Bonjour à tous,

Vous êtes cordialement invité.e.s à la soutenance de thèse de Eric Larsen, le Lundi 13 janvier 2025 à 9h30. La présentation sera offerte en français.

Jury

Résumé:

Nous proposons des innovations méthodologiques combinant l’apprentissage
automatique (AA) et la recherche opérationnelle (RO) où des prédicteurs
issus de l’AA supervisé sont entraînés hors-ligne et introduits dans des
algorithmes de RO pour accélérer les calculs en-ligne. La synergie entre RO
et AA est particulièrement avantageuse pour la programmation stochastique.
Nous concentrant sur les problèmes de décision à deux étapes, nous
vérifions que des prédictions de la solution de deuxième étape (DE)
améliorent considérablement le compromis entre exactitude et vitesse des
calculs. Nous éprouvons nos propositions sur des applications réalistes et
des problèmes standardisés. La thèse comprend cinq articles:
The Load Planning Problem for Double-stack Intermodal Trains traite en
contexte réaliste le problème opérationnel déterministe de chargement
optimal (PCO) de conteneurs sur des wagons doublement étagés. Il établit en
outre les bases des applications de l’AA à la RO examinées dans les deux
articles suivants où l’apprentissage se fonde sur des paires entrée-sortie
joignant une instance déterministe du PCO à sa solution exacte.
Predicting Tactical Solutions to Operational Planning Problems Under
Imperfect Information emploie l’AA hors-ligne pour accélérer la
programmation stochastique à deux étapes lorsque DE est difficile. Les
prédictions d’AA de la solution espérée de DE, conditionnelles aux
variables de première étape (PE), obvient à la génération de scénarios et
au calcul de solutions en DE. Elles produisent des solutions globales avec
plus d’exactitude et de vitesse en-ligne que les méthodes alternatives. Une
application à une version tactique du PCO est présentée.
A Language Processing Algorithm for Predicting Tactical Solutions to an
Operational Planning Problem Under Uncertainty démontre l’usage d’un
algorithme de traduction neural pour générer des prédictions rapides et
fidèles de solutions détaillées d’un problème stochastique de décision. Il
décrit comment établir
les vocabulaires et les syntaxes, introduire des contraintes portant sur la
relation d’entrée-sortie ou sur les sorties. Il définit une mesure de
discordance et un prédicteur de référence. Une application au PCO est
présentée.
Fast Continuous and Integer L-shaped Heuristics Through Supervised Learning
présente une matheuristique résolvant un programme stochastique linéaire à
deux étapes avec variables mixtes. Il démontre comment la substitution de
solutions d’AA au sous-problème de Benders pour le calcul de coupes d’opti-
malité L-shaped entières et continues permet un compromis avantageux entre
exactitude et temps de calcul en-ligne. Les temps sont indépendants du
nombre de scénarios et le prédicteur d’AA est valide pour des familles de
problèmes paramétrées. Une application à des familles dérivées de problèmes
stochastiques standard de localisation de serveurs et de sac-à-dos multiple
est présentée.
Pseudo-random Instance Generators in C++ for Deterministic and Stochastic
Multi-commodity Network Design Problems présente des générateurs simulant
une large gamme de problèmes de conception de réseau déterministes et
stochastiques avec multiples classes d’objets, capacités et coûts fixes. Il
vise à faciliter l’évaluation et la comparaison de méthodes de solution
exactes et heuristiques, notamment usant de l’AA, et à favoriser la
reproductibilité et la comparabilité de résultats publiés.
Mots-clefs: programmation stochastique, apprentissage automatique
supervisé, programmation en nombres entiers, décomposition de Benders,
L-shaped, générateur d'instances stochastiques