Chercheur Postdoctoral en Optimisation (H/F)

CNRS; Paris; Sur place; EUR 40 000 - 60 000; Plein temps

Résumé du poste

Le CNRS recherche un Chercheur Postdoctoral en Optimisation pour un projet innovant au sein du laboratoire LIP6 à Paris, sur des techniques d'optimisation à travers une combinaison d'algorithmes et d'apprentissage automatique. Rémunération compétitive et environnement collaboratif.

Prestations

Fonds pour les déplacements et la participation à des conférences

Accès aux ressources informatiques du LIP6 et de Sorbonne Université

Qualifications

• Expérience avec des algorithmes d'optimisation type boîte noire.
• À l'aise avec les techniques d'apprentissage automatique.

Responsabilités

• Mener des travaux de recherche sur les algorithmes d'optimisation.
• Collaborer avec l'équipe de recherche et produire des rapports.
• Publier les résultats de recherche dans des conférences.

Connaissances

Algorithmes d’optimisation

Apprentissage automatique automatisé

Formation

Doctorat

Description du poste

Portail > Offres > Offre UMR7606-CARDOE-009 - Chercheur Postdoctoral en Optimisation (H/F)

Chercheur Postdoctoral en Optimisation (H/F)

Cette offre est disponible dans les langues suivantes :

Date Limite Candidature : lundi 14 juillet 2025 23:59:00 heure de Paris

Assurez-vous que votre profil candidat soit correctement renseigné avant de postuler

Informations générales

Intitulé de l'offre : Chercheur Postdoctoral en Optimisation (H/F)
Référence : UMR7606-CARDOE-009
Nombre de Postes : 1
Lieu de travail : PARIS 05
Date de publication : lundi 23 juin 2025
Type de contrat : Chercheur en contrat CDD
Durée du contrat : 24 mois
Date d'embauche prévue : 1 septembre 2025
Quotité de travail : Complet
Rémunération : Entre 2 805,35 € et 4 541,08 € brute mensuelle, selon expérience
Niveau d'études souhaité : Doctorat
Expérience souhaitée : Indifférent
Section(s) CN : 06 - Sciences de l'information : fondements de l'informatique, calculs, algorithmes, représentations, exploitations

Missions

Le candidat retenu sera amené à mener des travaux de recherche et satisfaire les objectifs identifiés dans le cadre du projet source du financement.
Le candidat retenu devra interagir et collaborer avec les membres de l'équipe ainsi que les autres partenaires, impliqués dans le projet.
Le candidat retenu devra produire des délivrables et rapports de suivi dans le cadre de la gestion du projet et publier les résultats des travaux de recherche dans des conférences et revues du domaine.

Activités

Face à un problème d'optimisation, nous manquons souvent de temps, de connaissances ou de ressources pour développer une approche dédiée. Dans ce cas, il est judicieux de recourir à des algorithmes d'optimisation boîte noire, conçus pour fournir des solutions de haute qualité sans ajustements manuels ni expertise du problème. Grâce à leur simplicité d'utilisation, les algorithmes d'optimisation boîte noire comptent parmi les techniques d'optimisation les plus répandues, déployés quotidiennement pour résoudre de nombreux problèmes dans un large éventail de secteurs industriels et de disciplines académiques.
Il existe une multitude de stratégies d'optimisation boîte noire, qui se complètent par leurs forces et leurs faiblesses, selon les types de problèmes et les étapes du processus d'optimisation. Si cette complémentarité est largement reconnue, nous manquons d'approches efficaces pour l'exploiter, ce qui conduit à des solutions sous-optimales et à une utilisation inefficace de nos ressources limitées.

Avec le projet dynaBBO, nous cherchons à combler cette lacune importante. En nous appuyant sur une approche hybride combinant les connaissances sur les algorithmes d'optimisation boîte noire et les techniques d'apprentissage automatique automatisé, nous obtenons un système performant, capable de basculer dynamiquement entre différents algorithmes d'optimisation boîte noire, à la volée.
Les trois principales questions de recherche qui guident notre projet sont : quel algorithme choisir pour la phase initiale ? Quand passer d'un algorithme à l'autre ? Comment démarrer "à chaud" le solveur sélectionné afin qu'il puisse poursuivre la recherche de solutions de haute qualité le plus efficacement possible ? La principale nouveauté de notre approche réside dans (1) une modélisation révisée des algorithmes, mieux adaptée au contrôle de leur comportement ; (2) la possibilité de basculer entre des algorithmes de types fondamentalement différents ; et (3) un choix adaptatif du ou des moments de basculement.
Comme nous l'avons démontré dans une série de travaux récents [GECCO 2019, GECCO 2022, FOGA 2023, GECCO 2025], les benchmarks guidés par des garanties formellement demontrées peuvent soutenir le développement de politiques de contrôle dynamique automatisées en fournissant des benchmarks avec des policies optimales connus. Cependant, la variété d'exemples pour lesquels des politiques de contrôle rigoureusement éprouvées sont connues est assez limitée. Pour combler cette lacune, le postdoctorant travaillera avec nous sur la conception et l'analyse d'un spectre plus large de benchmarks, en faisant varier la complexité des problèmes d'optimisation, des algorithmes ou des informations de l'espace d'état pouvant être prises en compte par la politique de contrôle.

Compétences

Le candidat doit être à l'aise avec les algorithmes d’optimisation type boite noir ainsi que avec les approches d’apprentissage automatique automatisé.

Contexte de travail

Le candidat travaillera au laboratoire LIP6 de Sorbonne Université, où il sera encadré par Carola Doerr, directrice de recherche CNRS. Le postdoc s'intégrera dans l'équipe de recherche opérationnelle (RO) du LIP6.
Le poste est financé via la bourse ERC Consolidator "dynaBBO : Dynamic Selection and Configuration of Black-box Optimization Algorithms". Des fonds pour les déplacements et la participation à des conférences sont disponibles. Le postdoc aura accès aux ressources informatiques du LIP6 et de Sorbonne Université.
Notre langue de travail est l'anglais. Aucune compétence en français n'est requise.

Contraintes et risques

non pertinent