@mostajs/ro-pla 0.2.2 → 0.4.0
This diff represents the content of publicly available package versions that have been released to one of the supported registries. The information contained in this diff is provided for informational purposes only and reflects changes between package versions as they appear in their respective public registries.
- package/CHANGELOG.md +129 -33
- package/LICENSE +21 -0
- package/README.md +73 -30
- package/dist/dialects/anneal.js +2 -1
- package/dist/dialects/bin-packing.js +2 -1
- package/dist/dialects/critical-path.js +2 -1
- package/dist/dialects/csp.js +2 -1
- package/dist/dialects/forecast.js +2 -1
- package/dist/dialects/genetic.js +2 -1
- package/dist/dialects/hungarian.js +4 -0
- package/dist/dialects/knapsack.js +2 -1
- package/dist/dialects/lagrangian.js +2 -1
- package/dist/dialects/list-scheduling.js +2 -1
- package/dist/dialects/markov.js +4 -0
- package/dist/dialects/matching.js +2 -1
- package/dist/dialects/max-flow.js +2 -1
- package/dist/dialects/mdp.js +3 -0
- package/dist/dialects/milp.d.ts +14 -5
- package/dist/dialects/milp.js +77 -22
- package/dist/dialects/min-cost-flow.js +3 -0
- package/dist/dialects/mmc.js +14 -2
- package/dist/dialects/monte-carlo.js +2 -1
- package/dist/dialects/pareto.js +2 -1
- package/dist/dialects/shortest-path.js +2 -1
- package/dist/dialects/simplex.js +4 -0
- package/dist/dialects/stable-matching.js +2 -1
- package/dist/dialects/tabu.js +2 -1
- package/dist/registry.d.ts +18 -3
- package/dist/registry.js +151 -11
- package/dist/types.d.ts +119 -4
- package/llms.txt +103 -88
- package/package.json +2 -2
package/llms.txt
CHANGED
|
@@ -1,32 +1,83 @@
|
|
|
1
1
|
# @mostajs/ro-pla — fiche LLM
|
|
2
2
|
|
|
3
|
-
> Programmation linéaire & recherche opérationnelle : 23 dialectes
|
|
4
|
-
>
|
|
5
|
-
>
|
|
6
|
-
>
|
|
3
|
+
> Programmation linéaire & recherche opérationnelle : 23 dialectes sous un REGISTRE. Simplexe, PLNE
|
|
4
|
+
> (branch & bound), flots, CSP, chaînes de Markov, MDP, files M/M/c, ordonnancement, Pareto, trois
|
|
5
|
+
> métaheuristiques, prévision. Zéro dépendance, aucune E/S. ESM seul (condition `import`) : pas de
|
|
6
|
+
> chargement CommonJS (require).
|
|
7
7
|
>
|
|
8
|
-
> NE CONTIENT PAS,
|
|
9
|
-
>
|
|
10
|
-
>
|
|
11
|
-
> cumulative, dualité / analyse de sensibilité.
|
|
8
|
+
> NE CONTIENT PAS : Dantzig-Wolfe, Benders, réseaux de neurones, PSO, ACO, GRASP, NSGA-II en propre
|
|
9
|
+
> (seul son tri par non-domination est repris dans `pareto`), simulation à événements discrets,
|
|
10
|
+
> contraintes globales cumulative, dualité / analyse de sensibilité.
|
|
12
11
|
|
|
13
|
-
- Version: 0.
|
|
14
|
-
-
|
|
15
|
-
|
|
16
|
-
|
|
17
|
-
|
|
18
|
-
|
|
19
|
-
|
|
20
|
-
|
|
21
|
-
|
|
22
|
-
-
|
|
12
|
+
- Version: 0.4.0 · Licence: AGPL-3.0-or-later · Auteur: Dr Hamid MADANI <drmdh@msn.com>
|
|
13
|
+
- Statut: 23 dialectes, 12 familles, 15 exacts / 8 approches.
|
|
14
|
+
|
|
15
|
+
## SÉLECTION (0.3.0) — À LIRE AVANT D'APPELER `solve`
|
|
16
|
+
- NOMMER LE DIALECTE RESTE LA VOIE SÛRE : `solve(problème, { dialect: 'shortest-path' })` — aucun
|
|
17
|
+
contrôle de forme, résultat de l'algorithme nommé.
|
|
18
|
+
- Sans dialecte nommé, `solve` choisit dans la famille `problem.kind` PAR LA FORME du problème : chaque
|
|
19
|
+
dialecte déclare `shape.fields` (champs obligatoires) et parfois `shape.test` (ex. arêtes à `weight`
|
|
20
|
+
→ shortest-path, à `capacity` → max-flow). `acceptsShape(dialecte, problème)` rend ce verdict.
|
|
21
|
+
- Puis, s'il reste plusieurs candidats : exact d'abord ; plus petite `maxSize` qui couvre la taille ;
|
|
22
|
+
bornes « à établir » ; bornes dépassées ; ordre d'enregistrement.
|
|
23
|
+
- Erreurs explicites, `SolverSelectionError` avec `code` : `RO_PLA_NO_KIND` (ni `kind` ni dialecte),
|
|
24
|
+
`RO_PLA_NO_DIALECT` (famille sans dialecte), `RO_PLA_NO_SHAPE` (aucune forme reconnue ; le message
|
|
25
|
+
nomme famille, candidats et champs attendus), `RO_PLA_AMBIGUOUS_SHAPE` (plusieurs formes : nommer le
|
|
26
|
+
dialecte). En 0.2.x ces cas plantaient — ou, pour `forecast` et `bin-packing`/`list-scheduling`,
|
|
27
|
+
rendaient une réponse fausse sans le dire.
|
|
28
|
+
- Le résultat de `solve` est une COPIE de la solution plus `solvedBy` :
|
|
29
|
+
`{ dialect, kind, exact, online, reason, criterion, size, maxSize, beyondDeclaredSize, notes }`.
|
|
30
|
+
reason ∈ 'named' | 'only-in-kind' | 'only-shape-match' | 'ranked' ; criterion ∈ 'exact' | 'size' |
|
|
31
|
+
'registration-order' | null. Les fonctions directes (`hungarian`, `simplex`, `mmc`…) ne portent PAS
|
|
32
|
+
`solvedBy` et n'ont pas changé de forme.
|
|
33
|
+
- ATTENTION `solvedBy` peut MANQUER sur une solution produite avant la 0.3.0 et rejouée depuis une
|
|
34
|
+
mémoire (cache de recettes, par exemple) : ne pas en supposer la présence.
|
|
35
|
+
- ATTENTION `maxSize` est DÉCLARATIVE et JAMAIS MESURÉE. Elle n'est pas appliquée : un problème
|
|
36
|
+
au-delà est résolu quand même, et `solvedBy.beyondDeclaredSize` vaut `true`. `null` = « à établir »
|
|
37
|
+
(borne ou mesure de taille inconnue) : ni « pas de limite » ni « limite respectée ».
|
|
38
|
+
`checkSize(dialecte | nom, problème) → { dialect, size, maxSize, beyondDeclaredSize }` le dit sans
|
|
39
|
+
résoudre. Bornes : hungarian 1000 (ordre de la matrice), simplex 200 (variables), branch-and-bound
|
|
40
|
+
50 (variables entières), markov 500 (états), min-cost-flow 5000 et mdp 10000 (mesure à établir :
|
|
41
|
+
dépassement jamais jugé) ; les 17 autres : `maxSize: null`.
|
|
42
|
+
|
|
43
|
+
<!-- engendre:dialectes:debut -->
|
|
44
|
+
Dialectes (23, 12 familles, 15 exacts / 8 approches) — nom | kind | exact | maxSize | champs de forme :
|
|
45
|
+
- hungarian | assignment | exact | 1000 (ordre de la matrice des coûts) | cost
|
|
46
|
+
- simplex | lp | exact | 200 (nombre de variables) | c, A, b
|
|
47
|
+
- branch-and-bound | milp | exact | 50 (nombre de variables entières) | c, A, b
|
|
48
|
+
- min-cost-flow | flow | exact | 5000 | arcs, source, sink
|
|
49
|
+
- mmc | queue | exact | à établir | lambda, mu
|
|
50
|
+
- markov | markov | exact | 500 (nombre d'états) | P
|
|
51
|
+
- mdp | decision | exact | 10000 | transition, reward, gamma
|
|
52
|
+
- backtrack-csp | csp | exact | à établir | variables, domains, constraints
|
|
53
|
+
- anneal | metaheuristic | approche | à établir | initial, energy, neighbor
|
|
54
|
+
- monte-carlo | simulation | approche | à établir | sample, trials
|
|
55
|
+
- lagrangian | lp | approche | à établir | c, linkingA, linkingB, subA, subB
|
|
56
|
+
- stable-matching | assignment | exact | à établir | proposers, receivers, preferences
|
|
57
|
+
- critical-path | scheduling | exact | à établir | activities
|
|
58
|
+
- bin-packing | scheduling | approche | à établir | items, bins
|
|
59
|
+
- pareto | multiobjective | exact | à établir | candidates, senses
|
|
60
|
+
- list-scheduling | scheduling | approche | à établir | tasks, capacities
|
|
61
|
+
- shortest-path | flow | exact | à établir | edges, source
|
|
62
|
+
- max-flow | flow | exact | à établir | edges, source, sink
|
|
63
|
+
- matching | assignment | exact | à établir | edges
|
|
64
|
+
- knapsack | milp | exact | à établir | items, capacity
|
|
65
|
+
- tabu | metaheuristic | approche | à établir | initial, energy, neighbors
|
|
66
|
+
- genetic | metaheuristic | approche | à établir | population, fitness, crossover, mutate
|
|
67
|
+
- forecast | simulation | approche | à établir | series, horizon
|
|
68
|
+
<!-- engendre:dialectes:fin -->
|
|
69
|
+
|
|
70
|
+
## IMPLÉMENTÉ — architecture « un dialecte par algorithme » (façon ORM)
|
|
71
|
+
Le module n'expose PAS un builder fluide mais un REGISTRE de dialectes, sélectionnés par nom ou par
|
|
72
|
+
famille et forme (comme `DB_DIALECT` pour un ORM).
|
|
73
|
+
- Contrat `SolverDialect<P,S> { name, kind, capabilities{exact,online,maxSize?:number|null,multiObjective?},
|
|
74
|
+
shape?{fields,test?,testLabel?}, size?(problem), sizeUnit?, notes?(problem), solve(problem,opts?) }`.
|
|
75
|
+
- Registre : `registerSolver(d)`, `getSolver(name)`, `listSolvers(kind?)`, `clearSolvers()`,
|
|
76
|
+
`registerBuiltinSolvers()`, `solve(problem, opts?)`, `checkSize(d, problem)`, `acceptsShape(d, problem)`.
|
|
77
|
+
La fonction interne de tri n'est PAS exportée.
|
|
78
|
+
- Un dialecte tiers sans `shape` est réputé accepter toute sa famille ; sans `maxSize`, il est traité
|
|
79
|
+
« à établir ». Aucun refus à l'enregistrement.
|
|
23
80
|
|
|
24
|
-
## IMPLÉMENTÉ (réel, à jour) — architecture « un dialecte par algorithme » (façon ORM)
|
|
25
|
-
Le module n'expose PAS un builder fluide mais un REGISTRE de dialectes, sélectionnés
|
|
26
|
-
par nom ou auto par `kind` (comme `DB_DIALECT`). C'est l'architecture retenue (cf. IDEE).
|
|
27
|
-
- Contrat `SolverDialect<P,S> { name, kind, capabilities{exact,online,maxSize?,multiObjective?}, solve(problem,opts?) }`.
|
|
28
|
-
- Registre : `registerSolver(d)`, `getSolver(name)`, `listSolvers(kind?)`, `pickBest(kind)`,
|
|
29
|
-
`clearSolvers()`, et `solve(problem, opts?)` (nom explicite OU auto par `problem.kind`).
|
|
30
81
|
- Dialecte `hungarian` (kind 'assignment') : `hungarian(cost: number[][]) → { assignment, total }`
|
|
31
82
|
(Kuhn-Munkres O(n³), exact). Problème `AssignmentProblem { kind:'assignment', cost }`.
|
|
32
83
|
- Dialecte `simplex` (kind 'lp') : `simplex(problem: LpProblem) → LpSolution`
|
|
@@ -39,6 +90,18 @@ par nom ou auto par `kind` (comme `DB_DIALECT`). C'est l'architecture retenue (c
|
|
|
39
90
|
(séparation & évaluation ; relaxation LP = `simplex` ; branche x≤⌊v⌋ | x≥⌈v⌉ ; élague par borne ;
|
|
40
91
|
bornable par `opts.maxNodes`). `MilpProblem` = LpProblem + `kind:'milp'` + `integers?:number[]`
|
|
41
92
|
(indices entiers, défaut toutes). Capacités `online:false` (combinatoire).
|
|
93
|
+
DÉLAI (0.4.0) — mode « au fil de l'eau », activé par `opts.timeoutMs` (ms) ou `opts.anytime: true` :
|
|
94
|
+
arrêt entre deux nœuds au délai ou au budget `maxNodes`, la MEILLEURE solution trouvée est rendue.
|
|
95
|
+
`status` : 'optimal' (PROUVÉ, exploration complète) | 'feasible' (meilleure trouvée, NON prouvée) |
|
|
96
|
+
'unknown' (limite atteinte sans solution entière, rien de prouvé) | 'infeasible' | 'unbounded' (prouvés).
|
|
97
|
+
+ `search { complete, stoppedBy:'time'|'nodes'|null, nodes, elapsedMs, bound, gap }` :
|
|
98
|
+
`bound` = meilleure borne encore possible (≥ objectif en max, ≤ en min ; null si inconnue),
|
|
99
|
+
`gap` = |bound − objective| / |objective| (0 si prouvé, null sans solution). `opts.now` : horloge
|
|
100
|
+
injectable (ms, défaut Date.now) pour des essais déterministes.
|
|
101
|
+
SANS `timeoutMs` ni `anytime` : résultat 0.3.0 au champ près (pas de `search`) — y compris le défaut
|
|
102
|
+
historique : budget `maxNodes` atteint ⇒ 'optimal' (ou 'infeasible') SANS preuve.
|
|
103
|
+
Exemple : `solve(p, { dialect:'branch-and-bound', timeoutMs: 20000 })` → accepter 'optimal' OU
|
|
104
|
+
'feasible' (lire `search.gap`), traiter 'unknown' comme « pas de réponse » (repli de l'appelant).
|
|
42
105
|
- Dialecte `min-cost-flow` (kind 'flow') : `minCostFlow(problem: FlowProblem) → FlowSolution`
|
|
43
106
|
(plus courts chemins successifs / Bellman-Ford-SPFA ; sans `value` → flot MAXIMAL au moindre
|
|
44
107
|
coût ; généralise le hongrois). `FlowProblem { kind:'flow', arcs:{from,to,capacity,cost}[],
|
|
@@ -47,6 +110,9 @@ par nom ou auto par `kind` (comme `DB_DIALECT`). C'est l'architecture retenue (c
|
|
|
47
110
|
occupation, attente Wq/Lq) ; `mmcSizing(lambda, mu, target) → QueueSolution` (plus petit c stable
|
|
48
111
|
satisfaisant `{maxWait?, maxProbWait?}`). `QueueProblem { kind:'queue', lambda, mu, c?, target? }` :
|
|
49
112
|
`c` → évaluation ; `target` (sans `c`) → dimensionnement. Usage : estimer l'attente / dimensionner des guichets.
|
|
113
|
+
0.3.0 : λ = 0 → attente 0 (plus de NaN) ; `c` non entier → RangeError ; sans `c` ni `target`, c = 1
|
|
114
|
+
est évalué ET signalé dans `solvedBy.notes`. ATTENTION Erlang C n'est PAS encore confrontée à une
|
|
115
|
+
table publiée : seulement à la récurrence d'Erlang B et à la loi de Little (cohérence, pas conformité).
|
|
50
116
|
- Dialecte `markov` (kind 'markov') : chaînes de Markov à temps discret. `markovStationary(P)` (π exact par
|
|
51
117
|
système linéaire), `markovStep(P, initial, steps)` (π₀Pᵏ), `markovAbsorbing(P)` (matrice fondamentale
|
|
52
118
|
N=(I−Q)⁻¹ : espérance du temps avant absorption + probas d'absorption). `MarkovProblem { kind:'markov',
|
|
@@ -149,70 +215,19 @@ par nom ou auto par `kind` (comme `DB_DIALECT`). C'est l'architecture retenue (c
|
|
|
149
215
|
rendrait un chiffre d'apparence sérieuse pour une question non traitée.
|
|
150
216
|
⚠️ L'erreur (MAE/MAPE) est TOUJOURS rendue : une prévision sans son erreur laisse croire à une
|
|
151
217
|
précision qu'elle n'a pas. Mesurée APRÈS la première saison (les premiers points initialisent).
|
|
152
|
-
- `registerBuiltinSolvers()` enregistre les 23 dialectes (hungarian, simplex, branch-and-bound, min-cost-flow,
|
|
153
|
-
mmc, markov, mdp, backtrack-csp, anneal, monte-carlo, lagrangian + stable-matching, critical-path,
|
|
154
|
-
bin-packing, pareto, list-scheduling, shortest-path, max-flow, matching, knapsack, tabu, genetic, forecast).
|
|
155
|
-
Les kinds 'scheduling' et 'multiobjective' étaient DÉCLARÉS et VIDES : les DEUX sont désormais servis
|
|
156
|
-
('scheduling' → critical-path, bin-packing, list-scheduling ; 'multiobjective' → pareto).
|
|
157
|
-
- Preuve de test : `npm run report` → `test-report.html` via le flag `--report` de @mostajs/mjs-unit 0.3.0.
|
|
158
|
-
- Diagnostic manuel : `npm run dbg` (test-scripts/dbg.mjs) — sondes à l'œil hors suite, dont la régression ≥.
|
|
159
|
-
|
|
160
|
-
## RÔLE
|
|
161
|
-
Modéliser et résoudre des problèmes d'optimisation, de satisfaction de contraintes
|
|
162
|
-
et de modélisation stochastique :
|
|
163
|
-
- PL : optimisation linéaire sous contraintes (simplexe).
|
|
164
|
-
- PLNE/MIP : variables entières/mixtes (branch & bound).
|
|
165
|
-
- Dantzig-Wolfe : PL structurées à grande échelle (blocs + contraintes liantes,
|
|
166
|
-
génération de colonnes).
|
|
167
|
-
- CSP : variables à domaines finis, contraintes, propagation AC-3 + backtracking.
|
|
168
|
-
- Chaînes de Markov : matrices de transition, distribution stationnaire, régime
|
|
169
|
-
transitoire → théorie des files (M/M/c, Erlang) pour estimer attente / dimensionner.
|
|
170
|
-
- Métaheuristiques : algorithme génétique, recuit simulé, tabou, PSO, ACO, NSGA-II
|
|
171
|
-
(multi-objectif) → gros problèmes combinatoires non linéaires, solutions « assez bonnes ».
|
|
172
|
-
- Apprentissage : réseaux de neurones (MLP), apprentissage par renforcement,
|
|
173
|
-
optimisation bayésienne → prévision d'affluence, politiques d'affectation apprises.
|
|
174
|
-
Usages : affectation (tickets↔guichets, agents↔tâches), ordonnancement/planning,
|
|
175
|
-
allocation de ressources, prévision d'attente et dimensionnement de guichets.
|
|
176
|
-
|
|
177
|
-
FAMILLES : (1) Exact PL/PLNE — simplexe, branch&bound/cut, Dantzig-Wolfe, Benders,
|
|
178
|
-
relaxation lagrangienne ; (2) Exact combinatoire — CSP, prog. dynamique, flots de
|
|
179
|
-
réseau (max-flow, min-cost flow), Hongrois (affectation), plus courts chemins ;
|
|
180
|
-
(3) Métaheuristiques — génétique, recuit simulé, tabou, PSO, ACO, NSGA-II ;
|
|
181
|
-
(4) Stochastique — Markov, MDP, M/M/c, simulation à événements discrets, Monte-Carlo ;
|
|
182
|
-
(5) Apprentissage — réseaux de neurones, RL, optimisation bayésienne.
|
|
183
|
-
NOTE : le ML (réseaux/RL) pourrait être extrait dans un module frère @mostajs/ml (à trancher avant 1.0).
|
|
184
|
-
|
|
185
|
-
NE FAIT PAS : évaluer des gardes/conditions (→ @mostajs/rules, inférence Prolog),
|
|
186
|
-
états/transitions applicatifs (→ @mostajs/statemachine), événements/actions (→ trigger).
|
|
187
|
-
Distinction : rules « est-ce vrai ? » ; ro-pla « quelle solution optimise / quel état stationnaire ? ».
|
|
188
|
-
|
|
189
|
-
## EXPORTS — FEUILLE DE ROUTE (prévus ; hungarian + lp DÉJÀ livrés, voir IMPLÉMENTÉ)
|
|
190
|
-
- lp() → LpBuilder { maximize(coeffs)/minimize(coeffs), subjectTo(constraints), solve() }
|
|
191
|
-
- model() → Model (CSP) : intVar, boolVar, allDifferent, linear, table, constraint, solve, solveAll, optimize
|
|
192
|
-
- markov(matrix) → Chain { stationary(), step(dist, n?), absorbingTimes() }
|
|
193
|
-
- mmc({ lambda, mu, c }) → { rho, pWait, avgWait, avgQueue } (file M/M/c, ≥ 0.2)
|
|
194
|
-
- genetic({ fitness, genome, popSize, generations, mutationRate }) → BestSolution (≥ 0.2)
|
|
195
|
-
- anneal({ energy, neighbor, schedule }) → BestSolution (recuit simulé, ≥ 0.2)
|
|
196
|
-
- neuralNet({ layers, activation }) → { predict(x), train(data, opts) } (MLP, ≥ 0.3)
|
|
197
|
-
- hungarian(costMatrix) → assignment (affectation optimale, ≥ 0.3)
|
|
198
|
-
- dantzigWolfe(blocks, linking) → Solution (≥ 0.4)
|
|
199
|
-
|
|
200
|
-
## API — SIGNATURES (prévues, à figer)
|
|
201
|
-
- lp().maximize(coeffs: Record<string,number>).subjectTo(rows).solve(): { vars, objective } | null
|
|
202
|
-
- model().intVar(name, domain:number[]): Var ; allDifferent(vars): void ; solve(opts?): Solution|null
|
|
203
|
-
- markov(P: number[][]).stationary(): number[] // vecteur π tel que πP = π
|
|
204
|
-
- Bornage obligatoire (timeoutMs/maxNodes) comme @mostajs/rules.
|
|
205
218
|
|
|
206
|
-
|
|
207
|
-
- LpBuilder, LpSolution, Model, Var, Constraint, Solution, Chain, MMCResult, SolveOptions
|
|
219
|
+
- Preuve de test : `npm run report` → `test-report.html`.
|
|
208
220
|
|
|
209
|
-
##
|
|
210
|
-
|
|
211
|
-
|
|
212
|
-
-
|
|
213
|
-
- Zéro-dépendance visé (solveurs maison) ; sinon backend (javascript-lp-solver) en peer optionnelle.
|
|
221
|
+
## NE FAIT PAS
|
|
222
|
+
Évaluer des gardes/conditions (→ @mostajs/rules), états/transitions applicatifs
|
|
223
|
+
(→ @mostajs/statemachine), événements/actions. Distinction : rules « est-ce vrai ? » ;
|
|
224
|
+
ro-pla « quelle solution optimise / quel état stationnaire ? ».
|
|
214
225
|
|
|
215
|
-
##
|
|
216
|
-
|
|
217
|
-
|
|
218
|
-
|
|
226
|
+
## PIÈGES
|
|
227
|
+
- Explosion combinatoire (CSP, MILP) : borner par `opts.maxNodes` ; MILP : `opts.timeoutMs` (0.4.0).
|
|
228
|
+
- MILP sous délai : exiger `status === 'optimal'` refuse une bonne solution `feasible` ; et sans
|
|
229
|
+
`timeoutMs`/`anytime`, un 'optimal' au budget `maxNodes` atteint n'est PAS prouvé (passer `anytime: true`).
|
|
230
|
+
- MILP sous délai : le temps est contrôlé ENTRE deux nœuds ; dépassement ≤ une relaxation (simplexe).
|
|
231
|
+
- Simplexe : règle de Bland contre le cyclage ; précision flottante.
|
|
232
|
+
- Markov : vérifier irréductibilité et apériodicité avant la distribution stationnaire.
|
|
233
|
+
- Métaheuristiques : déterministes à graine égale (`seed`) ; `exact: false`.
|
package/package.json
CHANGED
|
@@ -1,7 +1,7 @@
|
|
|
1
1
|
{
|
|
2
2
|
"name": "@mostajs/ro-pla",
|
|
3
|
-
"version": "0.
|
|
4
|
-
"description": "
|
|
3
|
+
"version": "0.4.0",
|
|
4
|
+
"description": "Recherche opérationnelle pour l'écosystème @mostajs/* : 23 dialectes (simplexe, branch & bound, flots, affectation, CSP, Markov, MDP, files M/M/c, ordonnancement, Pareto, métaheuristiques, prévision) sous un registre qui choisit par famille et forme du problème et dit qui a répondu (solvedBy) ; branch & bound à délai de calcul (meilleure solution, statut prouvé ou non, écart à la borne). Zéro dépendance.",
|
|
5
5
|
"author": "Dr Hamid MADANI <drmdh@msn.com>",
|
|
6
6
|
"license": "AGPL-3.0-or-later",
|
|
7
7
|
"type": "module",
|