter{enumiii}{0}	102	102	\setcounter{enumiii}{0}
\setcounter{enumiv}{0}	103	103	\setcounter{enumiv}{0}
\setcounter{footnote}{0}	104	104	\setcounter{footnote}{0}
\setcounter{mpfootnote}{0}	105	105	\setcounter{mpfootnote}{0}
\setcounter{part}{3}	106	106	\setcounter{part}{3}
\setcounter{chapter}{6}	107	107	\setcounter{chapter}{6}
\setcounter{section}{3}	108	108	\setcounter{section}{3}
\setcounter{subsection}{3}	109	109	\setcounter{subsection}{3}
\setcounter{subsubsection}{0}	110	110	\setcounter{subsubsection}{0}
\setcounter{paragraph}{0}	111	111	\setcounter{paragraph}{0}
\setcounter{subparagraph}{0}	112	112	\setcounter{subparagraph}{0}
\setcounter{figure}{13}	113	113	\setcounter{figure}{13}
\setcounter{table}{10}	114	114	\setcounter{table}{10}
		115	\setcounter{section@level}{0}
		116	\setcounter{Item}{0}
		117	\setcounter{Hfootnote}{0}
		118	\setcounter{bookmark@seq@number}{67}
\setcounter{caption@flags}{2}	115	119	\setcounter{caption@flags}{2}
\setcounter{continuedfloat}{0}	116	120	\setcounter{continuedfloat}{0}
\setcounter{subfigure}{0}	117	121	\setcounter{subfigure}{0}
\setcounter{subtable}{0}	118	122	\setcounter{subtable}{0}
		123	\setcounter{tcbbreakpart}{1}
		124	\setcounter{tcblayer}{0}
		125	\setcounter{tcolorbox@number}{1}
\setcounter{parentequation}{0}	119	126	\setcounter{parentequation}{0}
\setcounter{thmt@dummyctr}{0}	120	127	\setcounter{thmt@dummyctr}{0}
\setcounter{vrcnt}{0}	121	128	\setcounter{vrcnt}{0}
\setcounter{upm@subfigure@count}{0}	122	129	\setcounter{upm@subfigure@count}{0}
\setcounter{upm@fmt@mtabular@columnnumber}{0}	123	130	\setcounter{upm@fmt@mtabular@columnnumber}{0}
\setcounter{upm@format@section@sectionlevel}{2}	124	131	\setcounter{upm@format@section@sectionlevel}{0}
		132	\setcounter{ttlp@side}{0}
\setcounter{upm@fmt@savedcounter}{0}	125	133	\setcounter{upm@fmt@savedcounter}{0}
\setcounter{@@upm@fmt@inlineenumeration}{0}	126	134	\setcounter{@@upm@fmt@inlineenumeration}{0}
\setcounter{@upm@fmt@enumdescription@cnt@}{0}	127	135	\setcounter{@upm@fmt@enumdescription@cnt@}{0}
\setcounter{upmdefinition}{0}	128	136	\setcounter{tcb@cnt@upm@definition}{0}
\setcounter{section@level}{2}	129
\setcounter{Item}{0}	130
\setcounter{Hfootnote}{0}	131
\setcounter{bookmark@seq@number}{66}	132
\setcounter{DefaultLines}{2}	133	137	\setcounter{DefaultLines}{2}
\setcounter{DefaultDepth}{0}	134	138	\setcounter{DefaultDepth}{0}
\setcounter{L@lines}{3}	135	139	\setcounter{L@lines}{3}
\setcounter{L@depth}{0}	136	140	\setcounter{L@depth}{0}
\setcounter{float@type}{8}	137	141	\setcounter{float@type}{16}
\setcounter{algorithm}{0}	138	142	\setcounter{algorithm}{0}
\setcounter{ALG@line}{0}	139	143	\setcounter{ALG@line}{0}
\setcounter{ALG@rem}{0}	140	144	\setcounter{ALG@rem}{0}
\setcounter{ALG@nested}{0}	141	145	\setcounter{ALG@nested}{0}
\setcounter{ALG@Lnr}{2}	142	146	\setcounter{ALG@Lnr}{2}
\setcounter{ALG@blocknr}{10}	143	147	\setcounter{ALG@blocknr}{10}
\setcounter{ALG@storecount}{0}	144	148	\setcounter{ALG@storecount}{0}
\setcounter{ALG@tmpcounter}{0}	145	149	\setcounter{ALG@tmpcounter}{0}
}	146	150	}
	147	151

\chapter{Le raisonnement à partir de cas (RàPC) pour la régression}	1	1	\chapter{Le raisonnement à partir de cas (RàPC) pour la régression}
\chaptermark{RàPC POUR RÉGRESSION}	2	2	\chaptermark{RàPC POUR RÉGRESSION}
	3	3
\section{Introduction}	4	4	\section{Introduction}
	5	5
Ce chapitre est divisé en deux parties. La première partie présente un modèle fondé sur le raisonnement à partir de cas et les méthodes d'ensemble avec un double empilement itératif. Nous l'avons baptisé \textit{ESCBR} (\textit{Ensemble Stacking Case Based Reasoning}). Ce processus se fait en deux étapes pour trouver des solutions approximatives à des problèmes de régression unidimensionnels et multidimensionnels. Une partie de cette proposition est publiée dans \cite{10.1007/978-3-031-63646-2_11}. La seconde partie montre la conception et l'implémentation d'un SMA intégré à l'ESCBR présenté dans la première partie. Nous considérons dans ce chapitre que le choix des exercices les plus adaptés revient à résoudre un problème de régression. C'est la raison pour laquelle nous testons notre approche sur des jeux de données classiques de régression.	6	6	Ce chapitre est divisé en deux parties. La première partie présente un modèle fondé sur le raisonnement à partir de cas et les méthodes d'ensemble avec un double empilement itératif. Nous l'avons baptisé \textit{ESCBR} (\textit{Ensemble Stacking Case Based Reasoning}). Ce processus se fait en deux étapes pour trouver des solutions approximatives à des problèmes de régression unidimensionnels et multidimensionnels. Une partie de cette proposition est publiée dans \cite{10.1007/978-3-031-63646-2_11}. La seconde partie montre la conception et l'implémentation d'un SMA intégré à l'ESCBR présenté dans la première partie. Nous considérons dans ce chapitre que le choix des exercices les plus adaptés revient à résoudre un problème de régression. C'est la raison pour laquelle nous testons notre approche sur des jeux de données classiques de régression.
Le modèle présenté dans cette seconde partie associe un raisonnement à partir de cas à des systèmes multi-agents cognitifs implémentant un raisonnement Bayésien. Cette association, combinant échange d'informations entre agents et apprentissage par renforcement, permet l'émergence de prédictions plus précises et améliore ainsi les performances d'ESCBR \cite{10.1007/978-3-031-63646-2_11}.\\	7	7	Le modèle présenté dans cette seconde partie associe un raisonnement à partir de cas à des systèmes multi-agents cognitifs implémentant un raisonnement Bayésien. Cette association, combinant échange d'informations entre agents et apprentissage par renforcement, permet l'émergence de prédictions plus précises et améliore ainsi les performances d'ESCBR \cite{10.1007/978-3-031-63646-2_11}.\\
	8	8
Avant de présenter nos propositions, rappelons quelques caractéristiques importantes des outils combinés dans notre approche.	9	9	Avant de présenter nos propositions, rappelons quelques caractéristiques importantes des outils combinés dans notre approche.
	10	10
Le système de raisonnement à partir de cas ne nécessite pas d'entrainement, et peut fonctionner avec des données dynamiques au moment de l'exécution. Les solutions proposées par notre système de RàPC sont générées à l'aide d'algorithmes stochastiques guidant l'exploration de l'espace des solutions. L'évaluation des solutions possibles est effectuée en transformant le problème de régression en un problème d'optimisation avec une fonction objectif associée. La fonction objectif calcule un rapport de la distance entre la solution générée et les solutions connues avec les problèmes à résoudre et les problèmes connus. La définition formelle se trouve dans la section 6.2.1.3.	11	11	Le système de raisonnement à partir de cas ne nécessite pas d'entrainement, et peut fonctionner avec des données dynamiques au moment de l'exécution. Les solutions proposées par notre système de RàPC sont générées à l'aide d'algorithmes stochastiques guidant l'exploration de l'espace des solutions. L'évaluation des solutions possibles est effectuée en transformant le problème de régression en un problème d'optimisation avec une fonction objectif associée. La fonction objectif calcule un rapport de la distance entre la solution générée et les solutions connues avec les problèmes à résoudre et les problèmes connus. La définition formelle se trouve dans la section 6.2.1.3.
%\colorbox{yellow}{Il faut expliquer en quelques mots ce que fait cette fonction objectif}\\	12	12	%\colorbox{yellow}{Il faut expliquer en quelques mots ce que fait cette fonction objectif}\\
Les prédictions de ce nouvel algorithme ont été comparées à celles de neuf algorithmes de régression classiques sur dix jeux de données pour la régression extraits du site de l'UCI \cite{UCI}. En évaluant les résultats obtenus selon la métrique RMSE (Erreur quadratique moyenne - \textit{Root Mean Squared Error}), ce nouvel algorithme se classe parmi les six meilleurs. Selon la métrique MAE (Erreur moyenne absolue - \textit{Mean Absolute Error}) il est le troisième meilleur algorithme des dix évalués, ce qui suggère que les résultats produits par ESCBR sont raisonnablement saitsfaisants.	13	13	Les prédictions de ce nouvel algorithme ont été comparées à celles de neuf algorithmes de régression classiques sur dix jeux de données pour la régression extraits du site de l'UCI \cite{UCI}. En évaluant les résultats obtenus selon la métrique RMSE (Erreur quadratique moyenne - \textit{Root Mean Squared Error}), ce nouvel algorithme se classe parmi les six meilleurs. Selon la métrique MAE (Erreur moyenne absolue - \textit{Mean Absolute Error}) il est le troisième meilleur algorithme des dix évalués, ce qui suggère que les résultats produits par ESCBR sont raisonnablement saitsfaisants.
	14	14
Les méthodes d'ensemble permettent de résoudre des problèmes de classification et de régression en combinant les résultats de plusieurs modèles exécutés indépendamment. Certaines de ces méthodes utilisent des modèles différents et des ensembles de données différents tandis que d'autres utilisent les mêmes modèles avec des paramètres différents. La combinaison des résultats provenant de multiples modèles peut être réalisée selon différentes stratégies comme l'application de règles simples ou des approches plus complexes \cite{BAKUROV2021100913}. Plusieurs travaux de recherche explorent la possibilité d'utiliser cette méthode d'ensemble en la combinant à des outils d'apprentissage automatique.	15	15	Les méthodes d'ensemble permettent de résoudre des problèmes de classification et de régression en combinant les résultats de plusieurs modèles exécutés indépendamment. Certaines de ces méthodes utilisent des modèles différents et des ensembles de données différents tandis que d'autres utilisent les mêmes modèles avec des paramètres différents. La combinaison des résultats provenant de multiples modèles peut être réalisée selon différentes stratégies comme l'application de règles simples ou des approches plus complexes \cite{BAKUROV2021100913}. Plusieurs travaux de recherche explorent la possibilité d'utiliser cette méthode d'ensemble en la combinant à des outils d'apprentissage automatique.
	16	16
Les méthodes d'apprentissage automatique appliquées à la régression permettent quant à elles de prédire des valeurs pour différents types de problèmes en construisant, évaluant et formant des modèles linéaires et non linéaires complexes. Mais il est possible d'en améliorer la précision en les associant. Les stratégies d'intégration les plus courantes utilisées pour l'apprentissage d'ensemble sont le \textit{Stacking} (empilement), le \textit{Boosting} (stimulation) et le \textit{Bagging} (ensachage) \cite{Liang}. Le \textit{Stacking} est un type de méta-modèle d'apprentissage profond d'ensemble dont l'objectif est d'utiliser diverses techniques d'apprentissage automatique pour surmonter les limites des modèles individuels. Plusieurs études démontrent que l'association de ces techniques permet d'améliorer la précision des résultats \cite{cmc.2023.033417}. Dans ces méthodes d'empilement, les algorithmes de base sont appelés \textit{niveau-0}. Il s'agit généralement de modèles ou d'algorithmes d'apprentissage automatique hétérogènes qui travaillent tous avec les mêmes données. Le méta-algorithme (appelé \textit{niveau-1}) qui unifie les résultats peut être une autre technique d'apprentissage automatique ou un ensemble de règles qui reçoit en entrée les résultats des algorithmes de \textit{niveau-0} \cite{10.3389/fgene.2021.600040}.	17	17	Les méthodes d'apprentissage automatique appliquées à la régression permettent quant à elles de prédire des valeurs pour différents types de problèmes en construisant, évaluant et formant des modèles linéaires et non linéaires complexes. Mais il est possible d'en améliorer la précision en les associant. Les stratégies d'intégration les plus courantes utilisées pour l'apprentissage d'ensemble sont le \textit{Stacking} (empilement), le \textit{Boosting} (stimulation) et le \textit{Bagging} (ensachage) \cite{Liang}. Le \textit{Stacking} est un type de méta-modèle d'apprentissage profond d'ensemble dont l'objectif est d'utiliser diverses techniques d'apprentissage automatique pour surmonter les limites des modèles individuels. Plusieurs études démontrent que l'association de ces techniques permet d'améliorer la précision des résultats \cite{cmc.2023.033417}. Dans ces méthodes d'empilement, les algorithmes de base sont appelés \textit{niveau-0}. Il s'agit généralement de modèles ou d'algorithmes d'apprentissage automatique hétérogènes qui travaillent tous avec les mêmes données. Le méta-algorithme (appelé \textit{niveau-1}) qui unifie les résultats peut être une autre technique d'apprentissage automatique ou un ensemble de règles qui reçoit en entrée les résultats des algorithmes de \textit{niveau-0} \cite{10.3389/fgene.2021.600040}.
	18	18
La modélisation de systèmes implémentant différentes techniques d'apprentissage nous amène tout naturellement à considérer les avantages et inconvénients proposés par un système multi-agents. Un SMA est un système décentralisé composé de plusieurs entités appelées agents qui ont la capacité d'effectuer des actions spécifiques et de réagir à l'environnement en fonction des informations partielles à leur disposition. Ils peuvent également collaborer les uns avec les autres et coopérer pour atteindre un objectif spécifique. À partir des informations qu'ils perçoivent et échangent, les agents peuvent apprendre de manière autonome et atteindre leurs objectifs efficacement \cite{KAMALI2023110242}. Les actions d'un système multi-agents peuvent être exécutées en parallèle grâce à l'indépendance des agents. Ils sont également robustes aux problèmes présentant une incertitude \cite{DIDDEN2023338}.	19	19	La modélisation de systèmes implémentant différentes techniques d'apprentissage nous amène tout naturellement à considérer les avantages et inconvénients proposés par un système multi-agents. Un SMA est un système décentralisé composé de plusieurs entités appelées agents qui ont la capacité d'effectuer des actions spécifiques et de réagir à l'environnement en fonction des informations partielles à leur disposition. Ils peuvent également collaborer les uns avec les autres et coopérer pour atteindre un objectif spécifique. À partir des informations qu'ils perçoivent et échangent, les agents peuvent apprendre de manière autonome et atteindre leurs objectifs efficacement \cite{KAMALI2023110242}. Les actions d'un système multi-agents peuvent être exécutées en parallèle grâce à l'indépendance des agents. Ils sont également robustes aux problèmes présentant une incertitude \cite{DIDDEN2023338}.
	20	20
Le raisonnement Bayésien clos ce premier tour d'horizon des techniques implémentées dans l'approche présentée dans ce chapitre. Celui-ci est fondé sur l'observation du raisonnement humain et la relation de l'humain avec l'environnement. Son principe repose sur le postulat que les expériences passées permettent de déduire les états futurs, guidant ainsi ses actions et ses décisions \cite{HIPOLITO2023103510}. Avec le raisonnement Bayésien certaines informations peuvent également être déduites à partir d'informations incomplètes \cite{ZHANG2023110564}.	21	21	Le raisonnement Bayésien clos ce premier tour d'horizon des techniques implémentées dans l'approche présentée dans ce chapitre. Celui-ci est fondé sur l'observation du raisonnement humain et la relation de l'humain avec l'environnement. Son principe repose sur le postulat que les expériences passées permettent de déduire les états futurs, guidant ainsi ses actions et ses décisions \cite{HIPOLITO2023103510}. Avec le raisonnement Bayésien certaines informations peuvent également être déduites à partir d'informations incomplètes \cite{ZHANG2023110564}.
	22	22
\section{Apprentissage par empilement et raisonnement à partir de cas}	23	23	\section{Apprentissage par empilement et raisonnement à partir de cas}
	24	24
Cette section présente la première version de l'algorithme que nous avons conçu pour résoudre des problèmes de régression. Celui-ci est fondé sur le raisonnement à partir de cas et l'empilement.	25	25	Cette section présente la première version de l'algorithme que nous avons conçu pour résoudre des problèmes de régression. Celui-ci est fondé sur le raisonnement à partir de cas et l'empilement.
	26	26
\subsection{Modèle Proposé}	27	27	\subsection{Modèle Proposé}
	28	28
L'algorithme proposé, ESCBR (\textit{Ensemble Stacking Case-Based Reasoning}), est fondé sur le paradigme générique du RàPC combiné à plusieurs algorithmes de recherche de voisins et de génération de solutions. Ces algorithmes ont été intégrés selon une variation du modèle d'empilement en deux étapes itératives. Cette intégration donne à l'algorithme la capacité de s'adapter à différents types de problèmes, d'éviter les biais et le surentraînement. Les résultats de l'exécution des niveaux d'empilement stockent dans la mémoire des conteneurs de connaissances du système de RàPC des informations qui aident non seulement à l'apprentissage de l'algorithme au fil des itérations, mais facilitent également la génération de solutions à divers problèmes sur différents ensembles de données sans nécessité d'entraînement préalable. La conception itérative en deux cycles améliore la capacité du système de RàPC à travailler et à s'adapter à des problèmes dynamiques en cours d'exécution, comme le montre la figure \ref{figNCBR1}.	29	29	L'algorithme proposé, ESCBR (\textit{Ensemble Stacking Case-Based Reasoning}), est fondé sur le paradigme générique du RàPC combiné à plusieurs algorithmes de recherche de voisins et de génération de solutions. Ces algorithmes ont été intégrés selon une variation du modèle d'empilement en deux étapes itératives. Cette intégration donne à l'algorithme la capacité de s'adapter à différents types de problèmes, d'éviter les biais et le surentraînement. Les résultats de l'exécution des niveaux d'empilement stockent dans la mémoire des conteneurs de connaissances du système de RàPC des informations qui aident non seulement à l'apprentissage de l'algorithme au fil des itérations, mais facilitent également la génération de solutions à divers problèmes sur différents ensembles de données sans nécessité d'entraînement préalable. La conception itérative en deux cycles améliore la capacité du système de RàPC à travailler et à s'adapter à des problèmes dynamiques en cours d'exécution, comme le montre la figure \ref{figNCBR1}.
	30	30
\begin{figure}[!ht]	31	31	\begin{figure}[!ht]
\centering	32	32	\centering
\includegraphics[width=\textwidth]{./Figures/NCBR0.png}	33	33	\includegraphics[width=\textwidth]{./Figures/NCBR0.png}
\caption{Les deux cycles proposés pour le RàPC}	34	34	\caption{Les deux cycles proposés pour le RàPC}
\label{figNCBR1}	35	35	\label{figNCBR1}
\end{figure}	36	36	\end{figure}
%\colorbox{yellow}{Attention, cette figure apparaît deux fois dans ce chapitre.}\\	37	37	%\colorbox{yellow}{Attention, cette figure apparaît deux fois dans ce chapitre.}\\
%\colorbox{yellow}{J'ai l'impression que ce n'est pas la seule.}	38	38	%\colorbox{yellow}{J'ai l'impression que ce n'est pas la seule.}
	39	39
L'étape de récupération utilise les algorithmes de recherche et la base de données de cas (conteneurs $C1$ et $C3$ de la figure \ref{figNCBR1}) pour trouver les voisins les plus proches d'un problème cible. Puis l'étape de réutilisation utilise les algorithmes de génération de solutions (conteneur $C2$). L'étape de révision évalue ensuite les solutions générées et permet d'en générer de nouvelles itérativement en fonction des paramètres stockés dans le conteneur $C4$. Vient ensuite l'étape de révision prenant en considération la solution sélectionnée. Faisant suite à cette révision, l'étape de renouvellement met à jour les paramètres et les données du conteneur. Enfin, dans l'étape de capitalisation, la base de cas est mise à jour avec l'intégration du nouveau cas. Les flux d'information de l'algorithme proposé sont présentés sur la figure~\ref{figFlowCBR0}, tandis que le tableau~\ref{tabVarPar} présente l'ensemble des variables et paramètres de l'algorithme proposé.	40	40	L'étape de récupération utilise les algorithmes de recherche et la base de données de cas (conteneurs $C1$ et $C3$ de la figure \ref{figNCBR1}) pour trouver les voisins les plus proches d'un problème cible. Puis l'étape de réutilisation utilise les algorithmes de génération de solutions (conteneur $C2$). L'étape de révision évalue ensuite les solutions générées et permet d'en générer de nouvelles itérativement en fonction des paramètres stockés dans le conteneur $C4$. Vient ensuite l'étape de révision prenant en considération la solution sélectionnée. Faisant suite à cette révision, l'étape de renouvellement met à jour les paramètres et les données du conteneur. Enfin, dans l'étape de capitalisation, la base de cas est mise à jour avec l'intégration du nouveau cas. Les flux d'information de l'algorithme proposé sont présentés sur la figure~\ref{figFlowCBR0}, tandis que le tableau~\ref{tabVarPar} présente l'ensemble des variables et paramètres de l'algorithme proposé.
	41	41
\begin{figure}[!ht]	42	42	\begin{figure}[!ht]
\centering	43	43	\centering
\includegraphics[scale=0.6]{./Figures/FlowCBR0.png}	44	44	\includegraphics[scale=0.6]{./Figures/FlowCBR0.png}
\caption{Flux du \textit{Stacking} RàPC}	45	45	\caption{Flux du \textit{Stacking} RàPC}
\label{figFlowCBR0}	46	46	\label{figFlowCBR0}
\end{figure}	47	47	\end{figure}
	48	48
\begin{table}[!ht]	49	49	\begin{table}[!ht]
\centering	50	50	\centering
\begin{tabular}{cccc}	51	51	\begin{tabular}{cccc}
ID&Type&Description&Domain\\	52	52	ID&Type&Description&Domain\\
\hline	53	53	\hline
$it$&p&Nombre d'itérations&$\mathbb{N}, it>0$\\	54	54	$it$&p&Nombre d'itérations&$\mathbb{N}, it>0$\\
$np$&p&Nombre de processus&$\mathbb{N}, np>2$\\	55	55	$np$&p&Nombre de processus&$\mathbb{N}, np>2$\\
$nl$&p&Nombre maximal de voisins locaux&$\mathbb{N}, nl>0$\\	56	56	$nl$&p&Nombre maximal de voisins locaux&$\mathbb{N}, nl>0$\\
$ng$&p&Nombre de voisins globaux&$\mathbb{N}, ng>2$\\	57	57	$ng$&p&Nombre de voisins globaux&$\mathbb{N}, ng>2$\\
$n$&v&Dimension de l'espace du problème&$\mathbb{N}, n>0$\\	58	58	$n$&v&Dimension de l'espace du problème&$\mathbb{N}, n>0$\\
$m$&v&Dimension de l'espace de solution&$\mathbb{N}, m>0$\\	59	59	$m$&v&Dimension de l'espace de solution&$\mathbb{N}, m>0$\\
$z$&v&Taille de la base de données&$\mathbb{N}, z>0$\\	60	60	$z$&v&Taille de la base de données&$\mathbb{N}, z>0$\\
$p$&v&Description du problème&$\mathbb{R} ^ n$\\	61	61	$p$&v&Description du problème&$\mathbb{R} ^ n$\\
$s$&v&Description de la solution&$\mathbb{R} ^ m$\\	62	62	$s$&v&Description de la solution&$\mathbb{R} ^ m$\\
$r_a$&v&Nombre de modèles pour l'étape rétrouver&$\mathbb{N}, r_a>2$\\	63	63	$r_a$&v&Nombre de modèles pour l'étape rétrouver&$\mathbb{N}, r_a>2$\\
$r_b$&v&Nombre de modèles pour l'étape de réutilisation&$\mathbb{N}, r_b>2$\\	64	64	$r_b$&v&Nombre de modèles pour l'étape de réutilisation&$\mathbb{N}, r_b>2$\\
$at$&v&Identificateur des actions&$[0,2] \in \mathbb{N}$\\	65	65	$at$&v&Identificateur des actions&$[0,2] \in \mathbb{N}$\\
$nl_i$&v&Nombre de voisins locaux pour le modèle $i$&$\mathbb{N}, nl_i \le nl$\\	66	66	$nl_i$&v&Nombre de voisins locaux pour le modèle $i$&$\mathbb{N}, nl_i \le nl$\\
$g$&v&Description de la meilleure solution globale&$\mathbb{R} ^ m$\\	67	67	$g$&v&Description de la meilleure solution globale&$\mathbb{R} ^ m$\\
$v$&v&Évaluation de la meilleure solution globale&$\mathbb{R}$\\	68	68	$v$&v&Évaluation de la meilleure solution globale&$\mathbb{R}$\\
$d(x_1,x_2)$&f&Fonction de distance entre $x_1$ et $x_2$ &$\mathbb{R}$\\	69	69	$d(x_1,x_2)$&f&Fonction de distance entre $x_1$ et $x_2$ &$\mathbb{R}$\\
$MP(x_1^z,x_2,a)$&f&Fonction du modèle pour retrouver entre $x_1$ et $x_2$&$\mathbb{R}^{a \times z}$\\	70	70	$MP(x_1^z,x_2,a)$&f&Fonction du modèle pour retrouver entre $x_1$ et $x_2$&$\mathbb{R}^{a \times z}$\\
$MS(x_1^m)$&f&Fonction du modèle pour réutiliser avec $x_1$ &$\mathbb{R}^m$\\	71	71	$MS(x_1^m)$&f&Fonction du modèle pour réutiliser avec $x_1$ &$\mathbb{R}^m$\\
$f_s(p^n,s^m)$&f&Évaluation des solutions&$\mathbb{R}$\\	72	72	$f_s(p^n,s^m)$&f&Évaluation des solutions&$\mathbb{R}$\\
\end{tabular}	73	73	\end{tabular}
\caption{Variables et paramètres du modèle proposé (Type: p - paramètre, v - variable, f - fonction)}	74	74	\caption{Variables et paramètres du modèle proposé (Type: p - paramètre, v - variable, f - fonction)}
\label{tabVarPar}	75	75	\label{tabVarPar}
\end{table}	76	76	\end{table}
	77	77
\subsubsection{Rechercher}	78	78	\subsubsection{Rechercher}
La première étape de l'algorithme consiste à trouver les cas les plus similaires à un nouveau cas (appelé \textit{cas cible}). Pour ce faire, le modèle d'empilement de différents processus présenté sur la figure \ref{figSta1} est utilisé. Au niveau-0, chaque processus sélectionne et exécute un algorithme de recherche de voisins différents choisi parmi $r_a$ modèles dans le conteneur $C3$, avec un nombre de voisins $nl_i$ choisi aléatoirement dans l'intervalle $[0,nl]$. Puis au niveau-1, les résultats sont unifiés en construisant un ensemble global de cas similaires. Cinq algorithmes pour le niveau-0 ont été mis en œuvre pour l'étape de récupération : KNN (\textit{K Nearest Neighbors} - K plus proches voisins), KMeans, GMM (\textit{Gaussian Mixture Model}), FuzzyC et KNN Ponderation.	79	79	La première étape de l'algorithme consiste à trouver les cas les plus similaires à un nouveau cas (appelé \textit{cas cible}). Pour ce faire, le modèle d'empilement de différents processus présenté sur la figure \ref{figSta1} est utilisé. Au niveau-0, chaque processus sélectionne et exécute un algorithme de recherche de voisins différents choisi parmi $r_a$ modèles dans le conteneur $C3$, avec un nombre de voisins $nl_i$ choisi aléatoirement dans l'intervalle $[0,nl]$. Puis au niveau-1, les résultats sont unifiés en construisant un ensemble global de cas similaires. Cinq algorithmes pour le niveau-0 ont été mis en œuvre pour l'étape de récupération : KNN (\textit{K Nearest Neighbors} - K plus proches voisins), KMeans, GMM (\textit{Gaussian Mixture Model}), FuzzyC et KNN Ponderation.
	80	80
\begin{figure}	81	81	\begin{figure}
\centering	82	82	\centering
\includegraphics[width=\textwidth]{./Figures/Stacking1.png}	83	83	\includegraphics[width=\textwidth]{./Figures/Stacking1.png}
\caption{\textit{Stacking} pour chercher les plus proches voisins}	84	84	\caption{\textit{Stacking} pour chercher les plus proches voisins}
\label{figSta1}	85	85	\label{figSta1}
\end{figure}	86	86	\end{figure}
	87	87
Formellement, le premier modèle d'empilement proposé fonctionne avec deux paramètres : %\textcolor{red}{quels sont les 2 paramètres?}	88	88	Formellement, le premier modèle d'empilement proposé fonctionne avec deux paramètres : %\textcolor{red}{quels sont les 2 paramètres?}
une base de données de $z$ cas où un cas est composé de la description du problème et de la description de la solution ${(p^n,s^m)}^{z}$ et un nouveau cas sans solution $p_w^n$. Le but de tous les algorithmes de niveau-0 est de générer une liste locale de cas similaires au cas cible. Ainsi, pour chaque algorithme $j$ exécuté, l'ensemble $X_j=\{x_1,x_2,. ..,x_z \; \| \; x_i=MP_i((p^n)^z, p_w^n,nl_i) \}$ est généré. Au niveau-1, un ensemble global est créé à l'aide de tous les ensembles locaux $j$ $X_g=\cup_{n=1}^{ng} min \ ; ((\cup_{j=1}^{np} X_j)-X_g)$. Le résultat du premier modèle d'empilement est l'ensemble $X_g$ avec les $ng$ voisins les plus proches.	89	89	une base de données de $z$ cas où un cas est composé de la description du problème et de la description de la solution ${(p^n,s^m)}^{z}$ et un nouveau cas sans solution $p_w^n$. Le but de tous les algorithmes de niveau-0 est de générer une liste locale de cas similaires au cas cible. Ainsi, pour chaque algorithme $j$ exécuté, l'ensemble $X_j=\{x_1,x_2,. ..,x_z \; \| \; x_i=MP_i((p^n)^z, p_w^n,nl_i) \}$ est généré. Au niveau-1, un ensemble global est créé à l'aide de tous les ensembles locaux $j$ $X_g=\cup_{n=1}^{ng} min \ ; ((\cup_{j=1}^{np} X_j)-X_g)$. Le résultat du premier modèle d'empilement est l'ensemble $X_g$ avec les $ng$ voisins les plus proches.
	90	90
\subsubsection{Réutiliser}	91	91	\subsubsection{Réutiliser}
	92	92
Une fois la liste globale des cas similaires établie, les informations correspondant aux solutions de chacun de ces cas sont extraites et utilisées pour générer une nouvelle solution qui s'adapte au cas cible, en suivant le processus et les flux d'informations représentés sur la figure \ref{figAuto}. La génération est effectuée avec un deuxième modèle d'empilement de différents processus. Ce modèle d'empilement est représenté sur la figure \ref{figSta2}. Au niveau-0, chaque processus sélectionne et exécute un algorithme de génération différent à partir des modèles $r_b$ dans le conteneur $C2$. Au niveau-1, toutes les solutions générées sont stockées dans une mémoire globale. Toutes les solutions connues et générées sont représentées avec la même structure comme le montre la figure \ref{figSolRep}.	93	93	Une fois la liste globale des cas similaires établie, les informations correspondant aux solutions de chacun de ces cas sont extraites et utilisées pour générer une nouvelle solution qui s'adapte au cas cible, en suivant le processus et les flux d'informations représentés sur la figure \ref{figAuto}. La génération est effectuée avec un deuxième modèle d'empilement de différents processus. Ce modèle d'empilement est représenté sur la figure \ref{figSta2}. Au niveau-0, chaque processus sélectionne et exécute un algorithme de génération différent à partir des modèles $r_b$ dans le conteneur $C2$. Au niveau-1, toutes les solutions générées sont stockées dans une mémoire globale. Toutes les solutions connues et générées sont représentées avec la même structure comme le montre la figure \ref{figSolRep}.
	94	94
\begin{figure}[!ht]	95	95	\begin{figure}[!ht]
\centering	96	96	\centering
\includegraphics[scale=1]{./Figures/SolRep.png}	97	97	\includegraphics[scale=1]{./Figures/SolRep.png}
\caption{Représentation des solutions connues et générées}	98	98	\caption{Représentation des solutions connues et générées}
\label{figSolRep}	99	99	\label{figSolRep}
\end{figure}	100	100	\end{figure}
	101	101
Neuf algorithmes ont été mis en œuvre pour l'étape de réutilisation au niveau-0 : moyenne avec probabilité, moyenne sans probabilité, valeurs médianes, sélection aléatoire avec probabilité, copie et changement, vote, interpolation, PCA (analyse en composantes principales) et marche aléatoire. Tous les algorithmes proposés pour générer une nouvelle solution combinent et modifient l'ensemble de solutions construit dans l'étape de récupération.	102	102	Neuf algorithmes ont été mis en œuvre pour l'étape de réutilisation au niveau-0 : moyenne avec probabilité, moyenne sans probabilité, valeurs médianes, sélection aléatoire avec probabilité, copie et changement, vote, interpolation, PCA (analyse en composantes principales) et marche aléatoire. Tous les algorithmes proposés pour générer une nouvelle solution combinent et modifient l'ensemble de solutions construit dans l'étape de récupération.
	103	103
\begin{figure}[!ht]	104	104	\begin{figure}[!ht]
\centering	105	105	\centering
\includegraphics[width=\textwidth]{./Figures/AutomaticS.png}	106	106	\includegraphics[width=\textwidth]{./Figures/AutomaticS.png}
\caption{Génération et vérification automatique des solutions}	107	107	\caption{Génération et vérification automatique des solutions}
\label{figAuto}	108	108	\label{figAuto}
\end{figure}	109	109	\end{figure}
	110	110
La moyenne pondérée avec probabilité est construite en considérant les $nl$ cas les plus proches du cas cible. Ces $nl$ cas sont les cas sélectionnés par le premier empilement. Pour chacun de ces $nl$ cas, un ratio $\alpha_j$ est calculé en considérant la distance entre celui-ci et le cas cible, selon l'équation \ref{gen00}.	111	111	La moyenne pondérée avec probabilité est construite en considérant les $nl$ cas les plus proches du cas cible. Ces $nl$ cas sont les cas sélectionnés par le premier empilement. Pour chacun de ces $nl$ cas, un ratio $\alpha_j$ est calculé en considérant la distance entre celui-ci et le cas cible, selon l'équation \ref{gen00}.
Nous considérons alors l'ensemble de ces ratios comme une distribution de probabilité discrète. Chacune des composantes du vecteur solution est ensuite calculée selon l'équation \ref{gen01}. Cet algorithme permet de donner plus de poids aux solutions des cas les plus proches du cas cible.	112	112	Nous considérons alors l'ensemble de ces ratios comme une distribution de probabilité discrète. Chacune des composantes du vecteur solution est ensuite calculée selon l'équation \ref{gen01}. Cet algorithme permet de donner plus de poids aux solutions des cas les plus proches du cas cible.
	113	113
\begin{equation}	114	114	\begin{equation}
\alpha_j=1-\left(\frac{d(p_j^n,p_w^n)}{\sum_{i=0}^{nl} d(p_i^n,p_w^n)}\right)	115	115	\alpha_j=1-\left(\frac{d(p_j^n,p_w^n)}{\sum_{i=0}^{nl} d(p_i^n,p_w^n)}\right)
\label{gen00}	116	116	\label{gen00}
\end{equation}	117	117	\end{equation}
	118	118
\begin{equation}	119	119	\begin{equation}
s^m_{j,w}=\frac{1}{nl} \sum_{i=0}^{nl} \alpha_j s_{i,j}	120	120	s^m_{j,w}=\frac{1}{nl} \sum_{i=0}^{nl} \alpha_j s_{i,j}
\label{gen01}	121	121	\label{gen01}
\end{equation}	122	122	\end{equation}
	123	123
La moyenne sans probabilité génère la nouvelle solution où la valeur de chaque composante est la moyenne calculée avec une distribution de probabilité uniforme (attribuant la même probabilité à toutes les composantes de toutes les solutions associées aux cas les plus proches du cas cible). Formellement la génération de la solution est calculée selon l'équation \ref{gen2}.	124	124	La moyenne sans probabilité génère la nouvelle solution où la valeur de chaque composante est la moyenne calculée avec une distribution de probabilité uniforme (attribuant la même probabilité à toutes les composantes de toutes les solutions associées aux cas les plus proches du cas cible). Formellement la génération de la solution est calculée selon l'équation \ref{gen2}.
	125	125
\begin{equation}	126	126	\begin{equation}
s^m_{w,j}= \frac{1}{nl} \sum_{i=0}^{nl} s_{i,j}	127	127	s^m_{w,j}= \frac{1}{nl} \sum_{i=0}^{nl} s_{i,j}
\label{gen2}	128	128	\label{gen2}
\end{equation}	129	129	\end{equation}
	130	130
La génération par valeurs médianes (équation \ref{eqgen3}) construit la solution en utilisant la valeur médiane de toutes les solutions pour chaque composante $j$. $X_j$ représente l'ensemble des valeurs ordonnées des $j$-ièmes composantes de toutes solutions $S$.	131	131	La génération par valeurs médianes (équation \ref{eqgen3}) construit la solution en utilisant la valeur médiane de toutes les solutions pour chaque composante $j$. $X_j$ représente l'ensemble des valeurs ordonnées des $j$-ièmes composantes de toutes solutions $S$.
	132	132
\begin{equation}	133	133	\begin{equation}
s_{j,w}^m=	134	134	s_{j,w}^m=
\begin{cases}	135	135	\begin{cases}
x_{j,\frac{m+1}{2}}, \; si \; m \in \{{2k+1 : k \in \mathbb{Z}}\}\\	136	136	x_{j,\frac{m+1}{2}}, \; si \; m \in \{{2k+1 : k \in \mathbb{Z}}\}\\
\frac{x_{j,\frac{m}{2}}+x_{j,\frac{m}{2}+1}}{2}, \; sinon\\	137	137	\frac{x_{j,\frac{m}{2}}+x_{j,\frac{m}{2}+1}}{2}, \; sinon\\
\end{cases}	138	138	\end{cases}
\label{eqgen3}	139	139	\label{eqgen3}
\end{equation}	140	140	\end{equation}
	141	141
La sélection aléatoire avec probabilité (équation \ref{eqgen4}) génère une solution en copiant la $j$-ième composante de l'une des solutions tirée au sort. Le tirage au sort suit une loi donnée par une distribution de probabilité discrète. Cette distribution de probabilité est identique à celle de la moyenne pondérée avec probabilité.	142	142	La sélection aléatoire avec probabilité (équation \ref{eqgen4}) génère une solution en copiant la $j$-ième composante de l'une des solutions tirée au sort. Le tirage au sort suit une loi donnée par une distribution de probabilité discrète. Cette distribution de probabilité est identique à celle de la moyenne pondérée avec probabilité.
	143	143
\begin{equation}	144	144	\begin{equation}
s_{j,w}^m=s_{j,k}^m; k \sim \left(1-\left(\frac{d(p_k,p_w)}{\sum_{i=1}^nl(p_k,p_i)} \right)\right)	145	145	s_{j,w}^m=s_{j,k}^m; k \sim \left(1-\left(\frac{d(p_k,p_w)}{\sum_{i=1}^nl(p_k,p_i)} \right)\right)
\label{eqgen4}	146	146	\label{eqgen4}
\end{equation}	147	147	\end{equation}
	148	148
"Copie/changement" copie les informations d'une solution aléatoire et en remplace une partie par celles d'une autre solution sélectionnée aléatoirement selon l'équation \ref{eqgen5}.	149	149	"Copie/changement" copie les informations d'une solution aléatoire et en remplace une partie par celles d'une autre solution sélectionnée aléatoirement selon l'équation \ref{eqgen5}.
	150	150
\begin{equation}	151	151	\begin{equation}
s_{j,w}^m=s_{j,k}^m; k \sim \left(\frac{1}{nl} \right)	152	152	s_{j,w}^m=s_{j,k}^m; k \sim \left(\frac{1}{nl} \right)
\label{eqgen5}	153	153	\label{eqgen5}
\end{equation}	154	154	\end{equation}
	155	155
Le vote permet de copier l'information la plus fréquente de toutes \ref{eqgen6}.	156	156	Le vote permet de copier l'information la plus fréquente de toutes \ref{eqgen6}.
	157	157
\begin{equation}	158	158	\begin{equation}
s_{j,w}^m=s_{j,k}^m; k=argmax_i \; \mathbb{P}(X=s_{j,i}^m), 1\le i \le nl	159	159	s_{j,w}^m=s_{j,k}^m; k=argmax_i \; \mathbb{P}(X=s_{j,i}^m), 1\le i \le nl
\label{eqgen6}	160	160	\label{eqgen6}
\end{equation}	161	161	\end{equation}
	162	162
L'interpolation construit une distribution de probabilité continue pour chaque composante $j$. Chaque probabilité de ces distributions est le résultat d'une fonction d'interpolation linéaire à une composante. La valeur de la $j$-ième composante de la solution est calculée selon l'équation \ref{eqgen7}.	163	163	L'interpolation construit une distribution de probabilité continue pour chaque composante $j$. Chaque probabilité de ces distributions est le résultat d'une fonction d'interpolation linéaire à une composante. La valeur de la $j$-ième composante de la solution est calculée selon l'équation \ref{eqgen7}.
	164	164
\begin{equation}	165	165	\begin{equation}
s_{w,j}^m \sim \left( \left( \frac{y_i-y_{i+1}}{x_i-x_{i+1}} \right) (x-x_i)+y_i \right), \forall i \; 0 \le i < nl	166	166	s_{w,j}^m \sim \left( \left( \frac{y_i-y_{i+1}}{x_i-x_{i+1}} \right) (x-x_i)+y_i \right), \forall i \; 0 \le i < nl
\label{eqgen7}	167	167	\label{eqgen7}
\end{equation}	168	168	\end{equation}
	169	169
L'analyse en composantes principales (PCA) consiste à établir une transformation de la description du problème en description de la solution associée. La moyenne de la distance entre toutes les paires problème-solution est calculée et permet de générer une solution par transposition.	170	170	L'analyse en composantes principales (PCA) consiste à établir une transformation de la description du problème en description de la solution associée. La moyenne de la distance entre toutes les paires problème-solution est calculée et permet de générer une solution par transposition.
	171	171
La PCA permet donc de générer une matrice de transformation $\mathcal{M}$ d'un vecteur de l'espace des problèmes en vecteur de l'espace des solutions. Pour chaque cas source, la distance entre le vecteur solution obtenu et le vecteur solution stocké est calculée. Une moyenne de ces distances $md$ est ensuite considérée.	172	172	La PCA permet donc de générer une matrice de transformation $\mathcal{M}$ d'un vecteur de l'espace des problèmes en vecteur de l'espace des solutions. Pour chaque cas source, la distance entre le vecteur solution obtenu et le vecteur solution stocké est calculée. Une moyenne de ces distances $md$ est ensuite considérée.
	173	173
L'application de $\mathcal{M}$ au vecteur problème du cas cible donne donc dans un premier temps un vecteur solution. La solution cible est alors le vecteur $md \times \mathcal{M}$.	174	174	L'application de $\mathcal{M}$ au vecteur problème du cas cible donne donc dans un premier temps un vecteur solution. La solution cible est alors le vecteur $md \times \mathcal{M}$.
	175	175
La marche aléatoire consiste à choisir une solution et à changer la valeur de l'une de ses composantes. Cette composante est tirée au sort et un pas $\Delta$ est ajouté à sa valeur. La valeur de $\Delta$ est générée en suivant une distribution de probabilité normale de moyenne $0$ et de variance $1$.	176	176	La marche aléatoire consiste à choisir une solution et à changer la valeur de l'une de ses composantes. Cette composante est tirée au sort et un pas $\Delta$ est ajouté à sa valeur. La valeur de $\Delta$ est générée en suivant une distribution de probabilité normale de moyenne $0$ et de variance $1$.
	177	177
\begin{equation}	178	178	\begin{equation}
k \sim \left(\frac{1}{nl}\right)	179	179	k \sim \left(\frac{1}{nl}\right)
\end{equation}	180	180	\end{equation}
	181	181
\begin{equation}	182	182	\begin{equation}
s_{w,j}^m=\begin{cases}	183	183	s_{w,j}^m=\begin{cases}
s_{j,k}^m+\mathcal{N}(0,1)& si \; (\mathcal{U}_{int}(0,10))\%2=0\\	184	184	s_{j,k}^m+\mathcal{N}(0,1)& si \; (\mathcal{U}_{int}(0,10))\%2=0\\
s_{j,k}^m-\mathcal{N}(0,1)&sinon	185	185	s_{j,k}^m-\mathcal{N}(0,1)&sinon
\end{cases}	186	186	\end{cases}
\end{equation}	187	187	\end{equation}
	188	188
\begin{figure}	189	189	\begin{figure}
\centering	190	190	\centering
\includegraphics[width=\textwidth]{./Figures/Stacking2.png}	191	191	\includegraphics[width=\textwidth]{./Figures/Stacking2.png}
\caption{\textit{Stacking} pour la génération de solutions}	192	192	\caption{\textit{Stacking} pour la génération de solutions}
\label{figSta2}	193	193	\label{figSta2}
\end{figure}	194	194	\end{figure}
	195	195
La description des solutions $s$ et l'ensemble $(s^m)^{ng}$ sont les paramètres du deuxième modèle d'empilement. Chaque modèle décrit ci-dessus génère une solution candidate $s_{i,c}=MS_i((s^m)^{ng})$. Vient ensuite la construction de l'ensemble d'unification de toutes les solutions candidates $Y_g= \cup_{i=1}^{np} s_{i,c}$ (niveau-1). Cet ensemble est évalué à l'aide d'une fonction permettant de déterminer la qualité de la solution.	196	196	La description des solutions $s$ et l'ensemble $(s^m)^{ng}$ sont les paramètres du deuxième modèle d'empilement. Chaque modèle décrit ci-dessus génère une solution candidate $s_{i,c}=MS_i((s^m)^{ng})$. Vient ensuite la construction de l'ensemble d'unification de toutes les solutions candidates $Y_g= \cup_{i=1}^{np} s_{i,c}$ (niveau-1). Cet ensemble est évalué à l'aide d'une fonction permettant de déterminer la qualité de la solution.
	197	197
\subsubsection{Révision}	198	198	\subsubsection{Révision}
	199	199
Dans cette phase, le problème de l'évaluation automatique d'une solution candidate est transformé en un problème d'optimisation, où la fonction objectif est \ref{eqOpt}. Ce problème revient à calculer la moyenne géométrique ou encore à résoudre le problème de "Fermat-Weber". Dans le cas d'un espace multidimensionnel, résoudre ce problème revient à calculer la moyenne spatiale \cite{doi:10.1137/23M1592420}. La figure \ref{fig:FW} montre un exemple de la formulation du problème en deux dimensions. Sur cette figure, le point rouge représente une solution possible minimisant la somme des distances entre ce point et tous les autres points définis dans l'espace.	200	200	Dans cette phase, le problème de l'évaluation automatique d'une solution candidate est transformé en un problème d'optimisation, où la fonction objectif est \ref{eqOpt}. Ce problème revient à calculer la moyenne géométrique ou encore à résoudre le problème de "Fermat-Weber". Dans le cas d'un espace multidimensionnel, résoudre ce problème revient à calculer la moyenne spatiale \cite{doi:10.1137/23M1592420}. La figure \ref{fig:FW} montre un exemple de la formulation du problème en deux dimensions. Sur cette figure, le point rouge représente une solution possible minimisant la somme des distances entre ce point et tous les autres points définis dans l'espace.
	201	201
La fonction objectif \ref{eqOpt} établit un rapport entre la distance de la solution générée $s^m_w$ et les $x$ solutions connues $s^m_x$ avec un facteur aléatoire de \textit{drift} d'une part, et la distance entre le problème cible $p^n_w$ et les $x$ problèmes connus $p^n_x$ d'autre part. Ici, la difficulté à trouver le point optimal réside dans le fait que les points de l'espace ne peuvent pas tous convenir en tant que solution cible. La solution cible finale dépend donc des informations des solutions connues. L'objectif est d'utiliser les informations disponibles de chaque cas (problème et solution) pour valider et générer l'ensemble de solutions proposées.\\	202	202	La fonction objectif \ref{eqOpt} établit un rapport entre la distance de la solution générée $s^m_w$ et les $x$ solutions connues $s^m_x$ avec un facteur aléatoire de \textit{drift} d'une part, et la distance entre le problème cible $p^n_w$ et les $x$ problèmes connus $p^n_x$ d'autre part. Ici, la difficulté à trouver le point optimal réside dans le fait que les points de l'espace ne peuvent pas tous convenir en tant que solution cible. La solution cible finale dépend donc des informations des solutions connues. L'objectif est d'utiliser les informations disponibles de chaque cas (problème et solution) pour valider et générer l'ensemble de solutions proposées.\\
%\colorbox{yellow}{J'ai beaucoup modifié le paragraphe ci-dessus. Il faudrait vérifier.}	203	203	%\colorbox{yellow}{J'ai beaucoup modifié le paragraphe ci-dessus. Il faudrait vérifier.}
	204	204
\begin{equation}	205	205	\begin{equation}
\lambda_x(p_w, s_w) = \left( \frac{d(s_w^m,(s_x^m+rn(0,d(p_w^n, p_i^n))))}{d(p_w^n,p_x^n)^2} \right)	206	206	\lambda_x(p_w, s_w) = \left( \frac{d(s_w^m,(s_x^m+rn(0,d(p_w^n, p_i^n))))}{d(p_w^n,p_x^n)^2} \right)
\label{eqOpt0}	207	207	\label{eqOpt0}
\end{equation}	208	208	\end{equation}
	209	209
\begin{equation}	210	210	\begin{equation}
min \; \left( f_s(p_w^n, s_w^m) \right) = min \left( \sum_{i=1}^{ng} \lambda_i (p_w, s_w) \right)	211	211	min \; \left( f_s(p_w^n, s_w^m) \right) = min \left( \sum_{i=1}^{ng} \lambda_i (p_w, s_w) \right)
\label{eqOpt}	212	212	\label{eqOpt}
\end{equation}	213	213	\end{equation}
	214	214
\begin{figure}[!ht]	215	215	\begin{figure}[!ht]
\centering	216	216	\centering
\includegraphics[width=\textwidth]{Figures/FW.png}	217	217	\includegraphics[width=\textwidth]{Figures/FW.png}
\caption{Représentation graphique en deux dimensions du problème de moyenne géométrique. (Points associés au problème ($\lambda_1,..,\lambda_7$) et point rouge solution au problème)}	218	218	\caption{Représentation graphique en deux dimensions du problème de moyenne géométrique. (Points associés au problème ($\lambda_1,..,\lambda_7$) et point rouge solution au problème)}
\label{fig:FW}	219	219	\label{fig:FW}
\end{figure}	220	220	\end{figure}
	221	221
Le cycle d'optimisation permet d'exécuter les phases de récupération et de réutilisation en fonction de l'action sélectionnée selon une distribution de probabilité parmi $[0,at]$ à chaque itération $it$. À chaque itération, la valeur minimale évaluée par la fonction objectif est sauvegardée.	222	222	Le cycle d'optimisation permet d'exécuter les phases de récupération et de réutilisation en fonction de l'action sélectionnée selon une distribution de probabilité parmi $[0,at]$ à chaque itération $it$. À chaque itération, la valeur minimale évaluée par la fonction objectif est sauvegardée.
	223	223
\subsubsection{Mémorisation}	224	224	\subsubsection{Mémorisation}
	225	225
L'étape de mémorisation consiste simplement à prendre la meilleure solution proposée et à déterminer s'il s'agit d'une solution nouvelle ou existante. S'il s'agit d'une nouvelle solution, elle est enregistrée dans la base de connaissances.	226	226	L'étape de mémorisation consiste simplement à prendre la meilleure solution proposée et à déterminer s'il s'agit d'une solution nouvelle ou existante. S'il s'agit d'une nouvelle solution, elle est enregistrée dans la base de connaissances.
	227	227
\subsection{Résultats}	228	228	\subsection{Résultats}
	229	229
Les performances de prédiction de l'algorithme proposé ont été comparées à celles de neuf autres algorithmes sur dix jeux de données classiquement utilisés pour évaluer des méthodes de régression. Ces jeux de données présentent des caractéristiques différentes. Les jeux de données et leurs caractéristiques sont consignées dans le tableau \ref{tabBases2}. Les valeurs des paramètres de l'algorithme sont les suivantes : $it=100$, $np=50$, $nl=10$ et $ng=10$.	230	230	Les performances de prédiction de l'algorithme proposé ont été comparées à celles de neuf autres algorithmes sur dix jeux de données classiquement utilisés pour évaluer des méthodes de régression. Ces jeux de données présentent des caractéristiques différentes. Les jeux de données et leurs caractéristiques sont consignées dans le tableau \ref{tabBases2}. Les valeurs des paramètres de l'algorithme sont les suivantes : $it=100$, $np=50$, $nl=10$ et $ng=10$.
%\colorbox{yellow}{À quoi correspondent ces valeurs ? Unités ?}	231	231	%\colorbox{yellow}{À quoi correspondent ces valeurs ? Unités ?}
	232	232
\begin{table}[!ht]	233	233	\begin{table}[!ht]
\tiny	234	234	\tiny
\centering	235	235	\centering
\begin{tabular}{llccccc}	236	236	\begin{tabular}{llccccc}
ID&DataSet&Features&Instances&Output Dimension&Input Domain&Output Domain\\	237	237	ID&DataSet&Features&Instances&Output Dimension&Input Domain&Output Domain\\
\hline	238	238	\hline
DS1&Yatch Hydrodynamics&6&308&1&$\mathbb{R}$&$\mathbb{R}$\\	239	239	DS1&Yatch Hydrodynamics&6&308&1&$\mathbb{R}$&$\mathbb{R}$\\
DS2&Electrical Grid Stability&12&10000&1&$\mathbb{R}$&$\mathbb{R}$\\	240	240	DS2&Electrical Grid Stability&12&10000&1&$\mathbb{R}$&$\mathbb{R}$\\
DS3&Real State Valuation&6&414&1&$\mathbb{R_+}$&$\mathbb{R_+}$\\	241	241	DS3&Real State Valuation&6&414&1&$\mathbb{R_+}$&$\mathbb{R_+}$\\
DS4&Wine Quality (Red)&11&1598&1&$\mathbb{R_+}$&$\mathbb{N}$\\	242	242	DS4&Wine Quality (Red)&11&1598&1&$\mathbb{R_+}$&$\mathbb{N}$\\
DS5&Wine Quality (White)&11&4897&1&$\mathbb{R_+}$&$\mathbb{N}$\\	243	243	DS5&Wine Quality (White)&11&4897&1&$\mathbb{R_+}$&$\mathbb{N}$\\
DS6&Concrete Compressive Strength&8&1030&1&$\mathbb{R_+}$&$\mathbb{R_+}$\\	244	244	DS6&Concrete Compressive Strength&8&1030&1&$\mathbb{R_+}$&$\mathbb{R_+}$\\
DS7&Energy Efficiency&8&768&2&$\mathbb{R_+}$&$\mathbb{R_+}$\\	245	245	DS7&Energy Efficiency&8&768&2&$\mathbb{R_+}$&$\mathbb{R_+}$\\
DS8&Gas Turbine CO, NOx Emission (2015)&9&7384&2&$\mathbb{R_+}$&$\mathbb{R_+}$\\	246	246	DS8&Gas Turbine CO, NOx Emission (2015)&9&7384&2&$\mathbb{R_+}$&$\mathbb{R_+}$\\
DS9&Student Performace Portuguese&30&649&3&$\mathbb{N}$&$\mathbb{N}$\\	247	247	DS9&Student Performace Portuguese&30&649&3&$\mathbb{N}$&$\mathbb{N}$\\
DS10&Student Performance Math&30&395&3&$\mathbb{N}$&$\mathbb{N}$\\	248	248	DS10&Student Performance Math&30&395&3&$\mathbb{N}$&$\mathbb{N}$\\
\end{tabular}	249	249	\end{tabular}
\caption{Description des jeux de données évaluées.}	250	250	\caption{Description des jeux de données évaluées.}
\label{tabBases2}	251	251	\label{tabBases2}
\end{table}	252	252	\end{table}
	253	253
L'algorithme proposé est comparé à neuf algorithmes de régression largement utilisés dans divers travaux de recherche et problèmes appliqués. La liste des algorithmes est présentée dans le tableau \ref{tabAlgs2}. Tous les algorithmes ont été exécutés cent fois, et les algorithmes qui nécessitent un entraînement et des validations croisées sont exécutés avec $k=10$ blocs.	254	254	L'algorithme proposé est comparé à neuf algorithmes de régression largement utilisés dans divers travaux de recherche et problèmes appliqués. La liste des algorithmes est présentée dans le tableau \ref{tabAlgs2}. Tous les algorithmes ont été exécutés cent fois, et les algorithmes qui nécessitent un entraînement et des validations croisées sont exécutés avec $k=10$ blocs.
	255	255
\begin{table}[!ht]	256	256	\begin{table}[!ht]
\centering	257	257	\centering
\footnotesize	258	258	\footnotesize
\begin{tabular}{ll\|ll}	259	259	\begin{tabular}{ll\|ll}
ID&Algorithm&ID&Algorithm\\	260	260	ID&Algorithm&ID&Algorithm\\
\hline	261	261	\hline
A1&Linear Regression&A6&Polinomial Regression\\	262	262	A1&Linear Regression&A6&Polinomial Regression\\
A2&K-Nearest Neighbor&A7&Ridge Regression\\	263	263	A2&K-Nearest Neighbor&A7&Ridge Regression\\
A3&Decision Tree&A8&Lasso Regression\\	264	264	A3&Decision Tree&A8&Lasso Regression\\
A4&Random Forest (Ensemble)&A9&Gradient Boosting (Ensemble)\\	265	265	A4&Random Forest (Ensemble)&A9&Gradient Boosting (Ensemble)\\
A5&Multi Layer Perceptron&A10&Proposed Case Based Reasoning\\	266	266	A5&Multi Layer Perceptron&A10&Proposed Case Based Reasoning\\
\end{tabular}	267	267	\end{tabular}
\caption{Liste des algorithmes évalués}	268	268	\caption{Liste des algorithmes évalués}
\label{tabAlgs2}	269	269	\label{tabAlgs2}
\end{table}	270	270	\end{table}
	271	271
Le tableau \ref{tabRes1_2} présente l'erreur quadratique moyenne (RMSE) obtenue par chaque algorithme pour chaque jeu de données. Le tableau \ref{tabRes2_2} présente l'erreur absolue médiane (MAE) obtenue par chaque algorithme pour chaque jeu de données.	272	272	Le tableau \ref{tabRes1_2} présente l'erreur quadratique moyenne (RMSE) obtenue par chaque algorithme pour chaque jeu de données. Le tableau \ref{tabRes2_2} présente l'erreur absolue médiane (MAE) obtenue par chaque algorithme pour chaque jeu de données.
	273	273
\begin{table}[!ht]	274	274	\begin{table}[!ht]
\footnotesize	275	275	\footnotesize
\centering	276	276	\centering
\begin{tabular}{c\|ccccccccccc}	277	277	\begin{tabular}{c\|ccccccccccc}
Dataset&A1&A2&A3&A4&A5&A6&A7&A8&A9&A10\\	278	278	Dataset&A1&A2&A3&A4&A5&A6&A7&A8&A9&A10\\
\hline	279	279	\hline
DS1&9.010&10.780&1.224&0.982&3.369&9.009&8.985&9.629&\textbf{0.668}&5.871\\	280	280	DS1&9.010&10.780&1.224&0.982&3.369&9.009&8.985&9.629&\textbf{0.668}&5.871\\
DS2&0.022&0.025&0.020&0.012&0.017&0.022&0.022&0.037&\textbf{0.011}&0.015\\	281	281	DS2&0.022&0.025&0.020&0.012&0.017&0.022&0.022&0.037&\textbf{0.011}&0.015\\
DS3&8.633&8.033&9.334&\textbf{7.203}&8.470&8.705&8.842&9.009&7.324&8.491\\	282	282	DS3&8.633&8.033&9.334&\textbf{7.203}&8.470&8.705&8.842&9.009&7.324&8.491\\
DS4&0.651&0.746&0.782&\textbf{0.571}&0.694&0.651&0.651&0.792&0.617&0.762\\	283	283	DS4&0.651&0.746&0.782&\textbf{0.571}&0.694&0.651&0.651&0.792&0.617&0.762\\
DS5&0.753&0.806&0.820&\textbf{0.599}&0.853&0.754&0.757&0.863&0.688&0.748\\	284	284	DS5&0.753&0.806&0.820&\textbf{0.599}&0.853&0.754&0.757&0.863&0.688&0.748\\
DS6&10.439&8.871&6.144&\textbf{4.738}&6.553&10.423&10.422&10.428&5.053&8.766\\	285	285	DS6&10.439&8.871&6.144&\textbf{4.738}&6.553&10.423&10.422&10.428&5.053&8.766\\
DS7&2.948&2.116&0.541&\textbf{0.465}&3.726&2.949&2.979&4.094&0.467&1.973\\	286	286	DS7&2.948&2.116&0.541&\textbf{0.465}&3.726&2.949&2.979&4.094&0.467&1.973\\
DS8&1.315&1.161&1.513&\textbf{1.109}&1.566&1.303&1.308&1.318&1.125&2.157\\	287	287	DS8&1.315&1.161&1.513&\textbf{1.109}&1.566&1.303&1.308&1.318&1.125&2.157\\
DS9&\textbf{2.304}&2.624&3.217&2.315&2.898&\textbf{2.304}&\textbf{2.304}&2.551&2.342&2.802\\	288	288	DS9&\textbf{2.304}&2.624&3.217&2.315&2.898&\textbf{2.304}&\textbf{2.304}&2.551&2.342&2.802\\
DS10&3.052&3.404&4.158&\textbf{3.014}&3.607&3.061&3.061&3.150&3.020&3.874\\	289	289	DS10&3.052&3.404&4.158&\textbf{3.014}&3.607&3.061&3.061&3.150&3.020&3.874\\
\hline	290	290	\hline
Avg. Rank&5.7&6.3&7.2&2.1&6.6&5.6&5.5&8.6&1.8&5.6\\	291	291	Avg. Rank&5.7&6.3&7.2&2.1&6.6&5.6&5.5&8.6&1.8&5.6\\
\end{tabular}	292	292	\end{tabular}
\caption{RMSE calculée sur les dix jeux de données sélectionnés obtenue après exécution des dix algorithmes de régression considérés}	293	293	\caption{RMSE calculée sur les dix jeux de données sélectionnés obtenue après exécution des dix algorithmes de régression considérés}
\label{tabRes1_2}	294	294	\label{tabRes1_2}
\end{table}	295	295	\end{table}
	296	296
\begin{table}[!ht]	297	297	\begin{table}[!ht]
\footnotesize	298	298	\footnotesize
\centering	299	299	\centering
\begin{tabular}{c\|ccccccccccc}	300	300	\begin{tabular}{c\|ccccccccccc}
Dataset&A1&A2&A3&A4&A5&A6&A7&A8&A9&A10\\	301	301	Dataset&A1&A2&A3&A4&A5&A6&A7&A8&A9&A10\\
\hline	302	302	\hline
DS1&6.776&2.385&0.231&0.207&3.632&6.778&6.307&5.186&\textbf{0.162}&1.193\\	303	303	DS1&6.776&2.385&0.231&0.207&3.632&6.778&6.307&5.186&\textbf{0.162}&1.193\\
DS2&0.015&0.017&0.012&0.008&0.012&0.015&0.015&0.030&\textbf{0.007}&0.011\\	304	304	DS2&0.015&0.017&0.012&0.008&0.012&0.015&0.015&0.030&\textbf{0.007}&0.011\\
DS3&5.092&4.320&4.1&3.632&4.435&5.092&5.20&5.132&\textbf{3.504}&3.90\\	305	305	DS3&5.092&4.320&4.1&3.632&4.435&5.092&5.20&5.132&\textbf{3.504}&3.90\\
DS4&0.413&0.495&0.18&0.325&0.451&0.413&0.412&0.544&0.387&\textbf{0.154}\\	306	306	DS4&0.413&0.495&0.18&0.325&0.451&0.413&0.412&0.544&0.387&\textbf{0.154}\\
DS5&0.509&0.548&0.285&0.374&0.550&0.509&0.509&0.633&0.456&\textbf{0.113}\\	307	307	DS5&0.509&0.548&0.285&0.374&0.550&0.509&0.509&0.633&0.456&\textbf{0.113}\\
DS6&6.989&5.709&3.134&\textbf{2.839}&4.306&6.989&6.989&6.986&3.084&5.439\\	308	308	DS6&6.989&5.709&3.134&\textbf{2.839}&4.306&6.989&6.989&6.986&3.084&5.439\\
DS7&1.393&1.372&\textbf{0.217}&0.218&2.523&1.393&1.529&2.346&0.243&1.008\\	309	309	DS7&1.393&1.372&\textbf{0.217}&0.218&2.523&1.393&1.529&2.346&0.243&1.008\\
DS8&0.549&0.297&0.365&\textbf{0.289}&0.742&0.549&0.549&0.540&0.309&0.861\\	310	310	DS8&0.549&0.297&0.365&\textbf{0.289}&0.742&0.549&0.549&0.540&0.309&0.861\\
DS9&\textbf{1.496}&1.788&2.080&1.612&2.005&\textbf{1.496}&\textbf{1.496}&1.714&1.538&1.721\\	311	311	DS9&\textbf{1.496}&1.788&2.080&1.612&2.005&\textbf{1.496}&\textbf{1.496}&1.714&1.538&1.721\\
DS10&2.344&2.534&2.910&2.331&2.543&2.344&2.344&2.481&\textbf{2.258}&2.602\\	312	312	DS10&2.344&2.534&2.910&2.331&2.543&2.344&2.344&2.481&\textbf{2.258}&2.602\\
\hline	313	313	\hline
Avg. Rank&6.45&6.4&4.35&2.3&7.35&6.55&6.6&7.9&2.4&4.7\\	314	314	Avg. Rank&6.45&6.4&4.35&2.3&7.35&6.55&6.6&7.9&2.4&4.7\\
\end{tabular}	315	315	\end{tabular}
\caption{MAE calculée sur les dix jeux de données sélectionnés obtenue après exécution des dix algorithmes de régression considérés}	316	316	\caption{MAE calculée sur les dix jeux de données sélectionnés obtenue après exécution des dix algorithmes de régression considérés}
\label{tabRes2_2}	317	317	\label{tabRes2_2}
\end{table}	318	318	\end{table}
	319	319
La dispersion globale, la médiane et les valeurs aberrantes pour quatre jeux de données représentatifs sont présentées sur la figure \ref{figBox2}. Nous pouvons voir que l'algorithme ESCBR proposé génère plus de valeurs aberrantes que les autres algorithmes. Ceci peut être expliqué par le fait que les algorithmes de niveau-0 de ESCBR tendent à privilégier l'exploration de l'espace des solutions. Toutefois, nous pouvons observer que ESCBR est plus stable (la variance est plus faible) et converge mieux que la plupart des autres algorithmes testés.	320	320	La dispersion globale, la médiane et les valeurs aberrantes pour quatre jeux de données représentatifs sont présentées sur la figure \ref{figBox2}. Nous pouvons voir que l'algorithme ESCBR proposé génère plus de valeurs aberrantes que les autres algorithmes. Ceci peut être expliqué par le fait que les algorithmes de niveau-0 de ESCBR tendent à privilégier l'exploration de l'espace des solutions. Toutefois, nous pouvons observer que ESCBR est plus stable (la variance est plus faible) et converge mieux que la plupart des autres algorithmes testés.
	321	321
\begin{figure}	322	322	\begin{figure}
\includegraphics[width=\textwidth]{./Figures/boxplot.png}	323	323	\includegraphics[width=\textwidth]{./Figures/boxplot.png}
\caption{Résultats de la métrique MAE (\textit{Median Absolute Error}) pour les dix algorithmes et quatre bases de données représentatives}	324	324	\caption{Résultats de la métrique MAE (\textit{Median Absolute Error}) pour les dix algorithmes et quatre bases de données représentatives}
\label{figBox2}	325	325	\label{figBox2}
\end{figure}	326	326	\end{figure}
	327	327
\subsection{Discussion}	328	328	\subsection{Discussion}
	329	329
De par ses performances, ESCBR se révèle compétitif par rapport à certains des neuf autres algorithmes testés pour la prédiction dans les problèmes de régression. En particulier, dans ce travail, nous avons effectué les tests sur dix jeux de données aux caractéristiques variées, telles que le nombre d'instances, le nombre de caractéristiques, le domaine des variables d'entrée, les dimensions de la variable de sortie et le domaine d'application. Cela démontre la polyvalence de l'algorithme proposé et son applicabilité à différentes configurations. Étant donné la nature exploratoire et stochastique d'ESCBR, il présente une grande diversité de solutions générant plusieurs valeurs aberrantes. Malgré cela, dans la plupart des cas, il est possible d'atteindre une solution approximative convergeant vers la solution optimale. Pour cette raison, les valeurs de la moyenne sont parfois élevées, mais celles de la médiane restent faibles, la médiane atténuant les disparités.	330	330	De par ses performances, ESCBR se révèle compétitif par rapport à certains des neuf autres algorithmes testés pour la prédiction dans les problèmes de régression. En particulier, dans ce travail, nous avons effectué les tests sur dix jeux de données aux caractéristiques variées, telles que le nombre d'instances, le nombre de caractéristiques, le domaine des variables d'entrée, les dimensions de la variable de sortie et le domaine d'application. Cela démontre la polyvalence de l'algorithme proposé et son applicabilité à différentes configurations. Étant donné la nature exploratoire et stochastique d'ESCBR, il présente une grande diversité de solutions générant plusieurs valeurs aberrantes. Malgré cela, dans la plupart des cas, il est possible d'atteindre une solution approximative convergeant vers la solution optimale. Pour cette raison, les valeurs de la moyenne sont parfois élevées, mais celles de la médiane restent faibles, la médiane atténuant les disparités.
	331	331
On constate également que l'intégration des algorithmes de recherche produit de meilleurs résultats que les algorithmes simples (tels que le KNN ou la régression linéaire).	332	332	On constate également que l'intégration des algorithmes de recherche produit de meilleurs résultats que les algorithmes simples (tels que le KNN ou la régression linéaire).
	333	333
Globalement, si l'on observe les RMSE obtenues, les algorithmes d'ensemble (\textit{Random forest} et \textit{Gradient Boosting}) sont globalement plus performants que les algorithmes classiques, même si les performances sont variables. Les performances calculées selon la RMSE classent notre algorithme ESCBR à la sixième place. En revanche, en considérant les performances mesurées selon la MAE, ESCBR est classé en première place pour trois des dix jeux de données et il se classe globalement à la troisième place.	334	334	Globalement, si l'on observe les RMSE obtenues, les algorithmes d'ensemble (\textit{Random forest} et \textit{Gradient Boosting}) sont globalement plus performants que les algorithmes classiques, même si les performances sont variables. Les performances calculées selon la RMSE classent notre algorithme ESCBR à la sixième place. En revanche, en considérant les performances mesurées selon la MAE, ESCBR est classé en première place pour trois des dix jeux de données et il se classe globalement à la troisième place.
	335	335
Un aspect important de l'algorithme proposé est la fonction objectif, qui peut être modifiée dynamiquement en fonction des caractéristiques du problème évalué. L'une des perspectives envisagées serait de modifier le fonctionnement du paramètre de \textit{drift} dans la fonction objectif en rendant sa valeur dynamique.	336	336	Un aspect important de l'algorithme proposé est la fonction objectif, qui peut être modifiée dynamiquement en fonction des caractéristiques du problème évalué. L'une des perspectives envisagées serait de modifier le fonctionnement du paramètre de \textit{drift} dans la fonction objectif en rendant sa valeur dynamique.
	337	337
De plus, ESCBR peut intégrer des algorithmes différents et des règles spécifiques à certaines problèmes dans chaque empilement et, grâce à la conception en deux cycles, il peut travailler avec des problèmes dynamiques en cours d'exécution. Par ailleurs, la variance faible obtenue lors des tests sur les dix jeux de données montrent qu'ESCBR fournit des résultats stables.	338	338	De plus, ESCBR peut intégrer des algorithmes différents et des règles spécifiques à certaines problèmes dans chaque empilement et, grâce à la conception en deux cycles, il peut travailler avec des problèmes dynamiques en cours d'exécution. Par ailleurs, la variance faible obtenue lors des tests sur les dix jeux de données montrent qu'ESCBR fournit des résultats stables.
	339	339
\subsection{Conclusion}	340	340	\subsection{Conclusion}
	341	341
Ce chapitre propose une technique de régression générique utilisant le raisonnement à partir de cas et le modèle d'empilement que nous avons baptisé ESCBR. Ce modèle ne nécessite pas d'entrainement préalable et grâce au cycle itératif interne, il peut s'adapter à des problèmes dynamiques en temps réel. Les résultats numériques obtenus lors des tests effectués montrent le potentiel de l'algorithme avec des données variées et des jeux de données de différentes tailles. Les tests effectués dans cette première partie de chapitre montrent ainsi la compétitivité d'ESCBR par rapport à d'autres algorithmes standards et robustes couramment utilisés pour résoudre des problèmes de régression.\\\\	342	342	Ce chapitre propose une technique de régression générique utilisant le raisonnement à partir de cas et le modèle d'empilement que nous avons baptisé ESCBR. Ce modèle ne nécessite pas d'entrainement préalable et grâce au cycle itératif interne, il peut s'adapter à des problèmes dynamiques en temps réel. Les résultats numériques obtenus lors des tests effectués montrent le potentiel de l'algorithme avec des données variées et des jeux de données de différentes tailles. Les tests effectués dans cette première partie de chapitre montrent ainsi la compétitivité d'ESCBR par rapport à d'autres algorithmes standards et robustes couramment utilisés pour résoudre des problèmes de régression.\\\\
	343	343
\section{ESCBR-SMA : Introduction des systèmes multi-agents dans ESCBR}	344	344	\section{ESCBR-SMA : Introduction des systèmes multi-agents dans ESCBR}
	345	345
La méthode ESCBR que nous avons proposée dans la section précédente est fondée sur une technique d'apprentissage d'ensemble par empilement. Cette technique mettant en oeuvre plusieurs solutions proposées par des processus intelligents et concurrents pour en générer une, nous nous sommes tout naturellement tourné vers la possibilité d'inclure des agents dans le processus de décision. L'une des ambitions des systèmes multi-agents consiste en effet à faire émerger une intelligence collective capable de fournir une solution. Cette section présente donc l'évolution d'ESCBR en ESCBR-SMA.	346	346	La méthode ESCBR que nous avons proposée dans la section précédente est fondée sur une technique d'apprentissage d'ensemble par empilement. Cette technique mettant en oeuvre plusieurs solutions proposées par des processus intelligents et concurrents pour en générer une, nous nous sommes tout naturellement tournés vers la possibilité d'inclure des agents dans le processus de décision. L'une des ambitions des systèmes multi-agents consiste en effet à faire émerger une intelligence collective capable de fournir une solution. Cette section présente donc l'évolution d'ESCBR en ESCBR-SMA.
	347	347
\subsection{Modèle Proposé}	348	348	\subsection{Modèle Proposé}
	349	349
L'algorithme ESCBR-SMA est fondé sur le paradigme du RàPC et incorpore divers algorithmes de recherche de voisins et de génération de solutions. Ceux-ci sont intégrés à l'aide d'une variante du modèle d'empilement en deux étapes itératives, exécutées par des agents qui exploitent indépendamment les algorithmes définis dans les conteneurs de connaissances de la révision et de la réutilisation du cycle classique du RàPC. Les agents possèdent une mémoire locale qui leur permet d'ajuster et de développer leur recherche de voisins, en générant des solutions à chaque itération. Chaque agent a un comportement individuel autorisant l'échange d'informations avec les autres agents. La figure \ref{figNCBR} décrit le processus de décision et les comportements des agents au sein du système élargi.	350	350	L'algorithme ESCBR-SMA est fondé sur le paradigme du RàPC et incorpore divers algorithmes de recherche de voisins et de génération de solutions. Ceux-ci sont intégrés à l'aide d'une variante du modèle d'empilement en deux étapes itératives, exécutées par des agents qui exploitent indépendamment les algorithmes définis dans les conteneurs de connaissances de la révision et de la réutilisation du cycle classique du RàPC. Les agents possèdent une mémoire locale qui leur permet d'ajuster et de développer leur recherche de voisins, en générant des solutions à chaque itération. Chaque agent a un comportement individuel autorisant l'échange d'informations avec les autres agents. La figure \ref{figNCBR} décrit le processus de décision et les comportements des agents au sein du système élargi.
	351	351
\begin{figure}[!ht]	352	352	\begin{figure}[!ht]
\centering	353	353	\centering
\includegraphics[width=\textwidth]{Figures/NCBR.png}	354	354	\includegraphics[width=\textwidth]{Figures/NCBR.png}
\caption{Deux cycles du système ESCBR-SMA proposé}	355	355	\caption{Deux cycles du système ESCBR-SMA proposé}
\label{figNCBR}	356	356	\label{figNCBR}
\end{figure}	357	357	\end{figure}
	358	358
Dans ESCBR-SMA, chaque agent effectue un algorithme de recherche des voisins du problème au cours de la première étape puis, au cours de la seconde, génère une solution en se référant à la liste des solutions obtenues au cours de la première étape. À chaque itération, les agents peuvent choisir parmi trois comportements programmés : la recherche de problèmes voisins, la génération de solutions ou l'échange d'informations avec un autre agent. L'exécution de ces trois comportements programmés est asynchrone. En revanche, la création et la sélection de la liste des voisins se font de manière synchronisée.	359	359	Dans ESCBR-SMA, chaque agent effectue un algorithme de recherche des voisins du problème au cours de la première étape puis, au cours de la seconde, génère une solution en se référant à la liste des solutions obtenues au cours de la première étape. À chaque itération, les agents peuvent choisir parmi trois comportements programmés : la recherche de problèmes voisins, la génération de solutions ou l'échange d'informations avec un autre agent. L'exécution de ces trois comportements programmés est asynchrone. En revanche, la création et la sélection de la liste des voisins se font de manière synchronisée.
	360	360
Les étapes d'extraction, de réutilisation, de révision et de conservation restent conformes au modèle RàPC conventionnel. En revanche, ESCBR-SMA comprend trois nouvelles étapes :	361	361	Les étapes d'extraction, de réutilisation, de révision et de conservation restent conformes au modèle RàPC conventionnel. En revanche, ESCBR-SMA comprend trois nouvelles étapes :
\begin{itemize}	362	362	\begin{itemize}
\item durant la phase de reconfiguration, les agents mettent à jour les valeurs de leurs paramètres locaux afin d'améliorer la qualité de la solution proposée lors de l'itération suivante,	363	363	\item durant la phase de reconfiguration, les agents mettent à jour les valeurs de leurs paramètres locaux afin d'améliorer la qualité de la solution proposée lors de l'itération suivante,
\item durant la phase d'échange, les agents échangent des informations pour améliorer leurs processus internes de recherche et de génération,	364	364	\item durant la phase d'échange, les agents échangent des informations pour améliorer leurs processus internes de recherche et de génération,
\item enfin, l'étape de révision met à jour les valeurs des paramètres globaux de l'algorithme.	365	365	\item enfin, l'étape de révision met à jour les valeurs des paramètres globaux de l'algorithme.
\end{itemize}	366	366	\end{itemize}
	367	367
Le flux complet de l'algorithme proposé est décrit sur la figure \ref{figFlowCBR}.	368	368	Le flux complet de l'algorithme proposé est décrit sur la figure \ref{figFlowCBR}.
	369	369
En premier lieu, ESCBR-SMA crée $n$ agents. Lors de l'initialisation, les agents sélectionnent au hasard un algorithme de récupération et un algorithme de réutilisation, et initialisent également les vecteurs bayésiens correspondants. Tous les agents travaillent avec le même ensemble de données.	370	370	En premier lieu, ESCBR-SMA crée $n$ agents. Lors de l'initialisation, les agents sélectionnent au hasard un algorithme de récupération et un algorithme de réutilisation, et initialisent également les vecteurs bayésiens correspondants. Tous les agents travaillent avec le même ensemble de données.
	371	371
Les agents exécutent en parallèle l'algorithme de récupération sélectionné, à partir des problèmes similaires trouvés ; chaque agent extrait les solutions et exécute l'algorithme spécifique de génération d'une nouvelle solution.	372	372	Les agents exécutent en parallèle l'algorithme de récupération sélectionné, à partir des problèmes similaires trouvés ; chaque agent extrait les solutions et exécute l'algorithme spécifique de génération d'une nouvelle solution.
Toutes les solutions proposées par les agents sont évaluées à l'aide d'une fonction objectif : la solution qui minimise la fonction objectif est la meilleure solution trouvée à ce stade.	373	373	Toutes les solutions proposées par les agents sont évaluées à l'aide d'une fonction objectif : la solution qui minimise la fonction objectif est la meilleure solution trouvée à ce stade.
	374	374
Au cours de l'étape suivante, les agents sélectionnent au hasard un algorithme de récupération et un algorithme de réutilisation, puis ils mettent à jour les vecteurs bayésiens en fonction des résultats obtenus avec la fonction objectif.	375	375	Au cours de l'étape suivante, les agents sélectionnent au hasard un algorithme de récupération et un algorithme de réutilisation, puis ils mettent à jour les vecteurs bayésiens en fonction des résultats obtenus avec la fonction objectif.
	376	376
Lors de l'itération suivante, chaque agent peut choisir l'une des trois actions possibles : changer les algorithmes de récupération et de réutilisation, ne changer que l'algorithme de réutilisation ou échanger des informations avec un autre agent choisi au hasard. De plus, l'agent choisit aléatoirement une action pour tenter d'améliorer la solution candidate.	377	377	Lors de l'itération suivante, chaque agent peut choisir l'une des trois actions possibles : changer les algorithmes de récupération et de réutilisation, ne changer que l'algorithme de réutilisation ou échanger des informations avec un autre agent choisi au hasard. De plus, l'agent choisit aléatoirement une action pour tenter d'améliorer la solution candidate.
	378	378
L'ensemble des variables et paramètres d'ESCBR-SMA additionnels au tableau \ref{tabVarPar} sont consignés dans le tableau \ref{tabVarPar2}. Le système multi-agents est composé d'un nombre variable d'agents, tous homogènes mais dotés de processus cognitifs internes indépendants et stochastiques.	379	379	ESCBR-SMA utilise l'ensemble des variables et paramètres du tableau \ref{tabVarPar} ainsi que ceux consignés dans le tableau \ref{tabVarPar2}. Le système multi-agents est composé d'un nombre variable d'agents, tous homogènes mais dotés de processus cognitifs internes indépendants et stochastiques.
	380	380
\begin{figure}[!ht]	381	381	\begin{figure}[!ht]
\centering	382	382	\centering
\includegraphics[scale=0.6]{Figures/FlowCBR.png}	383	383	\includegraphics[scale=0.6]{Figures/FlowCBR.png}
\caption{Flux du \textit{Stacking} du RàPC (* est une tâche effectuée par chaque agent)}	384	384	\caption{Flux du \textit{Stacking} du RàPC (* : tâche effectuée par chaque agent)}
\label{figFlowCBR}	385	385	\label{figFlowCBR}
\end{figure}	386	386	\end{figure}
	387	387
\begin{table}[!ht]	388	388	\begin{table}[!ht]
\footnotesize	389	389	\footnotesize
\centering	390	390	\centering
\begin{tabular}{cccc}	391	391	\begin{tabular}{cccc}
ID&Type&Description&Domain\\	392	392	ID&Type&Description&Domain\\
\hline	393	393	\hline
$p_w$&v&Description du nouveau problème&$\mathbb{R} ^ n$\\	394	394	$p_w$&v&Description du nouveau problème&$\mathbb{R} ^ n$\\
$s_w$&v&Description de la nouvelle solution&$\mathbb{R} ^ m$\\	395	395	$s_w$&v&Description de la nouvelle solution&$\mathbb{R} ^ m$\\
$n_{rt}$&v&Nombre d'algorithmes por l'étape de rétrouver&$\mathbb{Z}$\\	396	396	$n_{rt}$&v&Nombre d'algorithmes pour l'étape de rétrouver&$\mathbb{Z}$\\
$n_{rs}$&v&Nombre d'algorithmes de réutilisation&$\mathbb{Z}$\\	397	397	$n_{rs}$&v&Nombre d'algorithmes de réutilisation&$\mathbb{Z}$\\
$rn(x,y)$&f&	398	398	$rn(x,y)$&f&
	399	399
\begin{tabular}{@{}c@{}}Valeur aléatoire avec distribution normale\\ $x$ moyenne, $y$ écart-type	400	400	\begin{tabular}{@{}c@{}}Valeur aléatoire avec distribution normale\\ $x$ moyenne, $y$ écart-type
\end{tabular}	401	401	\end{tabular}
	402	402
&$\mathbb{R}_+$\\	403	403	&$\mathbb{R}_+$\\
$rnp(x,y)$&f&	404	404	$rnp(x,y)$&f&
	405	405
\begin{tabular}{@{}c@{}}Valeur aléatoire discrète, $x$ nombre d'options \\ $y$ vecteur discret de probabilités	406	406	\begin{tabular}{@{}c@{}}Valeur aléatoire discrète, $x$ nombre d'options \\ $y$ vecteur discret de probabilités
\end{tabular}	407	407	\end{tabular}
&$\mathbb{Z}$\\	408	408	&$\mathbb{Z}$\\
\end{tabular}	409	409	\end{tabular}
\caption{Variables et paramètres du modèle proposé (Type: p - paramètre, v - variable, f - fonction)}	410	410	\caption{Variables et paramètres supplémentaires du modèle ESCBR-SMA (Type: p - paramètre, v - variable, f - fonction)}
\label{tabVarPar2}	411	411	\label{tabVarPar2}
\end{table}	412	412	\end{table}
	413	413
\subsubsection{Algorithmes}	414	414	\subsubsection{Algorithmes}
	415	415
Cette section présente de manière plus détaillée les comportements des agents d'ESCBR-SMA.	416	416	Cette section présente de manière plus détaillée les comportements des agents d'ESCBR-SMA.
	417	417
Lors de la première étape de l'empilement, chaque agent peut sélectionner l'un des algorithmes à mettre en œuvre pour rechercher des problèmes similaires au nouveau problème posé. Les algorithmes possibles sont les suivants : KNN (K-Nearest Neighbor), KMeans, GMM (Gaussian Mixture Model), FuzzyC et KNN pondéré.	418	418	Lors de la première étape de l'empilement, chaque agent peut sélectionner l'un des algorithmes suivants pour rechercher des problèmes similaires au problème cible : KNN (\textit{K-Nearest Neighbor}), \textit{KMeans}, GMM (\textit{Gaussian Mixture Model}), \textit{FuzzyC} et KNN pondéré.
	419	419
Lors de la deuxième étape de l'empilement, les agents peuvent choisir un algorithme parmi les suivants : pondération avec probabilité, pondération sans probabilité, valeurs médianes, Copier/Changer, vote, interpolation, PCA (analyse en composantes principales) et non aléatoire. Les algorithmes ont été explicités dans la section 6.2.1.2.	420	420	Lors de la deuxième étape de l'empilement, les agents peuvent choisir un algorithme parmi les suivants : pondération avec probabilité, pondération sans probabilité, valeurs médianes, Copier/Changer, vote, interpolation, PCA (analyse en composantes principales) et \colorbox{yellow}{non aléatoire}. Ces algorithmes ont été explicités dans la section 6.2.1.2.
	421	421
\subsubsection{Structure des agents}	422	422	\subsubsection{Structure des agents}
	423	423
Tous les agents ont une structure similaire, mais chaque agent suit un processus cognitif individuel qui lui permet d'obtenir un comportement indépendant et différent de tous les autres. La figure \ref{figAgent} montre les actions et les variables nécessaires à l'exécution de l'ensemble du processus.	424	424	Tous les agents ont une structure similaire, mais chaque agent suit un processus cognitif individuel qui lui permet d'adopter un comportement indépendant et différent de tous les autres. La figure \ref{figAgent} montre les actions et les variables nécessaires à l'exécution de l'ensemble du processus.
	425	425
Chaque agent peut exécuter trois actions différentes :	426	426	Chaque agent peut exécuter trois actions différentes :
\begin{itemize}	427	427	\begin{itemize}
\item « Récupérer et réutiliser »,	428	428	\item « Récupérer et réutiliser »,
\item « Réutiliser » et	429	429	\item « Réutiliser » et
\item « Échanger ».	430	430	\item « Échanger ».
\end{itemize}	431	431	\end{itemize}
	432	432
Chaque agent accède aux valeurs de huit variables qui lui sont propres :	433	433	Chaque agent accède aux valeurs de huit variables qui lui sont propres :
\begin{itemize}	434	434	\begin{itemize}
\item le nombre de voisins définissant le nombre de problèmes similaires au nouveau problème posé que l'agent doit rechercher dans la base de connaissancesÒ,	435	435	\item le nombre de voisins définissant le nombre de problèmes similaires au nouveau problème posé que l'agent doit rechercher dans la base de connaissances,
\item la liste des voisins les plus proches établit la liste des agents avec lesquels des informations peuvent être échangées,	436	436	\item la liste des voisins les plus proches consigne les agents avec lesquels des informations peuvent être échangées,
\item l'identifiant de l'algorithme de récupération que l'agent exécutera pour trouver les problèmes similaires au nouveau problème,	437	437	\item l'identifiant de l'algorithme de récupération que l'agent exécutera pour trouver les problèmes similaires au problème cible,
\item l'identifiant de l'algorithme de réutilisation que l'agent exécutera pour générer une solution candidate au cas cible,	438	438	\item l'identifiant de l'algorithme de réutilisation que l'agent exécutera pour générer une solution candidate au cas cible,
\item la description de la solution générée,	439	439	\item la description de la solution générée,
\item l'évaluation de la solution renseignant sur la qualité de la solution générée et calculée selon une fonction d'optimisation (eq \ref{eqOpt1} et eq \ref{eqOpt2}),	440	440	\item l'évaluation de la solution renseignant sur la qualité de la solution générée et calculée selon une fonction d'optimisation (équations \ref{eqOpt1} et \ref{eqOpt2}),
\item le vecteur bayésien nécessaire aux algorithmes de récupération contenant les valeurs de probabilité, et	441	441	\item le vecteur bayésien nécessaire aux algorithmes de récupération contenant les valeurs de probabilité, et
\item le vecteur bayésien nécessaire aux algorithmes de réutilisation contenant les valeurs de probabilité.	442	442	\item le vecteur bayésien nécessaire aux algorithmes de réutilisation contenant les valeurs de probabilité.
\end{itemize}	443	443	\end{itemize}
	444	444
\begin{equation}	445	445	\begin{equation}
min \; \left( f_s(p_w^n, s_w^m) \right) = min \left( \sum_{i=1}^{ng} \frac{d(s_w^m,s_i^t)}{d(p_w^n,p_i^n)^2} \right)	446	446	min \; \left( f_s(p_w^n, s_w^m) \right) = min \left( \sum_{i=1}^{ng} \frac{d(s_w^m,s_i^t)}{d(p_w^n,p_i^n)^2} \right)
\label{eqOpt1}	447	447	\label{eqOpt1}
\end{equation}	448	448	\end{equation}
	449	449
\begin{equation}	450	450	\begin{equation}
s_i^t=s_i^m+rn(0,d(p_w^n,p_i^n))	451	451	s_i^t=s_i^m+rn(0,d(p_w^n,p_i^n))
\label{eqOpt2}	452	452	\label{eqOpt2}
\end{equation}	453	453	\end{equation}
	454	454
\begin{figure}[!ht]	455	455	\begin{figure}[!ht]
\centering	456	456	\centering
\includegraphics[scale=0.7]{Figures/agent.png}	457	457	\includegraphics[scale=0.7]{Figures/agent.png}
\caption{Structure interne des agents}	458	458	\caption{Structure interne des agents}
\label{figAgent}	459	459	\label{figAgent}
\end{figure}	460	460	\end{figure}
	461	461
\subsubsection{Apprentissage des agents}	462	462	\subsubsection{Apprentissage des agents}
	463	463
Tous les agents considèrent un vecteur bayésien de probabilité pour la phase de récupération (conteneur $C3$) et un vecteur bayésien de probabilité pour la phase de réutilisation (conteneur $C2$). Initialement, ces vecteurs sont configurés avec une probabilité uniforme pour tous les algorithmes de récupération et de réutilisation (probabilité \textit{a priori}). À chaque itération, les vecteurs sont mis à jour selon l'équation Bayésienne (équation \ref{eqBay}) en utilisant les meilleurs résultats du même agent comme paramètre de vraisemblance. L'agent apprend ainsi de son expérience et sélectionne les algorithmes les plus aptes à fournir les meilleures réponses au regard de l'objectif défini.	464	464	Tous les agents considèrent un vecteur bayésien de probabilité pour la phase de récupération (conteneur $C3$ de la figure \ref{figNCBR}) et un vecteur bayésien de probabilité pour la phase de réutilisation (conteneur $C2$). Initialement, ces vecteurs sont configurés avec une probabilité uniforme pour tous les algorithmes de récupération et de réutilisation (probabilité \textit{a priori}). À chaque itération, les vecteurs sont mis à jour selon l'équation bayésienne \ref{eqBay} en utilisant les meilleurs résultats du même agent comme paramètre de vraisemblance. L'agent apprend ainsi de son expérience et sélectionne les algorithmes les plus aptes à fournir les meilleures réponses au regard de l'objectif défini.
	465	465
Par conséquent, d'un point plus global au niveau du SMA, l'apprentissage est fondé sur un raisonnement bayésien où les vecteurs de récupération et de réutilisation évoluent. Un exemple d'évolution est présenté sur la figure \ref{fig:bayev}. Au cours d'une itération, si un algorithme a contribué à la construction de la meilleure solution, il reçoit un point pour chaque agent qui l'a utilisé. Ces informations sont stockées dans un vecteur normalisé qui est ensuite utilisé comme vecteur de vraisemblance $P(A)$ pour calculer les nouvelles probabilités dans l'équation bayésienne \ref{eqBay} (dans cette équation, $P(B)$ est le terme de normalisation global).	466	466	Par conséquent, d'un point de vue plus global au niveau du SMA, l'apprentissage est fondé sur un raisonnement bayésien où les vecteurs de récupération et de réutilisation évoluent. Un exemple d'évolution est présenté sur la figure \ref{fig:bayev}. Au cours d'une itération, si un algorithme a contribué à la construction de la meilleure solution, il reçoit un point pour chaque agent qui l'a utilisé. Ces informations sont stockées dans un vecteur normalisé qui est ensuite utilisé comme vecteur de vraisemblance $P(A)$ pour calculer les nouvelles probabilités dans l'équation bayésienne \ref{eqBay} (dans cette équation, $P(B)$ est le terme de normalisation global).
	467	467
\begin{figure}	468	468	\begin{figure}
\centering	469	469	\centering
\includegraphics[scale=0.5]{Figures/BayesianEvolution.png}	470	470	\includegraphics[scale=0.5]{Figures/BayesianEvolution.png}
\caption{Exemple d'évolution Bayésienne des vecteurs pour un agent. a) Initialisation des probabilités $P(B\|A)$ vecteurs pour Retrieve et Reuse, b) Probabilités après quelques itérations $P(A\|B)$ vecteurs pour Retrieve et Reuse}	471	471	\caption{Exemple d'évolution Bayésienne des vecteurs pour un agent. a) Initialisation des probabilités $P(B\|A)$ vecteurs pour Retrieve et Reuse, b) Probabilités après quelques itérations $P(A\|B)$ vecteurs pour Retrieve et Reuse}
\label{fig:bayev}	472	472	\label{fig:bayev}
\end{figure}	473	473	\end{figure}
	474	474
\begin{equation}	475	475	\begin{equation}
P(A\|B)=\frac{P(B\|A)P(A)}{P(B)}	476	476	P(A\|B)=\frac{P(B\|A)P(A)}{P(B)}
\label{eqBay}	477	477	\label{eqBay}
\end{equation}	478	478	\end{equation}
	479	479
La sélection d'un algorithme de recherche $a_{rt}$ se fait au moyen d'une valeur aléatoire	480	480	La fonction $rnp$ de l'équation \ref{eqRta} choisit l'algorithme de recherche $a_{rt}$ de l'étape $rt$.
\\ \colorbox{yellow}{La valeur est aléatoire ? Ou le choix de la valeur est aléatoire ?} \\	481	481	Cette fonction prend en paramètres l'ensemble des algorithmes possibles $n_{rt}$ et une probabilité associée $P(A\|B)_{rt}$. $P(A\|B)_{rt}$ représente la probabilité que l'algorithme de recherche associé fournisse la solution optimale à l'étape $rt$.
tirée du vecteur de distribution de recherche discrète obtenu par raisonnement bayésien et calculé selon l'équation \ref{eqRta}.	482
	483	482
\begin{equation}	484	483	\begin{equation}
a_{rt}=rnp(n_{rt},P(A\|B)_{rt})	485	484	a_{rt}=rnp(n_{rt},P(A\|B)_{rt})
\label{eqRta}	486	485	\label{eqRta}
\end{equation}	487	486	\end{equation}
	488	487
La sélection d'un algorithme de réutilisation $a_{rs}$ se fait au moyen d'une valeur aléatoire	489	488	La fonction $rnp$ est de nouveau utilisée pour choisir l'algorithme de réutilisation $a_{rs}$ (équation \ref{eqRsa}).
\\ \colorbox{yellow}{La valeur est aléatoire ? Ou le choix de la valeur est aléatoire ?} \\	490
tirée du vecteur de distribution de réutilisation discrète obtenu par raisonnement bayésien et calculé selon l'équation \ref{eqRsa}.	491
	492	489
\begin{equation}	493	490	\begin{equation}
a_{rs}=rnp(n_{rs},P(A\|B)_{rs})	494	491	a_{rs}=rnp(n_{rs},P(A\|B)_{rs})
\label{eqRsa}	495	492	\label{eqRsa}
\end{equation}	496	493	\end{equation}
	497	494
Le processus d'apprentissage est réalisé individuellement par chaque agent, mais comporte un aspect collaboratif puisque les agents échangent les informations qu'ils ont calculées, les optimisations locales qu'ils ont réalisées, ainsi que les algorithmes et les paramètres qu'ils ont utilisés.	498	495	Le processus d'apprentissage est réalisé individuellement par chaque agent, mais comporte un aspect collaboratif puisque les agents échangent les informations qu'ils ont calculées, les optimisations locales qu'ils ont réalisées, ainsi que les algorithmes et les paramètres qu'ils ont utilisés.
	499	496
\subsubsection{Échanges entre les agents}	500	497	\subsubsection{Échanges entre les agents}
	501	498
Un agent peut modifier ses informations et leur affecter les valeurs de celles d'un voisin au cours de chaque itération en choisissant au hasard un voisin dans sa liste de voisins les plus proches. L'ensemble de ces changements permettent de propager les paramètres menant aux meilleurs résultats et d'effectuer des actions rétrospectivement. Les informations modifables sont choisies aléatoirement : il peut s'agir du nombre de voisins, de la liste des voisins les plus proches, de l'algorithme de récupération, de l'algorithme de réutilisation ou même des vecteurs bayésiens.	502	499	Un agent peut modifier ses informations et leur affecter les valeurs de celles d'un voisin au cours de chaque itération en choisissant au hasard un voisin dans sa liste de voisins les plus proches. L'ensemble de ces changements permet de propager les paramètres menant aux meilleurs résultats et d'effectuer des actions rétrospectivement. Les informations modifables sont choisies aléatoirement : il peut s'agir du nombre de voisins, de la liste des voisins les plus proches, de l'algorithme de récupération, de l'algorithme de réutilisation ou même des vecteurs bayésiens.
	503	500
\subsection{Résultats}	504	501	\subsection{Résultats}
	505	502
Des expérimentations sur onze jeux de données relatifs à des problèmes de régression et présentant des caractéristiques différentes ont été réalisées. Les jeux de données et leurs caractéristiques sont consignés dans le tableau \ref{tabBases}. Les valeurs des paramètres de l'algorithme sont les suivantes $it=100$, $np=50$, $nl=10$ et $ng=10$.	506	503	Des expérimentations sur onze jeux de données relatifs à des problèmes de régression et présentant des caractéristiques différentes ont été réalisées. Les jeux de données et leurs caractéristiques sont consignés dans le tableau \ref{tabBases}. Les valeurs des paramètres d'ESCBR-SMA sont les suivantes : $it=100$ itérations, $np=50$ agents, $nl=10$ voisins par agent au maximum lors de l'étape de \textit{niveau-0} et $ng=10$ voisins par agent au maximum lors de l'étape de \textit{niveau-1}.
\\ \colorbox{yellow}{Quel algorithme ?}	507	504
\\ \colorbox{yellow}{À quoi correspondent ces paramètres ? Quelles sont les unités ?}\\	508
Le tableau \ref{AlgsPar} présente les valeurs des paramètres de tous les autres algorithmes.	509	505	Le tableau \ref{AlgsPar} présente les valeurs des paramètres de tous les autres algorithmes.
	510	506
\begin{table}[!ht]	511	507	\begin{table}[!ht]
\scriptsize	512	508	\scriptsize
\centering	513	509	\centering
\begin{tabular}{llccp{1.4cm}p{1.2cm}p{1.2cm}}	514	510	\begin{tabular}{llccp{1.4cm}p{1.2cm}p{1.2cm}}
ID&DataSet&Features&Instances&Output. Dimension&Input. Domain&Output Domain\\	515	511	ID&DataSet&Features&Instances&Output. Dimension&Input. Domain&Output Domain\\
\hline	516	512	\hline
DS1&Yatch Hydrodynamics&6&308&1&$\mathbb{R}$&$\mathbb{R}$\\	517	513	DS1&Yatch Hydrodynamics&6&308&1&$\mathbb{R}$&$\mathbb{R}$\\
DS2&Electrical Grid Stability&12&10000&1&$\mathbb{R}$&$\mathbb{R}$\\	518	514	DS2&Electrical Grid Stability&12&10000&1&$\mathbb{R}$&$\mathbb{R}$\\
DS3&Real State Valuation&6&414&1&$\mathbb{R_+}$&$\mathbb{R_+}$\\	519	515	DS3&Real State Valuation&6&414&1&$\mathbb{R_+}$&$\mathbb{R_+}$\\
DS4&Wine Quality (Red)&11&1598&1&$\mathbb{R_+}$&$\mathbb{N}$\\	520	516	DS4&Wine Quality (Red)&11&1598&1&$\mathbb{R_+}$&$\mathbb{N}$\\
DS5&Wine Quality (White)&11&4897&1&$\mathbb{R_+}$&$\mathbb{N}$\\	521	517	DS5&Wine Quality (White)&11&4897&1&$\mathbb{R_+}$&$\mathbb{N}$\\
DS6&Concrete Compressive Strength&8&1030&1&$\mathbb{R_+}$&$\mathbb{R_+}$\\	522	518	DS6&Concrete Compressive Strength&8&1030&1&$\mathbb{R_+}$&$\mathbb{R_+}$\\
DS7&Energy Efficiency&8&768&2&$\mathbb{R_+}$&$\mathbb{R_+}$\\	523	519	DS7&Energy Efficiency&8&768&2&$\mathbb{R_+}$&$\mathbb{R_+}$\\
DS8&Gas Turbine CO, NOx Emission (2015)&9&7384&2&$\mathbb{R_+}$&$\mathbb{R_+}$\\	524	520	DS8&Gas Turbine CO, NOx Emission (2015)&9&7384&2&$\mathbb{R_+}$&$\mathbb{R_+}$\\
DS9&Student Performace Portuguese&30&649&3&$\mathbb{N*}$&$\mathbb{N}$\\	525	521	DS9&Student Performace Portuguese&30&649&3&$\mathbb{N*}$&$\mathbb{N}$\\
DS10&Student Performance Math&30&395&3&$\mathbb{N*}$&$\mathbb{N}$\\	526	522	DS10&Student Performance Math&30&395&3&$\mathbb{N*}$&$\mathbb{N}$\\
DS11&Generated Student Performance&5&1000&1&$\mathbb{R}_+$&$\mathbb{R}_+$\\	527	523	DS11&Generated Student Performance&5&1000&1&$\mathbb{R}_+$&$\mathbb{R}_+$\\
\end{tabular}	528	524	\end{tabular}
\caption{Description des jeux de données évalués. (* après codification comme	529	525	\caption{Description des jeux de données évalués.}
\textit{String})}	530
\label{tabBases}	531	526	\label{tabBases}
\end{table}	532	527	\end{table}
	533	528
\begin{table}[!ht]	534	529	\begin{table}[!ht]
\centering	535	530	\centering
\begin{tabular}{ccc\|ccc}	536	531	\begin{tabular}{ccc\|ccc}
ID&Parameter&Value&ID&Parameter&Value\\	537	532	ID&Parameter&Value&ID&Parameter&Value\\
\hline	538	533	\hline
A1&Intercept&True&A6&Degree&4\\	539	534	A1&Intercept&True&A6&Degree&4\\
&Positive&True&&Bias&True\\	540	535	&Positive&True&&Bias&True\\
\hline	541	536	\hline
A2&Neighbors&5&A7&Fit Intercept&True\\	542	537	A2&Neighbors&5&A7&Fit Intercept&True\\
&Weights&Uniform&&alpha&0.2\\	543	538	&Weights&Uniform&&alpha&0.2\\
&Metric&Minkowsky&&tol&1e-4\\	544	539	&Metric&Minkowsky&&tol&1e-4\\
&Power Minkowsky&2\\	545	540	&Power Minkowsky&2\\
\hline	546	541	\hline
A3&Error&Squared Error&A8&Fit Intercept&True\\	547	542	A3&Error&Squared Error&A8&Fit Intercept&True\\
&Min samples split&2&&alpha&[0.00001, 0.4]\\	548	543	&Min samples split&2&&alpha&[0.00001, 0.4]\\
&&&&Max iter&1000\\	549	544	&&&&Max iter&1000\\
&&&&tol&1e-4\\	550	545	&&&&tol&1e-4\\
\hline	551	546	\hline
A4&Estimators&10&A9&Error&Squarred Error\\	552	547	A4&Estimators&10&A9&Error&Squarred Error\\
&Error&Squared Error&&Learning Rate&0.1\\	553	548	&Error&Squared Error&&Learning Rate&0.1\\
&Min samples split&2&&Estimators&100\\	554	549	&Min samples split&2&&Estimators&100\\
&Bootstrap&True&&Min Split&2\\	555	550	&Bootstrap&True&&Min Split&2\\
\hline	556	551	\hline
A5&Hidden Layers&100\\	557	552	A5&Hidden Layers&100\\
&Activation&Relu\\	558	553	&Activation&Relu\\

\relax	1	1	\relax
\providecommand\hyper@newdestlabel[2]{}	2	2	\providecommand\hyper@newdestlabel[2]{}
\@writefile{toc}{\contentsline {chapter}{\numberline {9}Publications}{103}{chapter.9}\protected@file@percent }	3	3	\@writefile{toc}{\contentsline {chapter}{\numberline {9}Publications}{105}{chapter.9}\protected@file@percent }
\@writefile{lof}{\addvspace {10\p@ }}	4	4	\@writefile{lof}{\addvspace {10\p@ }}
\@writefile{lot}{\addvspace {10\p@ }}	5	5	\@writefile{lot}{\addvspace {10\p@ }}
\@writefile{toc}{\contentsline {section}{\numberline {9.1}Publications par rapport au sujet de thèse}{103}{section.9.1}\protected@file@percent }	6	6	\@writefile{toc}{\contentsline {section}{\numberline {9.1}Publications par rapport au sujet de thèse}{105}{section.9.1}\protected@file@percent }
\@writefile{toc}{\contentsline {section}{\numberline {9.2}Autres publications}{104}{section.9.2}\protected@file@percent }	7	7	\@writefile{toc}{\contentsline {section}{\numberline {9.2}Autres publications}{106}{section.9.2}\protected@file@percent }
\@setckpt{./chapters/Publications}{	8	8	\@setckpt{./chapters/Publications}{
\setcounter{page}{105}	9	9	\setcounter{page}{107}
\setcounter{equation}{0}	10	10	\setcounter{equation}{0}
\setcounter{enumi}{0}	11	11	\setcounter{enumi}{0}
\setcounter{enumii}{0}	12	12	\setcounter{enumii}{0}
\setcounter{enumiii}{0}	13	13	\setcounter{enumiii}{0}
\setcounter{enumiv}{0}	14	14	\setcounter{enumiv}{0}
\setcounter{footnote}{0}	15	15	\setcounter{footnote}{0}
\setcounter{mpfootnote}{0}	16	16	\setcounter{mpfootnote}{0}
\setcounter{part}{3}	17	17	\setcounter{part}{3}
\setcounter{chapter}{9}	18	18	\setcounter{chapter}{9}
\setcounter{section}{2}	19	19	\setcounter{section}{2}
\setcounter{subsection}{0}	20	20	\setcounter{subsection}{0}
\setcounter{subsubsection}{0}	21	21	\setcounter{subsubsection}{0}
\setcounter{paragraph}{0}	22	22	\setcounter{paragraph}{0}
\setcounter{subparagraph}{0}	23	23	\setcounter{subparagraph}{0}
\setcounter{figure}{0}	24	24	\setcounter{figure}{0}
\setcounter{table}{0}	25	25	\setcounter{table}{0}
		26	\setcounter{section@level}{0}
		27	\setcounter{Item}{0}
		28	\setcounter{Hfootnote}{0}
		29	\setcounter{bookmark@seq@number}{95}
\setcounter{caption@flags}{2}	26	30	\setcounter{caption@flags}{2}
\setcounter{continuedfloat}{0}	27	31	\setcounter{continuedfloat}{0}
\setcounter{subfigure}{0}	28	32	\setcounter{subfigure}{0}
\setcounter{subtable}{0}	29	33	\setcounter{subtable}{0}
		34	\setcounter{tcbbreakpart}{1}
		35	\setcounter{tcblayer}{0}
		36	\setcounter{tcolorbox@number}{1}
\setcounter{parentequation}{0}	30	37	\setcounter{parentequation}{0}
\setcounter{thmt@dummyctr}{0}	31	38	\setcounter{thmt@dummyctr}{0}
\setcounter{vrcnt}{0}	32	39	\setcounter{vrcnt}{0}
\setcounter{upm@subfigure@count}{0}	33	40	\setcounter{upm@subfigure@count}{0}
\setcounter{upm@fmt@mtabular@columnnumber}{0}	34	41	\setcounter{upm@fmt@mtabular@columnnumber}{0}
\setcounter{upm@format@section@sectionlevel}{1}	35	42	\setcounter{upm@format@section@sectionlevel}{0}
		43	\setcounter{ttlp@side}{0}
\setcounter{upm@fmt@savedcounter}{0}	36	44	\setcounter{upm@fmt@savedcounter}{0}
\setcounter{@@upm@fmt@inlineenumeration}{0}	37	45	\setcounter{@@upm@fmt@inlineenumeration}{0}
\setcounter{@upm@fmt@enumdescription@cnt@}{0}	38	46	\setcounter{@upm@fmt@enumdescription@cnt@}{0}
\setcounter{upmdefinition}{0}	39	47	\setcounter{tcb@cnt@upm@definition}{0}
\setcounter{section@level}{1}	40
\setcounter{Item}{0}	41
\setcounter{Hfootnote}{0}	42
\setcounter{bookmark@seq@number}{94}	43
\setcounter{DefaultLines}{2}	44	48	\setcounter{DefaultLines}{2}
\setcounter{DefaultDepth}{0}	45	49	\setcounter{DefaultDepth}{0}
\setcounter{L@lines}{3}	46	50	\setcounter{L@lines}{3}
\setcounter{L@depth}{0}	47	51	\setcounter{L@depth}{0}
\setcounter{float@type}{8}	48	52	\setcounter{float@type}{16}
\setcounter{algorithm}{1}	49	53	\setcounter{algorithm}{1}
\setcounter{ALG@line}{8}	50	54	\setcounter{ALG@line}{8}
\setcounter{ALG@rem}{8}	51	55	\setcounter{ALG@rem}{8}
\setcounter{ALG@nested}{0}	52	56	\setcounter{ALG@nested}{0}
\setcounter{ALG@Lnr}{2}	53	57	\setcounter{ALG@Lnr}{2}
\setcounter{ALG@blocknr}{10}	54	58	\setcounter{ALG@blocknr}{10}
\setcounter{ALG@storecount}{0}	55	59	\setcounter{ALG@storecount}{0}
\setcounter{ALG@tmpcounter}{0}	56	60	\setcounter{ALG@tmpcounter}{0}
}	57	61	}
	58	62

\relax	1	1	\relax
\providecommand\hyper@newdestlabel[2]{}	2	2	\providecommand\hyper@newdestlabel[2]{}
\citation{Soto2}	3	3	\citation{Soto2}
\citation{MUANGPRATHUB2020e05227}	4	4	\citation{MUANGPRATHUB2020e05227}
\citation{9870279}	5	5	\citation{9870279}
\@writefile{toc}{\contentsline {chapter}{\numberline {7}Système de Recommandation dans AI-VT}{73}{chapter.7}\protected@file@percent }	6	6	\@writefile{toc}{\contentsline {chapter}{\numberline {7}Système de Recommandation dans AI-VT}{73}{chapter.7}\protected@file@percent }
\@writefile{lof}{\addvspace {10\p@ }}	7	7	\@writefile{lof}{\addvspace {10\p@ }}
\@writefile{lot}{\addvspace {10\p@ }}	8	8	\@writefile{lot}{\addvspace {10\p@ }}
\@writefile{toc}{\contentsline {section}{\numberline {7.1}Introduction}{73}{section.7.1}\protected@file@percent }	9	9	\@writefile{toc}{\contentsline {section}{\numberline {7.1}Introduction}{73}{section.7.1}\protected@file@percent }
\citation{Liu2023}	10	10	\citation{Liu2023}
\@writefile{toc}{\contentsline {section}{\numberline {7.2}Système de recommandation stochastique fondé sur l'échantillonnage de Thompson}{74}{section.7.2}\protected@file@percent }	11	11	\@writefile{toc}{\contentsline {section}{\numberline {7.2}Système de recommandation stochastique fondé sur l'échantillonnage de Thompson}{74}{section.7.2}\protected@file@percent }
\@writefile{toc}{\contentsline {subsection}{\numberline {7.2.1}Modèle Proposé}{74}{subsection.7.2.1}\protected@file@percent }	12	12	\@writefile{toc}{\contentsline {subsection}{\numberline {7.2.1}Modèle Proposé}{75}{subsection.7.2.1}\protected@file@percent }
\newlabel{eqBeta}{{7.1}{75}{Modèle Proposé}{equation.7.2.1}{}}	13	13	\newlabel{eqBeta}{{7.1}{75}{Modèle Proposé}{equation.7.1}{}}
\@writefile{lot}{\contentsline {table}{\numberline {7.1}{\ignorespaces Variables et paramètres du modèle proposé\relax }}{75}{table.caption.45}\protected@file@percent }	14	14	\@writefile{lot}{\contentsline {table}{\numberline {7.1}{\ignorespaces Variables et paramètres du modèle proposé}}{75}{table.caption.45}\protected@file@percent }
\newlabel{tabPar}{{7.1}{75}{Variables et paramètres du modèle proposé\relax }{table.caption.45}{}}	15	15	\newlabel{tabPar}{{7.1}{75}{Variables et paramètres du modèle proposé}{table.caption.45}{}}
\citation{Arthurs}	16	16	\citation{Arthurs}
\newlabel{eqsMg}{{7.2}{76}{Modèle Proposé}{equation.7.2.2}{}}	17	17	\newlabel{eqsMg}{{7.2}{76}{Modèle Proposé}{equation.7.2}{}}
\newlabel{eqgtc}{{7.3}{76}{Modèle Proposé}{equation.7.2.3}{}}	18	18	\newlabel{eqgtc}{{7.3}{76}{Modèle Proposé}{equation.7.3}{}}
\newlabel{eqltc}{{7.4}{76}{Modèle Proposé}{equation.7.2.4}{}}	19	19	\newlabel{eqltc}{{7.4}{76}{Modèle Proposé}{equation.7.4}{}}
\newlabel{eqBRnd}{{7.5}{76}{Modèle Proposé}{equation.7.2.5}{}}	20	20	\newlabel{eqBRnd}{{7.5}{76}{Modèle Proposé}{equation.7.5}{}}
\newlabel{eqsncl}{{7.6}{76}{Modèle Proposé}{equation.7.2.6}{}}	21	21	\newlabel{eqsncl}{{7.6}{76}{Modèle Proposé}{equation.7.6}{}}
\newlabel{eqsGT}{{7.7}{76}{Modèle Proposé}{equation.7.2.7}{}}	22	22	\newlabel{eqsGT}{{7.7}{76}{Modèle Proposé}{equation.7.7}{}}
\@writefile{loa}{\contentsline {algorithm}{\numberline {1}{\ignorespaces Stochastic Recommendation Model\relax }}{76}{algorithm.1}\protected@file@percent }	23	23	\@writefile{loa}{\contentsline {algorithm}{\numberline {1}{\ignorespaces Stochastic Recommendation Model}}{76}{algorithm.1}\protected@file@percent }
\newlabel{alg2}{{1}{76}{Stochastic Recommendation Model\relax }{algorithm.1}{}}	24	24	\newlabel{alg2}{{1}{76}{Stochastic Recommendation Model}{algorithm.1}{}}
\@writefile{toc}{\contentsline {subsection}{\numberline {7.2.2}Résultats}{76}{subsection.7.2.2}\protected@file@percent }	25	25	\@writefile{toc}{\contentsline {subsection}{\numberline {7.2.2}Résultats}{76}{subsection.7.2.2}\protected@file@percent }
\@writefile{lof}{\contentsline {figure}{\numberline {7.1}{\ignorespaces Boîte à moustaches pour la base de données générée\relax }}{77}{figure.caption.46}\protected@file@percent }	26	26	\@writefile{lof}{\contentsline {figure}{\numberline {7.1}{\ignorespaces Boîte à moustaches pour la base de données générée}}{77}{figure.caption.46}\protected@file@percent }
\newlabel{figData}{{7.1}{77}{Boîte à moustaches pour la base de données générée\relax }{figure.caption.46}{}}	27	27	\newlabel{figData}{{7.1}{77}{Boîte à moustaches pour la base de données générée}{figure.caption.46}{}}
\@writefile{lot}{\contentsline {table}{\numberline {7.2}{\ignorespaces Description des variables utilisées dans la base de données evaluée\relax }}{77}{table.caption.47}\protected@file@percent }	28	28	\@writefile{lot}{\contentsline {table}{\numberline {7.2}{\ignorespaces Description des variables utilisées dans la base de données evaluée}}{77}{table.caption.47}\protected@file@percent }
\newlabel{tabDataSet}{{7.2}{77}{Description des variables utilisées dans la base de données evaluée\relax }{table.caption.47}{}}	29	29	\newlabel{tabDataSet}{{7.2}{77}{Description des variables utilisées dans la base de données evaluée}{table.caption.47}{}}
\@writefile{lot}{\contentsline {table}{\numberline {7.3}{\ignorespaces Valeurs des paramètres pour les scénarios evalués\relax }}{77}{table.caption.48}\protected@file@percent }	30	30	\@writefile{lot}{\contentsline {table}{\numberline {7.3}{\ignorespaces Valeurs des paramètres pour les scénarios evalués}}{77}{table.caption.48}\protected@file@percent }
\newlabel{tabgm1}{{7.3}{77}{Valeurs des paramètres pour les scénarios evalués\relax }{table.caption.48}{}}	31	31	\newlabel{tabgm1}{{7.3}{77}{Valeurs des paramètres pour les scénarios evalués}{table.caption.48}{}}
\@writefile{lof}{\contentsline {figure}{\numberline {7.2}{\ignorespaces Résultats pour le premier test\relax }}{78}{figure.caption.49}\protected@file@percent }	32	32	\@writefile{lof}{\contentsline {figure}{\numberline {7.2}{\ignorespaces Résultats pour le premier test}}{78}{figure.caption.49}\protected@file@percent }
\newlabel{figCmp2}{{7.2}{78}{Résultats pour le premier test\relax }{figure.caption.49}{}}	33	33	\newlabel{figCmp2}{{7.2}{78}{Résultats pour le premier test}{figure.caption.49}{}}
\@writefile{lof}{\contentsline {figure}{\numberline {7.3}{\ignorespaces Résultats pour le deuxième Test\relax }}{79}{figure.caption.50}\protected@file@percent }	34	34	\@writefile{lof}{\contentsline {figure}{\numberline {7.3}{\ignorespaces Résultats pour le deuxième Test}}{79}{figure.caption.50}\protected@file@percent }
\newlabel{figCmp3}{{7.3}{79}{Résultats pour le deuxième Test\relax }{figure.caption.50}{}}	35	35	\newlabel{figCmp3}{{7.3}{79}{Résultats pour le deuxième Test}{figure.caption.50}{}}
\newlabel{eqMetric1}{{7.8}{79}{Résultats}{equation.7.2.8}{}}	36	36	\newlabel{eqMetric1}{{7.8}{79}{Résultats}{equation.7.8}{}}
\newlabel{eqMetric2}{{7.9}{79}{Résultats}{equation.7.2.9}{}}	37	37	\newlabel{eqMetric2}{{7.9}{79}{Résultats}{equation.7.9}{}}
\@writefile{lof}{\contentsline {figure}{\numberline {7.4}{\ignorespaces Résultats pour le troisième Test\relax }}{80}{figure.caption.51}\protected@file@percent }	38	38	\@writefile{lof}{\contentsline {figure}{\numberline {7.4}{\ignorespaces Résultats pour le troisième Test}}{80}{figure.caption.51}\protected@file@percent }
\newlabel{figCmp4}{{7.4}{80}{Résultats pour le troisième Test\relax }{figure.caption.51}{}}	39	39	\newlabel{figCmp4}{{7.4}{80}{Résultats pour le troisième Test}{figure.caption.51}{}}
\newlabel{eqXc}{{7.10}{80}{Résultats}{equation.7.2.10}{}}	40	40	\newlabel{eqXc}{{7.10}{80}{Résultats}{equation.7.10}{}}
\newlabel{eqYc}{{7.11}{80}{Résultats}{equation.7.2.11}{}}	41	41	\newlabel{eqYc}{{7.11}{80}{Résultats}{equation.7.11}{}}
\@writefile{lot}{\contentsline {table}{\numberline {7.4}{\ignorespaces Résultats de la métrique $rp_c(x)$ (RàPC - Système sans modèle de recommandation, DM - Modèle deterministique, SM - Modèle stochastique)\relax }}{80}{table.caption.53}\protected@file@percent }	42	42	\newlabel{eqMetricS1}{{7.12}{80}{Résultats}{equation.7.12}{}}
\newlabel{tabRM}{{7.4}{80}{Résultats de la métrique $rp_c(x)$ (RàPC - Système sans modèle de recommandation, DM - Modèle deterministique, SM - Modèle stochastique)\relax }{table.caption.53}{}}	43	43	\@writefile{lof}{\contentsline {figure}{\numberline {7.5}{\ignorespaces Métrique pour le parcours standard}}{81}{figure.caption.52}\protected@file@percent }
\@writefile{lof}{\contentsline {figure}{\numberline {7.5}{\ignorespaces Métrique pour le parcours standard\relax }}{81}{figure.caption.52}\protected@file@percent }	44	44	\newlabel{figMetric}{{7.5}{81}{Métrique pour le parcours standard}{figure.caption.52}{}}
\newlabel{figMetric}{{7.5}{81}{Métrique pour le parcours standard\relax }{figure.caption.52}{}}	45	45	\@writefile{lot}{\contentsline {table}{\numberline {7.4}{\ignorespaces Résultats de la métrique $rp_c(x)$ (RàPC - Système sans modèle de recommandation, DM - Modèle deterministique, SM - Modèle stochastique)}}{81}{table.caption.53}\protected@file@percent }
\newlabel{eqMetricS1}{{7.12}{81}{Résultats}{equation.7.2.12}{}}	46	46	\newlabel{tabRM}{{7.4}{81}{Résultats de la métrique $rp_c(x)$ (RàPC - Système sans modèle de recommandation, DM - Modèle deterministique, SM - Modèle stochastique)}{table.caption.53}{}}
\newlabel{eqMetricS2}{{7.13}{81}{Résultats}{equation.7.2.13}{}}	47	47	\newlabel{eqMetricS2}{{7.13}{81}{Résultats}{equation.7.13}{}}
\@writefile{lof}{\contentsline {figure}{\numberline {7.6}{\ignorespaces Fonction d'évaluation métrique à chaque niveau de complexité (Soft learning)\relax }}{82}{figure.caption.54}\protected@file@percent }	48	48	\@writefile{lof}{\contentsline {figure}{\numberline {7.6}{\ignorespaces Fonction d'évaluation métrique à chaque niveau de complexité (Soft learning)}}{82}{figure.caption.54}\protected@file@percent }
\newlabel{figMetric2}{{7.6}{82}{Fonction d'évaluation métrique à chaque niveau de complexité (Soft learning)\relax }{figure.caption.54}{}}	49	49	\newlabel{figMetric2}{{7.6}{82}{Fonction d'évaluation métrique à chaque niveau de complexité (Soft learning)}{figure.caption.54}{}}
\@writefile{lot}{\contentsline {table}{\numberline {7.5}{\ignorespaces Résultats de la métrique $rs_c(x)$ (RàPC - Système sans modèle de recommandation, DM - Modèle deterministique, SM - Modèle stochastique)\relax }}{82}{table.caption.55}\protected@file@percent }	50	50	\@writefile{lot}{\contentsline {table}{\numberline {7.5}{\ignorespaces Résultats de la métrique $rs_c(x)$ (RàPC - Système sans modèle de recommandation, DM - Modèle deterministique, SM - Modèle stochastique)}}{82}{table.caption.55}\protected@file@percent }
\newlabel{tabRM2}{{7.5}{82}{Résultats de la métrique $rs_c(x)$ (RàPC - Système sans modèle de recommandation, DM - Modèle deterministique, SM - Modèle stochastique)\relax }{table.caption.55}{}}	51	51	\newlabel{tabRM2}{{7.5}{82}{Résultats de la métrique $rs_c(x)$ (RàPC - Système sans modèle de recommandation, DM - Modèle deterministique, SM - Modèle stochastique)}{table.caption.55}{}}
\newlabel{eqCS}{{7.14}{82}{Résultats}{equation.7.2.14}{}}	52	52	\newlabel{eqCS}{{7.14}{82}{Résultats}{equation.7.14}{}}
\@writefile{lot}{\contentsline {table}{\numberline {7.6}{\ignorespaces Moyenne de la diversité des propositions pour tous les apprenants. Une valeur plus faible représente une plus grande diversité. (RàPC - Système sans modèle de recommandation, DM - Modèle deterministique, SM - Modèle stochastique)\relax }}{82}{table.caption.56}\protected@file@percent }	53	53	\@writefile{lot}{\contentsline {table}{\numberline {7.6}{\ignorespaces Moyenne de la diversité des propositions pour tous les apprenants. Une valeur plus faible représente une plus grande diversité. (RàPC - Système sans modèle de recommandation, DM - Modèle deterministique, SM - Modèle stochastique)}}{83}{table.caption.56}\protected@file@percent }
\newlabel{tabCS}{{7.6}{82}{Moyenne de la diversité des propositions pour tous les apprenants. Une valeur plus faible représente une plus grande diversité. (RàPC - Système sans modèle de recommandation, DM - Modèle deterministique, SM - Modèle stochastique)\relax }{table.caption.56}{}}	54	54	\newlabel{tabCS}{{7.6}{83}{Moyenne de la diversité des propositions pour tous les apprenants. Une valeur plus faible représente une plus grande diversité. (RàPC - Système sans modèle de recommandation, DM - Modèle deterministique, SM - Modèle stochastique)}{table.caption.56}{}}
\@writefile{toc}{\contentsline {subsection}{\numberline {7.2.3}Discussion et Conclusions}{83}{subsection.7.2.3}\protected@file@percent }	55	55	\@writefile{toc}{\contentsline {subsection}{\numberline {7.2.3}Discussion et Conclusions}{83}{subsection.7.2.3}\protected@file@percent }
\citation{jmse11050890}	56	56	\citation{jmse11050890}
\citation{ZHANG2018189}	57	57	\citation{ZHANG2018189}
		58	\@writefile{toc}{\contentsline {section}{\numberline {7.3}ESCBR-SMA et Échantillonnage de Thompson}{84}{section.7.3}\protected@file@percent }
		59	\@writefile{toc}{\contentsline {subsection}{\numberline {7.3.1}Concepts Associés}{84}{subsection.7.3.1}\protected@file@percent }
\citation{NEURIPS2023_9d8cf124}	58	60	\citation{NEURIPS2023_9d8cf124}
\citation{pmlr-v238-ou24a}	59	61	\citation{pmlr-v238-ou24a}
\citation{math12111758}	60	62	\citation{math12111758}
\citation{NGUYEN2024111566}	61	63	\citation{NGUYEN2024111566}
\@writefile{toc}{\contentsline {section}{\numberline {7.3}ESCBR-SMA et Échantillonnage de Thompson}{84}{section.7.3}\protected@file@percent }	62	64	\newlabel{eqbkt1}{{7.15}{85}{Concepts Associés}{equation.7.15}{}}
\@writefile{toc}{\contentsline {subsection}{\numberline {7.3.1}Concepts Associés}{84}{subsection.7.3.1}\protected@file@percent }	63	65	\newlabel{eqbkt2}{{7.16}{85}{Concepts Associés}{equation.7.16}{}}
\newlabel{eqbkt1}{{7.15}{84}{Concepts Associés}{equation.7.3.15}{}}	64	66	\newlabel{eqbkt3}{{7.17}{85}{Concepts Associés}{equation.7.17}{}}
\newlabel{eqbkt2}{{7.16}{84}{Concepts Associés}{equation.7.3.16}{}}	65	67	\newlabel{fbeta}{{7.18}{85}{Concepts Associés}{equation.7.18}{}}
\newlabel{eqbkt3}{{7.17}{84}{Concepts Associés}{equation.7.3.17}{}}	66	68	\newlabel{eqGamma1}{{7.19}{85}{Concepts Associés}{equation.7.19}{}}
\newlabel{fbeta}{{7.18}{85}{Concepts Associés}{equation.7.3.18}{}}	67	69	\newlabel{f2beta}{{7.20}{85}{Concepts Associés}{equation.7.20}{}}
\newlabel{eqGamma1}{{7.19}{85}{Concepts Associés}{equation.7.3.19}{}}	68	70	\newlabel{f3Beta}{{7.21}{85}{Concepts Associés}{equation.7.21}{}}
\newlabel{f2beta}{{7.20}{85}{Concepts Associés}{equation.7.3.20}{}}	69	71	\newlabel{eqJac}{{7.22}{85}{Concepts Associés}{equation.7.22}{}}
\newlabel{f3Beta}{{7.21}{85}{Concepts Associés}{equation.7.3.21}{}}	70	72	\newlabel{f4Beta}{{7.23}{85}{Concepts Associés}{equation.7.23}{}}
\newlabel{eqJac}{{7.22}{85}{Concepts Associés}{equation.7.3.22}{}}	71
\newlabel{f4Beta}{{7.23}{85}{Concepts Associés}{equation.7.3.23}{}}	72
\newlabel{f5Beta}{{7.24}{85}{Concepts Associés}{equation.7.3.24}{}}	73
\newlabel{f6Beta}{{7.25}{85}{Concepts Associés}{equation.7.3.25}{}}	74
\citation{Li_2024}	75	73	\citation{Li_2024}
\citation{Kim2024}	76	74	\citation{Kim2024}
		75	\newlabel{f5Beta}{{7.24}{86}{Concepts Associés}{equation.7.24}{}}
		76	\newlabel{f6Beta}{{7.25}{86}{Concepts Associés}{equation.7.25}{}}
		77	\newlabel{f7Beta}{{7.26}{86}{Concepts Associés}{equation.7.26}{}}
		78	\newlabel{dkl}{{7.27}{86}{Concepts Associés}{equation.7.27}{}}
		79	\newlabel{djs}{{7.28}{86}{Concepts Associés}{equation.7.28}{}}
		80	\newlabel{djs2}{{7.29}{86}{Concepts Associés}{equation.7.29}{}}
\citation{10.1007/978-3-031-63646-2_11}	77	81	\citation{10.1007/978-3-031-63646-2_11}
\newlabel{f7Beta}{{7.26}{86}{Concepts Associés}{equation.7.3.26}{}}	78
\newlabel{dkl}{{7.27}{86}{Concepts Associés}{equation.7.3.27}{}}	79
\newlabel{djs}{{7.28}{86}{Concepts Associés}{equation.7.3.28}{}}	80
\newlabel{djs2}{{7.29}{86}{Concepts Associés}{equation.7.3.29}{}}	81
\citation{10.1145/3578337.3605122}	82	82	\citation{10.1145/3578337.3605122}
\citation{lei2024analysis}	83	83	\citation{lei2024analysis}
\@writefile{lof}{\contentsline {figure}{\numberline {7.7}{\ignorespaces Schéma de l'architecture du modèle proposé\relax }}{87}{figure.caption.57}\protected@file@percent }	84
\newlabel{fig:Amodel}{{7.7}{87}{Schéma de l'architecture du modèle proposé\relax }{figure.caption.57}{}}	85
\@writefile{toc}{\contentsline {subsection}{\numberline {7.3.2}Modèle Proposé}{87}{subsection.7.3.2}\protected@file@percent }	86	84	\@writefile{toc}{\contentsline {subsection}{\numberline {7.3.2}Modèle Proposé}{87}{subsection.7.3.2}\protected@file@percent }
\@writefile{lot}{\contentsline {table}{\numberline {7.7}{\ignorespaces Paramètres (p), variables (v) et fonctions (f) du modèle proposé et les métriques utilisées\relax }}{88}{table.caption.58}\protected@file@percent }	87	85	\@writefile{lof}{\contentsline {figure}{\numberline {7.7}{\ignorespaces Schéma de l'architecture du modèle proposé}}{88}{figure.caption.57}\protected@file@percent }
\newlabel{tabvp}{{7.7}{88}{Paramètres (p), variables (v) et fonctions (f) du modèle proposé et les métriques utilisées\relax }{table.caption.58}{}}	88	86	\newlabel{fig:Amodel}{{7.7}{88}{Schéma de l'architecture du modèle proposé}{figure.caption.57}{}}
\newlabel{IntEq1_}{{7.30}{88}{Modèle Proposé}{equation.7.3.30}{}}	89	87	\@writefile{lot}{\contentsline {table}{\numberline {7.7}{\ignorespaces Paramètres (p), variables (v) et fonctions (f) du modèle proposé et les métriques utilisées}}{88}{table.caption.58}\protected@file@percent }
\newlabel{IntEq2_}{{7.31}{88}{Modèle Proposé}{equation.7.3.31}{}}	90	88	\newlabel{tabvp}{{7.7}{88}{Paramètres (p), variables (v) et fonctions (f) du modèle proposé et les métriques utilisées}{table.caption.58}{}}
\newlabel{eqMixModels_}{{7.32}{88}{Modèle Proposé}{equation.7.3.32}{}}	91	89	\newlabel{IntEq1_}{{7.30}{88}{Modèle Proposé}{equation.7.30}{}}
		90	\newlabel{IntEq2_}{{7.31}{88}{Modèle Proposé}{equation.7.31}{}}
\citation{badier:hal-04092828}	92	91	\citation{badier:hal-04092828}
\citation{doi:10.1137/23M1592420}	93	92	\citation{doi:10.1137/23M1592420}
		93	\newlabel{eqMixModels_}{{7.32}{89}{Modèle Proposé}{equation.7.32}{}}
\@writefile{toc}{\contentsline {subsection}{\numberline {7.3.3}Résultats et Discussion}{89}{subsection.7.3.3}\protected@file@percent }	94	94	\@writefile{toc}{\contentsline {subsection}{\numberline {7.3.3}Résultats et Discussion}{89}{subsection.7.3.3}\protected@file@percent }
\@writefile{toc}{\contentsline {subsubsection}{\numberline {7.3.3.1}Régression dans la base de données des apprenants avec ESCBR-SMA}{89}{subsubsection.7.3.3.1}\protected@file@percent }	95	95	\@writefile{toc}{\contentsline {subsubsection}{\numberline {7.3.3.1}Régression dans la base de données des apprenants avec ESCBR-SMA}{89}{subsubsection.7.3.3.1}\protected@file@percent }
\@writefile{lot}{\contentsline {table}{\numberline {7.8}{\ignorespaces Description des scénarios\relax }}{90}{table.caption.59}\protected@file@percent }	96	96	\@writefile{lot}{\contentsline {table}{\numberline {7.8}{\ignorespaces Description des scénarios}}{90}{table.caption.59}\protected@file@percent }
\newlabel{tab:scenarios}{{7.8}{90}{Description des scénarios\relax }{table.caption.59}{}}	97	97	\newlabel{tab:scenarios}{{7.8}{90}{Description des scénarios}{table.caption.59}{}}
\@writefile{lot}{\contentsline {table}{\numberline {7.9}{\ignorespaces Liste des algorithmes évalués \relax }}{90}{table.caption.60}\protected@file@percent }	98	98	\@writefile{lot}{\contentsline {table}{\numberline {7.9}{\ignorespaces Liste des algorithmes évalués }}{90}{table.caption.60}\protected@file@percent }
\newlabel{tabAlgs}{{7.9}{90}{Liste des algorithmes évalués \relax }{table.caption.60}{}}	99	99	\newlabel{tabAlgs}{{7.9}{90}{Liste des algorithmes évalués}{table.caption.60}{}}
\@writefile{lot}{\contentsline {table}{\numberline {7.10}{\ignorespaces Résultats de la régression pour la base de données des apprenants avec 100 exécutions\relax }}{90}{table.caption.61}\protected@file@percent }	100	100	\@writefile{lot}{\contentsline {table}{\numberline {7.10}{\ignorespaces Résultats de la régression pour la base de données des apprenants avec 100 exécutions}}{90}{table.caption.61}\protected@file@percent }
\newlabel{tab:results}{{7.10}{90}{Résultats de la régression pour la base de données des apprenants avec 100 exécutions\relax }{table.caption.61}{}}	101	101	\newlabel{tab:results}{{7.10}{90}{Résultats de la régression pour la base de données des apprenants avec 100 exécutions}{table.caption.61}{}}
\@writefile{toc}{\contentsline {subsubsection}{\numberline {7.3.3.2}Progression des connaissances}{90}{subsubsection.7.3.3.2}\protected@file@percent }	102	102	\@writefile{toc}{\contentsline {subsubsection}{\numberline {7.3.3.2}Progression des connaissances}{91}{subsubsection.7.3.3.2}\protected@file@percent }
\newlabel{eqprog1}{{7.33}{91}{Progression des connaissances}{equation.7.3.33}{}}	103	103	\newlabel{eqprog1}{{7.33}{91}{Progression des connaissances}{equation.7.33}{}}
\newlabel{eqprog2}{{7.34}{91}{Progression des connaissances}{equation.7.3.34}{}}	104	104	\newlabel{eqprog2}{{7.34}{91}{Progression des connaissances}{equation.7.34}{}}
\newlabel{eqVarP}{{7.35}{91}{Progression des connaissances}{equation.7.3.35}{}}	105	105	\newlabel{eqVarP}{{7.35}{91}{Progression des connaissances}{equation.7.35}{}}
\newlabel{eqTEK}{{7.36}{91}{Progression des connaissances}{equation.7.3.36}{}}	106	106	\newlabel{eqTEK}{{7.36}{91}{Progression des connaissances}{equation.7.36}{}}
\@writefile{toc}{\contentsline {subsubsection}{\numberline {7.3.3.3}Comparaison entre TS et BKT}{91}{subsubsection.7.3.3.3}\protected@file@percent }	107	107	\@writefile{toc}{\contentsline {subsubsection}{\numberline {7.3.3.3}Comparaison entre TS et BKT}{91}{subsubsection.7.3.3.3}\protected@file@percent }
\@writefile{lof}{\contentsline {figure}{\numberline {7.8}{\ignorespaces Progression des connaissances avec l'échantillonnage de Thompson selon la divergence de Jensen-Shannon\relax }}{92}{figure.caption.62}\protected@file@percent }	108	108	\@writefile{lof}{\contentsline {figure}{\numberline {7.8}{\ignorespaces Progression des connaissances avec l'échantillonnage de Thompson selon la divergence de Jensen-Shannon}}{92}{figure.caption.62}\protected@file@percent }
\newlabel{fig:evolution}{{7.8}{92}{Progression des connaissances avec l'échantillonnage de Thompson selon la divergence de Jensen-Shannon\relax }{figure.caption.62}{}}	109	109	\newlabel{fig:evolution}{{7.8}{92}{Progression des connaissances avec l'échantillonnage de Thompson selon la divergence de Jensen-Shannon}{figure.caption.62}{}}
\@writefile{toc}{\contentsline {subsubsection}{\numberline {7.3.3.4}Système de recommandation avec ESCBR-SMA}{92}{subsubsection.7.3.3.4}\protected@file@percent }	110	110	\@writefile{toc}{\contentsline {subsubsection}{\numberline {7.3.3.4}Système de recommandation avec ESCBR-SMA}{92}{subsubsection.7.3.3.4}\protected@file@percent }
\@writefile{lof}{\contentsline {figure}{\numberline {7.9}{\ignorespaces Comparaison de l'évolution des notes entre les algorithmes BKT et TS\relax }}{93}{figure.caption.63}\protected@file@percent }	111	111	\@writefile{lof}{\contentsline {figure}{\numberline {7.9}{\ignorespaces Comparaison de l'évolution des notes entre les algorithmes BKT et TS}}{93}{figure.caption.63}\protected@file@percent }
\newlabel{fig:EvGrades}{{7.9}{93}{Comparaison de l'évolution des notes entre les algorithmes BKT et TS\relax }{figure.caption.63}{}}	112	112	\newlabel{fig:EvGrades}{{7.9}{93}{Comparaison de l'évolution des notes entre les algorithmes BKT et TS}{figure.caption.63}{}}
\@writefile{toc}{\contentsline {subsubsection}{\numberline {7.3.3.5}Progression des connaissances TS vs TS et ESCBR-SMA}{93}{subsubsection.7.3.3.5}\protected@file@percent }	113	113	\@writefile{toc}{\contentsline {subsubsection}{\numberline {7.3.3.5}Progression des connaissances TS vs TS et ESCBR-SMA}{93}{subsubsection.7.3.3.5}\protected@file@percent }
\newlabel{eqjs4}{{7.37}{93}{Progression des connaissances TS vs TS et ESCBR-SMA}{equation.7.3.37}{}}	114	114	\@writefile{lof}{\contentsline {figure}{\numberline {7.10}{\ignorespaces Comparaison de l'évolution des niveaux entre les algorithmes BKT et TS}}{94}{figure.caption.64}\protected@file@percent }
\@writefile{lof}{\contentsline {figure}{\numberline {7.10}{\ignorespaces Comparaison de l'évolution des niveaux entre les algorithmes BKT et TS\relax }}{94}{figure.caption.64}\protected@file@percent }	115	115	\newlabel{fig:EvCL}{{7.10}{94}{Comparaison de l'évolution des niveaux entre les algorithmes BKT et TS}{figure.caption.64}{}}
\newlabel{fig:EvCL}{{7.10}{94}{Comparaison de l'évolution des niveaux entre les algorithmes BKT et TS\relax }{figure.caption.64}{}}	116	116	\newlabel{eqjs4}{{7.37}{94}{Progression des connaissances TS vs TS et ESCBR-SMA}{equation.7.37}{}}
\newlabel{eqjs5}{{7.38}{94}{Progression des connaissances TS vs TS et ESCBR-SMA}{equation.7.3.38}{}}	117	117	\newlabel{eqjs5}{{7.38}{94}{Progression des connaissances TS vs TS et ESCBR-SMA}{equation.7.38}{}}
\@writefile{toc}{\contentsline {subsection}{\numberline {7.3.4}Conclusion}{94}{subsection.7.3.4}\protected@file@percent }	118	118	\@writefile{lof}{\contentsline {figure}{\numberline {7.11}{\ignorespaces Normalisation de la différence de progression entre l'échantillonnage de Thompson et l'échantillonnage de Thompson avec ESCBR pour 1000 apprenants}}{95}{figure.caption.65}\protected@file@percent }
\citation{10.1145/3578337.3605122}	119	119	\newlabel{fig_cmp2}{{7.11}{95}{Normalisation de la différence de progression entre l'échantillonnage de Thompson et l'échantillonnage de Thompson avec ESCBR pour 1000 apprenants}{figure.caption.65}{}}
\@writefile{lof}{\contentsline {figure}{\numberline {7.11}{\ignorespaces Normalisation de la différence de progression entre l'échantillonnage de Thompson et l'échantillonnage de Thompson avec ESCBR pour 1000 apprenants\relax }}{95}{figure.caption.65}\protected@file@percent }	120	120	\@writefile{toc}{\contentsline {subsection}{\numberline {7.3.4}Conclusion}{95}{subsection.7.3.4}\protected@file@percent }
\newlabel{fig_cmp2}{{7.11}{95}{Normalisation de la différence de progression entre l'échantillonnage de Thompson et l'échantillonnage de Thompson avec ESCBR pour 1000 apprenants\relax }{figure.caption.65}{}}	121
\@writefile{toc}{\contentsline {section}{\numberline {7.4}ESCBR-SMA, Échantillonnage de Thompson et Processus de Hawkes}{95}{section.7.4}\protected@file@percent }	122	121	\@writefile{toc}{\contentsline {section}{\numberline {7.4}ESCBR-SMA, Échantillonnage de Thompson et Processus de Hawkes}{95}{section.7.4}\protected@file@percent }
\@writefile{toc}{\contentsline {subsection}{\numberline {7.4.1}Modèle Proposé}{95}{subsection.7.4.1}\protected@file@percent }	123	122	\@writefile{toc}{\contentsline {subsection}{\numberline {7.4.1}Modèle Proposé}{95}{subsection.7.4.1}\protected@file@percent }
\@writefile{lof}{\contentsline {figure}{\numberline {7.12}{\ignorespaces Architecture de modèle proposé avec Hawkes\relax }}{96}{figure.caption.66}\protected@file@percent }	124	123	\citation{10.1145/3578337.3605122}
\newlabel{fig:Amodel}{{7.12}{96}{Architecture de modèle proposé avec Hawkes\relax }{figure.caption.66}{}}	125	124	\@writefile{lof}{\contentsline {figure}{\numberline {7.12}{\ignorespaces Architecture de modèle proposé avec Hawkes}}{96}{figure.caption.66}\protected@file@percent }
\newlabel{hp1}{{7.39}{96}{Modèle Proposé}{equation.7.4.39}{}}	126	125	\newlabel{fig:Amodel}{{7.12}{96}{Architecture de modèle proposé avec Hawkes}{figure.caption.66}{}}
\citation{Kuzilek2017}	127	126	\citation{Kuzilek2017}
\newlabel{hp21}{{7.40}{97}{Modèle Proposé}{equation.7.4.40}{}}	128	127	\newlabel{hp1}{{7.39}{97}{Modèle Proposé}{equation.7.39}{}}
\newlabel{hp22}{{7.41}{97}{Modèle Proposé}{equation.7.4.41}{}}	129	128	\newlabel{hp21}{{7.40}{97}{Modèle Proposé}{equation.7.40}{}}
\newlabel{hp31}{{7.42}{97}{Modèle Proposé}{equation.7.4.42}{}}	130	129	\newlabel{hp22}{{7.41}{97}{Modèle Proposé}{equation.7.41}{}}
\newlabel{hpfa}{{7.43}{97}{Modèle Proposé}{equation.7.4.43}{}}	131	130	\newlabel{hp31}{{7.42}{97}{Modèle Proposé}{equation.7.42}{}}
\newlabel{hpfb}{{7.44}{97}{Modèle Proposé}{equation.7.4.44}{}}	132	131	\newlabel{hpfa}{{7.43}{97}{Modèle Proposé}{equation.7.43}{}}
\newlabel{eqBetaH}{{7.45}{97}{Modèle Proposé}{equation.7.4.45}{}}	133	132	\newlabel{hpfb}{{7.44}{97}{Modèle Proposé}{equation.7.44}{}}
		133	\newlabel{eqBetaH}{{7.45}{97}{Modèle Proposé}{equation.7.45}{}}
\@writefile{toc}{\contentsline {subsection}{\numberline {7.4.2}Résultats et Discussion}{97}{subsection.7.4.2}\protected@file@percent }	134	134	\@writefile{toc}{\contentsline {subsection}{\numberline {7.4.2}Résultats et Discussion}{97}{subsection.7.4.2}\protected@file@percent }
\@writefile{toc}{\contentsline {subsubsection}{\numberline {7.4.2.1}Système de recommandation avec une base de données d'étudiants réels (TS avec Hawkes)}{97}{subsubsection.7.4.2.1}\protected@file@percent }	135	135	\@writefile{toc}{\contentsline {subsubsection}{\numberline {7.4.2.1}Système de recommandation avec une base de données d'étudiants réels (TS avec Hawkes)}{97}{subsubsection.7.4.2.1}\protected@file@percent }
\@writefile{lof}{\contentsline {figure}{\numberline {7.13}{\ignorespaces Nombre de recommandations par niveau de complexité (à gauche processus d'apprentissage statique, à droite processus d'apprentissage dynamique avec processus de Hawkes)\relax }}{98}{figure.caption.67}\protected@file@percent }	136	136	\@writefile{lof}{\contentsline {figure}{\numberline {7.13}{\ignorespaces Nombre de recommandations par niveau de complexité (à gauche processus d'apprentissage statique, à droite processus d'apprentissage dynamique avec processus de Hawkes)}}{98}{figure.caption.67}\protected@file@percent }
\newlabel{fig:stabilityBP}{{7.13}{98}{Nombre de recommandations par niveau de complexité (à gauche processus d'apprentissage statique, à droite processus d'apprentissage dynamique avec processus de Hawkes)\relax }{figure.caption.67}{}}	137	137	\newlabel{fig:stabilityBP}{{7.13}{98}{Nombre de recommandations par niveau de complexité (à gauche processus d'apprentissage statique, à droite processus d'apprentissage dynamique avec processus de Hawkes)}{figure.caption.67}{}}
\@writefile{toc}{\contentsline {subsubsection}{\numberline {7.4.2.2}Base de données simulée (ESCBR, TS avec Hawkes)}{99}{subsubsection.7.4.2.2}\protected@file@percent }	138	138	\@writefile{toc}{\contentsline {subsubsection}{\numberline {7.4.2.2}Base de données simulée (ESCBR, TS avec Hawkes)}{99}{subsubsection.7.4.2.2}\protected@file@percent }
\newlabel{metric1}{{7.46}{99}{Base de données simulée (ESCBR, TS avec Hawkes)}{equation.7.4.46}{}}	139	139	\newlabel{metric1}{{7.46}{99}{Base de données simulée (ESCBR, TS avec Hawkes)}{equation.7.46}{}}
\@writefile{lot}{\contentsline {table}{\numberline {7.11}{\ignorespaces Comparison entre ESCBR-TS et ESCBR-TS-Hawkes\relax }}{99}{table.caption.68}\protected@file@percent }	140	140	\@writefile{lot}{\contentsline {table}{\numberline {7.11}{\ignorespaces Comparison entre ESCBR-TS et ESCBR-TS-Hawkes}}{99}{table.caption.68}\protected@file@percent }
\newlabel{tab:my_label}{{7.11}{99}{Comparison entre ESCBR-TS et ESCBR-TS-Hawkes\relax }{table.caption.68}{}}	141	141	\newlabel{tab:my_label}{{7.11}{99}{Comparison entre ESCBR-TS et ESCBR-TS-Hawkes}{table.caption.68}{}}
\@writefile{toc}{\contentsline {subsection}{\numberline {7.4.3}Conclusion}{99}{subsection.7.4.3}\protected@file@percent }	142	142	\@writefile{lof}{\contentsline {figure}{\numberline {7.14}{\ignorespaces Évolution de la variance pour la distribution de probabilité bêta et tous les niveaux de complexité (en haut : processus d'apprentissage statique. En bas : processus d'apprentissage dynamique avec processus de Hawkes)}}{100}{figure.caption.69}\protected@file@percent }
\@writefile{lof}{\contentsline {figure}{\numberline {7.14}{\ignorespaces Évolution de la variance pour la distribution de probabilité bêta et tous les niveaux de complexité (en haut : processus d'apprentissage statique. En bas : processus d'apprentissage dynamique avec processus de Hawkes)\relax }}{100}{figure.caption.69}\protected@file@percent }	143	143	\newlabel{fig:vars}{{7.14}{100}{Évolution de la variance pour la distribution de probabilité bêta et tous les niveaux de complexité (en haut : processus d'apprentissage statique. En bas : processus d'apprentissage dynamique avec processus de Hawkes)}{figure.caption.69}{}}
\newlabel{fig:vars}{{7.14}{100}{Évolution de la variance pour la distribution de probabilité bêta et tous les niveaux de complexité (en haut : processus d'apprentissage statique. En bas : processus d'apprentissage dynamique avec processus de Hawkes)\relax }{figure.caption.69}{}}	144	144	\@writefile{toc}{\contentsline {subsection}{\numberline {7.4.3}Conclusion}{100}{subsection.7.4.3}\protected@file@percent }
\@setckpt{./chapters/TS}{	145	145	\@setckpt{./chapters/TS}{
\setcounter{page}{101}	146	146	\setcounter{page}{102}
\setcounter{equation}{46}	147	147	\setcounter{equation}{46}
\setcounter{enumi}{0}	148	148	\setcounter{enumi}{0}
\setcounter{enumii}{0}	149	149	\setcounter{enumii}{0}
\setcounter{enumiii}{0}	150	150	\setcounter{enumiii}{0}
\setcounter{enumiv}{0}	151	151	\setcounter{enumiv}{0}
\setcounter{footnote}{0}	152	152	\setcounter{footnote}{0}
\setcounter{mpfootnote}{0}	153	153	\setcounter{mpfootnote}{0}
\setcounter{part}{3}	154	154	\setcounter{part}{3}
\setcounter{chapter}{7}	155	155	\setcounter{chapter}{7}
\setcounter{section}{4}	156	156	\setcounter{section}{4}
\setcounter{subsection}{3}	157	157	\setcounter{subsection}{3}
\setcounter{subsubsection}{0}	158	158	\setcounter{subsubsection}{0}
\setcounter{paragraph}{0}	159	159	\setcounter{paragraph}{0}
\setcounter{subparagraph}{0}	160	160	\setcounter{subparagraph}{0}
\setcounter{figure}{14}	161	161	\setcounter{figure}{14}
\setcounter{table}{11}	162	162	\setcounter{table}{11}
		163	\setcounter{section@level}{0}
		164	\setcounter{Item}{0}
		165	\setcounter{Hfootnote}{0}
		166	\setcounter{bookmark@seq@number}{89}
\setcounter{caption@flags}{2}	163	167	\setcounter{caption@flags}{2}
\setcounter{continuedfloat}{0}	164	168	\setcounter{continuedfloat}{0}
\setcounter{subfigure}{0}	165	169	\setcounter{subfigure}{0}
\setcounter{subtable}{0}	166	170	\setcounter{subtable}{0}
		171	\setcounter{tcbbreakpart}{1}
		172	\setcounter{tcblayer}{0}
		173	\setcounter{tcolorbox@number}{1}
\setcounter{parentequation}{0}	167	174	\setcounter{parentequation}{0}
\setcounter{thmt@dummyctr}{0}	168	175	\setcounter{thmt@dummyctr}{0}
\setcounter{vrcnt}{0}	169	176	\setcounter{vrcnt}{0}
\setcounter{upm@subfigure@count}{0}	170	177	\setcounter{upm@subfigure@count}{0}
\setcounter{upm@fmt@mtabular@columnnumber}{0}	171	178	\setcounter{upm@fmt@mtabular@columnnumber}{0}
\setcounter{upm@format@section@sectionlevel}{2}	172	179	\setcounter{upm@format@section@sectionlevel}{0}
		180	\setcounter{ttlp@side}{0}
\setcounter{upm@fmt@savedcounter}{0}	173	181	\setcounter{upm@fmt@savedcounter}{0}
\setcounter{@@upm@fmt@inlineenumeration}{0}	174	182	\setcounter{@@upm@fmt@inlineenumeration}{0}
\setcounter{@upm@fmt@enumdescription@cnt@}{0}	175	183	\setcounter{@upm@fmt@enumdescription@cnt@}{0}
\setcounter{upmdefinition}{0}	176	184	\setcounter{tcb@cnt@upm@definition}{0}
\setcounter{section@level}{2}	177
\setcounter{Item}{0}	178
\setcounter{Hfootnote}{0}	179
\setcounter{bookmark@seq@number}{88}	180
\setcounter{DefaultLines}{2}	181	185	\setcounter{DefaultLines}{2}
\setcounter{DefaultDepth}{0}	182	186	\setcounter{DefaultDepth}{0}
\setcounter{L@lines}{3}	183	187	\setcounter{L@lines}{3}
\setcounter{L@depth}{0}	184	188	\setcounter{L@depth}{0}
\setcounter{float@type}{8}	185	189	\setcounter{float@type}{16}
\setcounter{algorithm}{1}	186	190	\setcounter{algorithm}{1}
\setcounter{ALG@line}{8}	187	191	\setcounter{ALG@line}{8}
\setcounter{ALG@rem}{8}	188	192	\setcounter{ALG@rem}{8}
\setcounter{ALG@nested}{0}	189	193	\setcounter{ALG@nested}{0}
\setcounter{ALG@Lnr}{2}	190	194	\setcounter{ALG@Lnr}{2}
\setcounter{ALG@blocknr}{10}	191	195	\setcounter{ALG@blocknr}{10}
\setcounter{ALG@storecount}{0}	192	196	\setcounter{ALG@storecount}{0}
\setcounter{ALG@tmpcounter}{0}	193	197	\setcounter{ALG@tmpcounter}{0}
}	194	198	}
	195	199

\relax	1	1	\relax
\providecommand\hyper@newdestlabel[2]{}	2	2	\providecommand\hyper@newdestlabel[2]{}
\citation{LALITHA2020583}	3	3	\citation{LALITHA2020583}
\citation{LALITHA2020583}	4	4	\citation{LALITHA2020583}
\citation{LALITHA2020583}	5	5	\citation{LALITHA2020583}
\@writefile{toc}{\contentsline {chapter}{\numberline {2}Contexte}{7}{chapter.2}\protected@file@percent }	6	6	\@writefile{toc}{\contentsline {chapter}{\numberline {2}Contexte}{7}{chapter.2}\protected@file@percent }
\@writefile{lof}{\addvspace {10\p@ }}	7	7	\@writefile{lof}{\addvspace {10\p@ }}
\@writefile{lot}{\addvspace {10\p@ }}	8	8	\@writefile{lot}{\addvspace {10\p@ }}
\@writefile{toc}{\contentsline {section}{\numberline {2.1}Les stratégies d'apprentissage humain et les environnements informatiques pour l'apprentissage humain (EIAH)}{7}{section.2.1}\protected@file@percent }	9	9	\@writefile{toc}{\contentsline {section}{\numberline {2.1}Les stratégies d'apprentissage humain et les environnements informatiques pour l'apprentissage humain (EIAH)}{7}{section.2.1}\protected@file@percent }
\@writefile{toc}{\contentsline {subsection}{\numberline {2.1.1}Les stratégies d'apprentissage}{7}{subsection.2.1.1}\protected@file@percent }	10	10	\@writefile{toc}{\contentsline {subsection}{\numberline {2.1.1}Les stratégies d'apprentissage}{7}{subsection.2.1.1}\protected@file@percent }
\citation{Nkambou}	11	11	\citation{Nkambou}
\citation{Nkambou}	12	12	\citation{Nkambou}
\@writefile{lof}{\contentsline {figure}{\numberline {2.1}{\ignorespaces Stratégies d'apprentissage (Traduit de \cite {LALITHA2020583})\relax }}{8}{figure.caption.4}\protected@file@percent }	13	13	\@writefile{lof}{\contentsline {figure}{\numberline {2.1}{\ignorespaces Stratégies d'apprentissage (Traduit de \cite {LALITHA2020583})}}{8}{figure.caption.4}\protected@file@percent }
\providecommand*\caption@xref[2]{\@setref\relax\@undefined{#1}}	14	14	\providecommand*\caption@xref[2]{\@setref\relax\@undefined{#1}}
\newlabel{fig:figStra}{{2.1}{8}{Stratégies d'apprentissage (Traduit de \cite {LALITHA2020583})\relax }{figure.caption.4}{}}	15	15	\newlabel{fig:figStra}{{2.1}{8}{Stratégies d'apprentissage (Traduit de \protect \cite {LALITHA2020583})}{figure.caption.4}{}}
\@writefile{toc}{\contentsline {subsection}{\numberline {2.1.2}Les EIAH}{8}{subsection.2.1.2}\protected@file@percent }	16	16	\@writefile{toc}{\contentsline {subsection}{\numberline {2.1.2}Les EIAH}{8}{subsection.2.1.2}\protected@file@percent }
\@writefile{lof}{\contentsline {figure}{\numberline {2.2}{\ignorespaces L'architecture générale des EIAH, les composantes et leurs interactions (Traduit de \cite {Nkambou})\relax }}{9}{figure.caption.5}\protected@file@percent }	17	17	\@writefile{lof}{\contentsline {figure}{\numberline {2.2}{\ignorespaces L'architecture générale des EIAH, les composantes et leurs interactions (Traduit de \cite {Nkambou})}}{9}{figure.caption.5}\protected@file@percent }
\newlabel{fig:figEIAH}{{2.2}{9}{L'architecture générale des EIAH, les composantes et leurs interactions (Traduit de \cite {Nkambou})\relax }{figure.caption.5}{}}	18	18	\newlabel{fig:figEIAH}{{2.2}{9}{L'architecture générale des EIAH, les composantes et leurs interactions (Traduit de \protect \cite {Nkambou})}{figure.caption.5}{}}
\@writefile{toc}{\contentsline {subsection}{\numberline {2.1.3}L'exerciseur initial AI-VT}{9}{subsection.2.1.3}\protected@file@percent }	19	19	\@writefile{toc}{\contentsline {subsection}{\numberline {2.1.3}L'exerciseur initial AI-VT}{10}{subsection.2.1.3}\protected@file@percent }
\citation{ROLDANREYES20151}	20	20	\citation{ROLDANREYES20151}
\citation{10.1007/978-3-030-58342-2_20}	21	21	\citation{10.1007/978-3-030-58342-2_20}
\@writefile{toc}{\contentsline {section}{\numberline {2.2}Le contexte technique}{10}{section.2.2}\protected@file@percent }	22
\@writefile{toc}{\contentsline {subsection}{\numberline {2.2.1}Le raisonnement à partir de cas (RàPC)}{10}{subsection.2.2.1}\protected@file@percent }	23
\citation{min8100434}	24	22	\citation{min8100434}
\citation{min8100434}	25	23	\citation{min8100434}
\citation{doi:10.3233/AIC-1994-7104}	26	24	\citation{doi:10.3233/AIC-1994-7104}
\citation{min8100434}	27	25	\citation{min8100434}
\citation{Richter2013}	28	26	\citation{Richter2013}
\@writefile{lof}{\contentsline {figure}{\numberline {2.3}{\ignorespaces Cycle fondamental du raisonnement à partir de cas (Adapté et traduit de \cite {min8100434})\relax }}{11}{figure.caption.6}\protected@file@percent }	29	27	\@writefile{toc}{\contentsline {section}{\numberline {2.2}Le contexte technique}{11}{section.2.2}\protected@file@percent }
\newlabel{fig:figCycle}{{2.3}{11}{Cycle fondamental du raisonnement à partir de cas (Adapté et traduit de \cite {min8100434})\relax }{figure.caption.6}{}}	30	28	\@writefile{toc}{\contentsline {subsection}{\numberline {2.2.1}Le raisonnement à partir de cas (RàPC)}{11}{subsection.2.2.1}\protected@file@percent }
		29	\@writefile{toc}{\contentsline {subsubsection}{\numberline {2.2.1.1}Retrouver (Rechercher)}{11}{subsubsection.2.2.1.1}\protected@file@percent }
		30	\newlabel{eqSim}{{2.1}{11}{Retrouver (Rechercher)}{equation.2.1}{}}
		31	\@writefile{lof}{\contentsline {figure}{\numberline {2.3}{\ignorespaces Cycle fondamental du raisonnement à partir de cas (Adapté et traduit de \cite {min8100434})}}{12}{figure.caption.6}\protected@file@percent }
		32	\newlabel{fig:figCycle}{{2.3}{12}{Cycle fondamental du raisonnement à partir de cas (Adapté et traduit de \protect \cite {min8100434})}{figure.caption.6}{}}
		33	\@writefile{toc}{\contentsline {subsubsection}{\numberline {2.2.1.2}Réutiliser (Adapter)}{12}{subsubsection.2.2.1.2}\protected@file@percent }
\citation{Richter2013}	31	34	\citation{Richter2013}
\citation{Richter2013}	32	35	\citation{Richter2013}
\@writefile{toc}{\contentsline {subsubsection}{\numberline {2.2.1.1}Retrouver (Rechercher)}{12}{subsubsection.2.2.1.1}\protected@file@percent }	33	36	\@writefile{lof}{\contentsline {figure}{\numberline {2.4}{\ignorespaces Principe de réutilisation dans le RàPC (Traduit de \cite {Richter2013})}}{13}{figure.caption.7}\protected@file@percent }
\newlabel{eqSim}{{2.1}{12}{Retrouver (Rechercher)}{equation.2.2.1}{}}	34	37	\newlabel{fig:figReut}{{2.4}{13}{Principe de réutilisation dans le RàPC (Traduit de \protect \cite {Richter2013})}{figure.caption.7}{}}
\@writefile{toc}{\contentsline {subsubsection}{\numberline {2.2.1.2}Réutiliser (Adapter)}{12}{subsubsection.2.2.1.2}\protected@file@percent }	35	38	\@writefile{toc}{\contentsline {subsubsection}{\numberline {2.2.1.3}Réviser et Réparer}{13}{subsubsection.2.2.1.3}\protected@file@percent }
\@writefile{toc}{\contentsline {subsubsection}{\numberline {2.2.1.3}Réviser et Réparer}{12}{subsubsection.2.2.1.3}\protected@file@percent }	36
\@writefile{lof}{\contentsline {figure}{\numberline {2.4}{\ignorespaces Principe de réutilisation dans le RàPC (Traduit de \cite {Richter2013})\relax }}{13}{figure.caption.7}\protected@file@percent }	37
\newlabel{fig:figReut}{{2.4}{13}{Principe de réutilisation dans le RàPC (Traduit de \cite {Richter2013})\relax }{figure.caption.7}{}}	38
\@writefile{toc}{\contentsline {subsubsection}{\numberline {2.2.1.4}Retenir (Stocker)}{13}{subsubsection.2.2.1.4}\protected@file@percent }	39
\citation{RICHTER20093}	40	39	\citation{RICHTER20093}
\citation{hajduk2019cognitive}	41	40	\citation{hajduk2019cognitive}
		41	\@writefile{toc}{\contentsline {subsubsection}{\numberline {2.2.1.4}Retenir (Stocker)}{14}{subsubsection.2.2.1.4}\protected@file@percent }
\@writefile{toc}{\contentsline {subsubsection}{\numberline {2.2.1.5}Conteneurs de Connaissance}{14}{subsubsection.2.2.1.5}\protected@file@percent }	42	42	\@writefile{toc}{\contentsline {subsubsection}{\numberline {2.2.1.5}Conteneurs de Connaissance}{14}{subsubsection.2.2.1.5}\protected@file@percent }
\@writefile{toc}{\contentsline {subsection}{\numberline {2.2.2}Les systèmes multi-agents}{14}{subsection.2.2.2}\protected@file@percent }	43	43	\@writefile{toc}{\contentsline {subsection}{\numberline {2.2.2}Les systèmes multi-agents}{14}{subsection.2.2.2}\protected@file@percent }
\citation{Hoang}	44	44	\citation{Hoang}
\@writefile{lof}{\contentsline {figure}{\numberline {2.5}{\ignorespaces Cycle du RàPC, les étapes, les conteneurs et leurs flux de données\relax }}{15}{figure.caption.8}\protected@file@percent }	45	45	\@writefile{lof}{\contentsline {figure}{\numberline {2.5}{\ignorespaces Cycle du RàPC, les étapes, les conteneurs et leurs flux de données}}{15}{figure.caption.8}\protected@file@percent }
\newlabel{fig:figCycleCBR}{{2.5}{15}{Cycle du RàPC, les étapes, les conteneurs et leurs flux de données\relax }{figure.caption.8}{}}	46	46	\newlabel{fig:figCycleCBR}{{2.5}{15}{Cycle du RàPC, les étapes, les conteneurs et leurs flux de données}{figure.caption.8}{}}
\@writefile{toc}{\contentsline {subsection}{\numberline {2.2.3}Différents algorithmes et fonctions implémentés dans AI-VT pour la personnalisation et l'adaptation des séances d'entrainement proposées}{15}{subsection.2.2.3}\protected@file@percent }	47	47	\@writefile{toc}{\contentsline {subsection}{\numberline {2.2.3}Différents algorithmes et fonctions implémentés dans AI-VT pour la personnalisation et l'adaptation des séances d'entrainement proposées}{15}{subsection.2.2.3}\protected@file@percent }
\@writefile{toc}{\contentsline {subsubsection}{\numberline {2.2.3.1}Pensée Bayesienne}{15}{subsubsection.2.2.3.1}\protected@file@percent }	48	48	\@writefile{toc}{\contentsline {subsubsection}{\numberline {2.2.3.1}Pensée Bayesienne}{15}{subsubsection.2.2.3.1}\protected@file@percent }
\citation{Hoang}	49	49	\citation{Hoang}
\citation{10.1145/3459665}	50	50	\citation{10.1145/3459665}
\newlabel{eqBayes}{{2.2}{16}{Pensée Bayesienne}{equation.2.2.2}{}}	51	51	\newlabel{eqBayes}{{2.2}{16}{Pensée Bayesienne}{equation.2.2}{}}
\@writefile{toc}{\contentsline {subsubsection}{\numberline {2.2.3.2}Méthode des k plus proches voisins (K-Nearest Neighborhood - KNN)}{16}{subsubsection.2.2.3.2}\protected@file@percent }	52	52	\@writefile{toc}{\contentsline {subsubsection}{\numberline {2.2.3.2}Méthode des k plus proches voisins (K-Nearest Neighborhood - KNN)}{16}{subsubsection.2.2.3.2}\protected@file@percent }
\newlabel{eqDist}{{2.3}{16}{Méthode des k plus proches voisins (K-Nearest Neighborhood - KNN)}{equation.2.2.3}{}}	53	53	\newlabel{eqDist}{{2.3}{16}{Méthode des k plus proches voisins (K-Nearest Neighborhood - KNN)}{equation.2.3}{}}
\newlabel{eqMet1}{{2.4}{16}{Méthode des k plus proches voisins (K-Nearest Neighborhood - KNN)}{equation.2.2.4}{}}	54	54	\newlabel{eqMet1}{{2.4}{16}{Méthode des k plus proches voisins (K-Nearest Neighborhood - KNN)}{equation.2.4}{}}
\citation{9072123}	55	55	\citation{9072123}
\citation{WANG2021331}	56	56	\citation{WANG2021331}
\newlabel{eqMet2}{{2.5}{17}{Méthode des k plus proches voisins (K-Nearest Neighborhood - KNN)}{equation.2.2.5}{}}	57	57	\newlabel{eqMet2}{{2.5}{17}{Méthode des k plus proches voisins (K-Nearest Neighborhood - KNN)}{equation.2.5}{}}
\newlabel{eqV1}{{2.6}{17}{Méthode des k plus proches voisins (K-Nearest Neighborhood - KNN)}{equation.2.2.6}{}}	58	58	\newlabel{eqV1}{{2.6}{17}{Méthode des k plus proches voisins (K-Nearest Neighborhood - KNN)}{equation.2.6}{}}
\newlabel{eqV2}{{2.7}{17}{Méthode des k plus proches voisins (K-Nearest Neighborhood - KNN)}{equation.2.2.7}{}}	59	59	\newlabel{eqV2}{{2.7}{17}{Méthode des k plus proches voisins (K-Nearest Neighborhood - KNN)}{equation.2.7}{}}
\newlabel{eqV3}{{2.8}{17}{Méthode des k plus proches voisins (K-Nearest Neighborhood - KNN)}{equation.2.2.8}{}}	60	60	\newlabel{eqV3}{{2.8}{17}{Méthode des k plus proches voisins (K-Nearest Neighborhood - KNN)}{equation.2.8}{}}
\newlabel{eqCond}{{2.9}{17}{Méthode des k plus proches voisins (K-Nearest Neighborhood - KNN)}{equation.2.2.9}{}}	61	61	\newlabel{eqCond}{{2.9}{17}{Méthode des k plus proches voisins (K-Nearest Neighborhood - KNN)}{equation.2.9}{}}
\@writefile{toc}{\contentsline {subsubsection}{\numberline {2.2.3.3}K-Moyennes}{17}{subsubsection.2.2.3.3}\protected@file@percent }	62	62	\@writefile{toc}{\contentsline {subsubsection}{\numberline {2.2.3.3}K-Moyennes}{17}{subsubsection.2.2.3.3}\protected@file@percent }
\newlabel{eqKM}{{2.10}{17}{K-Moyennes}{equation.2.2.10}{}}	63	63	\newlabel{eqKM}{{2.10}{17}{K-Moyennes}{equation.2.10}{}}
\newlabel{eqCentres}{{2.11}{17}{K-Moyennes}{equation.2.2.11}{}}	64	64	\newlabel{eqCentres}{{2.11}{17}{K-Moyennes}{equation.2.11}{}}
\newlabel{eqApp}{{2.12}{17}{K-Moyennes}{equation.2.2.12}{}}	65	65	\newlabel{eqApp}{{2.12}{17}{K-Moyennes}{equation.2.12}{}}
\citation{9627973}	66	66	\citation{9627973}
\@writefile{toc}{\contentsline {subsubsection}{\numberline {2.2.3.4}Modèle de Mélange Gaussien GMM (\textit {Gaussian Mixture Model})}{18}{subsubsection.2.2.3.4}\protected@file@percent }	67	67	\@writefile{toc}{\contentsline {subsubsection}{\numberline {2.2.3.4}Modèle de Mélange Gaussien GMM (\textit {Gaussian Mixture Model})}{18}{subsubsection.2.2.3.4}\protected@file@percent }
\newlabel{eqGMM}{{2.13}{18}{Modèle de Mélange Gaussien GMM (\textit {Gaussian Mixture Model})}{equation.2.2.13}{}}	68	68	\newlabel{eqGMM}{{2.13}{18}{Modèle de Mélange Gaussien GMM (\textit {Gaussian Mixture Model})}{equation.2.13}{}}
\newlabel{eqdProb}{{2.14}{18}{Modèle de Mélange Gaussien GMM (\textit {Gaussian Mixture Model})}{equation.2.2.14}{}}	69	69	\newlabel{eqdProb}{{2.14}{18}{Modèle de Mélange Gaussien GMM (\textit {Gaussian Mixture Model})}{equation.2.14}{}}
\@writefile{toc}{\contentsline {subsubsection}{\numberline {2.2.3.5}Fuzzy-C}{18}{subsubsection.2.2.3.5}\protected@file@percent }	70	70	\@writefile{toc}{\contentsline {subsubsection}{\numberline {2.2.3.5}Fuzzy-C}{18}{subsubsection.2.2.3.5}\protected@file@percent }
\newlabel{eqFuzzy}{{2.15}{18}{Fuzzy-C}{equation.2.2.15}{}}	71	71	\newlabel{eqFuzzy}{{2.15}{18}{Fuzzy-C}{equation.2.15}{}}
\newlabel{eqFCond}{{2.16}{18}{Fuzzy-C}{equation.2.2.16}{}}	72	72	\newlabel{eqFCond}{{2.16}{18}{Fuzzy-C}{equation.2.16}{}}
\citation{9434422}	73	73	\citation{9434422}
\citation{9870279}	74	74	\citation{9870279}
\newlabel{eqFV}{{2.17}{19}{Fuzzy-C}{equation.2.2.17}{}}	75	75	\newlabel{eqFV}{{2.17}{19}{Fuzzy-C}{equation.2.17}{}}
\newlabel{eqFU}{{2.18}{19}{Fuzzy-C}{equation.2.2.18}{}}	76	76	\newlabel{eqFU}{{2.18}{19}{Fuzzy-C}{equation.2.18}{}}
\@writefile{toc}{\contentsline {subsubsection}{\numberline {2.2.3.6}Bandit Manchot MAB (\textit {Multi-Armed Bandits})}{19}{subsubsection.2.2.3.6}\protected@file@percent }	77	77	\@writefile{toc}{\contentsline {subsubsection}{\numberline {2.2.3.6}Bandit Manchot MAB (\textit {Multi-Armed Bandits})}{19}{subsubsection.2.2.3.6}\protected@file@percent }
\@writefile{toc}{\contentsline {subsubsection}{\numberline {2.2.3.7}Échantillonnage de Thompson TS (\textit {Thompson Sampling})}{19}{subsubsection.2.2.3.7}\protected@file@percent }	78	78	\@writefile{toc}{\contentsline {subsubsection}{\numberline {2.2.3.7}Échantillonnage de Thompson TS (\textit {Thompson Sampling})}{19}{subsubsection.2.2.3.7}\protected@file@percent }
\@writefile{lof}{\contentsline {figure}{\numberline {2.6}{\ignorespaces Comportement de la distribution Beta avec différentes valeurs de paramètres $alpha$ et $beta$\relax }}{20}{figure.caption.9}\protected@file@percent }	79	79	\newlabel{eqBeta}{{2.19}{19}{Échantillonnage de Thompson TS (\textit {Thompson Sampling})}{equation.2.19}{}}
\newlabel{fig:figBeta}{{2.6}{20}{Comportement de la distribution Beta avec différentes valeurs de paramètres $alpha$ et $beta$\relax }{figure.caption.9}{}}	80	80	\@writefile{lof}{\contentsline {figure}{\numberline {2.6}{\ignorespaces Comportement de la distribution Beta avec différentes valeurs de paramètres $alpha$ et $beta$}}{20}{figure.caption.9}\protected@file@percent }
\newlabel{eqBeta}{{2.19}{20}{Échantillonnage de Thompson TS (\textit {Thompson Sampling})}{equation.2.2.19}{}}	81	81	\newlabel{fig:figBeta}{{2.6}{20}{Comportement de la distribution Beta avec différentes valeurs de paramètres $alpha$ et $beta$}{figure.caption.9}{}}
\@setckpt{./chapters/contexte2}{	82	82	\@setckpt{./chapters/contexte2}{
\setcounter{page}{21}	83	83	\setcounter{page}{21}
\setcounter{equation}{19}	84	84	\setcounter{equation}{19}
\setcounter{enumi}{0}	85	85	\setcounter{enumi}{0}
\setcounter{enumii}{0}	86	86	\setcounter{enumii}{0}
\setcounter{enumiii}{0}	87	87	\setcounter{enumiii}{0}
\setcounter{enumiv}{0}	88	88	\setcounter{enumiv}{0}
\setcounter{footnote}{0}	89	89	\setcounter{footnote}{0}
\setcounter{mpfootnote}{0}	90	90	\setcounter{mpfootnote}{0}
\setcounter{part}{1}	91	91	\setcounter{part}{1}
\setcounter{chapter}{2}	92	92	\setcounter{chapter}{2}
\setcounter{section}{2}	93	93	\setcounter{section}{2}
\setcounter{subsection}{3}	94	94	\setcounter{subsection}{3}
\setcounter{subsubsection}{7}	95	95	\setcounter{subsubsection}{7}
\setcounter{paragraph}{0}	96	96	\setcounter{paragraph}{0}
\setcounter{subparagraph}{0}	97	97	\setcounter{subparagraph}{0}
\setcounter{figure}{6}	98	98	\setcounter{figure}{6}
\setcounter{table}{0}	99	99	\setcounter{table}{0}
		100	\setcounter{section@level}{0}
		101	\setcounter{Item}{0}
		102	\setcounter{Hfootnote}{0}
		103	\setcounter{bookmark@seq@number}{26}
\setcounter{caption@flags}{2}	100	104	\setcounter{caption@flags}{2}
\setcounter{continuedfloat}{0}	101	105	\setcounter{continuedfloat}{0}
\setcounter{subfigure}{0}	102	106	\setcounter{subfigure}{0}
\setcounter{subtable}{0}	103	107	\setcounter{subtable}{0}
		108	\setcounter{tcbbreakpart}{1}
		109	\setcounter{tcblayer}{0}
		110	\setcounter{tcolorbox@number}{1}
\setcounter{parentequation}{0}	104	111	\setcounter{parentequation}{0}
\setcounter{thmt@dummyctr}{0}	105	112	\setcounter{thmt@dummyctr}{0}
\setcounter{vrcnt}{0}	106	113	\setcounter{vrcnt}{0}
\setcounter{upm@subfigure@count}{0}	107	114	\setcounter{upm@subfigure@count}{0}
\setcounter{upm@fmt@mtabular@columnnumber}{0}	108	115	\setcounter{upm@fmt@mtabular@columnnumber}{0}
\setcounter{upm@format@section@sectionlevel}{3}	109	116	\setcounter{upm@format@section@sectionlevel}{0}
		117	\setcounter{ttlp@side}{0}
\setcounter{upm@fmt@savedcounter}{0}	110	118	\setcounter{upm@fmt@savedcounter}{0}
\setcounter{@@upm@fmt@inlineenumeration}{0}	111	119	\setcounter{@@upm@fmt@inlineenumeration}{0}
\setcounter{@upm@fmt@enumdescription@cnt@}{0}	112	120	\setcounter{@upm@fmt@enumdescription@cnt@}{0}
\setcounter{upmdefinition}{0}	113	121	\setcounter{tcb@cnt@upm@definition}{0}
\setcounter{section@level}{3}	114
\setcounter{Item}{0}	115
\setcounter{Hfootnote}{0}	116
\setcounter{bookmark@seq@number}{25}	117
\setcounter{DefaultLines}{2}	118	122	\setcounter{DefaultLines}{2}
\setcounter{DefaultDepth}{0}	119	123	\setcounter{DefaultDepth}{0}
\setcounter{L@lines}{3}	120	124	\setcounter{L@lines}{3}
\setcounter{L@depth}{0}	121	125	\setcounter{L@depth}{0}
\setcounter{float@type}{8}	122	126	\setcounter{float@type}{16}
\setcounter{algorithm}{0}	123	127	\setcounter{algorithm}{0}
\setcounter{ALG@line}{0}	124	128	\setcounter{ALG@line}{0}
\setcounter{ALG@rem}{0}	125	129	\setcounter{ALG@rem}{0}
\setcounter{ALG@nested}{0}	126	130	\setcounter{ALG@nested}{0}
\setcounter{ALG@Lnr}{2}	127	131	\setcounter{ALG@Lnr}{2}
\setcounter{ALG@blocknr}{10}	128	132	\setcounter{ALG@blocknr}{10}
\setcounter{ALG@storecount}{0}	129	133	\setcounter{ALG@storecount}{0}
\setcounter{ALG@tmpcounter}{0}	130	134	\setcounter{ALG@tmpcounter}{0}
}	131	135	}
	132	136