Méthodes parallèles et techniques issues de l'intelligence artificielle au service des problèmes combinatoires.

par Amir Mohamed youssouf

Projet de thèse en Informatique-25DIN0

Sous la direction de Mhand Hifi.

Thèses en préparation à Amiens , dans le cadre de École doctorale Sciences, technologie et santé (Amiens) , en partenariat avec Eco-procédés, optimisation et aide à la décision (Amiens) (laboratoire) depuis le 06-11-2019 .


  • Résumé

    L'automatisation de certaines tâches fastidieuses devient plus que nécessaire, en particulier lorsque des systèmes complexes sont à traiter. Les sous-problèmes liés à la « logistique de masse », qui peut être vue comme une variété de sous-problématiques successives à résoudre (organisation globale des transports, conteneurisation, palettisation, distribution, gestion des stocks …), fait partie de ces systèmes complexes pour qui l'enjeu économique est considérables et les besoins en automatisation ne cessent de croitre. Cependant, l'existence de certaines méthodes de résolution heuristiques (dite des solutions pratiques) conduit souvent vers des solutions de qualité médiocres malgré l'écart mesuré entre le calcul des bornes obtenues. Cette thèse s'intéresse à proposer de novelles modélisations quantifiées ainsi que de nouvelles approches algorithmiques efficaces séquentielles et parallèles pour la résolution d'une succession de problématiques issues de la logistique de masse. Des études préliminaires réalisées au sein de notre unité de recherche ont permis la mise en place d'une automatisation du processus de placement de composants réguliers / irréguliers en vue de réduire les coûts de production et d'expéditions à un instant donné. Cette première solution encourage à poursuivre des travaux doctoraux sur des problèmes plus globaux liant le placement en deux et trois dimensions, et la distribution. Des solutions qui s'appuieront sur des méthodes d'intelligence artificielle (la recherche approfondie hybridée avec un apprentissage intelligent) et des méthodes parallèles dédiées à l'accélération (et amélioration) des méthodes (de la qualité des solutions) selon la granularité des modèles combinatoire qui en résultent.

  • Titre traduit

    Parallel methods and artificial technics for combinatorial problems.


  • Résumé

    The automation of some tasks becomes necessary, especially when complex systems are tackled. The sub-problems related to 'mass logistics', which can be seen as a variety of successive sub-problems to solve (global organization related to the transportation, cutting and packing family, distribution, sharing, inventory management ...), are part of these complex systems; these systems for which the economic stake is considerable and the needs in automation continue to grow. However, the existence of some heuristics (called practical methods) often lead poor quality solutions despite the gap computed between both lower and upper bounds. The goal of the thesis is to propose new quantified models as well as new sequential and parallel efficient approaches for solving the succession of sub-problems resulting from the complex logistic. Preliminary studies conducted by our team have enabled the automation of the regular / irregular component packing process in order to reduce production and shipping costs. Such a solution encourages extending the work for more global optimization linking two and three dimensional packing problems, and distribution. The solution methods will be based on artificial intelligence approaches (deep-learning hybridized with some highlight machine-learning) and parallel methods dedicated to accelerating (and improving) the methods at hand (the quality of the achieved solutions) according to the granularity of the resulting models.