Thèse soutenue

Optimisation Globale et processus Gaussiens : analyse et nouveaux algorithmes
FR  |  
EN
Accès à la thèse
Auteur / Autrice : Hossein Mohammadi
Direction : Rodolphe Le Riche
Type : Thèse de doctorat
Discipline(s) : Mathématiques Appliquées
Date : Soutenance le 11/04/2016
Etablissement(s) : Lyon
Ecole(s) doctorale(s) : École doctorale Sciences Ingénierie Santé (Saint-Etienne)
Partenaire(s) de recherche : Laboratoire : Département Décision en Entreprise : Modélisation, Optimisation
Jury : Président / Présidente : Hervé Monod
Examinateurs / Examinatrices : Rodolphe Le Riche, Hervé Monod, Sonja Kuhnt, David Ginsbourger, Nicolas Durrande, Eric Touboul
Rapporteurs / Rapporteuses : Sonja Kuhnt, David Ginsbourger

Résumé

FR  |  
EN

L’«Efficient Global Optimization» (EGO) est une méthode de référence pour l’optimisation globale de fonctions «boites noires» coûteuses. Elle peut cependant rencontrer quelques difficultés, comme le mauvais conditionnement des matrices de covariance des processus Gaussiens (GP) qu’elle utilise, ou encore la lenteur de sa convergence vers l’optimum global. De plus, le choix des paramètres du GP, crucial car il contrôle la famille des fonctions d’approximation utilisées, mériterait une étude plus poussée que celle qui en a été faite jusqu’à présent. Enfin, on peut se demander si l’évaluation classique des paramètres du GP est la plus appropriée à des fins d’optimisation. \\Ce travail est consacré à l'analyse et au traitement des différentes questions soulevées ci-dessus.La première partie de cette thèse contribue à une meilleure compréhension théorique et pratique de l’impact des stratégies de régularisation des processus Gaussiens, développe une nouvelle technique de régularisation, et propose des règles pratiques. Une seconde partie présente un nouvel algorithme combinant EGO et CMA-ES (ce dernier étant un algorithme d’optimisation globale et convergeant). Le nouvel algorithme, nommé EGO-CMA, utilise EGO pour une exploration initiale, puis CMA-ES pour une convergence finale. EGO-CMA améliore les performances des deux algorithmes pris séparément. Dans une troisième partie, l’effet des paramètres du processus Gaussien sur les performances de EGO est soigneusement analysé. Finalement, un nouvel algorithme EGO auto-adaptatif est présenté, dans une nouvelle approche où ces paramètres sont estimés à partir de leur influence sur l’efficacité de l’optimisation elle-même.