2013-2017 ATHENA
Méthodes d'optimisation pour l'étude intégrée de problèmes décisionnels complexes
ANR Partenaires : LAAS-CNRS (Toulouse), LIMOS (Clermont-Ferrand), Heudiasyc (Compiègne)
L'optimisation de processus décisionnels complexes fait l‘objet d‘études en recherche opérationnelle et en optimisation mathématique depuis de nombreuses années. Souvent, les problèmes abordés sont issus d'un découpage implicite des problématiques, qui a été fait compte tenu de la nature des problèmes et de la complexité évidente qu'il y a à vouloir les traiter conjointement. Ces problèmes sont abordés de façon très précise et la difficulté réside dans la façon de les faire communiquer. Par exemple dans le contexte de la chaîne logistique, les décisions en termes de production sont fortement liées aux décisions de gestion de stock ainsi qu‘à la politique de distribution des produits. Les problèmes sont toutefois le plus souvent abordés de façon disjointe. Récemment, grâce aux progrès des techniques d‘optimisation, aux logiciels performants mis à la disposition des chercheurs et aux avancées matérielles, il est désormais possible d'aborder des problèmes d‘une très grande complexité. Par exemple, aborder certains problèmes décisionnels de façon intégrée plutôt que de façon séparée est désormais possible et il est établi que cela permet d'obtenir des solutions qui présentent un plus grand intérêt.
L‘objectif du projet est d‘aborder des problèmes d‘optimisation complexes de façon intégrée, à un niveau opérationnel (par exemple ordonnancement de la production et routage des véhicules). Afin que l‘étude soit complète, plusieurs contextes sont envisagés. On considère tout d‘abord que la décision est centralisée et que l‘environnement est statique, autrement dit que les données sont connues de façon certaine et qu‘elles ne varient pas dans le temps. Les techniques d‘optimisation combinatoire basées sur la programmation mathématique et faisant appel à la décomposition sont alors privilégiées pour chercher des solutions optimales ou proches de l‘optimum. On considère dans un deuxième temps que la décision est centralisée et
que l‘environnement est statique, mais que les problèmes décisionnels intégrés ont des objectifs différents, éventuellement conflictuels. Alors, les approches de type multi-agents (dans le sens « agents en compétition ») sont privilégiées et des solutions de compromis sont cherchées. Dans un troisième temps, toujours dans un environnement statique, on considère cette fois que la décision est distribuée et que chacun des problèmes qui sont intégrés est sous la responsabilité d‘un décideur autonome. Il faut alors étudier les mécanismes de coopération entre décideurs et trouver des solutions équilibrées. Enfin, dans une dernière partie, on considère que l‘environnement est dynamique, autrement dit que les paramètres du problème peuvent changer au cours du temps. La solution proposée est donc perturbée, et il faut chercher, en fonction de la définition des incertitudes, à mettre au point des méthodes pour trouver des solutions qui sont robustes.
Quatre partenaires sont impliqués dans le projet : le Laboratoire d‘Informatique de l‘Université de Tours, le laboratoire Heudiasyc de l‘Université de Technologie de Compiègne, le LAAS-CNRS de Toulouse et le LIMOS de l‘Université de Clermont-Ferrand. Le projet dure 48 mois et le principal financement demandé est composé de 2 thèses co-encadrées (LI-LAAS et LIMOS-Heudiasyc).
L‘objectif du projet est d‘aborder des problèmes d‘optimisation complexes de façon intégrée, à un niveau opérationnel (par exemple ordonnancement de la production et routage des véhicules). Afin que l‘étude soit complète, plusieurs contextes sont envisagés. On considère tout d‘abord que la décision est centralisée et que l‘environnement est statique, autrement dit que les données sont connues de façon certaine et qu‘elles ne varient pas dans le temps. Les techniques d‘optimisation combinatoire basées sur la programmation mathématique et faisant appel à la décomposition sont alors privilégiées pour chercher des solutions optimales ou proches de l‘optimum. On considère dans un deuxième temps que la décision est centralisée et
que l‘environnement est statique, mais que les problèmes décisionnels intégrés ont des objectifs différents, éventuellement conflictuels. Alors, les approches de type multi-agents (dans le sens « agents en compétition ») sont privilégiées et des solutions de compromis sont cherchées. Dans un troisième temps, toujours dans un environnement statique, on considère cette fois que la décision est distribuée et que chacun des problèmes qui sont intégrés est sous la responsabilité d‘un décideur autonome. Il faut alors étudier les mécanismes de coopération entre décideurs et trouver des solutions équilibrées. Enfin, dans une dernière partie, on considère que l‘environnement est dynamique, autrement dit que les paramètres du problème peuvent changer au cours du temps. La solution proposée est donc perturbée, et il faut chercher, en fonction de la définition des incertitudes, à mettre au point des méthodes pour trouver des solutions qui sont robustes.
Quatre partenaires sont impliqués dans le projet : le Laboratoire d‘Informatique de l‘Université de Tours, le laboratoire Heudiasyc de l‘Université de Technologie de Compiègne, le LAAS-CNRS de Toulouse et le LIMOS de l‘Université de Clermont-Ferrand. Le projet dure 48 mois et le principal financement demandé est composé de 2 thèses co-encadrées (LI-LAAS et LIMOS-Heudiasyc).