Apprentissage et optimisation

Optimisation combinatoire et apprentissage automatique

Les métaheuristiques sont reconnues comme une approche
indispensable pour l’optimisation difficile et complexe. Même si
beaucoup de progrès ont été réalisés depuis 1986, de nouvelles
innovations devraient être recherchées pour améliorer et renforcer le
domaine avec de puissantes méthodes capables de faire face à des
problèmes d’optimisation qui ne peuvent pas être traités aujourd’hui.
A cet effet, une approche prometteuse est d’équiper les
métaheuristiques de capacités d’apprentissage afin de rendre leur
recherche « auto-informée » ou simplement « intelligente ». Une telle
recherche intelligente sera en mesure d’apprendre des expériences
passées et de s’adapter aux paysages changeants de la recherche.

Plusieurs pistes sont étudiées :

  • Au niveau fondamental, nous étudions les stratégies
    adaptatives (basées sur l’apprentissage) qui aideront les composants
    élémentaires d’un algorithme heuristique à devenir plus « conscient
    ». Les résultats de cette recherche peuvent être utilisés dans les
    algorithmes heuristiques existants afin d’améliorer leurs
    performances et peuvent aider à concevoir de nouveaux algorithmes
    plus efficaces. Pour cette recherche, nous allons revoir certains de
    nos algorithmes précédemment développés pour des problèmes avec
    différentes représentations (binaire, entier, permutation, arbre) et
    étudier les différents types de recherches (trajectoire unique,
    basée sur une population, et recherche hybride).
  • Nous souhaitons définir des méthodes générales qui reposent
    sur de nouveaux concepts et bénéficient des résultats de la
    recherche fondamentale sur les composants élémentaires. A titre
    d’exemple, nous allons avancer sur la formulation de la méthode
    « recherche locale guidée par la distance » qui exploite explicitement
    la distance pour éviter des optima locaux et des plateaux. Une autre
    piste intéressante concerne l’utilisation des principes des systèmes
    multi-agents. Nous travaillerons également sur l’amélioration
    d’autres méthodes existantes en introduisant des mécanismes
    d’apprentissage pour rendre les règles de choix « intensification et
    diversification » plus informée.
  • Nous prévoyons de poursuivre nos efforts sur la résolution
    d’applications du monde réel. En plus de l’intérêt évident de
    fournir des solutions satisfaisantes à ces problèmes pratiques,
    travailler sur des cas réels oblige à nous confronter à de nouveaux
    défis et constitue une source d’inspiration pour la recherche
    fondamentale.