Trouver des Solutions Diverses en Programmation par Contraintes avec des Approches Probabilistes

Finding Diverse Solutions in Constraint Programming with Probabilistic Approaches

• Auteur / Autrice : Mathieu Vavrille
• Direction : Charlotte Truchet, Charles Prud'homme
• Type : Thèse de doctorat
• Discipline(s) : Informatique
• Date : Soutenance le 14/09/2023
• Etablissement(s) : Nantes Université
• Ecole(s) doctorale(s) : École doctorale Mathématiques et Sciences et Technologies du numérique, de l’Information et de la Communication (Nantes ; 2022-....)
• Partenaire(s) de recherche : Laboratoire : Laboratoire des Sciences du Numérique de Nantes
• Jury : Président / Présidente : Éric Monfroy
• Jury : Examinateurs / Examinatrices : Claude-Guy Quimper, Özgür Akgün, Colin de La Higuera, Emmanuel Hebrard
• Jury : Rapporteur / Rapporteuse : Claude-Guy Quimper, Özgür Akgün

Mots clés

Mots clés contrôlés

Programmation (informatique)

Mots clés libres

Échantillonnage

Programmation par Contraintes

Approche Probabiliste

Constraint Programming

Sampling

Probabilistic Approach

Résumé

Dans cette thèse, je présente de nouvelles approches pour générer des solutions aléatoires ou diverses dans le cadre de la Programmation Par Contraintes (PPC). Utilisées comme outil d’aide à la décision, les solutions impactent les personnes : la planification d’employé·es, l’itinéraire des livreur·euses, les congés des soignant·es de garde. L’algorithme utilisé dans les solveurs de PPC est efficace, mais c’est un cadre rigide, qui renvoie des solutions basées sur des heuristiques de branchement qui peuvent être biaisées en faveur d’un espace de solution particulier. Les décideur·euses veulent aussi choisir entre plusieurs solutions, ces solutions doivent donc être diversifiées. Mon travail s’appuie sur des outils probabilistes. Le hasard est utilisé pour briser la rigidité du backtrack-search des solveurs de PPC et pour trouver des solutions dans un ordre différent à présenter à l’utilisateur·ice. Pour ce faire, j’ai conçu TABLESAMPLING, un échantillonneur travaillant dans le cadre de la PPC, qui bénéficie ainsi de toutes les améliorations des solveurs de PPC (temps d’exécution, ou nouvelles contraintes). Cependant, le caractère aléatoire n’est pas suffisant pour assurer la diversité. J’ai étudié et modifié des stratégies de recherche aléatoire pour générer des solutions diverses. La recherche peut ainsi être guidée vers des solutions dans des espaces intéressants

In this thesis, I present new approaches to generate random or diverse solutions in the Constraint Programming (CP) framework. When used as a decision support tool, the solutions have an impact on people: the scheduling of employees, the route of delivery drivers, the day off for healthcare workers on rosters. The backtrack-search al- gorithm used in CP solvers is efficient, but it is also a rigid framework, returning solutions based on branching heuristics that may be bi- ased towards a particular solution space. Fur- thermore, decision makers may also want to choose between multiple solutions, so these solutions should be diverse. My work relies on probabilistic tools. Randomness is used to break the rigid backtrack- search of CP solvers and find solutions in a different order to present to a user. To do so, I designed TABLESAMPLING, a sampler working in the CP framework, that thus benefits from all the improvements in CP solvers (running time, or new constraints). However, random- ness alone is not sufficient to provide diversity. I studied and modified random search strategies to generate diverse solutions. The search can thus be guided to solutions in interesting spaces