Une approche déclarative pour la génération de modèles

A Declarative Approach for Model Generation

• Auteur / Autrice : Adel Ferdjoukh
• Direction : Marianne Huchard
• Type : Thèse de doctorat
• Discipline(s) : Informatique
• Date : Soutenance le 20/10/2016
• Etablissement(s) : Montpellier
• Ecole(s) doctorale(s) : École doctorale Information, Structures, Systèmes (Montpellier ; 2015-....)
• Partenaire(s) de recherche : Laboratoire : Laboratoire d'informatique, de robotique et de micro-électronique (Montpellier ; 1992-....)
• Jury : Président / Présidente : Carmen Gervet
• Jury : Examinateurs / Examinatrices : Marianne Huchard, Carmen Gervet, Jean-Michel Bruel, Michel Rueher, Clémentine Nebut, Franck Barbier
• Jury : Rapporteur / Rapporteuse : Jean-Michel Bruel, Michel Rueher

Mots clés

Mots clés contrôlés

Exploration de données

Générateurs (logiciels)

Programmation par contraintes

Mots clés libres

Méta-Modèles

Génération de Modèles

Contraintes CSP

Lois de probabilités usuelles

Distances de graphe

Meta-Models

Model Generation

Constraint Programming

Probability distribution

Graph distance

Résumé

Disposer de données dans le but de valider ou tester une approche ou un concept est d'une importance primordiale dans beaucoup de domaines différents. Malheureusement, ces données ne sont pas toujours disponibles, sont coûteuses à obtenir, ou bien ne répondent pas à certaines exigences de qualité ce qui les rend inutiles dans certains cas de figure.Un générateur automatique de données est un bon moyen pour obtenir facilement et rapidement des données valides, de différentes tailles, pertinentes et diversifiées. Dans cette thèse, nous proposons une nouvelle approche complète, dirigée par les modèles et basée sur la programmation par contraintes pour la génération de données.

Owning data is useful in many different fields. Data can be used to test and to validate approaches, algorithms and concepts. Unfortunately, data is rarely available, is cost to obtain, or is not adapted to most of cases due to a lack of quality.An automated data generator is a good way to generate quickly and easily data that are valid, in different sizes, likelihood and diverse.In this thesis, we propose a novel and complete model driven approach, based on constraint programming for automated data generation.