Invitation
Forum 'Annonces' - Sujet créé le 2004-12-03
Bonjour,
Nous avons le plaisir de vous inviter à la soutenance de thèse de Johann Dréo, qui se tiendra le lundi 13 décembre,
à l'Université de Paris 12, 61 avenue du Général de Gaulle, à Créteil. Métro : Créteil-Université.
Rendez-vous sur le campus de l'université, à 9h, en salle 222 du bâtiment I1.
Thèse intitulée :
« Adaptation de la méthode des colonies de fourmis pour l'optimisation en variables continues. Application en génie biomédical »
Jury :
* Daniel Jolly, Professeur à l'Université d'Artois, 61ème section, Rapporteur
* Gilles Venturini, Professeur à l'Université de Tours, 27ème section, Rapporteur
* Florent Chavand, Professeur à l'Université d'Evry, 61ème section, Examinateur
* Guy Théraulaz, Directeur de Recherche au CNRS, Toulouse, apparenté 27ème section, Examinateur
* Ion Cristian Tréléa, Maître de Conférences, INA-Grignon, H.D.R. 61ème section, Examinateur
* Patrick Siarry, Professeur à l'Université de Paris 12, 61ème section, Directeur de thèse
Résumé de la thèse :
Bien que les problèmes d'optimisation difficile en variables continues soient très courants en ingénierie, ils sont peu étudiés en recherche opérationnelle. La plupart des algorithmes d'optimisation sont en effet proposés dans le domaine combinatoire. Dès lors, l'adaptation de ces métaheuristiques combinatoires aux problèmes continus est profitable à un grand nombre de problèmes réels.
Parmi ces méthodes, les algorithmes de colonies de fourmis forment une classe des métaheuristiques récemment proposée pour les problèmes d'optimisation difficile. Ces algorithmes s'inspirent des comportements collectifs de dépôt et de suivi de piste observés dans les colonies de fourmis. Une colonie d'agents simples (les fourmis) communiquent indirectement via des modifications dynamiques de leur environnement (les pistes de phéromone) et construisent ainsi une solution à un problème, en s'appuyant sur leur expérience collective.
Deux approches sont possibles pour concevoir des métaheuristiques d'optimisation continue en suivant cette métaphore. La première consiste à créer un système multi-agent où la communication joue un rôle central, en tant que processus permettant l'émergence d'un comportement global cohérent du système. Nous proposons, dans cette optique, des algorithmes de "colonies de fourmis interagissantes" (baptisés CIAC et HCIAC). La deuxième approche décrit les algorithmes de colonies de fourmis comme des méthodes manipulant un échantillonnage d'une distribution de probabilité. Nous proposons ainsi une métaheuristique "à estimation de distribution" (nommée CHEDA).
De plus, la conception de métaheuristiques peut être guidée par le concept de programmation à mémoire adaptative, qui met notamment l'accent sur les processus de mémoire, de diversification et d'intensification. Nos algorithmes font l'objet d'une hybridation avec une recherche locale de Nelder-Mead, qui améliore l'intensification de la recherche.
Les algorithmes de colonies de fourmis du type "multi-agent" présentent des caractéristiques de flexibilité particulièrement intéressantes sur des problèmes dynamiques. Nous avons donc adapté notre méthode hybride de colonie de fourmis interagissantes à des problèmes continus dynamiques (algorithme DHCIAC), pour lesquels nous proposons également un nouveau jeu de test cohérent.
Nos algorithmes sont enfin appliqués dans le cadre d'un problème biomédical concernant les pathologies du vieillissement oculaire. L'automatisation du suivi des lésions de l'oeil nécessite en effet une étape d'optimisation, lors du recalage d'images d'une séquence d'angiographie rétinienne.
Nous avons le plaisir de vous inviter à la soutenance de thèse de Johann Dréo, qui se tiendra le lundi 13 décembre,
à l'Université de Paris 12, 61 avenue du Général de Gaulle, à Créteil. Métro : Créteil-Université.
Rendez-vous sur le campus de l'université, à 9h, en salle 222 du bâtiment I1.
Thèse intitulée :
« Adaptation de la méthode des colonies de fourmis pour l'optimisation en variables continues. Application en génie biomédical »
Jury :
* Daniel Jolly, Professeur à l'Université d'Artois, 61ème section, Rapporteur
* Gilles Venturini, Professeur à l'Université de Tours, 27ème section, Rapporteur
* Florent Chavand, Professeur à l'Université d'Evry, 61ème section, Examinateur
* Guy Théraulaz, Directeur de Recherche au CNRS, Toulouse, apparenté 27ème section, Examinateur
* Ion Cristian Tréléa, Maître de Conférences, INA-Grignon, H.D.R. 61ème section, Examinateur
* Patrick Siarry, Professeur à l'Université de Paris 12, 61ème section, Directeur de thèse
Résumé de la thèse :
Bien que les problèmes d'optimisation difficile en variables continues soient très courants en ingénierie, ils sont peu étudiés en recherche opérationnelle. La plupart des algorithmes d'optimisation sont en effet proposés dans le domaine combinatoire. Dès lors, l'adaptation de ces métaheuristiques combinatoires aux problèmes continus est profitable à un grand nombre de problèmes réels.
Parmi ces méthodes, les algorithmes de colonies de fourmis forment une classe des métaheuristiques récemment proposée pour les problèmes d'optimisation difficile. Ces algorithmes s'inspirent des comportements collectifs de dépôt et de suivi de piste observés dans les colonies de fourmis. Une colonie d'agents simples (les fourmis) communiquent indirectement via des modifications dynamiques de leur environnement (les pistes de phéromone) et construisent ainsi une solution à un problème, en s'appuyant sur leur expérience collective.
Deux approches sont possibles pour concevoir des métaheuristiques d'optimisation continue en suivant cette métaphore. La première consiste à créer un système multi-agent où la communication joue un rôle central, en tant que processus permettant l'émergence d'un comportement global cohérent du système. Nous proposons, dans cette optique, des algorithmes de "colonies de fourmis interagissantes" (baptisés CIAC et HCIAC). La deuxième approche décrit les algorithmes de colonies de fourmis comme des méthodes manipulant un échantillonnage d'une distribution de probabilité. Nous proposons ainsi une métaheuristique "à estimation de distribution" (nommée CHEDA).
De plus, la conception de métaheuristiques peut être guidée par le concept de programmation à mémoire adaptative, qui met notamment l'accent sur les processus de mémoire, de diversification et d'intensification. Nos algorithmes font l'objet d'une hybridation avec une recherche locale de Nelder-Mead, qui améliore l'intensification de la recherche.
Les algorithmes de colonies de fourmis du type "multi-agent" présentent des caractéristiques de flexibilité particulièrement intéressantes sur des problèmes dynamiques. Nous avons donc adapté notre méthode hybride de colonie de fourmis interagissantes à des problèmes continus dynamiques (algorithme DHCIAC), pour lesquels nous proposons également un nouveau jeu de test cohérent.
Nos algorithmes sont enfin appliqués dans le cadre d'un problème biomédical concernant les pathologies du vieillissement oculaire. L'automatisation du suivi des lésions de l'oeil nécessite en effet une étape d'optimisation, lors du recalage d'images d'une séquence d'angiographie rétinienne.