Machine learning et métaoptimisation: une approche hybride pour la recherche opérationnelle en [...]

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

Université Paris-Saclay GS Informatique et sciences du numérique

Versailles, France

Topic description

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.

Funding category

Funding further details

Financement d'autres établissements publics à caractère industriel et commercial (ADEME, ADIT, ANDRA, Bpifrance, BRGM., CIRAD, CNES, Universcience, CSTB., IFPEN, IFREMER, INERIS, IRSN)

#J-18808-Ljbffr