Résolution de problèmes d'optimisation

But

S'initier à la démarche de modélisation d'un problème pour le résoudre de manière informatique. Cet enseignement présente de nombreuses méthodes de résolution de problèmes et s'appuie sur des exemples pratiques.

Evaluation

L'évaluation comprend :

• Projets, 50%,
• 2 écrits intermédiaires, 50%, les xx/05/2023 (I2L) de 45 minutes, et le xx/xx/2023.

Équipe d'enseignants

Sébastien Verel et Alexandre Chotard.

Pour contacter un des intervenants : contacts. Vous pouvez contacter l'équipe pour tout ce qui concerne cet enseignement et votre orientation.

Objectifs

Ils sont mis à jour régulièrement :

1. Savoir définir un problème d'optimisation combinatoire
2. Connaitre des exemples de problème d'optimisation (maxSAT, TSP, QAP, knapsack, etc.)
3. Savoir modéliser un problème en un problème d'optimisation.
4. Connaitre le principe d'une recherche locale à solution unique.
5. Connaitre la recherche aléatoire
6. Savoir comparer statistiquement deux algorithmes de recherche stochastiques.
7. Savoir définir une marche aléatoire
8. Connaitre les heuristiques "Hill-Climbing"
9. Connaitre la notion d'optimum local
10. Connaitre le dilemme exploration / exploitation
11. Savoir définir les métaheuristiques classiques (recuit simulé, recherche taboue, iterated local search)
12. Savoir définir les principes des algorithmes évolutionnaires
13. Connaitre les différents types d'algorithmes évolutionnaires
14. Savoir coder dans un langage les algorithmes d'optimisation précédents
15. ...

Supports de Cours et de TP

Voici l'ensemble des supports de cours et des émoncés des TP.

Bibliographie

Quelques repères bibliographiques :

• Métaheuristiques - Une introduction aux métaheuristiques pour l'optimisation, Bastien Shopard et Marco Tomassini, 2018.
• Métaheuristiques pour l'optimisation difficile, Johann Dréo, Alain Pétrowski, Patrick Siarry, Eric Taillard, 2003.
• Aide mémoire R, Aymeric Duclert, 2011.

Horaires

13h de CM, 13h de TD, et 13h de TP.


Consulter l'emploi du master : edt