Sujets de recherche - ROC

Les domaines de recherche considérés par l'équipe ROC (Recherche Opérationnelle, Optimisation Combinatoire & Contraintes) sont des branches de la Recherche Opérationnelle et/ou de l'Intelligence Artificielle (plus précisément de la Programmation par Contraintes). L'équipe ROC propose des modèles et des algorithmes variés pour plusieurs classes de problèmes d'optimisation combinatoire, comme les problèmes d'ordonnancement, les tournées de véhicules et les problèmes d'allocation de ressource. (En savoir plus).

L'équipe mène des recherches pour établir des propriétés structurelles et des approximation avec garanties de performance pour des problèmes d'optimisation combinatoire et d'autres problèmes de calcul. Ces travaux comprennent les études de complexité et d'approximabilité, des comparaisons théoriques de schémas de linéarisation, des approximations linéaires par morceaux et polynomiales, des études polyédrales, des résultats en théorie des graphes (En savoir plus).

L'équipe ROC contribue à la résolution efficaces d'instances de problèmes d'optimisation combinatoires difficiles en concevant et implémentant des approches de programmation par contraintes, de programmation mixte en nombres entiers, des méthodes hybrides ainsi que des algorithmes dédiés (en savoir plus).

L'équipe s'intéresse aux aspects coopératifs, décentralisés et distribués des décisions, liés à la présence de plusieurs centres de décision qui interagissent dans nombre d'applications. L'équipe mène ainsi des recherches en programation mathématique multi-objectif. Au sein de problèmes d'optimisation multi-agents L'équipe explore également la recherche de solutions d'équilibre au sens de la théorie des jeux  qui sont aussi non dominées au sens de Pareto. Enfin, l'équipe s'intéresse à l'optimisation combinatoire distribuée, notamment pour des raisons de sécurité ou de respect de données privées. (en savoir plus).

Les paramètres d'un problème d'optimisation sont souvent sujets à des incertitudes de tout ordre. L'équipe s'intéresse à des problématiques d'optimisation combinatoire robuste, en particulier en ordonnancement sous incertitudes. Une voie de recherche consiste à proposer des structures flexibles de solutions pour la prise en compte proactive des aléas en facilitant le réajustement des solutions calculées, notamment en prédéterminant la faisabilité de permutations au sein de séquences de tâches. Une autre voie cherche à obtenir des avancées en optimisation discrète robuste pour l'ordonnancement (en savoir plus).

L'équipe explore les relations entre l'optimisation combinatoire et les techniques d'apprentissage, selon deux voies complémentaires. D'une part, nous cherchons à intégrer des mécanismes d’apprentissage au sein de la recherche arborescente pour la résolution de problèmes . D'autre part, de manière duale, d'autres travaux ont pour but d'améliorer les techniques d'apprentissage automatique en y intégrant des méthodes d'optimisation combinatoire (en savoir plus).

L'équipe ROC cherche à confronter les méthodes proposées au monder réel en prenant en compte le Génie Industriel, les facteurs humains et des application industrielles dans des domaines variés qui incluent le transport, la production, la gestion de la chaine logistique, la gestion de l'énergie, l'aéronautique et l'espace (en savoir plus).