Machine learning et métaoptimisation: une approche hybride pour la recherche opérationnelle en [...]

TN France; Versailles; Sur place; EUR 35 000 - 55 000; Plein temps

Résumé du poste

Une opportunité passionnante pour un doctorat à Versailles, axée sur l'amélioration des heuristiques pour le problème de routage de véhicules. Ce projet innovant explore des méthodes d'apprentissage automatique, y compris l'optimisation bayésienne et les réseaux neuronaux graphiques, pour résoudre des problèmes logistiques complexes. En collaborant avec des établissements publics, vous contribuerez à des solutions pratiques et durables dans le domaine de la recherche opérationnelle. Rejoignez une équipe dynamique et participez à des recherches qui façonnent l'avenir de la logistique.

Qualifications

• Expérience en apprentissage automatique et optimisation.
• Compétences en recherche opérationnelle et heuristiques.

Responsabilités

• Améliorer les heuristiques pour le problème de routage de véhicules.
• Utiliser des méthodes d'apprentissage pour optimiser les solutions.

Connaissances

Apprentissage automatique

Optimisation bayésienne

Apprentissage par renforcement

Graph Neural Networks (GNNs)

Formation

Doctorat en Informatique

Master en Mathématiques appliquées

Description du poste

Machine learning et métaoptimisation: une approche hybride pour la recherche opérationnelle en logistique // Machine Learning and Metaoptimization: A Hybrid Approach to Operational Research in Logistics, Versailles

Université Paris-Saclay GS Informatique et sciences du numérique

Versailles, France

Topic description

Le problème étudié est une variante plus réaliste du Vehicle Routing Problem (VRP), connu pour être NP-complet, mais qui demeure très étudié en pratique. Dans notre cas, le problème considéré s'accompagne de nombreuses contraintes additionnelles: coût, pollution, moyens de transports, type de marchandises, capacité. L'approche actuelle de l'entreprise DCBrain consiste à utiliser des heuristiques simples issues de la recherche opérationnelle, telles que des recuits simulés et algorithmes gloutons. Ces heuristiques sont par la suite optimisées en choisissant des paramètres adéquats, en fonction de la taille des entrées.

Ce projet de thèse vise à utiliser des méthodes d'apprentissage pour améliorer ces heuristiques, tant en termes de temps de calcul que de qualité des résultats. Il s'inscrit dans une démarche de recherche récente et active. Le projet propose d'aborder ce problème selon quatre axes :

1. Utilisation de méthodes d'apprentissage, telles que l'optimisation bayésienne, pour déterminer les meilleurs méta-paramètres à considérer dans les heuristiques.
2. Utilisation de méthodes d'apprentissage (par renforcement) pour déterminer une bonne solution initiale pour les heuristiques.
3. Utilisation de méthodes d'apprentissage pour combiner efficacement différentes heuristiques existantes.
4. Envisager une approche basée sur le deep learning, notamment avec des graph neural networks (GNNs).

Le problème considéré est une variante réaliste du Vehicle Routing Problem (VRP), avec de nombreuses contraintes supplémentaires telles que coût, pollution, moyens de transport, type de marchandises, capacité. La démarche actuelle de DCBrain utilise des heuristiques simples, optimisées par paramètres en fonction de la taille des données.

Les objectifs de la thèse sont d'améliorer ces heuristiques en utilisant des techniques d'apprentissage automatique pour réduire le temps de calcul et améliorer la qualité des solutions, en explorant notamment l'optimisation bayésienne, l'apprentissage par renforcement, le mélange de heuristiques, et le deep learning avec GNNs.

Début de la thèse : 01/10/

Funding category

Funding further details

Financement d'autres établissements publics à caractère industriel et commercial (ADEME, ADIT, ANDRA, Bpifrance, BRGM, CIRAD, CNES, Universcience, CSTB, IFPEN, IFREMER, INERIS, IRSN).