Approches de résolution renforcées par des méthodes d’apprentissage en optimisation combinatoire
Auteur / Autrice : | Yangming Zhou |
Direction : | Jin-Kao Hao, Béatrice Duval |
Type : | Thèse de doctorat |
Discipline(s) : | Informatique |
Date : | Soutenance le 15/12/2017 |
Etablissement(s) : | Angers |
Ecole(s) doctorale(s) : | École doctorale Mathématiques et sciences et technologies de l'information et de la communication (Rennes) |
Partenaire(s) de recherche : | Equipe de recherche : Laboratoire d'Etudes et de Recherche en Informatique d'Angers |
Laboratoire : Laboratoire d'Etudes et de Recherche en Informatique d'Angers / LERIA | |
Jury : | Président / Présidente : Jean-Charles Billaut |
Examinateurs / Examinatrices : Jin-Kao Hao, Béatrice Duval | |
Rapporteurs / Rapporteuses : Clarisse Dhaenens, Christel Vrain |
Résumé
Cette thèse vise à développer des approches de résolution heuristique renforcées par des méthodes d'apprentissage pour résoudre des problèmes d'optimisation combinatoire difficiles (COPs). Nous considérons notamment trois types importants de COPs, les problèmes de groupement comme la coloration de graphe (GCP), les problèmes de sélection de sous-ensembles comme la diversité maximum (MDP) et les problèmes de permutation comme l'assignation quadratique (QAP). Ces trois classes de problèmes ont de nombreuses applications pratiques, mais ils sont dans le cas général N P-difficiles. Cette thèse s'attache à proposer des méthodes heuristiques renforcées par des méthodes d’apprentissage. Les méthodes d'apprentissage permettent d'exploiter les traces des explorations déjà effectuées afin de découvrir des régions prometteuses et des motifs intéressants conduisant à des meilleures solutions. Nous proposons trois approches de résolution combinées à des stratégies d'apprentissage adaptées pour les trois classes de COPs considérés.Nous développons une recherche locale combinée à un apprentissage de probabilités pour les problèmes de groupement comme GCP, une recherche mémétique avec apprentissage par opposition pour MDP et une recherche exploitant des motifs fréquents pour QAP. Toutes les approches proposées ont été validées expérimentalement sur des instances benchmark, et les résultats obtenus montrent quelles sont compétitives par rapport aux méthodes de l’état de l’art.