Recherche Opérationnelle/Optimisation Combinatoire/Contraintes
- roc -
LES NEWS DE L’ÉQUIPE
Toutes les actualités de l'équipe
L’AGENDA DE L’ÉQUIPE
L'équipe ROC mène des recherches sur les problèmes d'optimisation combinatoire et les méthodes algorithmiques pour les résoudre, à la frontière entre Recherche Opérationnelle et Intelligence Artificielle.
Animation scientifique
Cette page présente l'animation scientifique au sein de l'équipe ROC.
Notre Recherche
Problèmes d'Optimisation Combinatoire
L'équipe ROC propose des modèles et des algorithmes variés pour plusieurs classes de problèmes d'optimisation combinatoire, comme les problèmes d'ordonnancement, de tournées de véhicules, d'allocation de ressources et plus généralement des problèmes combinatoires dans des graphes.
Méthodes Computationnelles
L'équipe ROC contribue à la résolution efficaces d'instances de problèmes d'optimisation combinatoires difficiles en concevant et implémentant des approches de programmation par contraintes, de programmation mixte en nombres entiers, des méthodes hybrides ainsi que des algorithmes dédiés
Applications
L'équipe cherche à confronter les méthodes proposées au monde réel en prenant en compte le génie industriel, les facteurs humains et/ou les enjeux environnementaux. Des applications industrielles sont développées dans des domaines variés qui incluent le transport, la production, la gestion de la chaine logistique, la gestion de l'énergie, l'aéronautique et l'espace.
Focus
Propriétés Structurelles et Approximations avec Garanties
L'équipe mène des recherches pour établir des propriétés structurelles et des approximations avec garanties de performance pour des problèmes d'optimisation combinatoire et d'autres problèmes de calcul. Ces travaux comprennent les études de complexité et d'approximabilité, des comparaisons théoriques de schémas de linéarisation, des approximations linéaires par morceaux et polynomiales, des études polyédrales, des résultats en théorie des graphes
Optimisation sous Incertitudes
Les paramètres d'un problème d'optimisation sont souvent sujets à des incertitudes de tout ordre. L'équipe s'intéresse à des problématiques d'optimisation combinatoire robuste, en particulier en ordonnancement sous incertitudes. Une voie de recherche consiste à proposer des structures flexibles de solutions pour la prise en compte proactive des aléas en facilitant le réajustement des solutions calculées, notamment en prédéterminant la faisabilité de permutations au sein de séquences de tâches. Une autre voie cherche à obtenir des avancées en optimisation discrète robuste pour l'ordonnancement
Optimisation Combinatoire & Apprentissage
L'équipe explore les relations entre l'optimisation combinatoire et les techniques d'apprentissage, selon deux voies complémentaires. D'une part, nous cherchons à intégrer des mécanismes d’apprentissage au sein de la recherche arborescente pour la résolution de problèmes. D'autre part, de manière duale, d'autres travaux ont pour but d'améliorer les techniques d'apprentissage automatique en y intégrant des méthodes d'optimisation combinatoire.
Optimisation Multi-Agent & Multi-Objectif
L'équipe s'intéresse aux aspects coopératifs, décentralisés et distribués des décisions, liés à la présence de plusieurs centres de décision qui interagissent dans nombre d'applications. L'équipe mène ainsi des recherches en programation mathématique multi-objectif. Au sein de problèmes d'optimisation multi-agents L'équipe explore également la recherche de solutions d'équilibre au sens de la théorie des jeux qui sont aussi non dominées au sens de Pareto. Enfin, l'équipe s'intéresse à l'optimisation combinatoire distribuée, notamment pour des raisons de sécurité ou de respect de données privées.
Responsable
Cadre scientifique
ITA contractuel
Post-doctorant
Doctorant
Chercheur affilié
Accueil partenariat
Dernières Publications
2025
Communications dans un congrès
Pré-publications, documents de travail
2024
Articles dans une revue
Communications dans un congrès
Autres documents
Pré-publications, documents de travail
2023
Articles dans une revue
Chapitres d’ouvrages
Communications dans un congrès
Thèses de Master
Rapports
Pré-publications, documents de travail
2022
Articles dans une revue
Communications dans un congrès
Autres documents
Comptes rendus de conférences
Pré-publications, documents de travail
2021
Articles dans une revue
Communications dans un congrès
Pré-publications, documents de travail
2020
Articles dans une revue
Communications dans un congrès
Autres documents
Rapports
Quelques codes sources et logiciels publics issus des recherches de l'équipe ROC.
BDDEncoding, une bibliothèque Python pour la synthèse (via MaxSAT) de diagrammes de décision booléens pour la classification
https://gitlab.laas.fr/roc/hao-hu/bddencoding
Blossom, un algorithme pour la synthèses d'arbres de décisions optimaux
https://gitlab.laas.fr/ehebrard/blossom
ChromSAT, un approche basée sur l'apprentissage de clauses pour la coloration de graphes
https://gitlab.laas.fr/roc/emmanuel-hebrard/chromsat
fairCORELS, implémentation d’un algorithme d’apprentissage machine supervisé produisant des modèles interprétables (rule lists) et respectant des contraintes (paramétrables) d’équité selon plusieurs métriques de la littérature
- Version 1 :
module python : https://pypi.org/project/faircorels/
code source : https://github.com/ferryjul/fairCORELS
- Version 2 : version améliorée utilisant une approche PLNE et une nouvelle structure de données pour élaguer efficacement l’espace de recherche de l’algorithme et permettre l’apprentissage de modèles interprétables et équitables avec garantie d’optimalité
module python : https://pypi.org/project/faircorelsv2/
code source : https://github.com/ferryjul/fairCORELSV2
FairnessSampleRobustness : Intégration dans deux algorithmes d’apprentissage supervisé équitable de la littérature de nos approches exactes et heuristiques visant à améliorer la généralisation de l’équité statistique en utilisant une méthode d’optimisation robuste à l’échantillonnage
https://github.com/ferryjul/FairnessSampleRobustness
FAIRScoringSystems, une plateforme pour la synthèse de modèles équitables et interprétables pour la classification multi-classe
https://gitlab.laas.fr/roc/julien-rouzot/fairscoringsystemsv0
HybridCorels, implémentation d’un algorithme d’apprentissage machine supervisé produisant des modèles hybrides interprétables (composés d’une partie interprétable par nature, et d’une partie boîte-noire (agnostique) dont le but est de classifier les exemples les plus difficiles)
module python : https://github.com/ferryjul/HybridCORELS
code source : https://github.com/ferryjul/fairCORELSV2
LNS-MMRCPSP, une approche basée sur CPOptimizer pour résoudre le "multi-mode project scheduling problem" sous incertitude
https://gitlab.laas.fr/roc/christian-artigues/lns-mmrcpsp
MaxSAT Decision Trees, une bibliothèque Python pour la synthèse (via MaxSAT) d'arbres de décision pour la classification
https://gitlab.laas.fr/roc/hao-hu/maxsat-decision-trees
MCTS, une bibliothèque C++ pour la conception de méthodes de recherche arborescente de Monte-Carlo guidée par apprentissage par renforcement pour les problèmes combinatoires
https://gitlab.laas.fr/roc/valentin-antuori/MCTS
Mistral, un solveur de programmation par contraintes
https://github.com/ehebrard/Mistral-2.0.git
SensitiveAttributesReconstruction : implémentation d’une attaque d’inférence visant à reconstruire les attributs sensibles de l’ensemble d’entraînement d’un modèle d’apprentissage, en utilisant une information relative à l’équité de ce modèle
https://github.com/ferryjul/SensitiveAttributesReconstructionCorrector/
Two Stage Scheduling Using POGS, une approche basé sur CPOptimizer pour l'ordonnancement robuste par compilation en "groupes d'opérations permutables"
https://gitlab.laas.fr/roc/louis-riviere/two-stage-scheduling-using-pogs
Thèses / HDR soutenues
2024
2023
2022
Hao Hu, Thèse: Interpretable Machine Learning Models via Maximum Boolean Satisfiability
Tom Portoleau, Thèse: Représentations discrètes pour l’ordonnancement et la planification robustes
2019
2018
Idir Hamaz, Thèse: Méthodes d'optimisation robuste pour les problèmes d'ordonnancement cyclique
Pierre Coupechoux, Thèse: Codes et jeux de soustraction et de poursuite dans les graphes
Ulrich Matchi Aïvodji, Thèse: Technologies respectueuses de la vie privée pour le covoiturage
2017
Yun He, Thèse: Problèmes de tournée avec prise en compte explicite de la consommation d'énergie
2016
Margaux Nattaf, Thèse: Ordonnancement sous contraintes d’énergie
Nadia Chaabane, Thèse: Recherche de flots stables dans des réseaux de transport multi-agents
2015
DÉPARTEMENT
Emplois / Stages
REJOINDRE
Notre équipe de recherche
Pour plus d’informations sur les offres d’emploi, vous pouvez contacter