Dynamic & stochastic combinatorial optimization

Dans maintes situations où un problème de recherche opérationnelle demande une optimisation combinatoire, il existe des incertitudes à gérer pour proposer des solutions acceptable sur le terrain, que ce soit:

  • Dans la définition de fonctions objectives précises à optimiser, notamment, où les utilisateurs/bénéficiaires de une solution ne sont pas en capacité de spécifier une fonction objective suffisamment précise ;
  • Dans le fait qu’une situation à optimisé inclue des paramètres variables dans le temps qui influenceront le degré d’optimalité des solutions proposées ;
  • Dans le fait que la situation à optimiser n’est pas figée et évolue au gré de décisions prises au fil de l’eau lors d’une optimisation en cours

Il existe différentes approches qui permettent de gérer cette incertitude. Le CETIC explore entre autre la gestion dynamique de fonctions objectives au sein des algorithmes d’optimisation ou encore l’utilisation des données collectées sur le terrain pour proposer des simulations sur base de modèles probabilistes réalistes ou pour effectuer du machine learning afin d’en déduire des fonctions objectives.