Sujets de recherche - ROC

Problèmes d'Optimisation Combinatoire

 

Les domaines de recherche considérés par l'équipe ROC (Recherche Opérationnelle, Optimisation Combinatoire & Contraintes) sont des branches de la Recherche Opérationnelle et/ou de l'Intelligence Artificielle (plus précisément de la Programmation par Contraintes). L'équipe ROC propose des modèles et des algorithmes variés pour plusieurs classes de problèmes d'optimisation combinatoire, comme les problèmes d'ordonnancement, les tournées de véhicules et les problèmes d'allocation de ressource (en savoir plus).

 

Approches de résolution, Modèles & Algorithmes

 

L'équipe ROC contribue à différents niveaux d'une approche de résolution d'un problème d'optimisation combinatoire, qu'il s'agisse d'établir des résultats structurels et de complexité, de proposer des formulations ou des schémas de décomposition efficaces et, enfin, de concevoir des méthodes de résolution spécifiques ou génériques (en savoir plus).

 

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'optimisaiton 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. (en savoir plus).

 

Optimisation sous Incertitude

 

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 (en savoir plus).

 

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'optimisaiton combinatoire (en savoir plus).

 


Applications industrielles

 

L'équipe ROC cherche à confronter les méthodes proposées au monder réel en prenant en compte le Génie Industriel, les facteurs humains et des application industrielles 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 (en savoir plus).