Groupe de travail applicatif

L3 Ingé. Math.
2018–2019

Suivi d’organes mobiles

I Introduction
Ce projet consiste à concevoir et développer des algorithmes visant à suivre la trajectoire d’organes
mobiles à l’aide d’une série dynamique d’images (par exemple acquises à l’aide de l’imagerie par
résonnance magnétique IRM, ou échographique). Ces algorithmes s’avèrent prometteurs afin de
cibler précisément, en continu, des volumes tumoraux sur les organes abdominaux. Pratiquement,
un problème inverse doit être résolu afin d’estimer le champ dense de mouvements des organes à
partir d’une série d’images.

II Hypothèses
Voici quelques hypothèses qu’on peut faire pour simplifier le problème d’optimisation à résoudre,
mais qui pourront éventuellement être levées ou renforcées au cours du projet :

• Une hypothèse de conservation de l’intensité des images le long du mouvement peut être
réalisée (au moyen d’une équation de transport)

• Une hypothèse de régularité du mouvement des organes peut être réalisée afin d’obtenir un
schéma numérique stable.

• Les mouvements relatifs (c’est à dire entre les images et leurs suivantes directes) et les mou-
vements absolus (c’est à dire entre les images et une image de référence commune) peuvent
être estimés et combinés, afin d’améliorer la qualité de l’estimation et/ou quantifier la qualité
du processus.

III Travaux
Il faudra modéliser ce problème de suivi des organes mobiles comme un programme mathématique,
puis implémenter différentes méthodes pour le résoudre. La qualité des estimés sera améliorée
en estimant et en combinant les champs de déplacements relatifs et absolus des organes. Cela
donnera entres autres lieu à une étude de la fonction objectif et à l’implémentation de méthodes
d’optimisation.
Un outil de visualisation des solutions sera aussi utile.

IV Références
[1] Horn B, Schunk B, Determining optical flow. Artificial Intelligence. 1981;17:185-203.

[2] Zachiu C, Papadakis N, Ries M, Moonen CTW, Denis de Senneville B, An improved optical flow
tracking technique for real-time MR-guided beam therapies in moving organs. Physics in Medicine
and Biology. 2015; 60(23):9003.

1
 Optimisation Groupe de travail applicatif
L3 Ingé. Math.
Dans la mayonnaise 2018–2019
UF Mathématiques et Interactions

Introduction
Ce projet consiste à concevoir et développer des algorithmes visant à optimiser la trajectoire d’un nano-robot
évoluant dans de la mayonnaise. Schématiquement, la mayonnaise est une émulsion d’huile et d’eau : une multitude
de goutelettes d’huile flottant dans de l’eau. On s’intéresse au cas d’un nano-robot qui doit se déplacer le plus
rapidement possible d’un point A à un point B dans cet environnement. Ce qui rend la tâche difficile est que ses
vitesses de déplacement dans l’huile et dans l’eau sont différentes.

Hypothèses simplificatrices
Voici quelques hypothèses qu’on peut faire pour simplifier le problème d’optimisation à résoudre, mais qui
pourront éventuellement être levées ou renforcées au cours du projet :
— les vitesses de déplacement dans chaque milieu sont déterministes
— la position et la taille des bulles, ellipsoïdales, est déterministe et constante dans le temps
— on se déplace dans un plan
— le plan est partitionné en cases carrées contenant chacun exactement une bulle
— on se déplace du coin bas-gauche d’une case vers le coins bas-gauche d’une case adjacente (diagonales
comprises)
— pour aller d’un coin à un autre adjacent, il y a plusieurs types de trajectoires envisageables, rendant le
problème plus ou moins complexe :
— aller en ligne droite du coin de départ au coin d’arrivée
— longer un des axes sur une certaine distance à optimiser, puis aller en ligne droite jusqu’à l’autre coin
— aller en ligne droite jusqu’à un point dans la case à optimiser, puis aller en ligne droite jusqu’à l’autre
coin
— aller en ligne droite jusqu’à un point dans la case à optimiser, parcourir un arc d’ellipse, puis aller en
ligne droite jusqu’à l’autre coin
— ...

Survol des travaux à effectuer

On envisage une vision du problème à deux échelles. A petite échelle, on considère un problème d’optimisation
consistant à déterminer la trajectoire optimale pour traverser une case d’un coin à un autre. Il faudra modéliser
ce problème comme un programme mathématique, puis implémenter différentes méthodes pour le résoudre. Cela
donnera entres autres lieu à une étude de la fonction objectif, paramétrée par la position de la bulle dans la case,
et à l’implémentation de méthodes d’optimisation.
A grande échelle, connaissant les temps de parcours de coin en coin, on doit résoudre un problème de plus court
chemin dans un graphe. Il faudra implémenter une méthode de résolution de ce problème.
Un outil de visualisation des solutions sera aussi utile.

1
 Optimisation d’un problème de Groupe de travail applicatif
planification de la production L3 Ingé. Math.
et de la distribution d’un produit 2018–2019
UF Mathématiques et Interactions

Présentation
Les activités de production et de distribution sont deux fonctions clés de la chaîne logistique. L’optimisation
de ces activités permet de réduire considérablement leurs coûts.
Dans ce projet, nous considérons une chaîne logistique composée d’une usine qui produit un seul type de
produit et d’une flotte homogène de véhicules assurant la distribution de ce produit à un ensemble de détaillants
concentrés dans la même région géographique. Il est possible de stocker temporairement la production dans
l’usine ainsi que chez les détaillants. Connaissant la demande en produit de chacun des détaillants sur un
horizon de temps fini, le but est de planifier la production de l’usine sur cet horizon (quantités à produire et à
livrer à chaque détaillant durant chacune des périodes) et la distribution aux détaillants (tournées de livraison
des détaillants durant chacune des périodes).

Nous décrivons maintenant le problème de façon plus spécifique. Nous considérons un ensemble M =
{1, ..., M } de détaillants vendant un produit particulier sur un horizon temporel discret T = {1, ..., T }. La
demande en produit d’un détaillant i ∈ M à la période t ∈ T est indiquée par dit . Les détaillants sont réap-
provisionnés à partir d’une unique usine identifiée par l’indice 0. A chaque période de temps, cette usine peut
produire au maximum C unités de produit. Un coût fixe de production f et un coût variable p, proportionnel
au nombre d’unités produites, sont à prendre en compte. L’usine peut stocker à tout moment au maximum U0
unités de produit. Le coût unitaire de stockage est égal à h0 . Une flotte V = {1, ..., V } de véhicules homogènes
est disponible pour la livraison. A chaque période de temps, un véhicule effectue une seule tournée (une tournée
est définie comme le départ de l’usine, la livraison des détaillants dans un ordre à définir puis le retour au dépot).
Chaque véhicule peut transporter au maximum Q unités de produit. Aucune limite n’est imposée quant à la
durée des tournées de livraison. De plus, la livraison fractionnée est interdite : à chaque période de temps aucun
détaillant ne peut être livré par plus d’un véhicule à la fois.
Des coût de transport

cij sont définis entre chaque
paire (i, j) de sites appartenant à l’ensemble A = M ∪ {0} × M ∪ {0} . Nous considérons que la production
de l’usine à une période t ∈ T peut être livrée durant cette même période aux détaillants et servir à satisfaire
la demande en produit de ces derniers pour la période t. Afin de satisfaire la demande des périodes suivantes,
chaque détaillant i ∈ M a la possibilité d’avoir en stock au maximum Ui unités de produit. Le coût unitaire de
stockage est de hi . Les limites de stockage sont considérées à la fin de chaque période t en prenant en compte
les quantitiés produites et livrées durant t (pour l’usine) et les quantités reçues et vendues durant t (pour les
détaillants). La notation est résumée dans le tableau 1.
L’objectif est de minimiser simultanément les coûts de production, de stockage et de distribution du pro-
duit afin de satisfaire les demandes des détaillants tout en respectant les limites de stockage et la capacité de
production de l’usine ainsi que les limites de stockage chez les détaillants.

Ce projet consiste à concevoir et développer des algorithmes visant à résoudre ce problème de façon exacte
ou approchée. Des jeux de données seront mis à votre disposition pour évaluer numériquement la qualité des
algorithmes proposés.

1
 M Ensemble des détaillants M = {1, ..., M }
T Ensemble des périodes de temps T = {1, ..., T }
V Ensemble des véhicules V = {1, ..., V }
C Capacité de production par période de temps
f Coût fixe de lancement de production
p Coût unitaire de production
U0 Nombre maximal d’unités du produit pouvant être stockés chez le producteur
h0 Coût unitaire de stockage chez le producteur
dit Demande du détaillant i ∈ M à la période t ∈ T
si Stock initial du détaillant i ∈ M
Ui Nombre maximal d’unités du produit pouvant être stockés chez le détaillant i ∈ M
hi Coût unitaire de stockage chez le détaillant i ∈ M
Q Capacité des véhicules


A Ensemble des paires de sites A = M ∪ {0} × M ∪ {0}
cij Coût de transport entre deux sites (i, j) ∈ A

Table 1 – Données du problème

Travaux à effectuer
Il faudra d’abord modéliser ce problème comme un programme mathématique et éventuellement utiliser un
solveur afin de le résoudre pour des petits jeux de données.
Bien qu’il est préférable d’effectuer une planification conjointe et coordonnée de la production et de la
distribution, la complexité du problème conduit souvent à tenter de le décomposer. Une décomposition naturelle
consiste à traiter le problème de production dans un premier temps puis sur la base des résultats obtenus à
traiter le problème de distribution. Vous devrez implémenter une ou plusieurs méthodes d’optimisation pour
résoudre le problème sur la base de cette approche.
Il sera également possible d’implémenter une méthode de résolution traitant le problème de façon globale.
Les résultats obtenus à l’aide cette méthode pourront être comparés avec ceux obtenus par la ou les méthodes
développées prédécemment.
Enfin, l’implémentation d’un outil de visualisation des solutions pourra être envisagée.

NB : Il sera possible d’effectuer quelques hypothèses pour simplifier le problème d’optimisation à résoudre.
Ces hypothèses devront éventuellement être levées au cours du projet :
— la planification des tournées de livraison des véhicules peut être supprimée dans un premier temps (le
côut de livraison de chaque détaillant i ∈ M sera alors considéré comme étant égal à c0i + ci0 )
— le nombre de véhicules peut être restreint à 1 afin de faciliter la résolution du problème de distribution
— la capacité de production de l’usine par période de temps peut être considérée comme illimité
— le stockage de produits peut être limité à l’usine ou aux seuls détaillants

2
 L3 - Université de Bordeaux
Nettoyage d’escaliers par réseaux de neurones profond

Les réseaux de neurones profonds sont devenus incontournables pour effectuer des tâches de
traitement des images. Alors que la classification semble être un exemple où ces réseaux présentent
d’excellentes performances, le problème de débruitage pose des contraintes fondamentales à ces
réseaux.
Afin d’explorer les limites des approches d’apprentissage profond pour le débruitage, on se pro-
pose d’étudier leur performance sur des images très simples en 1D pour commencer: des images
constantes par morceau, c’est à dire des signaux en escalier (ce modèle en 2D est très utilisé pour
le traitement des images naturelles). Si on note u un signal propre, on observe

v = u0 + e (1)

où e est un bruit additif gaussien de variance σ. On cherche à estimer u0 à partir de v.

On pourra commencer par implémenter la méthode variationnelle (débruitage par variation
totale, modèle ROF) qui a été énormément étudiée.

v ∗ = arg min ku − vk2 + λk∇vk1 (2)

On s’attachera ensuite à construire une base de donnée (v i , ui0 )i=1,n de signaux en escalier propres
et bruités. Cette base de donnée servira à apprendre un réseau de neurones profond dont on
cherchera à optimiser les paramètre et dont on testera les performances en comparant à la méthode
variationnelle précédente
En particulier, il faudra

• Etudier la littérature afin de trouver une architecture re réseau fonctionnelle.

• Etudier l’influence de la taille du signal, du nombre de sauts dans l’escalier, de la puissance

du bruit, de la variabilité du bruit.

• Essayer de trouver un réseau de taille minimale qui permet d’effectuer le débruitage, essayer
de modéliser mathématiquement ce réseau.

• Outils : python et Tensorflow.

Contact : yann.traonmilin@math.u-bordeaux.fr
 Raphaël Loubère,
Mel : raphael.loubere@math.univ-toulouse.fr
Web : loubere.free.fr
Tel : +33 5 61 55 76 52 / +33 6 75 31 29 98

Année universitaire 2018-2019

Maillages de Voronoı̈ : adaptation, interpolation, intégration

Introduction
Ce projet a pour but de construire, manipuler, analyser et utiliser des maillages dits de
Voronoı̈ dans le plan. Ces maillages se retrouvent dans énormément de phénomènes dans la
nature ; sur les carapaces des tortues, le pelage des girafes, les ailes des libellules, les écailles des
lézards/serpents, les nervures de nénuphar, le territoire du poisson mâle Tilapia mossambica,
et, évidemment, le nid d’abeilles fait d’hexagones réguliers (maillage de Voronoı̈ particulier).

Nid d’abeilles, Python vert Morelia viridis, Girafe, Maillage de Voronoı̈

Ces maillages peuvent être construits à l’aide d’algorithmes et leur implémentation et manipula-
tion en machine révèle des propriétés et comportements qui aident à la modélisation de phénomènes
physiques ou biologiques aussi variés que ceux cités ci-dessus.

Le travail
La travail va consister à explorer la définition d’un polygone de Voronoı̈ et du maillage associé.
La construction de tels maillages à partir d’un jeu de générateurs (possiblement très grand, plusieurs
millions) demande l’implémentation d’un algorithme constructif en machine : un mailleur.
Étant donnés des générateurs dans un espace • Xg , g =
1, 2, . . . , G, et une fonction distance d(Xi , Xj ), alors l’ensemble de
Voronoı̈ Ωj est l’ensemble convexe (non-borné) de tous les points
les plus proches de Xj plutôt que de tout Xi
Ωj = {X t.q. d(X, Xj ) < d(X, Xi ), i = 1, . . . , G, i 6= j}

Le maillage de Voronoı̈ est l’ensemble des ensembles de Vo-

ronoı̈ {Ω1 , Ω2 , . . . , ΩG } Plan, d distance euclidienne
Nous explorerons des techniques d’adaptation de maillage via une fonctionnelle f . Cette fonction-
nelle sera approchée sur un maillage de Voronoı̈ initial par projection conservative. Ensuite soit
par ajout/destruction de générateurs, soit par déplacement de ceux présents, nous concentrerons les
mailles de Voronoı̈ dans des lieux d’intérêt (valeur de la fonctionnelle, sa norme, son gradient). Ces
expérimentations nous mènerons à développer des modèles de croissance (cristaux, écailles, taches
de pelage, etc.).
Pour cela nous aurons besoin de faire appel à nos connaissance en approximation fonctionnelle,
programmation, algèbre linéaire, algorithmique.
Calibration de modèles EDO d’activité mitochondriale par algorithme génétique.
Michael Leguèbe, michael.leguebe@inria.fr

Introduction

Les mitochondries sont les organelles fournissant la source principale d’énergie des cellules biologiques.
Elles sont notamment activées par le calcium et le glucose présents dans la cellule. Les modèles de
mitochondries transcrivent cette activité sous forme d’équations, qui sont généralement des équations
différentielles ordinaires, et produisent des résultats qui, dans l’idéal, se rapprochent de données expéri-
mentales. L’objectif de ce projet est d’implémenter un de ces modèles et de déterminer les paramètres
d’entrée de celui-ci en utilisant un algorithme d’optimisation, ici un algorithme génétique.

Modèles de mitochondrie

Il existe de nombreux modèles de mitochondries, écrits pour la plupart par des biologistes, mais souvent
trop complexes à appréhender par des mathématiciens. Dans ce projet nous étudierons un modèle
proposé par Richard Bertram et al. en 2006, qui a procédé a de nombreuses simplifications dans le but
de faciliter la résolution des équations, ainsi que de rendre possible la calibration de ses paramètres. Ce
modèle décrit notamment l’évolution des concentrations en ions calcium Ca2+ et en ATP (la molécule
nécessaire à la production d’énergie) à l’intérieur et à l’extérieur de la mitochondrie. On a ainsi une
représentation de la production de celle-ci en fonction de son environnement.

Figure 1: Gauche: schéma de mitochondrie. Droite: transferts de molécules entre la mitochondrie et la cellule autour, retenus dans le
modèle de Bertram [1].

Travaux

Pour mener à bien ce projet il faudra dans un premier temps étudier l’article de Bertam et al. [1] qui
présente le modèle et en extraire les équations qu’il faut résoudre. Il faudra également se renseigner sur
CellML, qui est une base de données qui collecte les codes de nombreux modèles biologiques décrivant
des phénomènes à l’échelle cellulaire. Un travail de conversion du code téléchargé sera nécessaire, vers
un langage qui permette une utilisation aisée par tous (à décider, préférentiellement Python). Il faudra
ensuite écrire ou utiliser un solveur d’EDO adapté, qui puisse notamment reproduire les figures de
l’article.
La seconde partie du travail, qui peut être commencée en parallèle, consiste à se renseigner sur
les algorithmes génétiques et les tester sur des exemples simples, avant de l’appliquer au modèle de
Bertram. On déterminere enfin s’il est possible de calibrer ce modèle sur des données synthétiques, et
éventuellement expérimentales.

References

[1] Richard Bertram, Morten Gram Pedersen, Dan S. Luciani, and Arthur Sherman. A simplified model
for mitochondrial atp production. Journal of Theoretical Biology, 243(4):575 – 586, 2006.
Tabulation et interpolation de fonctions dans les modèles ion-
iques cardiaques.
Yves Coudière
yves.coudiere@u-bordeaux.fr

Introduction
Ce projet vise à étudier, implémenter et évaluer des méthodes d’interpolation polynomiale pour l’évaluation
de fonctions complexes dans des modèles de la dynamique électrophysiologique cardiaque. L’objectif pratique
consiste à réduire le temps de calcul dans les simulations de l’électrocardiologie.

Les modèles
Les cellules du muscle cardiaque possèdent diverses stuctures moléculaires qui entretiennent des variations
périodiques de la tension électrique entre le cytosol cellulaire et la matrice extra-cellulaire (tension transmem-
branaire), ce sont les potentiels d’action (PA). Ils sont modélisés par des systèmes d’équations différentielles
non linéaires de la forme suivante:
v 0 = I(v, w1 , . . . wm , c1 , . . . cp ) + Is (t), (1)
1
wk0 = (wk,∞ (v) − wk ) k = 1 . . . m, (2)
τk (v)
c0k = gk (v, w1 , . . . wm , c1 , . . . cp ) k = 1 . . . p, (3)
comme les modèle de Beeler Reuter [1], BOCF [2], TNNP [3]. Dans ces modèles, la variable v(t) est la tension
transmembranaire, les variables wk (t) modélisent l’état de la membrane cellulaire, et les variables ck (t) sont
la plupart du temps des concentrations ioniques. La fonction Is (t) est un courant de stimulation (un forcage)
qui sert à declencher un potentiel d’action à travers la membrane de la cellule. Le modèle est donc caractérisé
par les fonctions
• I : (v, w, c) ∈ R × Rm × Rp 7→ I(v, w, c) ∈ R où w = (w1 , . . . wm ) et c = (c1 . . . cp ),
• τk : v ∈ R 7→ τk (v) ∈ R et wk,∞ : v ∈ R 7→ wk,∞ (v) ∈ R pour k = 1 . . . m,
• et gk : (v, w, c) ∈ R × Rm × Rp 7→ gk (v, w, c) ∈ R pour k = 1 . . . p.
Ces fonctions sont difficiles à évaluer en général, et sont résolues en chaque point d’un maillage qui peut en
compter plusieurs dizaines de millions.

Travaux
L’idée principale est de calculer au préalable les valeurs des fonctions et de les conserver dans un tableau. Lors
des simulations, on utilise ces tableaux pour approcher les valeurs recherchées par interpolation polynomiale.
Tout d’abord, il faudra appréhender l’allure du graphe des fonctions que l’on cherche à calculer et leur
régularité. Ensuite, il faudra rechercher quelles sont les stratégies d’interpolations possible (points équi-
répartis, points de Tchebychev, interpolation de Lagrange, de Hermitte...), et quelles sont les erreurs attendues
pour ces différentes stratégies. Il faudra ensuite implémenter ces différentes méthodes pour pouvoir comparer
leur précision, les stratégies de répartition des points d’interpolation, les erreurs, les temps de calcul.
L’objectif final est de présenter un code de calcul qui puisse évaluer les fonctions τk et wk,∞ avec un gain
de temps important par rapport à l’évaluation via leur expression analytique, et une erreur garantie.

References
[1] G. W. Beeler and H. Reuter. Reconstruction of the action potential of ventricular myocardial fibers. J
Physiol (Lond), 268:177–210, 1977.
[2] Alfonso Bueno-Orovio, Elizabeth M. Cherry, and Flavio H. Fenton. Minimal model for human ventricular
action potentials in tissue. Journal of Theoretical Biology, 253(3):544 – 560, 2008.
[3] K. H. Ten Tusscher, D. Noble, P. J. Noble, and A. V. Panfilov. A model for human ventricular tissue.
Am. J. Physiol. Heart. Circ. Physiol., 286(4), 2004.

1
UNIVERSITÉ DE BORDEAUX Le 15/01/2019
L3 CMI ISI, 2018/2019

SUR LA MARCHE ALÉATOIRE DE L’ELEPHANT

Bernard Bercu
bernard.bercu@u-bordeaux.fr

La marche aléatoire de l’éléphant est un processus à temps discret fascinant introduit au

début des années 2000 par les physiciens Schütz et Trimper [10]. Elle est définie de la
manière suivante : A l’instant 0, l’éléphant est situé à l’origine, S0 = 0. A l’instant 1, il va
vers la droite au point 1 avec probabilité q ou vers la gauche au point −1 avec probabilité
1 − q, avec 0 < q < 1 Ensuite, à l’instant n, l’éléphant choisit uniformément au hasard
un instant k entre 1 et n puis
(
+Xk avec probabilité p,
Xn+1 =
−Xk avec probabilité 1 − p,
où le paramètre p ∈ [0, 1] est la mémoire de la marche de l’éléphant. La position de la
chaı̂ne de l’éléphant est alors donnée par
Sn = Sn−1 + Xn .
A chaque instant n > 1, on a Xn+1 = αn Xβn où αn et βn sont deux variables aléatoires
indépendantes avec αn de loi de Rademacher R(p) et βn de loi uniforme discrète sur
{1, . . . , n}. Le comportement asymptotique de la marche de l’éléphant est étroitement
lié à la trichotomie 0 6 p < 3/4, p = 3/4 et 3/4 < p 6 1. La marche de l’éléphant est
dite sous-critique si la mémoire 0 6 p < 3/4, critique si p = 3/4, et super-critique si la
mémoire 3/4 < p 6 1. Dans le cas sous-critique 0 6 p < 3/4, on peut montrer [1], [3], [4]
que
Sn
lim =0 p.s.
n→∞ n
De plus, on a le théorème limite central
S L  1 
√n −→ N 0, .
n 3 − 4p
Dans le cas critique p = 3/4, on a également
Sn
lim √ =0 p.s.
n→∞ n log n
et
Sn L
√ −→ N (0, 1).
n log n
Enfin, dans le cas super-critique 3/4 < p 6 1, on peut montrer [3] qu’il existe une variable
aléatoire réelle L non nulle p.s. telle que
Sn
lim =L p.s.
n→∞ n2p−1
Ces résultats asymptotiques ont été récemment étendus à la marche de l’éléphant sur Zd
dans [2]. Voici les principaux objectifs de ce projet.

1
 1) Créer un code Python permettant de simuler la marche de l’éléphant décrite ci-
dessus. Dans les cas sous-critique 0 6 p < 3/4 et critique p = 3/4, visualiser les
lois fortes des grands nombres et les TLC présentés plus haut. Dans le cas super-
critique 3/4 < p 6 1, tracer pour plusieurs valeurs de p les histogrammes associés à
la variable aléatoire L afin d’essayer de déterminer sa loi.

2) Créer un code Python permettant de simuler la marche de l’éléphant sur Zd avec

d = 2. Visualiser par simulation tous les résultats de [2] dans ce cadre.

3) Au lieu de bouger à droite ou à gauche, l’éléphant peut être autorisé à s’arrêter [5].
Reprendre votre code Python du 1) afin d’étudier le comportement asymptotique
de la marche de l’éléphant dans ce cadre.

4) L’éléphant peut devenir amnésique. Il ne va plus se rappeler que d’une fraction de

son passé [6]. Etudier par simulation ce nouveau cadre en faisant varier la fraction
f des instants dont se souvient l’éléphant. Le cas f = 1 correspond au 1), tandis
que si f < 1, l’éléphant ne va se souvenir que d’une fraction récente de son passé ce
qui va affecter son comportement.

References
[1] Baur, E. and Bertoin, J. Elephant Random Walks and their connection to Pólya-type
urns. Phys. Rev. E 94, 052134 (2016).

[2] Bercu, B. and Laulin, L. On the multi-dimensional elephant random walk.

arXiv:1709.07345, (2017).

[3] Bercu, B. A martingale approach for the elephant random walk. J. Phys. A: Math.
Theor. 51, (2018).

[4] Coletti, C. F., Gava, R., Schütz, G. M. Central limit theorem and related results for
the elephant random walk. J. Math. Phys. 58, 053303 (2017).

[5] Cressoni, J. C., Viswanathan, G. M., Da Silva, M. A. A., Exact solution of an

anisotropic 2D random walk model with strong memory correlations. J. Phys. A:
Math. Theor. 46, 505002 (2013).

[6] Cressoni, J. C., Da Silva, M. A. A., Viswanathan, G. M. Amnestically induced per-

sistence in random walks. Phys. Rev. Let. 98, 070603 (2007).

[7] Da Silva, M. A. A., Cressoni, J. C., Schütz, G. M., Viswanathan, G. M., Trimper, S.
Non-Gaussian propagator for elephant random walks. Phys. Rev. E 88, 022115 (2013).

[8] Harbola, U., Kumar, N., Lindenberg, K. Memory-induced anomalous dynamics in a

minimal random walk model. Phys. Rev. E 90, 022136 (2014).

[9] Kürsten, R. Random recursive trees and the elephant random walk. Phys. Rev. E 93,
032111 (2016).

[10] Schütz, G. M., and Trimper, S. Elephants can always remember: Exact long-range
memory effects in a non-Markovian random walk. Phys. Rev. E 70, 045101 (2004).