Ce projet propose des algorithmes pour analyser et optimiser des requêtes SPARQL sur des bases de connaissances incertaines représentées par des triplets RDF. Il identifie les sous-requêtes défaillantes (αMFS) et génère des requêtes alternatives réussies (αXSS) pour éviter les réponses vides ou non conformes à un seuil de certitude donné. Les algorithmes implémentés incluent αLBA, NLBA, Bottom-Up, Top-Down et Hybrid.

Ce projet fournit des ressources pédagogiques pour les étudiants de l'ENSEEIHT en Sciences du Numérique. Il couvre deux matières principales : l'optimisation sans contraintes et les méthodes des différences finies pour les équations aux dérivées partielles (EDP). Les étudiants y trouvent des polycopiés, des travaux dirigés, des sujets de TP et des fichiers sources pour approfondir leurs connaissances.

Le projet optimisation vise à améliorer l'efficacité et la productivité des processus métiers grâce à l'automatisation et au suivi en temps réel. Il permet de simplifier les tâches répétitives, de détecter rapidement les goulets d'étranglement et de prendre des mesures correctives.

Le projet Optimisation vise à améliorer l'efficacité et la productivité des processus métiers grâce à l'automatisation et la gestion de workflows. Il permet de simplifier et d'accélérer les tâches répétitives, offrant ainsi un gain de temps et une meilleure qualité de travail.