• Langue : Anglais
• Discipline : Informatique et applications
• Identifiant : 2022ULILB011
• Type de thèse : Doctorat
• Date de soutenance : 20/06/2022

Résumé en langue originale

Les métaheuristiques sont des algorithmes de résolution présentant un grand nombre de paramètres qui leur permettent de s'adapter à tout type de problème d'optimisation. Afin d'obtenir les meilleures performances, les paramètres doivent être choisis scrupuleusement ce qui engendre un travail de paramétrage très fastidieux. C'est dans ce contexte qu'ont été développées dans la littérature les approches de réglage de paramètres où une phase d'apprentissage permet d'explorer différents jeux de paramètres pour sélectionner le meilleur, et de contrôle de paramètres où les valeurs changent de manière adaptative pendant l'exécution. Dans cette thèse, nous proposons d'utiliser simultanément ces deux approches de paramétrage en proposant une approche appelée multi-configuration automatique d'algorithmes. En particulier, nous explorons plusieurs stratégies basées sur des modèles séquentiels ou probabilistes et nous les comparons aux approches classiques de la configuration automatique d'algorithmes et d'algorithmes adaptatifs. Des expérimentations ont été conduites sur le problème d'ordonnancement de type flowshop de permutation et le problème de voyageur de commerce et montrent la pertinence de l'approche proposée.

Résumé traduit

Metaheuristics are resolution algorithms with a large number of parameters that allow them to adapt to any type of optimization problem. In order to obtain the best performance, the parameters must be chosen scrupulously, which generates a very tedious parameterization work. It is in this context that parameter tuning approaches have been developed in the literature, where a learning phase allows to explore different sets of parameters to select the best one, and parameter control approaches where the values change adaptively during the execution. In this thesis, we propose to use simultaneously these two parameterization approaches by proposing an approach called automatic multi-configuration of algorithms. In particular, we explore several strategies based on sequential or probabilistic models and compare them to classical approaches for automatic algorithm configuration and adaptive algorithms. Experiments have been conducted on the permutation flowshop scheduling problem and the traveling salesman problem and show the relevance of the proposed approach.