Hdr de Arnaud Liefooghe

Analyse de paysage et recherche heuristique pour l'optimisation multi-objectif

Ce manuscrit présente les activités de recherche que j'ai menées en tant que Maître de Conférences à l'Université de Lille depuis 2010. Elles portent sur les heuristiques de recherche pour l'optimisation boîte-noire multi-objectif, et elles s'articulent autour de trois axes de recherche complémentaires. Premièrement, nous considérons l'analyse de paysage comme concept central pour comprendre les fondements et le comportement des heuristiques de recherche multi-objectif. Un certain nombre de caractéristiques sont proposées et analysées pour distinguer les paysages multi-objectifs. Elles permettent de mieux comprendre les difficultés auxquelles les algorithmes doivent faire face en fonction du problème à résoudre. Elles sont ensuite utilisées afin de prédire la performance des algorithmes, et d'automatiser le choix de l'algorithme à sélectionner pour résoudre un problème jamais vu auparavant. Deuxièmement, étant donné que l'optimisation multi-objectif vise à identifier un ensemble de solutions, il devient pertinent de considérer l'espace de recherche comme la collection de tous les ensembles possibles de solutions. Dans ce contexte, nous commençons par clarifier les différences et les similitudes entre les ensembles selon différentes relations de préférence basées sur les ensembles de la littérature. Nous spécifions également une recherche locale multi-objectif basée sur les ensembles, et nous étudions la difficulté de recherche en fonction des caractéristiques du problème et de la relation de préférence considérée. Enfin, nous contribuons à la conception et à l'amélioration d'approches de recherche multi-objectif efficaces. Pour cela, nous nous appuyons sur le concept de décomposition, qui consiste à décomposer le problème d'optimisation multi-objectif considéré en plusieurs sous-problèmes scalaires qui sont résolus de façon concurrente et coopérative. Cela nous permet de proposer des approches distribuées qui intègrent un haut niveau de parallélisme, et qui peuvent être déployées sur des environnements de calcul modernes. Nous considérons également des modèles de substitution à la fonction d'évaluation, et nous étudions leur intégration au sein du processus de recherche multi-objectif afin de résoudre des problèmes particulièrement coûteux. Nous concluons le manuscrit par des perspectives concernant l'optimisation massive

soutenue le 15/06/2022