BiGMO - Optimisation Multiobjectif Big

Porteur : Bilel Derbel, Maître de conférences Université de Lille CRIStAL

Équipe : Dolphin du Groupe Thématique : OPTIMA

Partenaires : CityU City University of Hong Kong, Department of Computer Science ; Université de Lille CRIStAL

Projet de recherche collaborative - International

Recherche fondamentale

Dates : 2017 / 2021

Résumé :

En observant l’évolution de la science informatique moderne, l’optimisation évolutionnaire se dirige vers l’ère dite ‘big’ où les applications impliquent des modèles large échelle, avec un nombre élevé de variables et objectifs antagonistes. Notre but est d’anticiper la nouvelle génération d’optimiseurs multi-objectif en nous attaquant à la nature ‘big’ des problèmes ; ceci en adoptant une perspective diviser-pour-régner, et en étudiant les fondements de nouveaux algorithmes au carrefour du soft computing et du calcul distribué. Nous ciblons des nouvelles approches basées sur la décomposition (dans les espaces objectif et décisionnel) avec le défi principal de concevoir des algorithmes co-évolutionnaire, ayant des mécanismes de contrôle autonomes basés sur des modèles avancés, nous permettant d’exploiter les limites de la puissance de calcul des plates-formes parallèles modernes. De telles approches nous permettront de dépasser la difficulté inhérente à la dimension des problèmes.

Abstract :

Following the evolution of modern computational science, the field of evolutionary optimization is shifting rapidly to the big era where the large-scale nature of applications implies big optimization models, with a large number of decision variables and of conflicting objective functions. Accordingly, our goal is to foster the next generation of multiobjective optimizers by tackling big optimization problems from a divide-and-conquer perspective, and to study the foundations of new algorithmic tools at the crossroads of soft and distributed computing. We thereby target novel decomposition-based approaches (in objective and decision spaces) with the main challenge of designing co-evolutionary search algorithms, having autonomous control mechanisms using advanced models, that can take full benefit from the aggregated power of modern parallel computing platforms. Such approaches would allow us to go beyond the difficulty inherent to the large problem dimensionality.

Mots clefs / Keywords :
Contrôle, Optimisation - Calcul scientifique et traitement des données
Scientific computing, simulation and modelling tools, Artificial intelligence, intelligent systems, multi agent systems, Algorithms, distributed, parallel and network algorithms, algorithmic game theory