Machine learning et métaoptimisation: une approche hybride pour la recherche opérationnelle en logistique

Machine Learning and Metaoptimization: A Hybrid Approach to Operational Research in Logistics

• Auteur / Autrice : Jules Andretti
• Direction : Jérémie Cabessa
• Type : Projet de thèse
• Discipline(s) : Informatique
• Date : Inscription en doctorat le 01/10/2024
• Etablissement(s) : université Paris-Saclay
• Ecole(s) doctorale(s) : École doctorale Sciences et technologies de l'information et de la communication
• Partenaire(s) de recherche : Laboratoire : Données Algorithmes pour une ville intelligente et durable
• Partenaire(s) de recherche : Equipe de recherche : ALMOST
• Partenaire(s) de recherche : Référent : Université de Versailles-Saint-Quentin-en-Yvelines

Mots clés

Mots clés libres

Optimisation combinatoire

Logistique

Apprentissage

Recherche opérationnelle

Operational research

Logistics

Combinatorial optimization

Learning

Résumé

Le problème étudié est une variante plus réaliste du Vehicle Routing Problem (VRP), connu pour être NP-complet, mais qui demeure très étudié en pratique. Dans notre cas, le problème considéré s'accompagne de nombreuses contraintes additionnelles: coût, pollution, moyens de transports, type de marchandises, capacité. L'approche actuelle de l'entreprise DCBrain consiste à utiliser des heuristiques simples issues de la recherche opérationnelle, telles que des recuits simulés et algorithmes gloutons. Ces heuristiques sont par la suite optimisées en choisissant des paramètres adéquats, en fonction de la taille des entrées. L'objectif de ce projet de thèse est d'utiliser des méthodes d'apprentissage pour améliorer ces heuristiques, tant sur le plan du temps de calcul que sur la qualité des résultats. Cette approche s'inscrit dans une démarche qui s'est fortement développée ces dernières années. Plus précisément, notre projet propose d'approcher ce problème selon les 4 axes suivants: 1. Utilisation de méthodes d'apprentissage, telle que l'optimisation bayésienne, pour déterminer les meilleurs méta-paramètres à considérer dans les heuristiques utilisées. 2. Utilisation de méthodes d'apprentissage (par renforcement) pour déterminer une bonne solution initiale de des heuristiques en question. 3. Utilisation de méthodes d'apprentissage pour mélanger les différentes heuristiques connues de la manière la plus efficace possible. 4. Finalement, des méthodes basées complètement sur le deep learning, impliquant des graph neural networks (GNNs), pourraient être envisagées.

The problem that we consider is a realistic variant of the Vehicle Routing Problem (VRP) - known to be NP-complete - but which remains extensively studied in practice. In our case, the problematic comes along with many additional constraints, like cost, pollution, means of transportation, type of goods, capacity, etc. The approach currently adopted by DCBrain consists in simple heuristics from operations research, such as simulated annealing and greedy algorithms. The parameters of these heuristics are then optimized with respect to the size of the inputs. The objective of this PhD thesis is to combine learning methods with current heuristics, in order to improve them in terms of both computation time and quality of results. This approach fits within a current and relevant line of research in combinatorial optimization. More specifically, the proposed project addresses this problem along the following four axes: 1. Use of learning methods, such as Bayesian optimization, to determine the best meta-parameters to consider in the heuristics used. 2. Use of (reinforcement) learning methods to determine a good initial solution of the heuristics in question. 3. Use of learning methods to mix the different known heuristics in the most efficient way possible. 4. Finally, an end-to-end deep learning approach, involving graphical neural networks (GNN), could be envisioned.