• Langue : Anglais
• Discipline : Informatique et applications
• Identifiant : 2024ULILB020
• Type de thèse : Doctorat
• Date de soutenance : 24/09/2024

Résumé en langue originale

Cette thèse intitulée « Extraction de connaissance pour les métaheuristiques à partir des solutions appliquée aux problèmes de tournées de véhicules bi-objectif » s'intéresse à l'intégration de mécanismes d'apprentissage au sein d'algorithmes multi-objectifs existants. En effet, l'utilisation d'apprentissage machine pour résoudre des problèmes d'optimisation combinatoire a permis d'améliorer de manière significative (à la fois en termes de performance et de temps d'exécution) des métaheuristiques existantes. Nous nous sommes concentrés sur un problème de tournées de véhicules bi-objectif avec fenêtres de temps qui est un problème de logistique où l'on cherche à optimiser la création de tournées pour livrer chaque client à une période précise, symbolisée par une fenêtre de temps. La résolution de ce type de problèmes est un enjeux pour de nombreuses entreprises. Les deux objectifs minimisés sont le coût total de transport et le temps total d'attente des livreurs, provoqué par l'arrivée du livreur avant le début de la période de livraison. Pour résoudre ce problème, nous proposons d'exploiter les séquences de clients livrés consécutivement au sein d'une tournée. Ces séquences sont extraites lors de l'exécution de l'algorithme à partir de solutions générées. Les séquences les plus prometteuses sont ensuite intégrées dans d'autres solutions pour les améliorer. Si l'apprentissage de séquences pour résoudre ce type de problèmes s'est révélé efficace en mono-objectif, cela reste un challenge de les exploiter dans un cadre multi-objectif, puisque certaines séquences intéressantes pour un objectif peuvent se révéler inutiles pour l'autre objectif. Plus précisément, dans cette thèse, nous nous interrogeons sur les manières d'exploiter au mieux les séquences disponibles dans les solutions. En particulier cela nous a conduits à nous poser les questions suivantes : comment gérer ces séquences dans un cadre multi-objectif ? De quelles solutions devons-nous extraire les séquences et dans quelles solutions les injecter ? A quel moment de l'exécution, les étapes d'injection et d'extraction doivent-elles être effectuées ? Les réponses à ces questions nous ont menés à l'élaboration d'un modèle d'apprentissage exploitant les séquences des solutions dans un cadre multi-objectif, où des groupes de connaissance sont créés pour stocker les séquences relatives à une partie de l'espace de recherche. Ce modèle a ensuite été intégré dans deux algorithmes populaires : MOEA/D et MOLS, montrant l'efficacité du modèle proposé.

Résumé traduit

This thesis entitled "Solution-based Knowledge Discovery in Metaheuristics for Bi-Objective Vehicle Routing Problems" focuses on the integration of learning mechanisms within existing multi-objective algorithms. Indeed, the use of machine learning to solve combinatorial optimization problems has led to significant improvements (both in terms of performance and execution time) in existing metaheuristics. We have focused on a bi-objective vehicle touring problem with time windows, which is a logistics problem where the aim is to optimize the creation of routes to deliver to each customer at a precise period, symbolized by a time window. Solving this type of problem is a challenge for many companies. The two objectives to be minimized are the total cost of transport and the total waiting time for the delivery driver, caused by the driver arriving before the start of the delivery period. To solve this problem, we propose to exploit the sequences of customers delivered consecutively within a tour. These sequences are extracted from generated solutions during algorithm execution. The most promising sequences are then integrated into other solutions to improve them. While learning sequences to solve this type of problem has proved effective in single-objective settings, it remains a challenge to exploit them in a multi-objective context. Indeed, some sequences that are interesting for one objective may prove useless for the other. More specifically, in this thesis, we are looking at ways of making the most of the sequences available in solutions. In particular, this led us to ask the following questions: how can we manage these sequences in a multi-objective framework? From which solutions should we extract sequences, and into which solutions should we inject them? At what point in the runtime should the injection and extraction steps be carried out? The answers to these questions led us to develop a learning model exploiting solution sequences in a multi-objective context, where knowledge groups are created to store sequences relating to a part of the search space. This model was then integrated into two popular algorithms: MOEA/D and MOLS, demonstrating the effectiveness of the proposed model.