Recherche Opérationnelle

Les décisions prises au sein des organisations ont souvent un impact sur plusieurs individus, qu’il convient de considérer de manière équitable. Dans ce contexte, l’optimisation équitable vise à produire des solutions efficaces tout en contrôlant l’équilibre des satisfactions des individus vis-à-vis de la solution choisie. Cela peut concerner des problèmes de partage d’objets indivisibles, d’affectation de tâches de façon à équilibrer la charge ou la satisfaction d’individus.

Ce stage concerne l'application directe de méthodes de machine learning pour la résolution de problèmes d'optimisation combinatoire multi-objectifs. 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).

La prise en compte de l’aléatoire dans des contextes d’ordonnancement est une thématique de plus en plus présente aussi bien dans le monde académique qu’économique. Ainsi, la résolution des problème d'affectation de tâches à des ressources dans un cadre aléatoire présente un intérêt théorique notable car il n’existe pas, à ce jour, d’approche qui puisse calculer l’optimum global.

Au cours des dernières décennies, la conception et l'analyse des algorithmes étaient basées sur l'analyse du pire cas, où la performance d'un algorithme est caractérisée par sa pire performance sur toutes les instances d'une taille donnée. Cependant, pour de nombreux problèmes, l'analyse du pire cas ne permet pas de prédire les performances des algorithmes en pratique. En effet, dans de nombreux scénarios, l'entrée est loin d'être le pire cas et présente certaines caractéristiques prévisibles.

Internship proposition to be supervised by Christoph Dürr, LIP6, Sorbonne University

Suppose you need to buy an airline ticket for your next vacations which start in $n$ days. Every day you see a different price. Once you decided to buy the ticket the game is over. How should you decide when to buy? This is the topic of ongoing research on a problem called *prophet inequalities*.

See pdf for details.

Bleuse et al. (EuroPar 2018) [1] introduced a general model for interference-aware scheduling in large scale parallel platforms. They considered two different types of communications: the flows induced by data exchanges during computations and the flows related to Input/Output operations. Rather than taking into account these communications explicitly, they restrict the possible allocations of a job by external topological constraints.

-

The goal of this internship is to develop an automated testing tool for the space engineers video game on the basis of Novelty Search and Quality-Diversity algorithms. Details are provided in the joined document.

Veuillez trouver le sujet par ce lien

https://lipn.univ-paris13.fr/~fouilhoux/documents/Stage_Fin_Etude_Decomp...