Algorithme évolutionnistevignette|redresse=1.2|Un algorithme évolutionnaire utilise itérativement des opérateurs de sélections (en bleu) et de variation (en jaune). i : initialisation, f(X) : évaluation, ? : critère d'arrêt, Se : sélection, Cr : croisement, Mu : mutation, Re : remplacement, X* : optimum. Les algorithmes évolutionnistes ou algorithmes évolutionnaires (evolutionary algorithms en anglais), sont une famille d'algorithmes dont le principe s'inspire de la théorie de l'évolution pour résoudre des problèmes divers.
Optimisation multiobjectifL'optimisation multiobjectif (appelée aussi Programmation multi-objective ou optimisation multi-critère) est une branche de l'optimisation mathématique traitant spécifiquement des problèmes d'optimisation ayant plusieurs fonctions objectifs. Elle se distingue de l'optimisation multidisciplinaire par le fait que les objectifs à optimiser portent ici sur un seul problème. Les problèmes multiobjectifs ont un intérêt grandissant dans l'industrie où les responsables sont contraints de tenter d'optimiser des objectifs contradictoires.
Algorithme génétiqueLes algorithmes génétiques appartiennent à la famille des algorithmes évolutionnistes. Leur but est d'obtenir une solution approchée à un problème d'optimisation, lorsqu'il n'existe pas de méthode exacte (ou que la solution est inconnue) pour le résoudre en un temps raisonnable. Les algorithmes génétiques utilisent la notion de sélection naturelle et l'appliquent à une population de solutions potentielles au problème donné.
Algorithme mémétiqueLes algorithmes mémétiques appartiennent à la famille des algorithmes évolutionnistes. Leur but est d'obtenir une solution approchée à un problème d'optimisation, lorsqu'il n'existe pas de méthode de résolution pour résoudre le problème de manière exacte en un temps raisonnable. Les algorithmes mémétiques sont nés d'une hybridation entre les algorithmes génétiques et les algorithmes de recherche locale. Ils utilisent le même processus de résolution que les algorithmes génétiques mais utilisent un opérateur de recherche locale après celui de mutation.
Optimisation (mathématiques)L'optimisation est une branche des mathématiques cherchant à modéliser, à analyser et à résoudre analytiquement ou numériquement les problèmes qui consistent à minimiser ou maximiser une fonction sur un ensemble. L’optimisation joue un rôle important en recherche opérationnelle (domaine à la frontière entre l'informatique, les mathématiques et l'économie), dans les mathématiques appliquées (fondamentales pour l'industrie et l'ingénierie), en analyse et en analyse numérique, en statistique pour l’estimation du maximum de vraisemblance d’une distribution, pour la recherche de stratégies dans le cadre de la théorie des jeux, ou encore en théorie du contrôle et de la commande.
SoufflerieUne soufflerie est une installation d'essais utilisée en aérodynamique pour étudier les effets d'un écoulement d'air sur un corps, généralement un modèle de dimension réduite par rapport au réel. On peut effectuer dans une soufflerie des mesures, par exemple d'efforts, et des visualisations d'écoulement le plus souvent impossibles à faire dans les conditions réelles de déplacement. Il existe plusieurs centaines de souffleries dans le monde, dont le plus grand nombre sont aux États-Unis.
Global optimizationGlobal optimization is a branch of applied mathematics and numerical analysis that attempts to find the global minima or maxima of a function or a set of functions on a given set. It is usually described as a minimization problem because the maximization of the real-valued function is equivalent to the minimization of the function . Given a possibly nonlinear and non-convex continuous function with the global minima and the set of all global minimizers in , the standard minimization problem can be given as that is, finding and a global minimizer in ; where is a (not necessarily convex) compact set defined by inequalities .
Aéronefvignette|Une montgolfière. Un aéronef est un moyen de transport capable de s'élever et de se mouvoir en altitude, au sein de l'atmosphère terrestre. Les sciences et technologies permettant de construire, comprendre et contrôler le vol ainsi qu'utiliser les aéronefs composent l'aéronautique. Les aéronefs sont divisés en deux classes principales en fonction du moyen de sustentation utilisé. L'aérostat utilise une force statique tandis que l'aérodyne génère une force dynamique pour équilibrer leur poids ; on les désigne souvent par « plus légers » ou « plus lourds » que l'air.
AérodynamiqueLaérodynamique () est une branche de la dynamique des fluides qui étudie les écoulements d'air, et leurs effets sur des éléments solides. Dans des domaines d'application tel que le design, des éléments d'aérodynamique sont repris du point de vue humain et subjectif, sous le nom daérodynamisme, avec des considérations, par exemple, sur les formes pouvant apparaître comme favorables à l'avancement.
Décrochage (aérodynamique)vignette|alt="Décrochage"|Écoulement sur un profil à forte incidence décollé à l'extrados lors du décrochage. En aérodynamique, le décrochage est la perte de portance d’un avion ou d'une surface (aile, pale de rotor, voilier) due à un angle d'incidence trop important (supérieur à l'incidence de décrochage) En vol à trajectoire verticale constante (vol horizontal par exemple), le décrochage d'un avion survient lorsque la vitesse passe en dessous de sa vitesse minimale (dite vitesse de décrochage), d'où le nom de « perte de vitesse » qui lui était donné aux débuts de l'aviation.
Aéroplanevignette|Exemple d'un aéroplane Un aéroplane est un aérodyne à voilure fixe. Cette notion regroupe : les avions, motorisés ; les planeurs. Le premier projet français d'aéroplane est établi en 1853 par Michel Antoine Loup mais le mot n'est inventé qu'en 1855 par Joseph Pline pour désigner l'ancêtre de l'avion au , par opposition aux aérostats ; le terme avion l'a supplanté peu avant la guerre de 1914. Clément Ader fut le premier homme dans l’Histoire de l'aviation à avoir fait décoller un aéroplane par la seule force de son moteur (source site EADS).
Analyse numériqueL’analyse numérique est une discipline à l'interface des mathématiques et de l'informatique. Elle s’intéresse tant aux fondements qu’à la mise en pratique des méthodes permettant de résoudre, par des calculs purement numériques, des problèmes d’analyse mathématique. Plus formellement, l’analyse numérique est l’étude des algorithmes permettant de résoudre numériquement par discrétisation les problèmes de mathématiques continues (distinguées des mathématiques discrètes).
Méthode de Monte-CarloUne méthode de Monte-Carlo, ou méthode Monte-Carlo, est une méthode algorithmique visant à calculer une valeur numérique approchée en utilisant des procédés aléatoires, c'est-à-dire des techniques probabilistes. Les méthodes de Monte-Carlo sont particulièrement utilisées pour calculer des intégrales en dimensions plus grandes que 1 (en particulier, pour calculer des surfaces et des volumes). Elles sont également couramment utilisées en physique des particules, où des simulations probabilistes permettent d'estimer la forme d'un signal ou la sensibilité d'un détecteur.
Rentrée atmosphériquevignette|Entrée atmosphérique de Mars Exploration Rover (MER), vue d'artiste. vignette|Représentation par un ordinateur de la rentrée atmosphérique de la Navette spatiale américaine. La rentrée atmosphérique est la phase durant laquelle un objet artificiel pénètre dans l'atmosphère d'un objet céleste et atteint des couches suffisamment denses pour provoquer des effets mécaniques et thermiques. L'objet en question peut être satellite, capsule spatiale ou fragment de fusée par exemple.
Scenario optimizationThe scenario approach or scenario optimization approach is a technique for obtaining solutions to robust optimization and chance-constrained optimization problems based on a sample of the constraints. It also relates to inductive reasoning in modeling and decision-making. The technique has existed for decades as a heuristic approach and has more recently been given a systematic theoretical foundation. In optimization, robustness features translate into constraints that are parameterized by the uncertain elements of the problem.
Vol (aéronautique)thumb|Un « plus lourd que l'air » en vol : un Boeing 787 de Royal Jordanian Airlines prêt à atterrir à Londres-Heathrow en 2015. Le vol, dans le cadre de l'aéronautique, consiste à compenser l'attraction exercée par une planète sur un aéronef afin qu'il en quitte la surface. La Terre étant pourvue d'une atmosphère, le vol est possible suivant l'une des techniques suivantes : être plus léger que l'air ambiant ; c'est le domaine des aérostats ; utiliser sa vitesse de déplacement par rapport à l'air pour créer une portance aérodynamique; c'est le domaine des aérodynes ; utiliser la réaction à une projection.
Optimal designIn the design of experiments, optimal designs (or optimum designs) are a class of experimental designs that are optimal with respect to some statistical criterion. The creation of this field of statistics has been credited to Danish statistician Kirstine Smith. In the design of experiments for estimating statistical models, optimal designs allow parameters to be estimated without bias and with minimum variance. A non-optimal design requires a greater number of experimental runs to estimate the parameters with the same precision as an optimal design.
Supersonic transportA supersonic transport (SST) or a supersonic airliner is a civilian supersonic aircraft designed to transport passengers at speeds greater than the speed of sound. To date, the only SSTs to see regular service have been Concorde and the Tupolev Tu-144. The last passenger flight of the Tu-144 was in June 1978 and it was last flown in 1999 by NASA. Concorde's last commercial flight was in October 2003, with a November 26, 2003 ferry flight being its last airborne operation.
Wave dragIn aeronautics, wave drag is a component of the aerodynamic drag on aircraft wings and fuselage, propeller blade tips and projectiles moving at transonic and supersonic speeds, due to the presence of shock waves. Wave drag is independent of viscous effects, and tends to present itself as a sudden and dramatic increase in drag as the vehicle increases speed to the critical Mach number. It is the sudden and dramatic rise of wave drag that leads to the concept of a sound barrier.
Meta-learning (computer science)Meta learning is a subfield of machine learning where automatic learning algorithms are applied to metadata about machine learning experiments. As of 2017, the term had not found a standard interpretation, however the main goal is to use such metadata to understand how automatic learning can become flexible in solving learning problems, hence to improve the performance of existing learning algorithms or to learn (induce) the learning algorithm itself, hence the alternative term learning to learn.
