Description
Date depot: 2 avril 2024
Titre: Apprentissage automatique pour la résolution de problèmes d'optimisation combinatoire multi-objectifs
Directeur de thèse:
Thibaut LUST (LIP6)
Domaine scientifique: Sciences pour l'ingénieur
Thématique CNRS : Intelligence artificielle
Resumé: Le projet concerne l'application de méthodes d'apprentissage automatique pour la résolution de problèmes d'optimisation combinatoire multi-objectifs.
Deux paradigmes seront étudiés : l'apprentissage supervisé et l'apprentissage par renforcement. Dans le premier cas, l'objectif est de pouvoir prédire la fréquence d'apparition d'une variable dans les solutions Pareto-optimales, afin d'ensuite utiliser des méthodes d'échantillonnage pour obtenir l'ensemble des solutions Pareto-optimales. L'apprentissage se base sur des techniques d'apprentissage profond spécifiques pour l'apprentissage de graphes, les réseaux neuronaux de graphes (GNN).
Dans le deuxième cas, l'apprentissage par renforcement sera utilisé afin de guider efficacement des méthodes de recherche locale, qui sont très efficaces pour la résolution de problèmes d'optimisation combinatoire multi-objectifs. Différentes relations de dominance pourront également être étudiées, ainsi que l'intégration de ces techniques dans les méthodes interactives.
Ce projet se situe à la frontière entre l'intelligence artificielle, la recherche opérationnelle et la théorie de la décision. Des techniques de résolution très innovantes et présentant un fort potentiel seront utilisées.
Résumé dans une autre langue: The project concerns the application of machine learning methods to solve multi-objective combinatorial optimization problems.
Two paradigms will be studied: supervised learning and reinforcement learning. In the first case, the aim is to be able to predict the frequency of appearance of a variable in the Pareto-optimal solutions, in order to then use sampling methods to obtain the set of Pareto-optimal solutions. Learning is based on deep learning techniques specific to graph learning, called graph neural networks (GNNs).
In the second case, reinforcement learning will be used to efficiently guide local search methods, which are highly effective for solving multi-objective combinatorial optimization problems. Different dominance relations will also be studied, as well as the integration of these techniques into interactive methods.
This project lies at the frontier between artificial intelligence, operations research and decision theory. Highly innovative resolution techniques with great potential will be used.