Les travaux présentés dans ce manuscrit portent sur l'optimisation multi-objectifs boite noire. En particulier, nous nous intéressons aux problèmes coûteux, par exemple nécessitant une simulation complexe pour évaluer la qualité des solutions, pour lesquelles le coût temporel ou matériel s'avère particulièrement important. En conséquent, nous considérons des algorithmes assistés par des modèles de substitution. Ces modèles sont des modèles statistiques d'apprentissage automatique qui permettent d'estimer la qualité d'une nouvelle solution en se basant sur des évaluations passées d'autres solutions. Dans le cadre de l'optimisation coûteuse, ils permettent alors de se substituer aux fonctions objectifs pour limiter le coût d'une exécution. Les contributions de cette thèse sont plurielles. Dans un premier temps, nous étudions les algorithmes évolutionnaires multi-objectifs assistés par des modèles de substitution existants, dans le but d'apporter un cadre par le biais d'une taxonomie qui nous permet de mettre en évidence leurs composants modulaires plus efficacement. Dans un deuxième temps, nous étudions expérimentalement les différents algorithmes de la littérature, ainsi que l'impact des différentes stratégies qui les composent. Cette étude nous permet de tirer de premières conclusions sur certains points clés de leur conception, tels que l'efficacité du partitionnement des données d'apprentissage ou les différences de performance des stratégies de génération des solutions, comme le filtrage et l'optimisation globale efficace, en fonction du nombre d'appels à la fonction d'évaluation. Dans un troisième temps, et en nous basant sur ces résultats qui montrent que la performance des différents composants algorithmiques dépend du budget, nous proposons de nous intéresser à la conception de nouvelles approches, les algorithmes adaptatifs. Ces algorithmes se restructurent, au cours de leur exécution, pour répondre plus efficacement aux problématiques rencontrées. Ceci nous permet de proposer une configuration plus générique, qui répond efficacement aux différents scénarios considérés. Ces scénarios sont définis en terme de budget, ici le nombre d'appels à la fonction d'évaluation, qui représente une part prépondérante du temps de calcul. Les deux scénarios considérés dans ce manuscrit dépendent du rapport entre le coût de l'évaluation et le coût des autres étapes de l'algorithme. Ils nous permettent de considérer un scénario où le budget est très restreint et donc l'évaluation particulièrement coûteuse, et un scénario où le budget est modérément restreint et donc l'évaluation un peu moins coûteuse. Dans un dernier temps, pour pallier les problématiques engendrées par le contexte coûteux, nous nous intéressons à la parallélisation des algorithmes cibles dans le but de limiter le coût temporel des exécutions. Pour cela, nous étudions différentes approches de parallélisation existantes d'algorithmes se basant sur la décomposition et assistés par des modèles de substitution, ce qui nous permet d'étudier leur viabilité dans le contexte de la thèse. En particulier, nous montrons que la stratégie de résolution permet d'échantillonner différentes zones de recherche et d'obtenir des solutions de compromis différents entre les objectifs. De plus, nous avons pu montrer que les algorithmes considérés bénéficient d'une mise à l'échelle efficace pour un nombre d'unités de calcul modéré.
M. Bilel DERBEL Université de Lille Directeur de thèse M. Frédéric SAUBION Université d'Angers Rapporteur M. Matthieu BASSEUR Université du Littoral Côte d'Opale Rapporteur M. Idoumghar LHASSANE Université de haute Alsace Examinateur Mme Sophie TISON Université de Lille Examinatrice M. Arnaud LIEFOOGHE Université de Lille Examinateur
Thèse de l'équipe BONUS soutenue le 09/11/2022
français
English