Le 27/11/2015 par emmanuelr :

Bonjour,
L'équipe de Recherche Opérationnelle de l'ISAE-SUPAERO propose l'offre de stage rémunéré (détaillée plus bas), portant sur le développement de méthodes d'apprentissage automatique pour le guidage de la résolution de problèmes d'optimisation combinatoires récurrents.
Ce stage s'inscrit dans le contexte d'un projet du Programme Gaspard Monge pour l'Optimisation (PGMO), en collaboration avec EDF R&D et ses applications portent sur la planification de production énergétique.
Encadrement : E. Rachelson et A. Haït.
Contact : emmanuel.rachelson@isae-supaero.fr
Durée : 6 mois.
Rémunération : 554.40 euro/mois (net).
Profil recherché : Master Recherche ou ingénieur en Recherche Opérationnelle, Machine Learning ou discipline proche.

Sujet :
De nombreux problèmes à fort enjeu industriel sont des problèmes d'optimisation combinatoire récurrents, c'est-à-dire dont il faut résoudre plusieurs instances successives qui sont des variantes d'un même problème de base. Par exemple, l'affectation personnels/vols des compagnies aériennes pour un jour donné, la replanification de la production d'électricité face à un aléa climatique, le ré-ordonnancement de prises de vues satellitaires sont des problèmes à forte combinatoire, où le problème du jour J et celui du jour J+1 peuvent être vus comme des variantes d'un même problème initial, et où trouver une solution optimale ou quasi-optimale est important en termes de coût final. Souvent, il est également crucial d'obtenir une solution rapidement à ces problèmes difficiles, menant ainsi à un compromis coût / temps de calcul. L'approche développée dans l'équipe d'accueil de ce stage consiste à utiliser l'expérience de résolutions passées pour guider la résolution du problème présent.

Pour cela, un cadre théorique et des outils en optimisation et apprentissage automatique ont été développés, cependant de nombreuses zones d'ombre restent à explorer. L'objectif de ce stage est donc d'utiliser ces outils afin d'évaluer empiriquement et formellement la pertinence et l'efficacité de cette approche sur une grande variété de problèmes, puis d'en tirer les enseignements afin de faire des propositions pour améliorer le couplage optimisation~/ apprentissage et les méthodes actuelles.

Le problème industriel clé abordé lors du stage concerne la re-planification infra-journalière de la production du parc électrique français mais d'autres problèmes concrets pourront servir à l'évaluation des résultats. Dans ce cadre, l'équipe travaille actuellement sur des modèles d'optimisation en programmation linéaire mixte (une des pistes de travail concerne l'ouverture à d'autres formalismes). Le développement de nouvelles méthodes d'apprentissage permettant de guider une résolution efficace de ces problèmes de PLNE et le couplage entre les méthodes d'apprentissage et les méthodes d'optimisation retenues sont donc au coeur du stage.