Offre de th
Forum 'Emplois' - Sujet créé le 2012-03-02
Titre: Métaheuristiques sous incertitude : Application au domaine de l'énergie
Responsables : L. Jourdan (Professeur, Univ. Lille1), E-G. Talbi (Professeur, Univ. Lille1)
Université : Université de Sciences et Technologie de Lille 1
Projet: Equipe DOLPHIN LIFL/ INRIA DOLPHIN
Motivations:
Dans la majorité des cas, les problèmes d'optimisation sont considérés comme déterministes c'est-à-dire que toutes les données sont connues avant le processus d'optimisation et qu'il n'y a pas de changement ; pourtant, dans la réalité, les données sont inconnues, ou mal connues, par exemple car les paramètres peuvent être estimés et il y a des erreurs d'estimation ou les paramètres peuvent être mesurés et il peut y avoir des erreurs de mesure ou encore certains paramètres peuvent être révélés a posteriori (demande, prix, etc.) et il peut y avoir des erreurs de prévision ... On parle alors de problèmes d'optimisation sous incertitude.
Un certain nombre de méthodes permettent de résoudre les problèmes présentant de l'incertitude notamment la programmation stochastique et l'optimisation robuste.
Objectifs:
L'objectif est ici de réaliser un pont entre programmation stochastique, optimisation robuste et les métaheuristiques (ex. algorithmes évolutionnaires). Ceci consiste à utiliser les outils que fournissent ces méthodes pour définir les composants de nouvelles métaheuristiques (codage, gestion des contraintes, fonction d'évaluation, etc.).
Le problème étudié sera sur la maximisation de profit dans les réseaux d'énergie hydraulique, où il est important de prendre en compte l'incertitude sur la demande et les prix de l'électricité pour une production optimale.
Profil souhaité :
Master (informatique, mathématique) ou école d'ingénieur.
Bonnes notions en optimisation.
Programmation C/C++.
Information
Le financement de la thèse ne sera assure qu'après validation du sujet et du candidat par le jury. Les personnes intéressées doivent envoyer un CV et toute information complémentaire permettant de juger de la qualité de la candidature à laetitia.jourdan@inria.fr.
Références:
1. S. Yang, Y.-S. Ong, Y. Jin, Evolutionary Computation in Dynamic and Uncertain Environments, in the book series Studies in Computational Intelligence, vol. 51, Springer-Verlag Berlin Heidelberg, 2007.
2. Y. Jin and J. Branke, Evolutionary optimization in uncertain environments - a survey, IEEE Transactions on Evolutionary Computation, vol. 9, pp. 303–317, 2005.
3. Andrzej Ruszczynski et Alexander Shapiro, Stochastic Programming, Elsevier, 2003.
4. Daniel De Ladurantaye, Michel Gendreau, Jean-Yves Potvin Optimizing profits from hydroelectricity production Journal Computers and Operations Research Volume 36 Issue 2, February, 2009
Title: Metaheuristic in uncertain environment: application to energy domain
Advisors: L. Jourdan (Professor, Univ. Lille1), E-G. Talbi (Professor, Univ. Lille1)
University : Université de Sciences et Technologie de Lille 1 (France)
Project: Team DOLPHIN LIFL/ INRIA DOLPHIN
Motivation
Usually, optimization problems are considered as deterministic that implies that all data relative to the problem are known before optimization process and that there is no change; but, in reality, data are unknown or not exactly known. For example, the parameters can be estimated and there could be errors in estimation, the parameters could be measured and there could be error in measures or some parameters could be revealed a posteriori as demand, price, etc. and there could be error in forecasting ... Optimization problems are then considered with uncertainty.
Some methods have been proposed to solve optimization problems in uncertain environment in particular stochastic programming and robust optimization.
Objective
The objective of the PhD is to realize a link between stochastic programming, robust optimization and metaheuristics (for example evolutionary algorithms). This link could be realized by using the tools furnished by these methods to define new components of new metaheuristics (encoding, constraints management, evaluation function, etc.).
The studied problem will be profit maximization in hydroelectricity production where the uncertainty has to be taken into account to manage the demand and the variability of the price.
Skills:
Master in computer sciences or applied mathematics
Optimization
Programming C/C++
Information
The PhD grant funding will only be guaranteed after validation of the subject/applicant pair by the jury. Applicants can contact and send a CV and any complementary material that could help to judge the quality of the application to laetitia.jourdan@inria.fr.
References:
1. S. Yang, Y.-S. Ong, Y. Jin, Evolutionary Computation in Dynamic and Uncertain Environments, in the book series Studies in Computational Intelligence, vol. 51, Springer-Verlag Berlin Heidelberg, 2007.
2. Y. Jin and J. Branke, Evolutionary optimization in uncertain environments - a survey, IEEE Transactions on Evolutionary Computation, vol. 9, pp. 303–317, 2005.
3. Andrzej Ruszczynski and Alexander Shapiro, Stochastic Programming, Elsevier, 2003.
4. Daniel De Ladurantaye, Michel Gendreau, Jean-Yves Potvin Optimizing profits from hydroelectricity production Journal Computers and Operations Research Volume 36 Issue 2, February, 2009
Responsables : L. Jourdan (Professeur, Univ. Lille1), E-G. Talbi (Professeur, Univ. Lille1)
Université : Université de Sciences et Technologie de Lille 1
Projet: Equipe DOLPHIN LIFL/ INRIA DOLPHIN
Motivations:
Dans la majorité des cas, les problèmes d'optimisation sont considérés comme déterministes c'est-à-dire que toutes les données sont connues avant le processus d'optimisation et qu'il n'y a pas de changement ; pourtant, dans la réalité, les données sont inconnues, ou mal connues, par exemple car les paramètres peuvent être estimés et il y a des erreurs d'estimation ou les paramètres peuvent être mesurés et il peut y avoir des erreurs de mesure ou encore certains paramètres peuvent être révélés a posteriori (demande, prix, etc.) et il peut y avoir des erreurs de prévision ... On parle alors de problèmes d'optimisation sous incertitude.
Un certain nombre de méthodes permettent de résoudre les problèmes présentant de l'incertitude notamment la programmation stochastique et l'optimisation robuste.
Objectifs:
L'objectif est ici de réaliser un pont entre programmation stochastique, optimisation robuste et les métaheuristiques (ex. algorithmes évolutionnaires). Ceci consiste à utiliser les outils que fournissent ces méthodes pour définir les composants de nouvelles métaheuristiques (codage, gestion des contraintes, fonction d'évaluation, etc.).
Le problème étudié sera sur la maximisation de profit dans les réseaux d'énergie hydraulique, où il est important de prendre en compte l'incertitude sur la demande et les prix de l'électricité pour une production optimale.
Profil souhaité :
Master (informatique, mathématique) ou école d'ingénieur.
Bonnes notions en optimisation.
Programmation C/C++.
Information
Le financement de la thèse ne sera assure qu'après validation du sujet et du candidat par le jury. Les personnes intéressées doivent envoyer un CV et toute information complémentaire permettant de juger de la qualité de la candidature à laetitia.jourdan@inria.fr.
Références:
1. S. Yang, Y.-S. Ong, Y. Jin, Evolutionary Computation in Dynamic and Uncertain Environments, in the book series Studies in Computational Intelligence, vol. 51, Springer-Verlag Berlin Heidelberg, 2007.
2. Y. Jin and J. Branke, Evolutionary optimization in uncertain environments - a survey, IEEE Transactions on Evolutionary Computation, vol. 9, pp. 303–317, 2005.
3. Andrzej Ruszczynski et Alexander Shapiro, Stochastic Programming, Elsevier, 2003.
4. Daniel De Ladurantaye, Michel Gendreau, Jean-Yves Potvin Optimizing profits from hydroelectricity production Journal Computers and Operations Research Volume 36 Issue 2, February, 2009
Title: Metaheuristic in uncertain environment: application to energy domain
Advisors: L. Jourdan (Professor, Univ. Lille1), E-G. Talbi (Professor, Univ. Lille1)
University : Université de Sciences et Technologie de Lille 1 (France)
Project: Team DOLPHIN LIFL/ INRIA DOLPHIN
Motivation
Usually, optimization problems are considered as deterministic that implies that all data relative to the problem are known before optimization process and that there is no change; but, in reality, data are unknown or not exactly known. For example, the parameters can be estimated and there could be errors in estimation, the parameters could be measured and there could be error in measures or some parameters could be revealed a posteriori as demand, price, etc. and there could be error in forecasting ... Optimization problems are then considered with uncertainty.
Some methods have been proposed to solve optimization problems in uncertain environment in particular stochastic programming and robust optimization.
Objective
The objective of the PhD is to realize a link between stochastic programming, robust optimization and metaheuristics (for example evolutionary algorithms). This link could be realized by using the tools furnished by these methods to define new components of new metaheuristics (encoding, constraints management, evaluation function, etc.).
The studied problem will be profit maximization in hydroelectricity production where the uncertainty has to be taken into account to manage the demand and the variability of the price.
Skills:
Master in computer sciences or applied mathematics
Optimization
Programming C/C++
Information
The PhD grant funding will only be guaranteed after validation of the subject/applicant pair by the jury. Applicants can contact and send a CV and any complementary material that could help to judge the quality of the application to laetitia.jourdan@inria.fr.
References:
1. S. Yang, Y.-S. Ong, Y. Jin, Evolutionary Computation in Dynamic and Uncertain Environments, in the book series Studies in Computational Intelligence, vol. 51, Springer-Verlag Berlin Heidelberg, 2007.
2. Y. Jin and J. Branke, Evolutionary optimization in uncertain environments - a survey, IEEE Transactions on Evolutionary Computation, vol. 9, pp. 303–317, 2005.
3. Andrzej Ruszczynski and Alexander Shapiro, Stochastic Programming, Elsevier, 2003.
4. Daniel De Ladurantaye, Michel Gendreau, Jean-Yves Potvin Optimizing profits from hydroelectricity production Journal Computers and Operations Research Volume 36 Issue 2, February, 2009