La résolution des équations intégrales liées aux problèmes de propagation des ondes est confrontée aux limitations des moyens informatiques pour la considération des problèmes à hautes fréquences. Nous proposons dans ce mémoire de thèse, un couplage de deux types de méthodes ayant pour but de réduire les couts de calcul et la place mémoire consommée lors de la résolution de ces équations intégrales par méthode itérative. La méthode de discrétisation microlocale introduite par T. Abboud, J.-C. Nédélec et B. Zhou, permet de réduire considérablement la taille du système par approximation de la phase de l'inconnue. Cependant, elle nécessite un précalcul très couteux. Nous utilisons alors le principe des méthodes multipoles rapides introduites par V. Rokhlin, pour accélérer ce précalcul. Cette application originale des méthodes multipoles dans le cadre d'une discrétisation microlocale aboutit à une méthode dont l'application à la formulation intégrale de B. Després pour l'équation de Helmholtz est très efficace. Son application à la résolution des équations de Maxwell bien que moins spectaculaire est tout de meme intéressante.

Nous présentons dans ce mémoire un résumé des travaux concernant tout d'abord les discrétisations de processus stochastiques: processus de diffusion stoppés, équation différentielles stochastiques rétrogrades, développement d'erreur pour les densités d'EDS dirigées par des processus stables symétriques approchées par leur schéma d'Euler. Nous abordons ensuite les estimées de densité pour une certaine classe de processus dégénérés (processus de Langevin et théorème limite local associé, chaine d'oscillateurs bruités) ainsi que quelques applications (bornes de Monte Carlo non asymptotiques).

Cette thèse vise à fournir et éprouver de nouveaux outils théoriques, numériques et informatiques de calculs de modes non linéaires pour des structures à non linéarité géométrique et discrétisées par éléments finis. La surface invariane de l'espace des phases caractérisant le mode non linéaire est décrite à partir d'une famille d'orbites périodiques solutions des équations du mouvement. Chaque orbite périodique est discrétisée en temps (schéma de Newmark et de Simo) et formulée à l'aide d'un système d'équation global contenant toutes les inconnues à tous les pas de temps, c'est la méthode simultanée, par opposition à la méthode de tir classique. Les familles d'orbites solutions du système global sont obtenues par la méthode de continuation MAN (Méthode Asymptotique Numérique). Des variations autour de la MAN sont aussi abordées. Il s'agit d'apports liés au contrôle de la continuation au passage des points de bifurcations à l'aide d'une perturbation ajoutée au système d'équation non linéaire. On présente un outil-logiciel, MANLAB, permettant la continuation interactive de diagrammes de bifurcation complexes, qui est appliquée à la continuation de famille d'orbites périodiques.

Nous décrivons, dans cette thèse, des modèles et des algorithmes conçus pour produire des simulations dynamiques efficaces et consistantes, dans le contexte de la Robotique d'intervention (c'est-à-dire, pour les tâches robotiques qui impliquent des contraintes fortes sur la nature de l'interaction entre des objets qui ne sont pas forcément rigides). Ces modèles et ces algorithmes ont été intégrés et implantés dans le système Robot_Phy qui peut être potentiellement reconfiguré pour traiter une grande variété de tâches d'intervention, comme la manipulation dextre d'un objet par une main robotique, la manipulation d'un objet non rigide, la téléprogrammation du mouvement d'un véhicule tout-terrain, ou encore des tâches chirurgicales assistées par robot (par exemple, le positionnement d'un ligament artificiel dans la chirurgie du genou). L'approche utilise une nouvelle technique de modélisation physique pour produire des simulations dynamiques qui sont à la fois efficaces et consistantes avec les lois de la physique. Les avantages par rapport aux travaux antérieurs dans le domaine de la robotique et de la synthèse d'image sont: le développement d'une structure unique pour traiter simultanément le mouvement, les déformations, et les interactions; et l'incorporation d'algorithmes et de modèles appropriés pour obtenir un temps d'exécution efficace en assurant un comportement consistant avec les lois de la physique. Les contributions principales de ce système sont: l'intégration de la notion du système masse/ressort avec la dynamique d'objets rigides, la discrétisation adaptative basée sur la notion de matrice d'inertie et de centre d'inertie, le pas de temps adaptatif basé sur la notion de l'énergie mécanique pour optimiser le temps de calcul et éviter la divergence numérique, la détection rapide du contact entre polyèdres déformables, et l'identification des paramètres physiques en utilisant les algorithmes génétiques.

Dans la fouille de données multi-tables, les données sont représentées sous un format relationnel dans lequel les individus de la table cible sont potentiellement associés à plusieurs enregistrements dans des tables secondaires en relation un-à-plusieurs. Afin de prendre en compte les variables explicatives secondaires (appartenant aux tables secondaires), la plupart des approches existantes opèrent par mise à plat, obtenant ainsi une représentation attribut-valeur classique. Par conséquent, on perd la représentation initiale naturellement compacte mais également on risque d'introduire des biais statistiques. Dans cette thèse, nous nous intéressons à évaluer directement les variables secondaires vis-à-vis de la variable cible, dans un contexte de classification supervisée. Notre méthode consiste à proposer une famille de modèles non paramétriques pour l'estimation de la densité de probabilité conditionnelle des variables secondaires. Cette estimation permet de prendre en compte les variables secondaires dans un classifieur de type Bayésien Naïf. L'approche repose sur un prétraitement supervisé des variables secondaires, par discrétisation dans le cas numérique et par groupement de valeurs dans le cas catégoriel. Dans un premier temps, ce prétraitement est effectué de façon univariée, c'est-à-dire, en considérant une seule variable secondaire à la fois. Dans un second temps, nous proposons une approche de partitionnement multivarié basé sur des itemsets de variables secondaires, ce qui permet de prendre en compte les éventuelles corrélations qui peuvent exister entre variables secondaires. Des modèles en grilles de données sont utilisés pour obtenir des critères Bayésiens permettant d'évaluer les prétraitements considérés. Des algorithmes combinatoires sont proposés pour optimiser efficacement ces critères et obtenir les meilleurs modèles.Nous avons évalué notre approche sur des bases de données multi-tables synthétiques et réelles. Les résultats montrent que les critères d'évaluation ainsi que les algorithmes d'optimisation permettent de découvrir des variables secondaires pertinentes. De plus, le classifieur Bayésien Naïf exploitant les prétraitements effectués permet d'obtenir des taux de prédiction importants.

Deux thématiques différentes des probabilités numériques et de leurs applications financières sont abordées dans ma thèse: l'une traite de l'approximation et de la simulation d'équations différentielles stochastiques rétrogrades (EDSR), l'autre est liée aux options américaines et les aborde du point de vue de l'optimisation de domaine et des perturbations de frontière.<br /><br />La première partie de ma thèse revisite la question d'analyse de convergence dans la discrétisation en temps d' EDSR markoviennes (Y,Z) en une équation de programmation dynamique de n pas de temps. Nous établissons un développement limité à l'ordre 1 de l'erreur sur (Y,Z) : précisément, l'erreur trajectorielle sur X se transfère intégralement sur l'EDSR et montre ainsi que si X est approché avec précision ou simulé exactement, de meilleurs vitesses sont possibles (en 1/n).<br /><br />La seconde partie de ma thèse s'intéresse à la résolution des EDSR via le procédé de Picard et les méthodes de Monte Carlo séquentielles. Nous avons montré que la convergence de notre algorithme a lieu à vitesse géométrique et avec une précision indépendante au 1er ordre du nombre de simulations.<br /><br />La dernière partie de ma thèse regroupe des premiers résultats sur la valorisation d'options américaines par optimisation de la frontière d'exercice. La clé de voûte de ce type d'approche est la capacité à évaluer un gradient par rapport à la frontière. Le temps continu a été traité par Costantini et al (2006) et cette thèse couvre le cas discret des options Bermuda.

Dans cette thèse, nous étudions les propriétés de contrôlabilité uniforme des semidiscrets approximations de systèmes paraboliques. Dans une première partie, nous nous intéressons à la minimisation de Lq-norme (q > 2) des contrôles semidiscrete pour l'équation parabolique. Notre objectif est de dépasser la limitation de [LT06] à propos de l'ordre ½ de l'absence de limites d'opérateur de contrôle. Plus précisément, nous montrons que la propriété d'observabilité uniforme est également titulaire dans Lq (q > 2), même dans le cas d'un degré d'absence de limites supérieure à 1/2. En outre, une procédure de minimisation pour calculer les commandes d'approximation est fournie. L'étude de l'optimalité Lq dans lapremière partie est dans un contexte général. Cependant, les inégalités d'observabilité discrets qui sont obtenus ne sont pas aussi précises que celles dérivées puis avec des estimations de Carleman. Dans une seconde partie, dans le contexte particulier de unidimensionnels-finis différences nous démontrons une inégalité de Carleman pour une version semi-discret de l'opérateur parabole @t − @x(c@x) qui permet pour dériver les inégalités d'observabilité qui sont beaucoup plus précis. On considère ici que dans le cas où le coefficient de diffusion a un saut qui donne une formulation du problème de transmission. Conséquence de cette inégalité de Carleman, on en déduit cohérentes nul contrôlabilité des résultats pour les classes de linéaires et semi-linéaire des équations paraboliques. / In this thesis, we study uniform controllability properties of semi-discrete approximations for parabolic systems. In a first part, we address the minimization of the Lq-norm (q > 2) of semidiscrete controls for parabolic equation. Our goal is to overcome the limitation of [LT06] about the order 1/2 of unboundedness of the control operator. Namely, we show that the uniform observability property also holds in Lq (q > 2) even in the case of a degree of unboundedness greater than 1/2. Moreover, a minimization procedure to compute the approximation controls is provided. The study of Lq optimality in the first part is in a general context. However, the discrete observability inequalities that are obtained are not so precise than the ones derived then with Carleman estimates. In a second part, in the discrete setting of one-dimensional finite-differences we prove a Carleman estimate for a semi discrete version of the parabolic operator @t − @x(c@x) which allows one to derive observability inequalities that are far more precise. Here we consider in case that the diffusion coefficient has a jump which yields a transmission problem formulation. Consequence of this Carleman estimate, we deduce consistent null-controllability results for classes of linear and semi-linear parabolic equations.

Simuler les réservoirs souterrains permet d’optimiser la production d’hydrocarbures. Les réservoirs naturellement ou hydrauliquement fracturés détiennent une part importante des réserves et exhibent un degré élevé d’hétérogénéité : les fractures, difficiles à détecter, impactent fortement la production via des réseaux préférentiels d’écoulement. Une modélisation précise de ces forts contrastes permettrait d’optimiser l’exploitation des ressources tout en maîtrisant mieux les risques environnementaux. L’enjeu est de prédire les processus d’écoulement multi échelles par un modèle simplement paramétrable. Une stratégie de simulations, qui améliore la fiabilité et les temps de calculs est mise au point dans cette thèse. Elle permet de simuler numériquement ou analytiquement la complexité d’un réservoir fracturé à grande échelle. Ces techniques dont l’intérêt est démontré sur un réservoir de roche mère trouvent des applications en géothermie ou dans la gestion des ressources en eau.

Le diagnostic des scénarios d'accidents nucléaires graves représente un enjeu majeur pour la sûreté nucléaire et la gestion de crise. Le problème est complexe à cause de la complexité des phénomènes physiques et chimiques sous-jacents des accidents graves, la difficulté de la compréhension des différentes corrélations entre ces derniers, et de surcroît la rareté des base de données descriptives. Ainsi, ce travail de thèse vise à proposer un outil dédié à la modélisation et au diagnostic des scénarios d'accident à base de réseaux bayésiens. L'usage des réseaux bayésiens reposera sur l'apprentissage à partir de bases de données de calculs créés avec le logiciel de calcul d'accident grave ASTEC. Dans ce contexte, l'utilisation des réseaux bayésiens a été, tout au long de ce travail doctoral, sujet à de nombreuses difficultés, notamment l'apprentissage de ces derniers à partir des données accidentelles qui, suite à de nombreuses études menées, ne se sont avérées pas tout à fait pertinentes pour mener à bien cette tâche. Ces difficultés proviennent principalement du fait que les données utilisées sont d'un coté de nature continue et de l'autre côté reliées à la fois par des relations déterministes et probabilistes. Ces deux contraintes posent un sérieux problème pour les algorithmes de construction des réseaux bayésiens qui supposent à la fois que toutes les relations entre variables sont de nature probabiliste et l'ensemble des variables utilisées sont de nature factorielle (ou discrète). Concernant le premier point, nous avons proposé un nouvel algorithme d’apprentissage de structure utilisant un ensemble de nouvelles règles (dont l'efficacité a été prouvée théoriquement et expérimentalement). Concernant l’étape de discrétisation, nous avons proposé une approche multivariée, qui d’après une étude expérimentale détaillée, nous a permis de pallier les inconvénients des algorithmes de l'état de l'art tout en minimisant la perte de l’information lors de la transformation des données. / The diagnosis of severe nuclear accident scenarios represents a major challenge for nuclear safety and crisis management. The problem is complex and remains until now one of the main research topics due to the complexity of the physical and chemical phenomena underlying severe accidents, the difficulty in understanding the different correlations between them, and in addition the unavailability of efficient public datasets. Thus, the purpose of this thesis is to propose a dedicated tool for modeling and diagnosis of accident scenarios based on Bayesian networks. The learning process of the Bayesian networks is based on the use of databases created with the ASTEC severe accident software. It should be emphasized that the use of Bayesian networks in this context has faced many challenges, notably the learning process from the accidental data which, after numerous studies, has been doomed to be ineffective to address efficiently this task. These difficulties arise mainly because the used data contains on the one hand, many continuous variables and on the other hand a set of both deterministic and probabilistic relationships between variables. These two constraints present a serious problem for the learning algorithms of Bayesian networks because these latter assume that all relationships between variables are probabilistic and all the used variables in the datasets are factorial (or discrete). Concerning the first point, we proposed of a new structure learning algorithm based on the use of a set of new rules (whose effectiveness has been proven theoretically and experimentally). Regarding discretization step, we proposed a multivariate approach which, according to a detailed experimental study, has enabled us to overcome the drawbacks of these latter while minimizing the information loss during the data transformation.

Dans ce travail, nous nous intéressons aux estimateurs Multilevel Monte Carlo. Ces estimateurs vont apparaître sous leur forme standard, avec des poids et dans une forme randomisée. Nous allons rappeler leurs définitions et les résultats existants concernant ces estimateurs en termes de minimisation du coût de simulation. Nous allons ensuite montrer une loi forte des grands nombres et un théorème central limite. Après cela nous allons étudier deux cadres d'applications. Le premier est celui des diffusions avec schémas de discrétisation antithétiques, où nous allons étendre les estimateurs Multilevel aux estimateurs Multilevel avec poids. Le deuxième est le cadre nested, où nous allons nous concentrer sur les hypothèses d'erreur forte et faible. Nous allons conclure par l'implémentation de la forme randomisée des estimateurs Multilevel, en la comparant aux estimateurs Multilevel avec et sans poids. / In this work, we will focus on the Multilevel Monte Carlo estimators. These estimators will appear in their standard form, with weights and in their randomized form. We will recall the previous existing results concerning these estimators, in terms of minimization of the simulation cost. We will then show a strong law of large numbers and a central limit theorem.After that, we will focus on two application frameworks.The first one is the diffusions framework with antithetic discretization schemes, where we will extend the Multilevel estimators to Multilevel estimators with weights, and the second is the nested framework, where we will analyze the weak and the strong error assumptions. We will conclude by implementing the randomized form of the Multilevel estimators, comparing this to the Multilevel estimators with and without weights.