Modélisation et optimisation non convexe basées sur la programmation DC et DCA pour la résolution de certaines classes des problèmes en fouille de données et cryptologie

The non-convex modeling and optimization based on the DC programming and DCA for the resolution of certain classes of problems in Data Mining and cryptology

• Auteur / Autrice : Hoai Minh Le
• Direction : Hoai An Lê Thi
• Type : Thèse de doctorat
• Discipline(s) : Informatique
• Date : Soutenance le 24/10/2007
• Etablissement(s) : Metz
• Ecole(s) doctorale(s) : École doctorale IAEM Lorraine - Informatique, Automatique, Électronique - Électrotechnique, Mathématiques de Lorraine
• Partenaire(s) de recherche : Laboratoire : LITA - Laboratoire d'Informatique Théorique et Appliquée - EA 3097
• Jury : Président / Présidente : Tao Pham Dinh
• Jury : Examinateurs / Examinatrices : Hans-Hermann Bock, Pascal Bouvry, Noëlle Carbonell, Jean-Pierre Crouzeix, Abdel-Ilah Lisser, Franciszek Seredynski

Mots clés

Mots clés contrôlés

Fonctions booléennes

Exploration de données

Cryptographie

Optimisation globale

Programmation convexe

Mots clés libres

Programmation DC

Optimisation globale

Cryptologie

Data mining

Résumé

Cette thèse est consacrée à la modélisation et l'optimisation non convexe basées sur la programmation DC et DCA pour certaines classes de problèmes issus de deux domaines importants : le Data Mining et la Cryptologie. Il s'agit des problèmes d'optimisation non convexe de très grande dimension pour lesquels la recherche des bonnes méthodes de résolution est toujours d'actualité. Notre travail s'appuie principalement sur la programmation DC et DCA. Cette démarche est motivée par la robustesse et la performance de la programmation DC et DCA, leur adaptation aux structures des problèmes traités et leur capacité de résoudre des problèmes de grande dimension. La thèse est divisée en trois parties. Dans la première partie intitulée Méthodologie nous présentons des outils théoriques servant des références aux autres. Le premier chapitre concerne la programmation DC et DCA tandis que le deuxième porte sur les algorithmes génétiques. Dans la deuxième partie nous développons la programmation DC et DCA pour la résolution de deux classes de problèmes en Data Mining. Dans le chapitre quatre, nous considérons le modèle de la classification floue FCM et développons la programmation DC et DCA pour sa résolution. Plusieurs formulations DC correspondants aux différentes décompositions DC sont proposées. Notre travail en classification hiérarchique (chapitre cinq) est motivé par une de ses applications intéressante et très importantes, à savoir la communication multicast. C'est un problème non convexe, non différentiable de très grande dimension pour lequel nous avons reformulé sous la forme des trois programmes DC différents et développé les DCA correspondants. La troisième partie porte sur la Cryptologie. Le premier concerne la construction des fonctions booléennes équilibrées de haut degré de non-linéarité - un des problèmes cruciaux en Cryptographie. Plusieurs versions de combinaison de deux approches - DCA et les algorithmes génétiques (AG) sont étudiées dans le but d'exploiter simultanément l'efficacité de chaque approche. Le deuxième travail concerne des techniques de cryptanalyse d'un schéma d'identification basé sur les deux problèmes ''Perceptron'' (PP) et ''Perceptron Permuté'' (PPP). Nous proposons une méthode de résolution des deux problèmes PP et PPP par DCA et une méthode de coupes dans le dernier chapitre

This thesis is dedicated to non-convex modeling and the optimization based on the DC programming and DCA for certain classes of problems of two important domains : the Data Mining and the Cryptology. They are non-convex optimization problems of very large dimensions for which the research of good solution methods is always of actuality. Our work is based mainly on the DC programming and DCA that have been successfully applied in various fields of applied sciences, including machine learning. It is motivated and justified by the robustness and the good performance of DC programming and DCA in comparison with the existing methods. This thesis is devised in three parties. The first part, entitling Methodology, serves as a reference for other chapters. The first chapter concerns the programming of DC and DCA while the second chapter describes the genetic algorithms. In the second part, we develop the DC and DCA programming to solve two classes of problems in Data Mining. In the chapter four, we take consideration into the model of classification FCM and develop the programming DC and DCA for their resolution. Many formulations DC in correspondence to different decompositions DC are proposed. Our work in hierarchic classification (chapter 5) is motivated by one of its interesting and very important applications, known as muliticast communication. It's a non-convex, non differentiable, non-convex problem in a very big dimension with which we have reformulated in the forms of 3 different DC programs and developed the DCA relative. The 3rd part focuses on the Cryptology. The 1st chapter is the construction of stable boonlean functions with high degree of non-linearity - one of the crucial problems of Cryptography. Many versions of combination of 2 approaches, DCA and Genetic Algorithms (GA) are studied in the purpose of exploiting simultaneously the efficacy of each approach. The secondrd work is about the techinics of cryptanalyse of a identification scheme based on two problems Perceptron (PP) and Perceptron Permuted. We propose a method of resolving two problems PP and PPA by DCA and a cutting plan method in the last chapter