Optimisation et apprentissage de modèles biologiques : application à lirrigation [sic l'irrigation] de pomme de terre

Optimization and learning of organic models : application to potato irrigation

• Auteur / Autrice : Amaury Dubois
• Direction : Sébastien Verel, Fabien Teytaud
• Type : Thèse de doctorat
• Discipline(s) : SCIENCES ET TECHNOLOGIES DE L'INFORMATION ET DE LA COMMUNICATION, Informatique
• Date : Soutenance le 15/12/2020
• Etablissement(s) : Littoral
• Ecole(s) doctorale(s) : École doctorale Sciences pour l'ingénieur (Lille)
• Partenaire(s) de recherche : Laboratoire : Laboratoire d'informatique, signal et image de la Côte d'Opale (Calais, Pas de Calais) - Laboratoire d'Informatique Signal et Image de la Côte d'Opale / LISIC
• Partenaire(s) de recherche : Financeur : Atelier national de reproduction des thèses (France)
• Partenaire(s) de recherche : financeur : Weenat (Nantes, Loire-Atlantique)
• Jury : Président / Présidente : Jean-Noël Aubertot
• Jury : Examinateurs / Examinatrices : Pierre Parrend, Frédéric Saubion, Bilel Derbel, Évelyne Lutton, Virginie Marion-Poty
• Jury : Rapporteur / Rapporteuse : Pierre Parrend, Frédéric Saubion

Mots clés

Mots clés contrôlés

Monte-Carlo, Méthode de

Apprentissage supervisé (intelligence artificielle)

Apprentissage par renforcement (intelligence artificielle)

Recherche linéaire (optimisation mathématique)

Mots clés libres

Optimisation continue

Optimisation boîte noire

Optimisation multimodale

Recherche arborescente

Mcts

Ucb

Apprentissage par renforcement

Apprentissage supervisé

Sélection de caractéristiques

Continuous optimization

Black box optimization

Multimodal optimization

Tree based search

Mcts

Ucb

Reinforcement learning

Supervised learning

Feature selection

Résumé

Le sujet de la thèse porte sur une des thématiques du LISIC : la modélisation et la simulation de systèmes complexes, ainsi que sur l'optimisation et l'apprentissage automatique pour l'agronomie. Les objectifs de la thèse sont de répondre aux questions de pilotage de l'irrigation de la culture de pomme de terre par le développement d'outils d'aide à la décision à destination des exploitants agricoles. Le choix de cette culture est motivé par sa part importante dans la région des Hauts-de-France. Le manuscrit s'articule en 3 parties. La première partie traite de l'optimisation continue mutlimodale dans un contexte de boîte noire. Il en suit une présentation d'une méthodologie d'étalonnage automatique de paramètres de modèle biologique grâce à une reformulation en un problème d'optimisation continue mono-objectif multimodale de type boîte noire. La pertinence de l'utilisation de l'analyse inverse comme méthodologie de paramétrage automatique de modèles de grandes dimensions est ensuite démontrée. La deuxième partie présente 2 nouveaux algorithmes UCB Random with Decreasing Step-size et UCT Random with Decreasing Step-size. Ce sont des algorithmes d'optimisation continue multimodale boîte noire dont le choix de la position initiale des individus est assisté par un algorithmes d'apprentissage par renforcement. Les résultats montrent que ces algorithmes possèdent de meilleures performances que les algorithmes état de l'art Quasi Random with Decreasing Step-size. Enfin, la dernière partie est focalisée sur les principes et les méthodes d'apprentissage automatique (machine learning). Une reformulation du problème de la prédiction à une semaine de la teneur en eau dans le sol en un problème d'apprentissage supervisé a permis le développement d'un nouvel outil d'aide à la décision pour répondre à la problématique du pilotage des cultures.

The subject of this PhD concerns one of the LISIC themes : modelling and simulation of complex systems, as well as optimization and automatic learning for agronomy. The objectives of the thesis are to answer the questions of irrigation management of the potato crop and the development of decision support tools for farmers. The choice of this crop is motivated by its important share in the Haut-de-France region. The manuscript is divided into 3 parts. The first part deals with continuous multimodal optimization in a black box context. This is followed by a presentation of a methodology for the automatic calibration of biological model parameters through reformulation into a black box multimodal optimization problem. The relevance of the use of inverse analysis as a methodology for automatic parameterisation of large models in then demonstrated. The second part presents 2 new algorithms, UCB Random with Decreasing Step-size and UCT Random with Decreasing Step-size. Thes algorithms are designed for continuous multimodal black-box optimization whose choice of the position of the initial local search is assisted by a reinforcement learning algorithms. The results show that these algorithms have better performance than (Quasi) Random with Decreasing Step-size algorithms. Finally, the last part focuses on machine learning principles and methods. A reformulation of the problem of predicting soil water content at one-week intervals into a supervised learning problem has enabled the development of a new decision support tool to respond to the problem of crop management.